[论文解读] 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 5

一句话总结

本文提出了一种用于含储能的能源系统容量扩展模型的事后时间序列聚合方法，该方法根据模型结构自适应调整聚合方式，并保持时间顺序，以更好地捕捉极端事件。与事前方法相比，该方法在降低计算成本的同时提高了准确性，尤其在含储能的系统中，通过系统性地保留与气候相关的极端事件，实现了更优的性能。

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.

研究动机与目标

• 为解决长期能源系统规划中因高分辨率气象与负荷数据带来的计算负担。
• 克服事前时间序列聚合方法的局限性，后者会扭曲时间顺序且无法保留与气候相关的极端事件，尤其在集成储能的系统中表现不佳。
• 开发适应模型拓扑结构与技术组合的聚合方法，确保储能动态的准确表示。
• 证明事后聚合方法在容量扩展结果上优于传统的事前方法。
• 公开模型、数据与代码，以支持可复现性并推动更广泛的应用。

提出的方法

• 提出一种事后时间序列聚合方法，利用模型输出来指导代表性时段的选择与加权，而非仅依赖输入数据的统计特征。
• 保持时间步的时间顺序，从而能够准确建模储能的充放电循环与跨时段约束。
• 引入一个映射函数 𝒜，根据模型行为而非仅输入统计数据，将原始时间步映射到代表性时段。
• 采用两阶段方法：首先求解完整模型以识别关键时段；其次围绕这些时段重新聚合时间序列，以降低计算负荷。
• 应用聚类与优化技术，选择能保持关键运行动态的代表性时段，尤其在极端事件期间。
• 采用嵌套优化框架，使聚合过程基于能源系统模型的求解结果，确保关键事件被保留。

实验结果

研究问题

• RQ1 事后时间序列聚合方法在含储能的容量扩展规划中，是否能优于传统的事前方法？
• RQ2 在聚合时间序列中保留时间顺序在多大程度上改善了储能动态的表征？
• RQ3 不同聚合策略如何影响与气候相关的极端事件的识别与保留？
• RQ4 基于模型感知的聚合是否能提升在气候不确定性下的投资决策稳健性？
• RQ5 所提出的方法是否能显著降低计算成本，同时保持长期能源系统模型的解质量？

主要发现

• 事后聚合方法通过系统性地识别并保留影响储能运行的关键极端事件，优于事前方法。
• 该方法保持了时间顺序的完整性，从而能够准确建模储能的充放电序列与跨时段约束。
• 即使代表性时段数量减少，该方法仍比事前方法更准确地捕捉关键运行动态与投资决策。
• 该方法通过压缩长时间序列，在保留与气候相关的波动性（尤其在高需求与可再生能源低出力期）的同时，降低了计算成本。
• 研究表明，仅最小化输入时间序列的统计误差并不能保证更优的模型输出，从而验证了基于模型的聚合的必要性。
• 作者公开了其模型、数据与代码，支持可复现性，并推动能源系统建模中的更广泛应用。