[논문 리뷰] Reducing climate risk in energy system planning: a posteriori time series aggregation for models with storage

Adriaan P. Hilbers, David Brayshaw외 1명|arXiv (Cornell University)|2022. 10. 15.

Energy Load and Power Forecasting인용 수 5

한 줄 요약

이 논문은 저장 기술을 통합한 에너지 시스템 용량 확장 모델에 대해 사후적 시계열 집계 방법을 도입하며, 모델의 구조에 맞추어 집계를 조정하고 순차적 순서를 유지하여 극단적 사건을 더 잘 반영한다. 이 방법은 사전적 방법에 비해 계산 비용을 줄이면서도 정확도를 향상시키며, 특히 저장 기술이 통합된 시스템에서 기후 관련 극단적 사건을 체계적으로 유지함으로써 성능을 향상시킨다.

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.

연구 동기 및 목표

• 고해상도 기상 및 수요 데이터를 포함한 장기적 에너지 시스템 계획의 계산 부담을 완화하기 위해.
• 사전적 시계열 집계의 한계를 극복하기 위해, 순서가 왜곡되고 기후 관련 극단적 사건이 유지되지 않는 문제를 해결하기 위해, 특히 저장 기술이 통합된 시스템에서.
• 모델의 구조와 기술 조합에 맞는 집계 방법을 개발하여 저장 기술의 동적 특성을 정확하게 반영하기 위해.
• 사후적 집계가 전통적인 사전적 방법에 비해 더 정확한 용량 확장 결과를 도출함을 입증하기 위해.
• 모델, 데이터, 코드를 공개하여 재현 가능성과 광범위한 적용을 지원하기 위해.

제안 방법

• 모델의 출력을 기반으로 대표 기간을 선택하고 가중치를 부여하는 사후적 시계열 집계를 제안하며, 입력 데이터 통계에만 의존하지 않는다.
• 시간 단위의 순차적 순서를 유지함으로써, 저장 기술의 충전/방전 주기와 시간 간의 제약 조건을 정확하게 모델링할 수 있다.
• 입력 통계 뿐 아니라 모델의 행동에 기반하여 원래 시간 단위를 대표 기간으로 매핑하는 함수 𝒜를 도입한다.
• 이중 단계 접근법을 사용한다: 첫째, 전체 모델을 풀어 핵심 기간을 식별하고, 둘째, 이러한 기간 주변으로 시계열을 재집계하여 계산 부담을 줄인다.
• 클러스터링 및 최적화 기법을 활용하여 극단적 사건 기간 동안의 주요 운영 동적 특성을 유지하는 대표 기간을 선정한다.
• 집계가 에너지 시스템 모델의 해를 기반으로 정보를 얻는 내재된 최적화 프레임워크를 활용하여, 관련 있는 사건이 유지되도록 보장한다.

실험 결과

연구 질문

• RQ1 사후적 시계열 집계가 저장 기술이 통합된 용량 확장 계획에서 정확도 측면에서 전통적인 사전적 방법을 능가할 수 있는가?
• RQ2 집계된 시계열에서 순서를 유지하는 것이 저장 기술의 동적 특성 표현에 얼마나 기여하는가?
• RQ3 다양한 집계 전략은 기후 관련 극단적 사건의 식별과 유지에 어떤 영향을 미치는가?
• RQ4 모델 인식 집계는 기후 불확실성 하에서 더 견고한 투자 결정을 이끌어낼 수 있는가?
• RQ5 제안된 방법은 장기적 에너지 시스템 모델의 해의 정밀도를 유지하면서 계산 비용을 크게 줄일 수 있는가?

주요 결과

• 사후적 집계 방법은 저장 기술 운영에 영향을 주는 극단적 사건을 체계적으로 식별하고 유지함으로써 사전적 방법보다 성능이 뛰어나다.
• 이 방법은 순서의 무결성을 유지하여 저장 기술의 충전/방전 순서와 시간 간 제약 조건을 정확하게 모델링할 수 있다.
• 대표 기간의 수를 줄여도 사전적 방법에 비해 훨씬 더 정확하게 주요 운영 동적 특성과 투자 결정을 반영한다.
• 장기간의 시계열을 압축함으로써 계산 비용을 줄이면서도 기후 관련 변동성, 특히 고수요 및 저재생 에너지 기간 동안의 변동성을 유지한다.
• 입력 시계열의 통계 오차를 최소화한다고 해서 모델 출력이 더 나아지지 않음을 입증하였으며, 이는 모델 기반 집계의 필요성을 뒷받침한다.
• 저자들은 모델, 데이터, 코드를 공개하여 재현 가능성을 높이고 에너지 시스템 모델링 분야에서의 광범위한 응용을 가능하게 하였다.