学习辅助的随机容量扩展规划：一种贝叶斯优化方法
系统与控制
2024-07-18 v4 机器学习
系统与控制
摘要
求解大规模容量扩展问题 (CEP) 对于区域规模能源系统的成本效益脱碳至关重要。为确保 CEP 达到预期结果，对由依赖天气的可变可再生能源 (VRE) 供应和能源需求引起的不确定性进行建模变得至关重要。然而，由此产生的随机优化模型通常在计算上不如其确定性模型易于处理。在此，我们提出了一种学习辅助的近似求解方法，以易于处理的方式求解两阶段随机 CEP。该方法通过构建并求解一系列易于处理的时间聚合代理问题，来识别低成本的规划决策。我们采用贝叶斯优化方法来搜索时间序列聚合超参数空间，并计算在供需预测验证集上最小化成本的近似解。重要的是，我们在留出的测试预测集上评估了求解的规划结果。我们将该方法应用于跨越新英格兰地区的电力-天然气联合系统的发电和输电扩展规划。我们表明，与基准时间序列聚合方法相比，该方法可估计节省高达 3.8% 的成本。
引用
@article{arxiv.2401.10451,
title = {Learning-assisted Stochastic Capacity Expansion Planning: A Bayesian Optimization Approach},
author = {Aron Brenner and Rahman Khorramfar and Dharik Mallapragada and Saurabh Amin},
journal= {arXiv preprint arXiv:2401.10451},
year = {2024}
}