[논문 리뷰] Uncertainty-Aware Grid Planning in the Real World: A Method Enabling Large-Scale, Two-Stage Adaptive Robust Optimization for Capacity Expansion Planning

Gabriel Mantegna, Emil Dimanchev외 3명|arXiv (Cornell University)|2026. 02. 28.

Electric Power System Optimization인용 수 0

한 줄 요약

본 논문은 대규모 용량 확장 계획에서 불확실성을 내재화하기 위한 확장 가능한 split-budget 두 단계 적응 강건 최적화 방법을 제시하고, 캘리포니아의 실제 RESOLVE 모델에 대해 시연하며 기존의 ARO와 비교한다.

ABSTRACT

Capacity expansion models are frequently used to inform multi-billion dollar grid infrastructure decisions, a context in which there is significant uncertainty surrounding the future need for and performance of such infrastructure. However, despite much academic literature on the topic, virtually no grid planning processes use capacity expansion models that endogenously consider uncertainty, an oversight which frequently leads to short-sighted infrastructure decisions. This is partially due to a technology transfer gap, but it is also due to a lack of methods that work at large scale. In this paper we introduce a method for endogenizing uncertainty into capacity expansion models, a variant of adaptive robust optimization, that addresses this gap. We apply the method to a real-world capacity expansion planning problem, that of the State of California, and compare its performance to that of traditional adaptive robust optimization. We find that both the traditional method and our method identify increased transmission investment as a key lever for increasing robustness and adaptability, while helping to avoid downside risks that current deterministic planning processes may be exposing ratepayers to. Our method performs similarly to the traditional method in terms of outcomes, while significantly reducing computational complexity, making it scalable to real-world planning problems.

연구 동기 및 목표

• 용도에 따른 brittle하고 결정론적 투자를 피하기 위해 용량 확장 계획에서 불확실성을 내재화할 필요성을 제시한다.
• 비용 불확실성을 차원으로 하는 문제를 제약 없이 다룰 수 있는 tractable하고 대규모 최적화 접근법을 개발한다.
• 실세계 계획 문제(California RESOLVE)에서 기존의 적응 강건 최적화와의 비교를 통해 제안 방법을 벤치마킹한다.
• 불확실성을 내재화하는 방식이 투자 결정, 특히 전송 투자에 대한 의사결정과 하방 위험에 대한 강건성에 어떤 영향을 미치는지 보여준다.

제안 방법

• 비용 기반 불확실성과 2차 단계 RHS 불확실성을 분리하는 split-uncertainty-budget 형식을 도입한다.
• L1 예산 집합으로 비용 불확실성을, 명시적 시나리오로 RHS 불확실성을 표현하여 LP 재구성을 가능하게 한다.
• 비용에 대한 전체 재귀(recourse)와 RHS에 대한 시나리오를 가정할 때 분할 예산 형식이 선형계획법으로 해결될 수 있음을 이론적으로 정당화한다.
• 표준의 두 단계 ARO 형식에 비해 계산 복잡도를 줄이는 문제 구조를 활용한다.
• 제 방법을 캘리포니아의 RESOLVE 모델을 모방한 풀 스케일의 실제 계획 모델에 적용하고 전통적 ARO 결과와 비교한다.

실험 결과

연구 질문

• RQ1 대규모 용량 확장 계획에서 계산 비용을 지나치게 증가시키지 않으면서 불확실성을 어떻게 내재화할 수 있는가?
• RQ2 split-budget 적응 강건 최적화 접근이 전통적 두 단계 ARO와 비교하여 강건성을 보존하면서 확장성을 개선하는가?
• RQ3 실세계 계획 맥락에서 불확실성을 내재화하는 것이 투자 결정, 특히 전송 투자에 어떤 영향을 주는가?
• RQ4 제안된 방법이 불확실성 하에서의 Deterministic 계획 대비 실세계 사례 연구에서 어떻게 성능을 나타내는가?

주요 결과

• 전송 투자는 강건성과 적응성의 핵심 조정 수단으로 확인되며, 전통적 ARO 결과와 유사한 결과를 제공한다.
• split-budget 접근이 전통적 ARO와 유사한 결과를 얻으면서도 계산 복잡도를 크게 감소시켜 실세계 규모를 가능하게 한다.
• 불확실성을 내재화하는 방식은 결정론적 계획이 요금 납부자에게 노출시킬 하방 위험을 피하는 데 도움을 준다.
• 제 접근 방식은 불확실성에 대해 강건성을 유지하면서도 시나리오 확률을 정확히 지정할 필요를 줄인다.