Learning-assisted Stochastic Capacity Expansion Planning: A Bayesian Optimization Approach

要約

大規模な容量拡張問題 (CEP) を解決することは、地域規模のエネルギー システムを費用対効果の高い脱炭素化する上で中心となります。
CEP の意図した成果を確実に達成するには、天候に依存して変動する再生可能エネルギー (VRE) の供給とエネルギー需要による不確実性をモデル化することが非常に重要になります。
ただし、結果として得られる確率的最適化モデルは、多くの場合、決定論的最適化モデルに比べて計算処理が困難です。
ここでは、2 段階の確率的 CEP を容易に解決するための学習支援近似解法を提案します。
私たちの方法は、扱いやすい時間的に集約された一連の代理問題を構築して解くことによって、低コストの計画決定を特定します。
ベイジアン最適化アプローチを採用して、時系列集計ハイパーパラメーターの空間を検索し、需給予測の検証セットに基づいてコストを最小限に抑える近似解を計算します。
重要なのは、保留された一連のテスト予測に基づいて、解決された計画の結果を評価することです。
私たちは、ニューイングランドにまたがる電力とガスの共同システムの発電と送電の拡張計画にこのアプローチを適用します。
私たちのアプローチは、ベンチマークの時系列集計アプローチと比較して、推定最大 3.8% のコスト削減をもたらすことを示します。

要約(オリジナル)

Solving large-scale capacity expansion problems (CEPs) is central to cost-effective decarbonization of regional-scale energy systems. To ensure the intended outcomes of CEPs, modeling uncertainty due to weather-dependent variable renewable energy (VRE) supply and energy demand becomes crucially important. However, the resulting stochastic optimization models are often less computationally tractable than their deterministic counterparts. Here, we propose a learning-assisted approximate solution method to tractably solve two-stage stochastic CEPs. Our method identifies low-cost planning decisions by constructing and solving a sequence of tractable temporally aggregated surrogate problems. We adopt a Bayesian optimization approach to searching the space of time series aggregation hyperparameters and compute approximate solutions that minimize costs on a validation set of supply-demand projections. Importantly, we evaluate solved planning outcomes on a held-out set of test projections. We apply our approach to generation and transmission expansion planning for a joint power-gas system spanning New England. We show that our approach yields an estimated cost savings of up to 3.8% in comparison to benchmark time series aggregation approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google