核心概念
본 연구는 애플리케이션 비용 함수에 따라 최적의 예측 모델을 정의하는 새로운 폐루프 프레임워크를 제시한다. 이를 통해 기존의 개방형 예측-의사결정 접근법의 한계를 극복하고 운영 및 신뢰성 비용을 최소화할 수 있다.
摘要
본 논문은 전력 시스템 운영에서의 수요 및 예비력 예측 문제에 애플리케이션 주도 학습 프레임워크를 적용한다. 기존의 개방형 예측-의사결정 접근법은 예측 오류에 대한 사후 보정 조치를 고려하지 않아 운영 비용 및 신뢰성 저하를 초래한다. 이에 반해 제안하는 폐루프 접근법은 예측 모델을 애플리케이션 비용 함수에 따라 최적화함으로써 이러한 한계를 극복한다.
구체적으로, 수요 및 예비력 예측 문제를 이중 최적화 문제로 정식화하였다. 상위 문제에서는 예측 모델 파라미터를 최적화하고, 하위 문제에서는 예측값을 바탕으로 발전 및 예비력 계획을 수립한다. 이를 통해 예측 성능이 최종 운영 비용을 최소화하도록 학습된다.
제안 방법론의 수렴성을 이론적으로 분석하였으며, 실제 전력 시스템 데이터를 활용한 사례 연구를 통해 기존 접근법 대비 우수한 성능을 입증하였다. 특히 대규모 시스템에서도 효율적인 휴리스틱 해법을 제시하였다.
統計資料
전력 시스템 운영에 필요한 주요 데이터는 다음과 같다:
발전기 용량 K
발전 비용 c
상/하향 예비력 용량 ¯r(up), ¯r(dn)
상/하향 예비력 비용 p(up), p(dn)
송전선 용량 F
네트워크 감도 행렬 B
부하 차단 및 발전 제한 페널티 비용 λLS, λSP