利用基于代理层级的拉格朗日松弛进行电力系统规划的加州深度脱碳路径优化
系统与控制
2024-01-30 v2 系统与控制
摘要
随着加州在2045年前实现电网脱碳的宏伟目标，电力系统投资规划面临重大挑战。现有建模方法与软件侧重于计算效率，目前通过简化相关的机组组合公式来实现。这可能导致燃气发电运行的代价与约束出现不合理的误差，并可能影响可再生能源与储能等新资源的投资时机与规模。为解决此问题，本文开发了一个更详细且严谨的混合整数模型，更重要的是，一种利用基于代理层级的拉格朗日松弛的求解方法，以克服由增强的模型细节水平带来的组合复杂性。这使我们能够在48小时内优化一个约含1200万二进制变量和1亿总变量的模型。该投资计划与E3的RESOLVE软件（目前由加州能源委员会和加州公用事业委员会使用）所产生的计划进行比较。我们的模型产生的投资计划与现有方法显著不同，并在投资期内为加州节省超过120亿美元。
引用
@article{arxiv.2309.07202,
title = {Optimizing Deep Decarbonization Pathways in California with Power System Planning Using Surrogate Level-based Lagrangian Relaxation},
author = {Osten Anderson and Nanpeng Yu and Mikhail Bragin},
journal= {arXiv preprint arXiv:2309.07202},
year = {2024}
}