가정 에너지 관리

 

FastInformer-HEMS: 가정 에너지 관리 

 

링크/페이지 인용

 

 

저자(들): Xihui Chen [1,2]; Dejun Ning(교신저자)[1,*]

1. 서론

선진국과 지역에서는 주거 지역이 에너지 소비량의 거의 40%를 차지합니다. 산업 및 교통과 비교할 때 주거 지역은 탄소 감소뿐만 아니라 에너지 및 비용 절감에 상당한 잠재력을 가지고 있습니다[1]. 최근 몇 년 동안 분산 발전 장치 및 제어 가능한 전기 제품의 수가 증가함에 따라 가정 에너지 관리 시스템(HEMS)이 더욱 복잡해졌습니다. 최종 사용자 측의 운영 환경의 한계를 고려할 때, 주민들이 불필요한 에너지 소비를 줄이고 전기 비용을 절감할 수 있도록 효율적인 경량화 최적화 알고리즘[2]이 절실히 필요하다.

현재 가정 에너지 시스템 관리에 적용되는 알고리즘은 휴리스틱 알고리즘, 운영 연구 알고리즘, 강화 학습 및 기계 학습의 네 가지 범주로 나눌 수 있습니다. 휴리스틱 알고리즘[3,4,5]은 허용 가능한 시간과 공간을 희생하여 최적화 문제에 대한 실행 가능한 솔루션을 얻습니다. Bouakkazet al. [4]는 에너지 비용을 최소화하기 위한 최적화 모델을 수립하고 배터리의 최적의 전일 스케줄링 계획을 얻기 위한 입자군집 최적화 알고리즘을 제안하였다. Ahmadet al. [5]는 에너지 비용과 피크 대 평균 비율을 최소화하기 위한 최적화 모델을 수립하고 유전자 알고리즘을 사용하여 가전 제품의 최적의 전일 스케줄링을 얻었습니다. 혼합 정수 선형 프로그래밍(MILP) 및 동적 프로그래밍과 같은 운영 연구 알고리즘, 가정 에너지 관리 시스템에도 적용됩니다. Azuatalam et al. [6]은 PV 저장 시스템을 갖춘 가족의 전기 비용을 최소화하기 위해 MILP 모델을 설정하고 CPLEX 솔버를 사용하여 가전 제품의 하루 앞선 일정을 설정했습니다. 위에서 언급한 방법의 계획 결과는 고품질이지만 장치의 수에 따라 계산 복잡도가 기하급수적으로 증가합니다. 또한 최적화 품질은 미래 정보의 예측에 따라 달라집니다. 계산 복잡성은 장치 수에 따라 기하급수적으로 증가합니다. 또한 최적화 품질은 미래 정보의 예측에 따라 달라집니다. 계산 복잡성은 장치 수에 따라 기하급수적으로 증가합니다. 또한 최적화 품질은 미래 정보의 예측에 따라 달라집니다.

 

위에서 언급한 최적화 알고리즘의 높은 계산 복잡성의 한계를 극복하기 위해 초기 학자들은 상태 공간 감소[7,8] 및 MILP 시나리오 감소[9]와 같은 개선 방법을 제안했습니다. 그러나 그들은 여전히 ​​높은 계산 복잡성 문제를 근본적으로 해결할 수 없었습니다. 이와 관련하여 일부 학자들은 강화학습[10,11,12,13]과 기계학습[14,15,16,17] 방법을 도입하였다. 강화 학습은 사전 지식이 필요 없고 환경 변동에 덜 영향을 받는다는 장점이 있지만 모델 수렴이 어렵다[13]. Huyet al. [14]은 MILP 계획 결과와 환경 상태 간의 매핑 관계를 학습한 후 온라인에서 직접 호출되는 기계 학습 기반의 시간별 수요 대응 전략을 제안했습니다. 시뮬레이션 결과는 기계 학습 기반 알고리즘의 결과가 강화 학습보다 우수함을 보여줍니다. Paridariet al. [18]은 가정 에너지 시스템 관리를 위한 플러그 앤 플레이 알고리즘을 제안했으며, LSTM 모델을 기반으로 30분 수요 반응 전략을 채택하고 좋은 결과를 얻었습니다. 그러나 한 단계 예측에만 좋은 영향을 미칩니다. 다단계 예측의 오류 누적으로 인해 예측 정확도가 수요 대응 전략의 요구 사항을 충족할 수 없습니다. 최근 많은 학자들이 긴 시계열의 예측 작업에 자연어 처리 분야의 Transformer [19] 모델을 적용하고 있다. Zhou 등이 제안한 Informer 모델. [20]은 다단계 예측을 실현하고 잘 수행되었지만 계산 복잡성은 여전히 ​​개선할 여지가 있습니다.

최종 사용자 측의 제한된 리소스를 고려할 때 가정 에너지 관리 시스템을 위한 최적화 알고리즘은 최적화 결과를 지속적으로 개선하기 위해 계산 복잡성을 줄이면서 다단계 예측의 정확도를 개선하는 것이 시급합니다. 따라서 본 논문에서는 PV 저장 장치를 이용한 가정 에너지 관리 시스템을 위한 경량화 최적화 알고리즘을 제안한다. Informer 모델을 기반으로 네트워크 구조와 어텐션 메커니즘을 개선하여 계산 복잡성을 줄이고 최적화 이점을 향상시킵니다. 이 논문의 주요 기여는 다음과 같습니다.

(a) FastInformer-HEMS라는 경량 최적화 알고리즘이 제안되어 E-Attn 어텐션 메커니즘[21]을 도입하고 전역 평균 풀링을 사용하여 어텐션 기능을 추출하고 배터리 에너지 수준의 다단계 예측의 정확도를 향상하고 효과적으로 개선합니다. 계산 복잡성을 줄입니다.

 

(b) 안전한 운영의 필요성을 고려하여 실행된 전략이 안전하고 실행 가능함을 보장하기 위해 백업 보안 정책으로 자체 소비 최대값(SCM)을 처음으로 도입했습니다.

(c)시뮬레이션 결과 제안한 알고리즘이 기존 HEMS 알고리즘보다 전기료가 저렴하고 계산 복잡도가 가장 낮다.

2. 가정 에너지 관리의 배경 이

절에서는 PV 스토리지를 이용한 가정 에너지 시스템의 공통 구조를 소개하고, 가정 에너지 관리 최적화 문제를 공식화하고 마지막으로 기계 학습을 기반으로 한 가정 에너지 관리 알고리즘을 소개한다.

2.1. 가정 에너지 시스템의 구조

가정용 에너지 시스템의 일반적인 구조에는 배터리 저장 장치, PV 태양광 패널 및 가정용 기기가 포함됩니다. 시스템 구조는 그림 1과 같습니다.

2.2. 가정 에너지 관리 최적화

가정 에너지 관리 최적화의 목표는 의사결정 기간 동안 가정의 에너지 비용을 최소화하는 것입니다. 가정 에너지 관리 시스템의 최적화 문제는 본질적으로 HEMS가 매일 시작하기 전 결정 기간(보통 24시간) 동안 시퀀스 최적화 문제를 해결하여 배터리 또는 가전 제품을 제어하는 ​​최적화 기술을 사용한다는 것입니다. 편의상 그림 1과 같이 태양광 발전 장치, 배터리 저장 장치 및 해당 인버터로 구성된 간단한 가정 에너지 시스템을 고려합니다. 또한 특정 주거용 부하는 개별적으로 분류 및 모델링되지 않습니다. 본 논문에서는 전기요금이 임의의 변수가 되지 않도록 전기요금을 사용시간대 요금으로 가정한다.

시스템의 제어할 수 없는 입력은 전력 수요, 태양광 출력 및 전기 가격이며, 여기서 상태 변수 s[sub.k] [sup.d]는 평균 부하 수요를 나타내고 s[sub.k] [sup.pv]는 평균 태양광 발전량, s[sub.k] [sup.p]는 전기요금, 확률변수 w[sub.k] [sup.d]는 전기수요의 변화, w[sub.k] [ sup.pv]는 PV 출력의 변동을 나타냅니다. 시스템에서 제어하는 ​​장치는 배터리이며, 상태변수 s[sub.k][sup.b]는 배터리 SOC(충전상태)를 나타내고, 제어변수 x[sub.k][sup.b]는 배터리 SOC(충전상태)를 나타낸다. 배터리의 충전 및 방전 전력을 나타냅니다.

결정 지평에서 각 시간 단계 k에 대해 시스템 변수 세트는 X[sub.k]=[x[sub.k] [sup.b]],S[sub.k]=[s[sub. k] [sup.b],s[sub.k] [sup.d],s[sub.k] [sup.pv],s[sub.k] [sup.p]],W[sub.k ]=[w[sub.k] [sup.pv],w[sub.k] [sup.d]]. 시스템의 전력 균형은 공식 (1)로 표시됩니다. .k] [sup.i]+x[sub.k] [sup.g] 여기서 x[sub.k] [sup.i]=s[sub.k] [sup.pv]+w[sub.k ] [sup.pv]-?[sup.b]x[sub.k] [sup.b]는 DC 측 인버터 전력, ?[sup.i]는 인버터의 변환 효율, ?[sup.i]는 인버터의 변환 효율입니다. .b]는 배터리의 충전 및 방전 효율이고 x[sub.k] [sup.g]는 그리드에서 구매 및 판매되는 전력을 나타냅니다. 배터리의 충전 전력은 x[sub.k][sup.b+]=?[sup.c]를 만족한다. 방전 전력은 x[sub.k][sup.b-]=?[sup.d]를 충족합니다. s[sub.k] [sup.b,

시스템 전달 함수는 상태 변수의 변화를 결정하며, 공식 (2):(2)s[sub.k+1][sup.b]=(1-l[sup.b](s[sub. k] [sup.b]))(s[sub.k] [sup.b]-x[sub.k] [sup.b-]+?[sup.b+]x[sub.k] [sup.b] b+]) 여기서 l[sup.b](s[sub.k] [sup.b])는 배터리의 자가 방전 과정을 나타냅니다. 배터리 전원 s[sub.k+1] [sup.b]의 다단계 예측 정확도가 실행 동작 x[sub.k] [sup.b] HEMS 정책.

최적의 전략 p[sup.*]는 공식 (3):(3)F[sup.p*]에서 볼 수 있듯이 의사 결정 기간에 걸쳐 미래 비용의 예상 합계를 최소화하는 각 상태에 대한 조치 선택입니다. =minp?{?k=0KC[sub.k](S[sub.k],p(S[sub.k]),W[sub.k])}

여기서 C[sub.k](S[sub.k],p(S[sub.k]),W[sub.k])는 의사결정 기간의 전기 비용이며 다음과 같이 표현할 수 있습니다. )C[sub.k](S[sub.k],p(S[sub.k]),W[sub.k])=s[sub.k] [sup.p](s[sub.k] ] [sup.d]+w[sub.k] [sup.d]+?[sup.i]x[sub.k] [sup.i])

상태 변수에 따라 S[sub.k]= [s[sub.k] [sup.b],s[sub.k] [sup.d],s[sub.k] [sup.pv],s[sub.k] [sup.p]] 또는 W[sub.k]=[w[sub.k] [sup.pv],w[sub.k] [sup.d]], 각 시간 단계에서 HEMS는 배터리의 동작 x를 얻습니다. x[sub.k] [sup.b].

2.3. 가정용 에너지 관리 시스템을 위한 기계 학습 기반 알고리즘

MILP는 HEMS 문제를 수학적 프로그래밍 문제로 모델링하고 동적 프로그래밍 알고리즘은 HEMS 문제를 Markov 결정 프로세스로 모델링합니다. 이러한 방법의 계획 품질은 PV 및 전기 수요의 정확한 예측에 따라 달라집니다. 또한 계산 비용이 높습니다.

위에서 언급한 문제점을 고려할 때 더 나은 해결책은 기계 학습을 기반으로 한 가정 에너지 관리 알고리즘입니다[18]. 기계 학습 알고리즘은 시스템 상태 S[sub.k]를 결정 변수 x[sub.k] [sup.b]에 매핑하여 낮은 계산 비용으로 신속하게 계획 결과를 얻을 수 있도록 하는 데 사용됩니다. 또한 계획 품질은 PV 및 전기 수요의 정확한 예측에 의존하지 않습니다.

기존 방법은 LSTM을 사용하여 그림 2a와 같이 의사 결정 변수를 단계별로 예측합니다. 결정 지평에 오류가 누적되어 간접적으로 계획 품질이 저하됩니다. 이 문제를 해결하기 위해 계산 복잡성을 줄이는 동시에 최적화 이점을 향상시킬 수 있는 경량 최적화 알고리즘인 FastInformer-HEMS를 제안합니다.

3. FastInformer-HEMS 알고리즘

이 섹션에서는 최적화 알고리즘의 전체 프레임워크인 FastInformer-HEMS를 먼저 소개하고 예측 모듈, 보안 모듈 및 전략 생성 모듈을 포함한 특정 응용 단계를 소개한 다음 마지막으로 FastInformer 모델을 소개합니다.

3.1. 알고리즘 프레임워크

최종 사용자 측의 제한된 자원 문제와 1단계 예측으로 인한 오류 누적 문제를 목적으로 Informer 모델을 도입하고 이를 개선하여 FastInformer-HEMS 알고리즘을 제안한다. 알고리즘은 먼저 예측 모듈을 사용하여 배터리 에너지 수준의 다단계 예측을 실현한 다음 보안 모듈 및 전략 생성 모듈을 통해 결정 변수를 신속하게 얻습니다. 전체 프레임워크는 그림 3에 나와 있습니다.

알고리즘의 예측 모듈은 FastInformer 모델의 입력으로 과거 광전지 출력, 전기 수요, 전기 가격 및 배터리 전력을 사용합니다. 인코딩 및 디코딩 후 예측 모듈은 미래 일정 기간 동안의 배터리 에너지 수준을 출력합니다. 배터리의 충전 또는 방전 전력과 전기 그리드 전력은 전략 생성 모듈에 의해 계산됩니다. 한편, 보안 모듈은 예측 값이 공식 (5)와 (6)을 만족하지 않는 시점에서 실행 가능한 조치를 생성하기 위해 백업 정책을 실행하도록 선택합니다.

FastInformer-HEMS의 구성은 다음 섹션에서 설명합니다.

3.1.1. 예측 모듈

지난 몇 일 동안의 PV 발전, 전력 수요, 사용 시간 전기 가격 및 배터리 전력을 예측 모듈에 입력하고 제안하는 다단계 예측 모델인 FastInformer(3.2절에서 설명)를 사용하여 최적의 전력을 예측합니다. 다음 24시간 동안의 배터리 에너지 레벨.

FastInformer는 가정의 이력 데이터와 함께 MILP 솔버를 사용하여 배터리의 이력 최적 에너지 수준을 먼저 계산한 다음 이력 환경 정보를 입력으로 하고 이력 최적 솔루션을 레이블로 사용하여 모델을 훈련합니다. 따라서 학습된 FastInformer 모델은 향후 최적의 배터리 전원을 출력할 수 있습니다.

3.1.2. 안전 모듈

예측 모듈에서 예측한 최적의 배터리 에너지 레벨 값은 안전 모듈의 입력으로 사용되며 SCM은 예측 값을 필터링하기 위한 백업 안전 전략으로 사용됩니다. 예측 값이 아래와 같이 안전 작동 조건을 충족하지 않으면 안전 모듈은 시스템의 안전한 작동을 보장하기 위해 백업 전략을 수행하도록 선택합니다. (5)e_[sup.b]=e^[sub.t ] [sup.b]=e¯[sup.b] (6)0=e^tb-et-1b/?t=P¯[sup.b] 여기서 e^[sub.t] [sup.b] 는 시간 단계 t에서의 배터리 에너지 레벨의 예측값을 나타내고, e¯[sup.b]는 배터리의 최저 에너지 레벨을 나타내고, e¯[sup.b]는 배터리의 최고 에너지 레벨을 나타내고, P̅[sup.b]는 배터리의 최고 에너지 레벨을 나타냅니다. .b]는 배터리 충전 또는 방전 전력의 상한을 나타냅니다.

e^[sub.t] [sup.b]가 안전 ​​작동 조건을 만족하지 않는 경우 시스템 전력 격차 P[sub.t] [sup.gap]는 다음과 같이 계산됩니다. 여기서 ?[sup.i]는 인버터 효율:(7)P[sub.t] [sup.gap]=?[sup.i]P[sub.t] [sup.pv]-P[sub.t] [sup.load]

때 P[ sub.t] [sup.gap]>0, 이는 현재 시스템의 태양광 발전이 전기 수요를 충족할 수 있고 남은 PV 발전이 배터리에 충전되거나 그리드에 판매됨을 의미합니다. 배터리 충전 전력은 다음과 같이 계산되며, 여기서 Δb는 배터리 충전 또는 방전 효율을 나타낸다. (8)P[sub.t] [sup.b+]=min(Ptgap/?i?b,P¯[sub.t] [sup.b+],e¯b-et-1b/?b?t)

배터리를 충전한 후 전력이 남아 있으면 그리드에 판매됩니다. 그리드 전력 P[sub.t] [sup.g-]는 아래와 같습니다. (9)P[sub.t] [sup.g-]=|P[sub.t] [sup.gap]|-?[sup.i]?[sup.b]P[sub.t] [sup .b+]

P[sub.t] [sup.gap]=0이면 시스템의 태양광 발전이 부하를 충족하지 못한다는 것을 나타냅니다. 방정식 (2)에 따르면 시스템 전원의 균형을 맞추기 위해 배터리를 방전하거나 그리드에서 전기를 구매해야 합니다. 방전 전력 P[sub.t] [sup.b-]는 다음과 같이 계산됩니다. P¯[sub.t] [sup.b-],?bPtgap/?i)

시스템은 아래와 같이 그리드에서 전력 P[sub.t] [sup.g+]를 구매해야 합니다.(11)P[sub .t] [sup.g+]=|P[sub.t] [sup.gap]|-?iPtb-/?b

백업 안전 전략의 특정 프로세스는 그림 4에 나와 있습니다. 즉, 태양광 발전 및 축전지를 우선적으로 사용하여 부하 수요를 충족한 다음 그리드와의 상호 작용을 고려합니다.

3.1.3. 전략 생성 모듈

안전 모듈은 미래의 최적 배터리 전원 예측 값 세트를 출력합니다. [e^[sub.t+1] [sup.b],e^[sub.t+1] [sup.b],?,e ^[sub.t+48] [sup.b]] 작업 요구 사항을 충족합니다. 충전전력 P[sub.t+x] [sup.b+], 방전전력 P[sub.t+x] [sup.b-], 구매전력 P[sub.t+x] [sup.b-]를 계산하는 과정 .g+] 및 시간 단계 t + x에서의 판매력 P[sub.t+x] [sup.g-]는 다음과 같습니다.

공식 (2)에 따르면 두 시간 단계 e^[sub.t+x-1] [sup.b]와 e^[sub.t+x] [sup.b] 사이의 전력 갭은 다음을 결정할 수 있습니다. 전기를 사고 파는 힘과 힘의 격차, ?e=e^[sub.t+x] [sup.b]-e^[sub.t+x-1] [sup.b].

Δe>0이면 배터리를 충전해야 하며 충전 전력 P[sub.t+x] [sup.b+]는 다음과 같이 계산됩니다. (12)P[sub.t+x] [sup.b+ ]=?e/?b?t

배터리를 충전한 후 시스템 전력 균형을 이루기 위해 그리드에 전기를 사거나 팔아야 합니다. 그리드 전력 P[sub.t+x] [sup.g]는 다음과 같이 계산됩니다. (13)P[sub.t+x] [sup.g]=?[sup.i]P[sub.t+x] [sup.pv]-P[sub.t+x] [sup.load] -?[sup.i]?[sup.b]P[sub.t+x] [sup.b+]

P[sub.t+x] [sup.g]>0일 때, 전력 판매력 P[sub.t+x] [sup.g-]=P[sub.t+x] [sup.g] , P[sub.t+x] [sup.g]=0일 때 전기 구매력 P[sub.t+x] [sup.g+]=-P[sub.t+x] [sup.g ].

Δe<0일 때 배터리를 방전해야 하며 방전 전력 P[sub.t+x] [sup.b-]는 다음과 같이 계산됩니다. b-]=?b?e/?t

마찬가지로 시스템의 전력 균형을 유지하려면 그리드에서 전기를 사고 팔아야 합니다. P[sub.t+x] [sup.g]의 계산은 방정식 (15)에 표시됩니다. .t+x] [sup.pv]-P[sub.t+x] [sup.load]-?iPt+xb+/?b

P[sub.t+x] [sup.g]>0일 때, 매도력 P[sub.t+x] [sup.g-]=P[sub.t+x] [sup.g], P[sub.t+x] [sup.g]=0일 때 매수 전력 P[sub.t+x] [sup.g+]=-P[sub.t+x] [sup.g].

전략 생성 프로세스는 그림 5에 나와 있습니다.

구매한 전기량 또는 판매한 전기량을 계산한 후 결정 기간의 비용은 다음 방정식으로 계산할 수 있습니다. ]P[sub.t] [sup.g+]-T[sup.fit]P[sub.t] [sup.g-]) 여기서 T[sup.tou]는 사용시간 전기요금, T는 [sup.fit]은 전기 요금을 나타냅니다.

3.2. FastInformer 모델

Transformer의 self-attention 메커니즘은 긴 시퀀스 처리에서 LSTM보다 더 나은 성능을 제공합니다. Informer [19]는 Transformer를 기반으로 긴 시계열을 한 단계로 출력하기 위해 생성 디코더를 채택하여 한 단계 반복 예측으로 인한 오류 누적 문제를 해결할 수 있습니다.

제안된 FastInformer는 Informer의 전반적인 계산 복잡도를 줄여 HEMS가 최적화 알고리즘을 실행하는 데 걸리는 시간을 줄입니다. 모델은 인코더와 디코더로 구성되며 구조는 그림 6과 같다.

3.2.1. 인코더

인코더는 입력에서 유용한 기능을 추출하여 디코더에서 효과적으로 디코딩할 수 있도록 설계되었습니다. Informer의 인코더 계층은 희소 어텐션 모듈과 증류 계층으로 구성됩니다. 제안하는 FastInformer 모델은 어텐션 모듈로 E-Attn을 도입하고 어텐션 특징을 추출하기 위해 GAP(Global Average Pooling)를 채택하여 Informer보다 계산 복잡도가 낮다.

E-Attn 어텐션 모듈은 어텐션 계산에서 키와 값을 대체하기 위해 완전히 연결된 두 개의 네트워크인 M[sub.k] 및 M[sub.v]를 사용하는 시각적 작업에서 선형 복잡성을 갖는 어텐션 메커니즘입니다. 이 구조는 그림 7과 같다.

F[sub.in]이 입력 벡터일 때 Fully Connected Layer를 거쳐 벡터 Q가 되고, 출력 벡터가 F[sub.out]일 때 Attention 계산 공식은 다음과 같다. (17)F[sub.out]=Norm(QM[sub.K] [sup.T])M[sub.V]

원래 주의 메커니즘과 다르게 M[sub.k] 및 M[sub. v]는 두 개의 완전히 연결된 계층입니다. 어텐션 계산 측면에서 E-Attn 어텐션은 행렬 배수가 필요하지 않으므로 그림 6a에 표시된 것처럼 ProbSparse 어텐션에 비해 계산 복잡도가 O(nlogn)에서 O(n)으로 감소합니다.

Informer의 인코더는 어텐션 가중치를 계산한 후 특징을 추출하기 위해 다층 컨벌루션을 채택합니다. 다층 콘볼루션의 계산 복잡도는 O(?[sub.l=1] [sup.D]M[sub.l] [sup.2]•K[sub.l] [sup.2]•C[ sub.l-1]•C[sub.l]), 여기서 M은 각 컨볼루션 코어의 출력 특징 맵의 가장자리 길이, K는 각 컨볼루션 코어의 가장자리 길이, l은 l번째 컨볼루션 레이어입니다. 어텐션 매트릭스의 희소성을 고려하여 FastInformer는 어텐션 매트릭스의 특징을 추출하기 위해 전역 평균 풀링을 사용하여 이 부분의 계산 복잡도를 O(1)로 줄입니다.

3.2.2. 디코더

제안된 FastInformer 모델은 생성적 디코더를 채택하고 완전히 연결된 계층을 출력 다단계 예측 데이터에 한 번에 채택하여 한 단계 예측으로 인한 오류 누적을 방지합니다. 디코더의 계산 복잡도를 줄이기 위해 FastInformer 디코더는 전체 모델의 계산 복잡도를 줄이는 교차 주의 모듈만 유지합니다.

4. 결과 및 분석

본 절에서는 데이터셋과 실험설정을 먼저 소개한 후 비교 알고리즘과 평가지표를 소개한 후 마지막으로 패밀리 시나리오에서 FastInformer-HEMS의 전력소모비용과 시간소모의 유효성을 검증한다. 하루의 결정 기간과 여러 날의 결정 기간.

4.1. 데이터세트

사용된 데이터 세트는 스마트 그리드 프로젝트의 실제 데이터에서 가져온 것입니다[22]. 이 데이터 세트에는 섹션 2.1에서 설명한 가정용 에너지 시스템에 속하는 2011년부터 2013년까지 호주 시드니 고객의 전기 수요 및 PV 발전 데이터가 포함되어 있습니다. 일일 결정 지평은 24시간을 30분 시간 간격으로 나누어 K = 48 시간 단계를 제공합니다. 가정에서 사용하는 축전지 정보는 표 1과 같다.

4.2. 실험 설정

서로 다른 알고리즘의 성능을 비교하기 위해 Python 환경의 NVIDIA GeForce GTX 1080 Ti GPU 머신에서 실험을 수행했으며 신경망은 pytorch로 구축되었습니다. 하드웨어 환경이 아닌 시뮬레이션 환경에서 정책을 테스트했기 때문에 배터리의 효율성을 일정하게 설정했습니다. 실제 하드웨어 시스템에서 배터리와 인버터의 효율은 엄격하게 선형이 아니며 [23] 시뮬레이션 환경에서 서로 다른 정책 간의 차이에 주로 초점을 맞추기 때문에 상수를 사용하여 효율을 근사화합니다. 그리드 검색 방법은 모델 하이퍼파라미터를 결정하는 데 사용됩니다. FastInformer의 모델 하이퍼파라미터 검색 공간은 표 2와 같습니다.

많은 실험을 거친 후 FastInformer의 인코더의 입력 길이는 96, 디코더의 레이블 길이는 48, 디코더의 출력 길이는 48, 배치 크기는 32로 설정했습니다. 그리드 전력 가격은 판매 가격을 나타냅니다

. 전기 사용 시간 전기 가격은 다른 시간 단계에서 그리드에서 전기를 구매하는 가격을 나타냅니다. 사용 시간 및 병입 요금에 대한 구체적인 정보는 그림 8에 나와 있습니다.

4.3. 비교 알고리즘 및 평가 지표

모델의 유효성을 검증하기 위해 FastInformer-HEMS를 다음 세 가지 알고리즘과 비교합니다.

(a) MILP(Mixed Integer Linear Programming Algorithm)는 미래의 PV와 부하 수요를 완벽하게 예측할 수 있으므로 계획 품질이 최고라고 가정합니다.

(b) LSTM 기반의 HEMS 알고리즘(LSTM-HEMS)은 현재 MILP의 높은 계산 복잡성을 피하기에 좋은 선택입니다. LSTM 모델을 채택하여 그림 2a와 같이 결정 변수를 단계별로 예측합니다.

(c) Informer를 도입하여 배터리 에너지 레벨의 다단계 예측을 실현하는 HEMS(Informer-HEMS)용 Informer 기반 알고리즘.

본 논문에서는 각 정책의 평가 지표로 의사결정 지평에서의 전기요금과 집행시간을 활용하였다. 또한, 신경망 기반의 3가지 알고리즘은 모두 배터리의 미래 에너지 레벨을 먼저 예측한 후 결정 변수를 간접적으로 획득하기 때문에 배터리 에너지 레벨의 예측 정확도를 비교할 필요가 있다.

4.4. 실험 결과 분석

4.4.1. 하루 동안 전략의 품질

3개의 HEMS 전략과 MILP의 실행 품질을 하루 만에 비교하기 위해 처음 2년과 3년차부터 240일 동안 동일한 가구의 과거 데이터를 사용하여 모델을 훈련하고 241일 이후 데이터를 사용합니다. 전략의 온라인 실행을 시뮬레이션하기 위한 환경 정보로 2013년의 날.

전략의 성과를 종합적으로 평가하기 위해 두 가지 일반적인 시나리오에서 하루 동안 전략의 실행 품질을 비교합니다. 시나리오 1에서 태양광 발전 에너지 수준은 기본적으로 가정의 전기 수요를 충족할 수 있을 만큼 충분히 큽니다. 시나리오 2에서 태양광 발전은 사용자 수요를 충족할 수 없습니다. 본 논문에서는 241일과 243일을 분석을 위한 두 가지 전형적인 시나리오의 구체적인 예로 선정하였다. 시나리오에 대한 정보는 표 3과 같다.

두 가지 일반적인 시나리오에서 배터리의 에너지 레벨 예측

시나리오 1에서 태양광 발전 용량은 기본적으로 사용자의 전기 수요를 충족합니다. 다음 날 전기 요금이 높은 시간대에 전력망에서 전력을 구매하지 않기 위해 최적의 전략인 MILP는 전기 요금이 낮은 시간대에 배터리를 충전하여 다음 날의 전력 소비 비용을 줄입니다. 그림 9에서 볼 수 있듯이 신경망 기반의 세 가지 HEMS 알고리즘은 모두 MILP를 잘 모방할 수 있습니다. MILP의 결과와 비교하여 Informer-HEMS의 시간간격별 평균 예측오차는 0.94kWh, FastInformer-HEMS의 시간간격별 평균오차는 1.14kWh, LSTM-HEMS의 평균오차는 1.64kWh이다. . 결과는 제안하는 FastInformer-HEMS의 예측 정확도가 기존 LSTM-HEMS보다 높다는 것을 보여준다.

시나리오 2에서는 날씨 및 기타 이유로 인해 가정의 태양광 발전이 전기 수요를 충족할 수 없습니다. 하루의 전력 소비 비용을 줄이기 위해 MILP의 완벽한 최적화는 하루 중 전기 요금이 낮은 시간대에 전력을 구매하고 전기 요금이 높은 시간대에 배터리를 방전하여 전력 수요를 충족시켜 전력 소비를 줄입니다. 비용. LSTM-HEMS와 비교할 때 전략의 배터리 에너지 수준 예측은 그림 10과 같이 MILP에 더 가깝습니다.

두 가지 일반적인 시나리오의 전기 비용

예측 모듈은 배터리의 최적 에너지 레벨을 출력합니다. 그러면 전략 생성 모듈은 예측값에 따라 그리드와의 거래 전력과 배터리의 충전 또는 방전 전력을 계산합니다. 예측 값이 안전 작동 조건을 위반하면 안전 모듈이 백업 전략을 수행하여 실행 가능한 결정 변수를 생성합니다. 3.1.2절과 3.1.3절의 공식에 따라 그림 11과 같이 배터리의 충전 또는 방전 전력과 그리드와의 거래 전력을 각 시간대별로 계산할 수 있다. FastInformer-HEMS가 MILP의 전략을 효과적으로 모방하고 잉여 태양광 발전으로 배터리를 충전할 수 있다는 것을 알 수 있습니다. 또한 전기요금이 저렴한 기간에는 배터리를 충전하고,

시나리오 2에서 각 정책의 최적화 결과는 그림 12와 같다. 시나리오 1과 달리 시나리오 2의 태양광 발전은 전력 수요를 충족할 수 없기 때문에 시스템 전력 균형을 유지하기 위해 그리드에서 전기를 구매해야 한다. 대부분의 시간은 의사 결정 지평을 넘어갑니다.

하루 동안 전기를 구매하거나 전기를 판매하는 전력 집합을 구한 후 식 (16)에 따라 하루 동안의 비용을 계산합니다. 두 시나리오의 전기 비용은 표 4에 나와 있습니다. 벤치마크와 비교하여 FastInformer-HEMS는 두 시나리오에서 전기 비용을 각각 45.2% 및 61.4%로 줄이며 이는 MILP의 전기 비용에 가깝습니다. LSTM-HEMS에 비해 FastInformer-HEMS 알고리즘은 두 가지 일반적인 시나리오에서 비용을 각각 12.3%, 6.6% 줄일 수 있습니다. 결과는 제안한 알고리즘이 전기료를 효과적으로 절감할 수 있음을 보여준다.

4.4.2. 며칠 동안의 전략 비용

서로 다른 전략의 성과를 공정하게 평가하기 위해 이전 섹션에서 설명한 두 가지 일반적인 시나리오를 포함하는 여러 날의 결정 기간에 대한 전략을 구현합니다. 표 5에서 보는 바와 같이 LSTM-HEMS의 7일간 실행 비용은 FastInformer-HEMS보다 8% 더 높으며 이는 FastInformer-HEMS가 낮은 전력 소비로 인한 높은 전력 소비 비용의 단점을 효과적으로 극복할 수 있음을 입증합니다. LSTM의 배터리 에너지 레벨 예측 정확도.

FastInformer-HEMS와 Informer-HEMS의 비용이 각각 12.1%와 10.4%인 최적 MILP의 비용보다 여전히 높다는 점은 주목할 가치가 있습니다. 그러나 벤치마크와 기존 LSTM-HEMS에 비하면 여전히 전기료를 효과적으로 절감할 수 있어 다단계 예측의 정확도가 1단계 반복 예측보다 높다는 것을 증명한다. 또한, FastInformer-HEMS와 Informer-HEMS의 성능은 의사 결정 범위가 증가함에 따라 약간 감소했지만 둘 다 LSTM-HEMS보다 성능이 좋습니다. 한 달 동안의 비용 측면에서 FastInformer-HEMS의 비용은 LSTM-HEMS에 비해 4.6%, 벤치마크에 비해 41.9% 감소했습니다.

4.4.3. 전략 실행 시간

하루 동안 전략의 평균 실행 시간은 표 6에 나와 있습니다. 하루 동안 MILP의 실행 시간은 선택을 위해 솔루션 공간을 횡단해야 하기 때문에 신경망 기반 HEMS 알고리즘보다 거의 10초 더 깁니다. 출력으로 최적의 솔루션입니다. 이 간단한 시스템에서 MILP가 실행되는 데 걸리는 시간은 10.74초에 불과하지만 알고리즘의 시간 복잡도는 어플라이언스 수가 증가함에 따라 기하급수적으로 증가합니다. 많은 수의 기기와 최종 사용자 측의 제한된 컴퓨팅 리소스를 고려할 때 계산 복잡도가 낮은 경량 최적화 알고리즘에 대한 연구가 필요합니다.

표 6에서 FastInformer-HEMS는 알고리즘이 병렬 컴퓨팅을 채택하고 예측 모듈에서 다단계 예측 결과를 출력할 수 있기 때문에 네 가지 전략 중 가장 짧은 시간이 걸린다는 것을 알 수 있습니다. 이에 비해 LSTM-HEMS는 병렬 작업을 수행할 수 없고 단계적으로 반복해야 하므로 시간이 더 오래 걸립니다. 데이터는 FastInformer-HEMS의 실행 시간이 4개의 알고리즘 중 가장 짧다는 것을 보여줍니다.

Informer-HEMS와 FastInformer-HEMS의 실행 시간은 비슷하지만 그림 13과 같이 FastInformer-HEMS는 입력 시퀀스 길이가 증가할수록 성능이 더 좋습니다.

그림 13에서 FastInformer-HEMS의 실행 속도가 Informer-HEMS보다 빠르다는 것을 알 수 있습니다. 입력 시퀀스의 길이가 늘어남에 따라 두 정책 간의 간격이 점점 더 커집니다.

Informer-HEMS와 비교하여 FastInformer-HEMS는 4.4.2절에서 보듯이 수일에 걸친 비용은 3% 높지만 실행 시간은 34.8% 감소하여 최종 배치에 더 적합합니다. -컴퓨팅 리소스가 제한된 사용자 측.

5. 결론

본 논문은 가정 에너지 관리 시스템을 위한 경량 최적화 알고리즘인 FastInformer-HEMS를 제안하며, E-Attn 어텐션 메커니즘을 도입하고 전역 평균 풀링을 사용하여 어텐션 특징을 추출한다. Informer의 계산 복잡성을 효과적으로 줄이면서 배터리 에너지 수준의 다단계 예측을 실현합니다. 동시에 SCM은 정책의 실현 가능성을 보장하기 위해 처음으로 대체 보안 정책으로 도입되었습니다. 알고리즘의 유효성을 검증하기 위해 의사 결정 기간의 하루 및 여러 날 동안 시뮬레이션 실험을 위해 실제 가족 데이터를 선택합니다.

결과는 FastInformer-HEMS가 실행 시간이 가장 짧다는 것을 보여줍니다. 또한 기존 MILP 알고리즘은 높은 계산 복잡성으로 인해 최종 사용자 측에서 실행하기에 적합하지 않습니다. LSTM-HEMS는 MILP의 높은 계산 복잡도 문제를 효과적으로 해결할 수 있지만 예측 오류가 누적되어 최적화 결과가 높지 않습니다. 기존 LSTM-HEMS 정책과 비교하여 제안하는 정책은 시스템의 전력 소모 비용을 더 줄일 수 있다. Informer-HEMS와 비교하여 제안된 정책은 계산 복잡도와 최적화 결과 간의 더 나은 균형을 달성할 수 있습니다.

향후 작업은 솔루션의 품질을 더욱 향상시키기 위해 사용자 전력 소비 패턴의 분류 및 모델 구조 개선에 중점을 둘 것입니다.

저자 기여

개념화, XC 및 DN; 방법론, XC; 소프트웨어, XC; 검증, XC; 공식 분석, XC; 조사, XC; 자원, XC; 데이터 큐레이션, XC; 쓰기 - 원본 초안 준비, XC; 쓰기 - 검토 및 편집, XC 및 DN; 시각화, XC; 감독, DN; 프로젝트 관리, DN; 자금 조달, DN 모든 저자는 원고의 게시된 버전을 읽고 동의했습니다.

데이터 가용성 진술

이 기사에서 사용된 데이터는 Smart-Grid Smart-City Customer Trial Data—Dataset—data.gov.au에서 찾을 수 있습니다.

이해 상충

저자는 이해 상충을 선언하지 않습니다.

면책 조항/게시자 참고: 모든 간행물에 포함된 진술, 의견 및 데이터는 전적으로 개별 저자 및 기여자의 것이며 MDPI 및/또는 편집자가 아닙니다. MDPI 및/또는 편집자는 콘텐츠에 언급된 아이디어, 방법, 지침 또는 제품으로 인해 발생한 인명 또는 재산 피해에 대해 책임을 지지 않습니다.

참고 문헌

1. K. Paridari; L. 노드스트롬; C. 부하 유연성 모델링을 기반으로 불확실성 하에서 수요 대응 자원 계획을 위한 Sandels Aggregator 전략.,pp. 338-343.

2. J. Kwac; J. 플로라; R. Rajagopal 시간별 데이터를 이용한 가구 에너지 소비 세분화, 2014, 5,pp. 420-430. DOI: https://doi.org/10.1109/TSG.2013.2278477.

3. D. 아주아탈람; K. 파리다리; Y. Ma; M. Förstl; AC 채프먼; G. 소규모 PV 배터리 시스템의 Verbic 에너지 관리: 실제 구현, 계산 요구 사항, 입력 데이터 품질 및 배터리 성능 저하를 고려한 체계적인 검토., 2019, 112,pp. 555-570. DOI: https://doi.org/10.1016/j.rser.2019.06.007.

4. A. 부아카즈; AJG 메나; S. Haddad; ML Ferrari 에너지 저장장치가 있는 하이브리드 에너지 시스템에서 비용 절감과 에너지 절약을 고려한 효율적인 에너지 스케줄링., 2021, 33,p. 101887. DOI: https://doi.org/10.1016/j.est.2020.101887.

5. A. 아마드; A. 칸; N. 자바이드; HM 후세인; W. 압둘; A. 알모그렌; A. 알람리; IA Niaz 재생 에너지와 저장 자원이 통합된 최적화된 가정 에너지 관리 시스템., 2017, 10, 549. DOI: https://doi.org/10.3390/en10040549.

6. D. 아주아탈람; G. 동사; A. 배전 네트워크 전력 흐름에 대한 네트워크 요금의 Chapman 영향.,pp. 1-6.

7. C. 케르티싱헤; G. 동사; AC Chapman A Fast Technique for Smart Home Management: ADP with Temporal Difference Learning., 2018, 9,pp. 3291-3303. DOI: https://doi.org/10.1109/TSG.2016.2629470.

8. Z. Zhao; C. Keerthisinghe A Fast and Optimal Smart Home Energy Management System: State-Space Approximate Dynamic Programming., 2020, 8,pp. 184151-184159. DOI: https://doi.org/10.1109/ACCESS.2020.3023665.

9. C. 케르티싱헤; G. 동사; AC Chapman 스마트 홈에서 에너지 관리의 확률론적 특성을 다루다.,pp. 1-7.

10. X. 쉬; Y. 지아; Y. Xu; Z. Xu; S. 차이; CS Lai A Multi-Agent Reinforcement Learning-Based Data-Driven Method for Home Energy Management., 2020, 11,pp. 3201-3211. DOI: https://doi.org/10.1109/TSG.2020.2971427.

11. V. 므니; K. Kavukcuoglu; D. 실버; AA 루스; J. 베네스; MG 벨레마레; A. 그레이브스; M. 리드밀러; AK Fidjeland; G. Ostrovski et al. 심층 강화 학습을 통한 인간 수준의 제어., 2015, 518, pp. 529-533. DOI: https://doi.org/10.1038/nature14236. PMID: https://www.ncbi.nlm.nih.gov/pubmed/25719670.

12. L. Yu; W.시에; D.시에; Y. Zou; D. 장; Z. Sun; L. 장; Y. 장; T. Jiang 스마트 홈 에너지 관리를 위한 심층 강화 학습., 2019, 7,pp. 2751-2762. DOI: https://doi.org/10.1109/JIOT.2019.2957289.

13. S. 첸; M. 왕; W. 송; Y. Yang; Y. Li; M. Fu 강화학습 기반 종단간 자율주행을 위한 안정화 접근법., 2020, 69,pp. 4740-4750. DOI: https://doi.org/10.1109/TVT.2020.2979493.

14. HT 딘; K.-H. 이씨; D. Kim MILP 최적화에 근접한 행동 기반 가정 에너지 관리 시스템을 위한 감독 학습 기반 1시간 전 수요 반응., 2022, 321,p. 119382. DOI: https://doi.org/10.1016/j.apenergy.2022.119382.

15. 김용주 다중 구역 사무실 건물에서 HVAC 시스템의 최적 수요 대응을 위한 감독 학습 기반 전략., 2020, 11, pp. 4212-4226. DOI: https://doi.org/10.1109/TSG.2020.2986539.

16. HT 딘; D. Kim Milp 기반 공조 제어를 위한 모방 학습., 2021, 9,pp. 6107-6120. DOI: https://doi.org/10.1109/JIOT.2021.3111454.

17. S. 가오; C. 시앙; M. Yu; 케이티 탄; TH Lee 온라인 최적 전력 스케줄링을 통한 마이크로그리드 모방 학습., 2021, 13, pp. 861-876. DOI: https://doi.org/10.1109/TSG.2021.3122570.

18. K. 파리다리; D. 아주아탈람; AC 채프먼; G. 동사; L. Nordström 최적화 및 기계 학습 기술을 사용한 플러그 앤 플레이 가정 에너지 관리 알고리즘.,pp. 1-6.

19. A. 바스와니; N. 셰이저; N. 파마르; J. Uszkoreit; L. 존스; AN 고메즈; L. 카이저; I. Polosukhin Attention is all you need., Curran Associates Inc.: Red Hook, NY, USA, 2017, pp. 6000-6010.

20. H. 저우; S. 장; J. 펭; S. 장; J. Li; H. Xiong; W. Zhang Informer: 긴 시퀀스 시계열 예측을 위한 효율적인 변환기를 넘어서.,

21. M.-H. 구오; Z.-N. 리우; T.-J. 무; S.-M. Hu Beyond Self-Attention: 시각적 작업을 위한 두 개의 선형 레이어를 사용한 외부 주의., 2022, 45,pp. 5436-5447. DOI: https://doi.org/10.1109/TPAMI.2022.3211006. PMID: https://www.ncbi.nlm.nih.gov/pubmed/36197869.

22. Ausgrid, Smart-Grid Smart-City Customer Trial Data, Online, 2016, data.gov.. 온라인 이용 가능: https://data.gov.au/dataset/smart-grid-smart-city-customer-trial- 데이터 (2023년 3월 10일에 액세스).

23. LS 자비에르; CV 드 소사; 하 페레이라; VF Mendes 배터리 에너지 저장 시스템용 전력 변환기의 설계 및 성능 비교., 2023, DOI: https://doi.org/10.1002/cta.3590.. 보도

자료 그림 및 표

그림 1: 스마트 홈의 시스템 아키텍처. [이미지를 보려면 PDF를 다운로드하십시오.]

그림 2: 다지평 예측 모델의 주요 유형. (a) 반복적 1단계; (b) 다단계. [이미지를 보려면 PDF를 다운로드하십시오.]

그림 3: FastInformer-HEMS의 프레임워크. [이미지를 보려면 PDF를 다운로드하십시오.]

그림 4: 대체 안전 정책. [이미지를 보려면 PDF를 다운로드하십시오.]

그림 5: 정책 생성 프로세스. [이미지를 보려면 PDF를 다운로드하십시오.]

그림 6: FastInformer 모델. [이미지를 보려면 PDF를 다운로드하십시오.]

그림 7: 주의 모듈. (a) ProbSparse 주의; (b) E-Attn 주의. [이미지를 보려면 PDF를 다운로드하십시오.]

그림 8: 전기 요금 정보. [이미지를 보려면 PDF를 다운로드하십시오]

그림 9: 시나리오 1의 배터리 에너지 수준 예측. [이미지를 보려면 PDF를 다운로드하십시오.]

그림 10: 시나리오 2에서 배터리 에너지 레벨 예측. [이미지를 보려면 PDF를 다운로드하십시오.]

그림 11: 시나리오 1에서 알고리즘의 최적화 결과. (a) MILP; (b) LSTM-HEMS; (c) 정보원-HEMS; (d) FastInformer-HEMS. [이미지를 보려면 PDF를 다운로드하십시오.]

그림 12: 시나리오 2에서 알고리즘의 최적화 결과. (a) MILP; (b) LSTM-HEMS; (c) 정보원-HEMS; (d) FastInformer-HEMS. [이미지를 보려면 PDF를 다운로드하십시오.]

그림 13: 정책 실행 시간 비교. [이미지를 보려면 PDF를 다운로드하십시오]

표 1: 배터리 사양.

변하기 쉬운값

배터리 용량(kWh)	14.0
방전심도(kWh)	13.5
최대 충전 전력(kW)	5.0
능률	90%

표 2: 모델 하이퍼파라미터의 검색 공간.

초매개변수공간

인코더의 입력 길이	[12-336]
디코더의 레이블 길이	[4-168]
디코더의 출력 길이	[1-96]
배치 크기	[1-64]
주의 헤드	[4,8,16]

표 3: 일반적인 시나리오의 인스턴스 정보.

일반적인 시나리오전력수요(kWh)PV 발전량(kWh)

시나리오 1	21.770	31.739
시나리오 2	19.699	9.136

표 4: 하루 동안 정책 비용.

정책시나리오 1의 비용($)시나리오 2의 비용($)

벤치마크(PV 배터리 없음)	6.662 (100%)	9.660 (100%)
밀프	2.280 (34.2%)	5.000 (51.8%)
LSTM-HEMS	3.831 (57.5%)	6.564 (68.0%)
정보원-HEMS	2.650 (39.8%)	5.650 (58.5%)
FastInformer-HEMS	3.014 (45.2%)	5.935 (61.4%)

표 5: 며칠 동안의 정책 비용.

정책비용($/주)비용($/월)비용($/4개월)

벤치마크(PV 배터리 없음)	56.798 (100%)	248.431 (100%)	1085.108 (100%)
밀프	24.660 (43.4%)	114.096 (45.9%)	554.285 (51.1%)
LSTM-HEMS	35.113 (61.8%)	155.766 (62.7%)	157.505 (63.4%)
정보원-HEMS	30.554 (53.8%)	141.109 (56.8%)	638.044 (58.8%)
FastInformer-HEMS	31.543 (55.5%)	144.338 (58.1%)	645.639 (59.5%)

표 6: 하루 동안의 정책 실행 시간.

정책시간

밀프	10.740
LSTM-HEMS	0.204
정보원-HEMS	0.023
FastInformer-HEMS	0.015

저자 소속:

[1] Shanghai Advanced Research Institute, Chinese Academy of Sciences, Shanghai 200120, China; chenxh@sari.ac.cn

[2] University of Chinese Academy of Sciences, Beijing 100049, China

저자 참고:

[*] 서신: ningdj@sari.ac.cn; 전화: +186-1653-6063

DOI: 10.3390/en16093897

COPYRIGHT 2023 MDPI AG
저작권 보유자의 명시적인 서면 허가 없이 이 기사의 어떤 부분도 복제할 수 없습니다.

저작권 2023 Gale, Cengage Learning. 판권 소유.