[论文解读] DIETERpy: a Python framework for The Dispatch and Investment Evaluation Tool with Endogenous Renewables

Carlos Gaete-Morales, Martin Kittel+2 more|arXiv (Cornell University)|Oct 2, 2020

Integrated Energy Systems Optimization参考文献 22被引用 28

一句话总结

DIETERpy 是一个基于 Python 的框架，用于封装基于 GAMS 的电力系统模型 DIETER，支持灵活的场景配置、并行执行以及通过浏览器图形界面进行用户友好的数据处理。该框架在保持原始模型优化严谨性的同时，显著提升了高比例可再生能源渗透下能源系统分析的工作流效率，增强了非专家用户的可访问性。

ABSTRACT

DIETER is an open-source power sector model designed to analyze future settings with very high shares of variable renewable energy sources. It minimizes overall system costs, including fixed and variable costs of various generation, flexibility and sector coupling options. Here we introduce DIETERpy that builds on the existing model version, written in the General Algebraic Modeling System (GAMS), and enhances it with a Python framework. This combines the flexibility of Python regarding pre- and post-processing of data with a straightforward algebraic formulation in GAMS and the use of efficient solvers. DIETERpy also offers a browser-based graphical user interface. The new framework is designed to be easily accessible as it enables users to run the model, alter its configuration, and define numerous scenarios without a deeper knowledge of GAMS. Code, data, and manuals are available in public repositories under permissive licenses for transparency and reproducibility.

研究动机与目标

• 提升非专家用户和实践者对 DIETER 电力系统模型的可访问性和可用性。
• 将高性能的基于 GAMS 的优化核心与 Python 的灵活性和数据处理能力相结合。
• 通过可配置的参数设置、约束调整和无需修改核心模型代码的并行执行，实现高效场景探索。
• 提供基于浏览器的图形用户界面和标准化的数据工作流，用于场景设置和结果可视化。
• 在高比例可再生能源渗透的背景下，支持可复现、透明且可扩展的能源系统建模。

提出的方法

• 将现有的基于 GAMS 的 DIETER 模型嵌入 Python 框架（DIETERpy）中，以管理模型配置、场景定义和数据 I/O。
• 使用 Python 的 GAMS API 与核心优化模型进行接口对接，同时保持计算效率。
• 实现一个场景引擎，允许用户在不修改原始 GAMS 代码的前提下，调整参数、变量边界和约束激活状态。
• 利用 GUSS（GAMS Ultimate Solution System）工具实现相似场景的并行执行，减少编译时间。
• 提供基于浏览器的图形用户界面，用于场景配置和结果可视化，用户无需掌握 GAMS 知识即可使用。
• 集成后处理例程，将结果以多种格式（如 CSV、JSON）收集并导出，便于使用标准 Python 库进行后续分析。

实验结果

研究问题

• RQ1 如何对基于 GAMS 的传统电力系统模型进行现代化改造，以提升非专家用户的可用性和可扩展性？
• RQ2 在能源系统建模中，将 Python 框架与基于 GAMS 的优化核心集成，其性能和工作流优势是什么？
• RQ3 图形界面和基于参数的场景配置在多大程度上降低了研究人员和实践者使用模型的门槛？
• RQ4 新框架在应对复杂系统集成挑战（如跨部门耦合和内生可再生能源）方面表现如何？
• RQ5 结合 GAMS 的优化能力与 Python 的数据科学生态系统，是否能够实现更高效、可复现的场景分析？

主要发现

• DIETERpy 使用户无需掌握 GAMS 知识，即可运行、配置和分析多个场景，显著降低了非专家用户的学习门槛。
• 该框架通过 GUSS 工具支持场景的并行执行，减少了编译时间，提升了计算效率。
• 基于浏览器的图形界面支持直观的场景设置和实时结果可视化，增强了用户可访问性和工作流透明度。
• 模型的核心优化逻辑保持不变，计算上依然稳健，即使在复杂参数化下也能确保可靠结果。
• Python 的集成实现了无缝的数据预处理和后处理，包括标准格式的导出以及外部可视化库的使用。
• DIETERpy 采用宽松的 MIT 许可证并开源，便于研究人员和实践者在学术和商业应用中进行重用、修改和扩展。