[论文解读] What is redundant and what is not? Computational trade-offs in modelling to generate alternatives for energy infrastructure deployment

Francesco Lombardi, Bryn Pickering+1 more|arXiv (Cornell University)|Jun 17, 2022

Sustainability and Climate Change Governance被引用 4

一句话总结

本文提出了一种混合搜索策略，用于能源系统优化中的建模生成替代方案（MGA），通过平衡空间与技术差异性，避免冗余计算。该方法结合了优先考虑空间分布与技术组合多样性的策略，可在不耗费过多计算资源的前提下，发现更多具有代表性且与利益相关方相关的替代方案——尤其是分布式陆上风电方案，从而提升模型的鲁棒性与政策相关性。

ABSTRACT

Given the urgent need to devise credible, deep strategies for carbon neutrality, approaches for `modelling to generate alternatives' (MGA) are gaining popularity in the energy sector. Yet, MGA faces limitations when applied to state-of-the-art energy system models: the number of alternatives that can be generated is virtually infinite; no realistic computational effort can discover the complete technology and spatial diversity. Here, based on our own SPORES method, a highly customisable and spatially-explicit advancement of MGA, we empirically test different search strategies - including some adapted from other MGA approaches - with the aim of identifying how to minimise redundant computation. With application to a model of the European power system, we show that, for a fixed number of generated alternatives, there is a clear trade-off in making use of the available computational power to unveil technology versus spatial diversity of system configurations. Moreover, we show that focussing on technology diversity may fail to identify system configurations that appeal to real-world stakeholders, such as those in which capacity is more spread out at the local scale. Based on this evidence that no feasible alternative can be deemed redundant a priori, we propose to initially search for options in a way that balances spatial and technology diversity; this can be achieved by combining the strengths of two different strategies. The resulting solution space can then be refined based on the feedback of stakeholders. More generally, we propose the adoption of ad-hoc MGA sensitivity analyses, targeted at testing a study's central claims, as a computationally inexpensive standard to improve the quality of energy modelling analyses.

研究动机与目标

• 解决传统MGA在大规模能源系统模型中的局限性，即无限多的替代方案使得穷举搜索在计算上不可行。
• 识别在固定计算预算下，探索空间差异性与技术差异性之间的权衡。
• 证明仅关注高层次技术差异可能导致遗漏关键的、本地相关的配置（如广泛分布的陆上风电），从而导致利益相关方不满意的后果。
• 提出一种结合空间与技术搜索方法的混合搜索策略，以实现更均衡、更具代表性的解空间。
• 倡导采用临时MGA敏感性分析作为低成本、高影响力的手段，用于测试与政策相关的主张，而无需运行大规模MGA研究。

提出的方法

• 应用SPORES方法——一种空间显式、可定制的MGA框架——在高分辨率欧洲电力系统模型中生成替代方案。
• 实施并比较多种搜索策略：(1) 仅基于技术差异性，(2) 仅基于空间差异性，以及(3) 结合两者的混合策略。
• 采用成本松弛机制，允许非严格最低成本的替代方案，以确保可行性的同时促进多样性。
• 使用归一化指标衡量差异性，涵盖技术部署（如陆上风电、太阳能光伏）与空间分布（如各区域容量集中度）。
• 通过评估替代方案是否包含对现实利益相关方具有意义的配置（如分布式陆上风电）来评估解的质量。
• 提出两阶段方法：首先，使用混合方法探索均衡的解空间；其次，通过利益相关方反馈优化结果。

实验结果

研究问题

• RQ1 在MGA中仅关注技术差异性在多大程度上会遗漏具有空间分布特征、与利益相关方相关的能源系统配置？
• RQ2 在固定计算约束下，空间与技术差异性之间的权衡如何影响生成替代方案的代表性？
• RQ3 能否证明一种平衡空间与技术多样性的混合搜索策略，在捕捉更广泛可行且政策相关的替代方案方面，优于单一聚焦的MGA方法？
• RQ4 使用临时MGA敏感性分析来测试特定政策主张（如生物能源的必要性或集中式风电部署）在计算上是否可行且稳健？
• RQ5 启发式优化算法与传统MGA相比，在无需完整Pareto前沿探索的情况下，能否更有效地生成多样化、近似最优的替代方案？

主要发现

• 仅关注技术差异性的MGA可能导致遗漏关键的、本地相关的配置（如广泛分布的陆上风电容量），尽管这些配置在技术上可行且受利益相关方欢迎。
• 在固定计算预算下，生成替代方案时，最大化空间差异性与技术差异性之间存在明确的权衡，且任一方法单独使用均无法确保解空间的全面覆盖。
• 结合空间与技术搜索的混合搜索策略，可产生更均衡、更具代表性的替代方案集合，包括在技术上可行且空间上合理的配置。
• 该混合方法成功识别出生物能源部署最少且陆上风电集中度低的替代方案，这些方案常被传统MGA忽略，但在现实政策讨论中具有重要意义。
• 针对特定政策主张的临时MGA敏感性分析，可作为大规模MGA运行的计算成本更低的替代方案，提升模型鲁棒性而无需高性能计算支持。
• 启发式算法（如粒子群或遗传算法）可能为在复杂、高维能源系统模型中生成多样化、近似最优的替代方案提供可行路径，尤其在涉及非线性约束时。