에너지 시스템 성능 한계 분석 최적화

산업 공정을 위한 신뢰할 수 있는 통합 에너지 시스템 설계는 아키텍처 수준의 규모 결정부터 고정밀 동적 운영에 이르기까지 다양한 충실도(fidelity)에 걸친 최적화 및 검증 모델을 필요로 합니다. 그러나 충실도 간 모델 불일치는 성능 손실의 원인을 모호하게 하고 아키텍처-운영 간 성능 격차를 정량화하는 것을 복잡하게 만듭니다. 본 연구는 고비용의 고정밀 모델 평가를 최소화하면서 달성 가능한 성능의 아키텍처별 상한선을 추정하는 온라인 머신러닝 가속 다중 해상도 최적화 프레임워크를 제안합니다. 1MW 산업 열 부하를 공급하는 파일럿 에너지 시스템에 이 접근 방식을 적용하여 시스템 구성 및 구성 요소 용량을 선택하는 다목적 아키텍처 최적화를 먼저 수행했습니다. 이후, 지정된 아키텍처에 대해 달성 가능한 성능 한계에 근접하는 머신러닝 가속 다중 해상도 유한 예측 제어 전략을 개발했습니다. 머신러닝 기반 제어기는 예측 불확실성을 기반으로 최적화 해상도를 적응적으로 스케줄링하고, 엘리트 저정밀 솔루션을 사용하여 고정밀 문제 해결을 웜스타트합니다. 파일럿 사례 연구 결과, 제안된 다중 해상도 전략은 규칙 기반 제어기 대비 아키텍처-운영 성능 격차를 최대 42% 줄였습니다. 또한, 머신러닝 지침이 없는 동일한 다중 충실도 접근 방식 대비 필요한 고정밀 모델 평가를 34% 감소시켜 더 빠르고 신뢰할 수 있는 설계 검증을 가능하게 했습니다. 이러한 개선은 고정밀 검증을 실현 가능하게 하며, 달성 가능한 운영 성능에 대한 실질적인 상한선을 제공합니다.