[論文レビュー] Reducing climate risk in energy system planning: a posteriori time series aggregation for models with storage

Adriaan P. Hilbers, David Brayshaw+1 more|arXiv (Cornell University)|Oct 15, 2022

Energy Load and Power Forecasting被引用数 5

ひとこと要約

本稿では、蓄電を含むエネルギー系容量拡張モデルにおける事後的時系列集約手法を導入し、モデルの構造に適合させるとともに、順序を保持することで極端な出来事の捉えをより良くする。この手法は、特に蓄電を統合したシステムにおいて、事前的手法に比べて計算コストを削減しながらも、気候に関連する極端な出来事を体系的に保持することで、精度を向上させる。

ABSTRACT

The growth in variable renewables such as solar and wind is increasing the impact of climate uncertainty in energy system planning. Addressing this ideally requires high-resolution time series spanning at least a few decades. However, solving capacity expansion planning models across such datasets often requires too much computing time or memory. To reduce computational cost, users often employ time series aggregation to compress demand and weather time series into a smaller number of time steps. Methods are usually a priori, employing information about the input time series only. Recent studies highlight the limitations of this approach, since reducing statistical error metrics on input time series does not in general lead to more accurate model outputs. Furthermore, many aggregation schemes are unsuitable for models with storage since they distort chronology. In this paper, we introduce a posteriori time series aggregation schemes for models with storage. Our methods adapt to the underlying energy system model; aggregation may differ in systems with different technologies or topologies even with the same time series inputs. Furthermore, they preserve chronology and hence allow modelling of storage technologies. We investigate a number of approaches. We find that a posteriori methods can perform better than a priori ones, primarily through a systematic identification and preservation of relevant extreme events. We hope that these tools render long demand and weather time series more manageable in capacity expansion planning studies. We make our models, data, and code publicly available.

研究の動機と目的

• 高分解能の気象および需要データを用いた長期的エネルギー系計画における計算負荷の低減を目的とする。
• 事前的手法による時系列集約には、順序の歪みや気候に関連する極端な出来事の消失といった限界があること、特に蓄電を統合したシステムでは顕著であることを克服することを目的とする。
• モデルのトポロジーおよび技術構成に適合する集約手法を開発し、蓄電のダイナミクスを正確に表現することを目的とする。
• 事後的手法による集約が、従来の事前的手法に比べてより正確な容量拡張結果をもたらすことを示すこと。
• モデル、データ、コードを公開し、再現可能性および広範な応用を支援すること。

提案手法

• 入力データの統計に依存するのではなく、モデルの出力を用いて代表期間の選定と重み付けをガイドする、事後の時系列集約を提案する。
• 時間ステップの順序を保持することで、蓄電の充電／放電サイクルおよび時間間隔制約の正確なモデリングを可能にする。
• 入力統計に依存するのではなく、モデルの挙動に基づいて、元の時間ステップを代表期間にマッピングする関数 𝒜 を導入する。
• 二段階アプローチを採用：まず、全モデルを解いて重要期間を同定し、次にこれらの期間の周囲に再集約して計算負荷を低減する。
• クラスタリングおよび最適化技術を用いて、特に極端な出来事中に重要な運用ダイナミクスを維持する代表期間を選択する。
• 集約がエネルギー系モデルの解にインフォームされる、ネスト型最適化フレームワークを採用し、関連する出来事が保持されることを保証する。

実験結果

リサーチクエスチョン

• RQ1 事後的時系列集約は、蓄電を含む容量拡張計画において、従来の事前的手法に比べて精度を向上させることができるか？
• RQ2 集約された時系列における順序の保持が、蓄電ダイナミクスの表現をどの程度改善するか？
• RQ3 異なる集約戦略は、気候に関連する極端な出来事の同定および保持にどのような影響を与えるか？
• RQ4 モデルに依存する集約は、気候の不確実性下でのより強固な投資意思決定をもたらすか？
• RQ5 提案手法は、長期エネルギー系モデルにおける解の忠実性を維持しつつ、計算コストを顕著に低減できるか？

主な発見

• 事後的手法は、特に蓄電運用に影響を与える関連する極端な出来事を体系的に同定・保持することで、事前的手法を上回る性能を示す。
• 順序の整合性が維持されることで、蓄電の充電／放電シーケンスおよび時間間隔制約の正確なモデリングが可能になる。
• 代表期間の数を減らしても、この手法は事前的手法よりも、重要な運用ダイナミクスおよび投資意思決定をより正確に捉える。
• 長時間系列を圧縮することで計算コストを削減しながらも、特に需要が高く再生可能エネルギーが少ない期間における気候に関連する変動性を保持する。
• 入力時系列における統計誤差の最小化が、モデル出力の質を保証するとは限らないことが実証され、モデルにインフォームされた集約の必要性が裏付けられた。
• 著者らは、モデル、データ、コードを公開しており、エネルギー系モデリング分野における再現可能性および広範な応用を促進している。