동적 전기 요금 하에서 운영되는 에너지 관리 시스템은 유연한 부하에 대해 빠르고 비용 최적화된 제어 전략을 필요로 한다. 혼합 정수 선형 프로그래밍(MILP)은 이론적으로 최적의 제어 궤적을 계산할 수 있지만, 계산 비용이 비싸고 일반적으로 정확한 부하 예측에 의존하여 실제 실시간 적용성에 제한을 둔다. 본 논문은 전기 요금 신호와 시간적 특징에서 전통적인 비례(P) 제어기에 대한 최적 세트포인트 궤적을 직접 학습하는 감독 모방 학습(IL) 프레임워크를 제안하여 명시적인 부하 예측의 필요성을 없앤다. 학습된 모델은 개방 루프 방식으로 세트포인트 궤적을 예측하며, 하위 수준의 P 제어기는 두 단계 제어 아키텍처 내에서 안정적인 폐쇄 루프 작동을 보장한다. 이 접근법은 동적 전기 요금 하에서 냉장 시스템의 부하 이동에 초점을 맞춘 산업 사례 연구에서 검증되었으며, MILP 최적화, 강화 학습(RL), 휴리스틱 전략 및 다양한 기계 학습 모델과 비교된다. MILP 솔루션은 21.07%의 비용 절감을 달성하며 완벽한 정보 하에서 이론적 상한을 나타낸다. 제안된 Transformer 모델은 이 최적값에 근접하여 19.33% 비용 절감을 달성하며 실시간 추론을 가능하게 한다. 전반적으로 결과는 제안된 감독 IL 접근법이 실시간 에너지 관리 응용 프로그램에 대해 상당히 감소된 계산 노력으로 거의 최적의 제어 성능을 달성할 수 있음을 보여준다.
Wohlgenannt et al. (Fri,) 이 질문을 연구했다.