SMART GRID RENDSZEREK KUTATÁSA KOVÁCS LÓRÁNT

Átírás

1 infokommunikációs technológiák SMART GRID RENDSZEREK KUTATÁSA KOVÁCS LÓRÁNT

2 SMART GRIDEK INTELLIGENS ENERGIAELLÁTÓ HÁLÓZATOK ALGORITMUSAINAK FEJLESZTÉSE Elosztott optimalizálás (Fábián Csaba, Vajnai Tibor) Stratégiai tervezés modellezése Elosztott optimalizálási eljárások Közelítő eljárások Véletlen paraméterek modellezése Esemény- és outlier detekció (Levendovszky János, Kovács Lóránt, Pintér István, Oláh András, Tornai Kálmán, Tisza Dávid) Kategória különbség detekció Statisztikai váltási pont detektálása 2

3 Stratégiai tervezés modellezése Motíváció: Gázközmű földgáz-vásárlási és elosztási problémája (Koberstein, Lucas, Wolf, König, 2011) 3

4 Német földgázkereskedelmi modell purchase contracts National Entry Point National Entry Point purchase contracts sales / purchase contracts market region RWE VP1 market region E.ON VP 2 sales / purchase contracts Spot market VP1 virtual trading point PU city A balance clearing underground storage pipe storage sales contracts 4

5 Gázfogyasztás alakulása adott évben (októberrel kezdve) Heti gázfogyasztás télen Heti gázfogyasztás nyáron 5

6 Kétlépcsős döntési modell Első lépcső: gáz-év kezdetén Földgáz-vásárlási szerződések (baseload / nyílt szerződések) Tárolókapacitás lekötése Fogyasztás realizálódik Második lépcső: naponta ismétlődő döntések Földgáz szállítása Vásárlás a nyílt szerződések alapján Ki- és betárazás 6

7 Kétlépcsős döntési modell Első lépcső: gáz-év kezdetén Földgáz-vásárlási szerződések (baseload / nyílt szerződések) Tárolókapacitás lekötése Fogyasztás realizálódik Második lépcső: naponta ismétlődő döntések Földgáz szállítása Vásárlás a nyílt szerződések alapján Ki- és betárazás Cél: a gázközmű éves várható profitja minél magasabb legyen. 7

8 Véletlenség modellezése: forgatókönyvekkel (Gázfogyasztás függ a napi középhőmérséklettől) 8

9 Megfigyelés: az optimális stratégia által eredményezett profit nagyon változékony. Első lépcső: gáz-év kezdetén Földgáz-vásárlási szerződések (baseload / nyílt szerződések) Tárolókapacitás lekötése Enyhe időjárás mellett a profit lényegesen alacsonyabb, mint kemény tél esetén! 9

10 Szemléltetés: Stratégiai döntések meghozva. A profit a gáz-fogyasztástól függ. Profit adott szcenário esetén

11 Szemléltetés: Stratégiai döntések meghozva. A profit a gáz-fogyasztástól függ. Profit adott szcenário esetén A véletlen profit hisztogrammja 11

12 A profit változékonysága kockázatot jelent a gázközmű számára. A kockázat mérhető. Kockázat-kerülő (risk-averse) modell: A kockázatot bizonyos szint alatt tartjuk (de ez a várható profit csökkenésével jár!) 12

13 Használható kockázati mértékek: Tegyük fel, hogy adott egy cél-érték a profitra. 13

14 Használható kockázati mértékek: Tegyük fel, hogy adott egy cél-érték a profitra. A cél-értékhez képest hiányzó profit várható mértéke. 14

15 Használható kockázati mértékek: Tegyük fel, hogy adott egy cél-érték a profitra. A cél-értékhez képest hiányzó profit várható mértéke. Annak az esélye, hogy a profit a cél-értéket nem éri el. 15

16 Tekintsük el az esetek legkedvezőtlenebb 10%-ától. Mekkora a legkisebb előfordulható profit a maradék (kedvező) esetek között? 16

17 Tekintsük el az esetek legkedvezőtlenebb 10%-ától. Mekkora a legkisebb előfordulható profit a maradék (kedvező) esetek között? Tekintsük az esetek legkedvezőtlenebb 10%-át. Mennyi a várható profit a kedvezőtlen esetekre szorítkozva? 17

18 Tekintsük az esetek legkedvezőtlenebb 10%-át. Mennyi a várható profit a kedvezőtlen esetekre szorítkozva? Conditional Value-at-Risk (CVaR) Ezt a kockázati mértéket használtuk. Különböző korlátokat megadva oldottuk meg a feladatot. 18

19 Efficiens frontier 19

20 Elosztott optimalizáló eljárások / közelítő eljárások Előző félév eredményei: Speciális dekompozíciós eljárások kidolgozása Ezek különleges vágósíkos eljárásként értelmezhetők: regularizálás közelítő adatok felhasználása 20

21 Elosztott optimalizáló eljárások / közelítő eljárások Előző félév eredményei: Megjelent publikáció. C. Wolf, C.I. Fábián, A. Koberstein, L. Suhl. Applying oracles of on-demand accuracy in two-stage stoch.prg. - a computational study. European Journal of Operational Research (EJOR), 239 (2014)

22 Elosztott optimalizáló eljárások / közelítő eljárások Folytatódik az együttműködés a Paderborni Egyetem DS&OR Lab munkatársaival. A tradícionális kétlépcsős feladatra kidolgozott eljárásokat általánosítottuk a kockázat-kerülő feladatra. 22

23 Computational study 23

24 Vizsgált módszerek Ekvivalens LP direkt megoldása Dekompozíció 24

25 Vizsgált módszerek Ekvivalens LP direkt megoldása Egyszerű vágósíkos Közelítő Dekompozíció Regularizált Regularizált közelítő 25

26 Összegzett futási idők (sec) Ekvivalens LP direkt megoldása Egyszerű vágósíkos Közelítő Regularizált Regularizált közelítő 26

27 Iterációk dekompozíciós módszereknél Első lépcső feladat kezdő megoldása x 1 27

28 x 1 Második lépcső feladatok megszerkesztése 28

29 Második lépcső feladatok megoldása 29

30 Megoldott második lépcső feladatok 30

31 Master feladat kiegészítése és megoldása 31

32 Master feladat kiegészítése és megoldása 32

33 Iterációk dekompozíciós módszereknél Substantial iteration: a második lépcső feladatait meg kell oldani. Insubstantial iteration: nem szükséges megoldani a második lépcső feladatait. A korábban nyert információk alapján szerkeszthető (közelítő) vágósík a master feladathoz. 33

34 Átlagos iteráció-számok 34

35 Publikáció C.I. Fábián, C. Wolf, A. Koberstein, L. Suhl. Risk-averse optimization in two-stage stochastic models: computational aspects and a study. Megjelenés alatt, SIAM Journal on Optimization (2015). Plenáris tutorial előadás: ASCONIKK: the Annual Scientific Conference of the Hungarian National Coordinating Center for Infocommunications, dec , Veszprém. Meghívott előadások: EURO Mini-Conference on Stochastic Programming and Energy Applications, szept , Párizs. Veszprém Optimization Conference: Advanced Algorithms, dec , Veszprém. 35

36 Véletlen paraméterek modellezése Szcenáriógeneráló programcsomag implementálása. Sokdimenziós véletlen vektor, az egyes komponensek közötti összefüggés kopula függvények segítségével adható meg. Publikáció C.I. Fábián, E. Csizmás and T. Vajnai. Modeling uncertainty for stochastic optimisation. In: TEAM 2014, Proceedings of the 6th International Scientific and Expert Conference of the International TEAM Society. 36

37 SMART GRIDEK KATEGÓRIA KÜLÖNBSÉG DETEKCIÓ Adatfeldolgozás és különbség-detekció továbbfejlesztés A korábbi két osztályra kidolgozott modell bővítése történt meg Process A Timeseries Approximator trained with class A Estimated forthcoming value and error Process B Process C Approximator trained with class B Approximator trained with class C Estimated forthcoming value and error Estimated forthcoming value and error Process Z Approximator trained with class Z Estimated forthcoming value and error Az egyes osztályokba tartozó idősorokhoz egy-egy prediktort rendelünk - A predikciós hibából következtetünk az osztályba tartozásra - A legkisebb predikciós hibához tartozó prediktorapján döntünk az osztályba sorolásról 37

38 SMART GRIDEK KATEGÓRIA KÜLÖNBSÉG DETEKCIÓ Más módszerekkel történő összehasonlítás: normalizált adatok esetén a predikciós módszer nagyon hatékony! 38

39 SMART GRIDEK KATEGÓRIA KÜLÖNBSÉG DETEKCIÓ Más módszerekkel történő összehasonlítás: normalizált adatok esetén a predikciós módszer nagyon hatékony! 39

40 SMART GRIDEK AUTOMATIKUS SZEGMENTÁCIÓ JENSEN-SHANNON DIVERGENCIA ALAPJÁN Eddigi eredmények összefoglalva: A JSD alapú CPT detekció rekurzív algoritmusa a háztartási villamos teljesítmény idősor off-line (globális) elemzéséhez illeszkedik A JSD alapú CPT detekció mozgóablakos változata a háztartási villamos teljesítmény idősor on-line elemzéséhez illeszkedik A JSD alapú CPT detekció mozgóablakos változata szóba jöhet smart meter - ben real-time alkalmazásokhoz is Eddigi számításaink szerint a JSD alapú CPT detekció mozgóablakos változata alkalmas a háztartási villamos teljesítmény idősor automatikus szegmentálására A mozgóablakos JSD/CPT algoritmussal automatikusan szegmentált adatsor jól klaszterezhető 40

41 SMART GRIDEK ESEMÉNY- ÉS OUTLIER DETEKCIÓ Újabb publikációk I. Pintér, L. Kovács, A. Oláh, R. Drenyovszky, D. Tisza, K. Tornai: Automatic Segmentation of Electricity Consumption Data Series with Jensen-Shannon Divergence, Energycon 2014, IEEE International Energy Conference, Dubrovnik, Croatia, May, Kálmán Tornai, Lóránt Kovács, András Oláh, Rajmund Drenyovszki, István Pintér, Dávid Tisza, János Levendovszky: Novel Consumer Classification Scheme for Smart Grids, Smart SysTech 2014, European Conference on Smart Objects, Systems and Technologies, Dortmund, July 1-2, ISBN: ISSN:

42 SMART GRIDEK ESEMÉNY- ÉS OUTLIER DETEKCIÓ Újabb publikációk Istvan Pinter, Lorant Kovacs, Andras Olah, Rajmund Drenyovszki, David Tisza and Kalman Tornai: On-line Change Point Detection in Household's Electricity Power Consumption Data Series for Smart Grid Applications, in Proceedings of TEAM2014 Conference, pp Kecskemét, Hungary, November ISBN Kálmán Tornai, Lóránt Kovács, András Oláh, Rajmund Drenyovszki, István Pintér, Dávid Tisza, János Levendovszky: Prediction Based Classification for Consumption Data in Smart Grid, submitted to IEEE Tr. Smart Grid. 42

43 SMART GRIDEK INTELLIGENS ENERGIAELLÁTÓ HÁLÓZATOK ALGORITMUSAINAK FEJLESZTÉSE Indikátorok összefoglalása Indikátor Vállalás Jelenlegi tény A projektben közreműködő fiatal kutatók száma A projekt során elért potenciális FP7/FP8 partnerek száma A projekt támogatásával hazai és nemzetközi szakfolyóiratokban megjelent publikációk, illetve önálló monográfiák száma

44 infokommunikációs technológiák KÖSZÖNÖM A FIGYELMET!