생성형 AI 및 최적화된 딥러닝 예측 모형을 활용한 데이터 기반 마이크로그리드 최적 운영 전략 수립에 관한 연구 Comprehensive Data-Driven Energy Management of Microgrid Considering Generative and Optimized Deep Learning-based Forecasting Model
본 논문에서는 기존의 물리 기반 시스템에서 데이터 기반 시스템으로의 전환에 따라 전력 데이터 전주기 분석기술을 활용한 데이터 기반의 마이크로그리드 최적 운영플랫폼을 제안한다. 최근, 탄소배출 감소 및 친환경 에너지 촉진 정책에 따라 재생에너지 기반의 마이크로그리드의 중요성이 부각되고 있다. 그러나 환경적, 경제적 이점에도 불구하고 재생에너지는 출력변동성을 내포하고 있으며, 이러한 불확실성을 효과적으로 다루는 것이 마이크로그리드 최적운영전략 수립을 위해 필수적으로 선행되어야 한다. 또한, ...
본 논문에서는 기존의 물리 기반 시스템에서 데이터 기반 시스템으로의 전환에 따라 전력 데이터 전주기 분석기술을 활용한 데이터 기반의 마이크로그리드 최적 운영플랫폼을 제안한다. 최근, 탄소배출 감소 및 친환경 에너지 촉진 정책에 따라 재생에너지 기반의 마이크로그리드의 중요성이 부각되고 있다. 그러나 환경적, 경제적 이점에도 불구하고 재생에너지는 출력변동성을 내포하고 있으며, 이러한 불확실성을 효과적으로 다루는 것이 마이크로그리드 최적운영전략 수립을 위해 필수적으로 선행되어야 한다. 또한, 정보통신기술의 발달로 전력장비에서 발생하는 방대한 데이터를 활용하여 데이터 기반의 효율적인 전력이용 및 마이크로그리드 운영계획 수립이 가능해졌지만 수집된 데이터는 센서 고장, 통신 오류 등으로 인해 결측치 등 불완전한 데이터를 내포하고 있으며 성공적인 데이터 기반의 운영 전략 수립을 위해서는 결측치 처리가 필수적으로 선행되어야 한다. 이에, 본 논문에서는 먼저 생성형 적대적 신경망을 활용하여 결측치를 관측치와 유사한 값으로 대체한다. 이 후, 전처리된 데이터를 활용하여 마이크로그리드 내 재생에너지 출력, 전력수요 및 전력시장 가격 불확실성에 대해 효과적으로 대체하기 위해 Genetic algorithm–adaptive weight particle swarm optimizaion–LSTM–glboal attention mechanism (GA-AWPSO-LSTM-GAM) 모델을 제안한다. 특히, 예측의 정확성을 올리기 위해 제안된 예측 모형에서는 GA-AWPSO 알고리즘을 활용하여 LSTM의 뉴런의 개수, 학습율을 최적화하였다. 추가적으로, 입력데이터 세트에서 미래 예측에 큰 영향을 미치는 인자에 가중치를 부과하여 예측률을 더욱 제고하기 위해 GAM을 도입하였다. 한편, 수요자원을 활용하여 마이크로그리드 불확실성을 처리하기 위해 본 논문에서는 데이터 마이닝 기반 인센티브 수요반응 전략을 제시한다. 제안된 수요반응 전략은 밀도기반 군집 알고리즘인 Ordering points to Identifying clustering structure (OPTICS)을 활용하여 수요자원 고객을 분류하였고, 분류된 수요자원들의 특성에 따라 각각 최적화된 인센티브를 제공하여 운영비용과 피크부하를 감소한다. 제안된 데이터 기반의 마이크로그리드 운영전략의 성능과 그 효과를 검증하기 위해 다양한 결측치 처리기법, 예측 모형, 수요반응 전략과의 비교분석을 수행하였다. 이를 통해, 결측치 처리 및 하루 전 재생에너지 발전량, 전력수요, 시장가격 예측의 우수성을 입증하며 마이크로그리드의 운영 비용, 피크 부하를 효과적으로 감소하였다.
본 논문에서는 기존의 물리 기반 시스템에서 데이터 기반 시스템으로의 전환에 따라 전력 데이터 전주기 분석기술을 활용한 데이터 기반의 마이크로그리드 최적 운영플랫폼을 제안한다. 최근, 탄소배출 감소 및 친환경 에너지 촉진 정책에 따라 재생에너지 기반의 마이크로그리드의 중요성이 부각되고 있다. 그러나 환경적, 경제적 이점에도 불구하고 재생에너지는 출력변동성을 내포하고 있으며, 이러한 불확실성을 효과적으로 다루는 것이 마이크로그리드 최적운영전략 수립을 위해 필수적으로 선행되어야 한다. 또한, 정보통신기술의 발달로 전력장비에서 발생하는 방대한 데이터를 활용하여 데이터 기반의 효율적인 전력이용 및 마이크로그리드 운영계획 수립이 가능해졌지만 수집된 데이터는 센서 고장, 통신 오류 등으로 인해 결측치 등 불완전한 데이터를 내포하고 있으며 성공적인 데이터 기반의 운영 전략 수립을 위해서는 결측치 처리가 필수적으로 선행되어야 한다. 이에, 본 논문에서는 먼저 생성형 적대적 신경망을 활용하여 결측치를 관측치와 유사한 값으로 대체한다. 이 후, 전처리된 데이터를 활용하여 마이크로그리드 내 재생에너지 출력, 전력수요 및 전력시장 가격 불확실성에 대해 효과적으로 대체하기 위해 Genetic algorithm–adaptive weight particle swarm optimizaion–LSTM–glboal attention mechanism (GA-AWPSO-LSTM-GAM) 모델을 제안한다. 특히, 예측의 정확성을 올리기 위해 제안된 예측 모형에서는 GA-AWPSO 알고리즘을 활용하여 LSTM의 뉴런의 개수, 학습율을 최적화하였다. 추가적으로, 입력데이터 세트에서 미래 예측에 큰 영향을 미치는 인자에 가중치를 부과하여 예측률을 더욱 제고하기 위해 GAM을 도입하였다. 한편, 수요자원을 활용하여 마이크로그리드 불확실성을 처리하기 위해 본 논문에서는 데이터 마이닝 기반 인센티브 수요반응 전략을 제시한다. 제안된 수요반응 전략은 밀도기반 군집 알고리즘인 Ordering points to Identifying clustering structure (OPTICS)을 활용하여 수요자원 고객을 분류하였고, 분류된 수요자원들의 특성에 따라 각각 최적화된 인센티브를 제공하여 운영비용과 피크부하를 감소한다. 제안된 데이터 기반의 마이크로그리드 운영전략의 성능과 그 효과를 검증하기 위해 다양한 결측치 처리기법, 예측 모형, 수요반응 전략과의 비교분석을 수행하였다. 이를 통해, 결측치 처리 및 하루 전 재생에너지 발전량, 전력수요, 시장가격 예측의 우수성을 입증하며 마이크로그리드의 운영 비용, 피크 부하를 효과적으로 감소하였다.
Recently, the integration of renewable energy sources (RES) in microgrid (MG) has risen significantly due to extensive promotion of green energy and decarbonization. However, despite these environmental-economic benefits, RES into MG poses considering uncertainties of RES, load, and day-ahead price ...
Recently, the integration of renewable energy sources (RES) in microgrid (MG) has risen significantly due to extensive promotion of green energy and decarbonization. However, despite these environmental-economic benefits, RES into MG poses considering uncertainties of RES, load, and day-ahead price (DAP) while implementing a data-mining-based unsupervised learning incentive demand response (UL-IDR) program. In addition, owing to the transition of physical-based energy system to data-driven energy system, missing data is an inherent in multivariate time series for various reasons and the existence of missing values may substantially influence real-time grid monitoring, causing inaccuracy in evaluating subsequent grid status and energy management system. First, inspired by the success of generative adversarial imputation network (GAIN) in missing data imputation over many state-of-art networks, this paper proposes a new unsupervised data mining-based conditional generative adversarial multiple imputation network (DM-CGAMIN) to further improve the imputation performance for multivariate times series smart grid dataset. Specifically, a new pre-training algorithm has been adopted to train potential categorical information included in a subset of low-missing rate dataset. Here, an efficient fuzzy clustering-combined ordering points to identify the clustering structure (F-OPTICS) and k-nearest neighbor (k-NN) algorithm are employed, respectively to assign appropriate class label for pre- training and original dataset. Using assigned class labels, an auxiliary classifier is then developed to update generator to produce indistinguishable output while retaining suitable categorical information. Lastly, feature subset and multiple imputation along with weighted average is applied to further improve the accuracy and reliability of the final results. Second, to handle the intrinsic uncertainties of MG, a data-driven forecasting model known as a long short- term memory (LSTM) network is utilized and a method for improving prediction accuracy of LSTM forecasting model based on a genetic algorithm (GA) - adaptive weight particle swarm optimization (AWPSO) combination and a global attention mechanism (GAM) is proposed. Herein, the hyperparameters of the LSTM model is optimized by the GA-AWPSO, and GAM method is added to extract important features from collected input datasets to improve the forecasting performance. Third, to consider diversified characteristics of incentive demand response (IDR) customers, this paper proposes an unsupervised-learning-based data-driven IDR (UL-IDR) in which customers obtain different incentive rates depending on their willingness for load curtailment based on customer diversity. The proposed UL-IDR first detects customer categories by using improved central independent - ordering points to identify the clustering structure (ICI-OPTICS) based on their bid/offers. Then, the k-nearest neighbor algorithm optimized by heuristic algorithm is used to assign class labels for consumers on the actual operation day. To present the superiority of the proposed data-driven energy management of microgrid simulation has been implemented on historical New England and PJM datasets, and the results obtained from simulation revealed the performance and efficiency of the proposed DDEM in terms of handling missing data, uncertainties, and IDR customer diversity with respect to other methods. Keywords: Data-driven, deep-learning, data mining, energy management, generative adversarial network, smart grid, forecasting, clustering, demand response, microgrid
Recently, the integration of renewable energy sources (RES) in microgrid (MG) has risen significantly due to extensive promotion of green energy and decarbonization. However, despite these environmental-economic benefits, RES into MG poses considering uncertainties of RES, load, and day-ahead price (DAP) while implementing a data-mining-based unsupervised learning incentive demand response (UL-IDR) program. In addition, owing to the transition of physical-based energy system to data-driven energy system, missing data is an inherent in multivariate time series for various reasons and the existence of missing values may substantially influence real-time grid monitoring, causing inaccuracy in evaluating subsequent grid status and energy management system. First, inspired by the success of generative adversarial imputation network (GAIN) in missing data imputation over many state-of-art networks, this paper proposes a new unsupervised data mining-based conditional generative adversarial multiple imputation network (DM-CGAMIN) to further improve the imputation performance for multivariate times series smart grid dataset. Specifically, a new pre-training algorithm has been adopted to train potential categorical information included in a subset of low-missing rate dataset. Here, an efficient fuzzy clustering-combined ordering points to identify the clustering structure (F-OPTICS) and k-nearest neighbor (k-NN) algorithm are employed, respectively to assign appropriate class label for pre- training and original dataset. Using assigned class labels, an auxiliary classifier is then developed to update generator to produce indistinguishable output while retaining suitable categorical information. Lastly, feature subset and multiple imputation along with weighted average is applied to further improve the accuracy and reliability of the final results. Second, to handle the intrinsic uncertainties of MG, a data-driven forecasting model known as a long short- term memory (LSTM) network is utilized and a method for improving prediction accuracy of LSTM forecasting model based on a genetic algorithm (GA) - adaptive weight particle swarm optimization (AWPSO) combination and a global attention mechanism (GAM) is proposed. Herein, the hyperparameters of the LSTM model is optimized by the GA-AWPSO, and GAM method is added to extract important features from collected input datasets to improve the forecasting performance. Third, to consider diversified characteristics of incentive demand response (IDR) customers, this paper proposes an unsupervised-learning-based data-driven IDR (UL-IDR) in which customers obtain different incentive rates depending on their willingness for load curtailment based on customer diversity. The proposed UL-IDR first detects customer categories by using improved central independent - ordering points to identify the clustering structure (ICI-OPTICS) based on their bid/offers. Then, the k-nearest neighbor algorithm optimized by heuristic algorithm is used to assign class labels for consumers on the actual operation day. To present the superiority of the proposed data-driven energy management of microgrid simulation has been implemented on historical New England and PJM datasets, and the results obtained from simulation revealed the performance and efficiency of the proposed DDEM in terms of handling missing data, uncertainties, and IDR customer diversity with respect to other methods. Keywords: Data-driven, deep-learning, data mining, energy management, generative adversarial network, smart grid, forecasting, clustering, demand response, microgrid
주제어
#Data-driven deep-learning data mining energy management generative adversarial network smart grid forecasting clustering demand response microgrid
학위논문 정보
저자
김형준
학위수여기관
중앙대학교 대학원
학위구분
국내박사
학과
에너지시스템공학과 전기에너지
지도교수
김문겸
발행연도
2024
총페이지
167 p.
키워드
Data-driven deep-learning data mining energy management generative adversarial network smart grid forecasting clustering demand response microgrid
※ AI-Helper는 부적절한 답변을 할 수 있습니다.