含储能发电扩展规划中精确时间序列聚合的机器学习方法
最优化与控制
2026-05-28 v1
摘要
本文研究了一个包含可再生能源、热力和储能技术的发电扩展规划（GEP）问题，同时优化市场参与、运营支出和资本投资。为了减轻GEP模型的计算负担，我们提出了一种新颖的迭代时间序列聚合（TSA）方法，该方法构建了原始全尺度GEP模型的时间聚合对应模型。与纯粹启发式的传统TSA方法不同，我们的方法能够评估聚合模型与全尺度模型之间的最优性差距。此外，通过利用基于机器学习的GEP模型边际成本估计，该算法引导TSA构建一个保留其全尺度对应模型主动约束的聚合模型，这已被证明能产生精确的时间聚合。数值结果表明，与仅依赖输入数据分析的传统TSA方法相比，将估计的边际成本作为聚类特征显著提高了时间聚合的质量。
引用
@article{arxiv.2605.28356,
title = {Machine Learning for Exact Time Series Aggregation in Generation Expansion Planning with Energy Storage},
author = {Jakub Rybka and Luca Santosuosso and Thomas Klatzer and Sonja Wogrin},
journal= {arXiv preprint arXiv:2605.28356},
year = {2026}
}