面向能源需求数据的图表示学习：在排放约束下联合能源系统规划中的应用
机器学习
2022-09-27 v1 系统与控制
系统与控制
摘要
当前电力与天然气（NG）基础设施的快速转型对于实现本世纪中叶 CO2 减排目标势在必行。这需要对联合电力-天然气系统在典型需求与供给模式、运行约束及政策考量下进行长期规划。我们的工作受限于求解电力-天然气系统联合规划的发电与输电扩展问题（GTEP）所带来的计算与实际挑战。具体而言，我们聚焦于从各自网络中的电力与天然气数据中高效提取一组典型日，并利用该集合降低求解 GTEP 所需的计算负担。我们提出了一种用于多时间分辨率能源系统的图自编码器（GAMES），以捕捉相互依赖网络中的时空需求模式，并兼顾可用数据时间分辨率的差异。所得嵌入被用于聚类算法以选取典型日。我们在新英格兰校准的电力-天然气联合系统 GTEP 公式中评估了方法的有效性。该公式考虑了电力与天然气系统间的物理相互依赖，包括联合排放约束。结果表明，由 GAMES 获得的典型日集合不仅使我们可易处理地求解 GTEP 公式，还实现了更低的联合规划决策实施成本。
引用
@article{arxiv.2209.12035,
title = {Graph Representation Learning for Energy Demand Data: Application to Joint Energy System Planning under Emissions Constraints},
author = {Aron Brenner and Rahman Khorramfar and Dharik Mallapragada and Saurabh Amin},
journal= {arXiv preprint arXiv:2209.12035},
year = {2022}
}