Новый метод моделирования: повышение эффективности энергосистем

Энергетические системы — это невероятно сложные механизмы, включающие в себя множество источников энергии, технологий распределения и конечных потребителей. Анализ того, как все эти переменные будут меняться в будущем, представляет собой серьезную задачу для долгосрочного планирования. Новый метод улучшает вычислительное моделирование этих систем, предоставляя лицам, принимающим решения, новые сведения о том, какие переменные оказывают наибольшее влияние и заслуживают дополнительного внимания.

Для того чтобы узнать больше об этом достижении и его значении, мы побеседовали с Андерсоном де Кейрозом, соавтором статьи об этом открытии и доцентом кафедры гражданского, строительного и экологического инжиниринга в NC State. Статья «A framework for global sensitivity analysis in long-term energy systems planning using optimal transport» опубликована в журнале Energy.

В чем суть энергетических систем и планирования?

Энергетическую систему можно рассматривать как всю цепочку поставок, которая доставляет энергию людям, зданиям, транспорту и промышленности. Она включает ресурсы (такие как ветер, солнце, уголь или природный газ), технологии преобразования (например, турбины, генераторы и фотоэлектрические панели), сети передачи, хранение и конечный спрос. Все это связано техническими, экономическими и политическими правилами. Планирование энергетической системы означает решение о том, что строить, когда и где, а также как эксплуатировать систему с течением времени, чтобы удовлетворять энергетические потребности общества надежно, доступно и устойчиво.

Каково назначение моделей энергетических систем?

Это оптимизационные модели, которые могут использоваться для поиска наиболее экономичных способов создания, обслуживания и эксплуатации энергетических систем для удовлетворения спроса на энергию при соблюдении существующих законов и нормативных актов. Технически говоря, модели определяют «наименее затратные инвестиционные планы/операционные пути с учетом инженерных и политических ограничений». Аналитики используют эти модели для запуска сценариев «что, если», которые учитывают такие переменные, как цены на топливо, стоимость технологий и климатическая политика. Мы можем протестировать, как система будет строиться и работать при каждом возможном сценарии. Модель TEMOA (Tools for Energy Model Optimization and Analysis) является хорошо известным примером с открытым исходным кодом, разработанным в NC State и используемым исследователями и аналитиками по всему миру на региональном, национальном и многорегиональном уровнях.

Какая проблема решалась в данном исследовании?

В данной статье применяется фреймворк анализа чувствительности к оптимизационным моделям энергетических систем. Проблема заключается в том, что модели долгосрочного планирования имеют множество неопределенных входных данных — например, невозможно точно знать, какими будут затраты на технологии, качество ресурсов, рост спроса и политика в будущем. Мы разработали фреймворк, который может быть использован для понимания того, какие из этих входных данных фактически оказывают наибольшее влияние на выходные параметры, такие как стоимость энергии, объемы строительства мощностей (например, новые электростанции, линии электропередачи и т.д.) и структура энергопотребления (сколько энергии система получает из различных источников). Лица, принимающие решения, могут использовать это для определения того, какие области неопределенности имеют наибольшее значение.

Как эти результаты повышают полезность моделей оптимизации энергетических систем?

В общем плане можно выделить три способа:

Мы можем разрабатывать более полезные сценарии. Если мы знаем, какие переменные наиболее важны, мы можем сосредоточиться на входных данных, которые доминируют в результатах.
Целенаправленный сбор данных. Если спрос на электроэнергию, капитальные затраты на природный газ или цены на сырьевые товары являются основными факторами риска, мы можем сосредоточиться на сборе лучших данных или более подробных отраслевых прогнозов.
Более прозрачные решения. Вы можете лучше объяснить неспециалистам, почему вы уверены в выводах модели относительно данного плана, что укрепляет доверие как к модели, так и к самому плану.

Почему для исследования была выбрана Италия?

Необходима конкретная система для демонстрации метода. В 2023 году мы начали сотрудничество с Политехническим университетом Турина в области долгосрочного планирования энергетических систем. Маттео Николи, тогда аспирант, приехал в NC State, чтобы работать со мной в этой области, и вместе мы разработали анализ итальянской системы с использованием TEMOA. Маттео с тех пор завершил получение докторской степени, разработав методологии для долгосрочного планирования энергетических систем, с тематическим исследованием энергетической системы Италии. Я имел удовольствие быть его со-руководителем вместе с Лаурой Саволди. Италия предлагает разнообразные ресурсы, амбициозные политические цели и нетривиальные технологические компромиссы, что делает ее отличным примером для демонстрации того, как подход к моделированию, изложенный в нашей статье, может быть масштабирован до полного национального плана с использованием TEMOA. Во время нашей работы существовали значительные опасения относительно поставок природного газа из России в Италию, что создавало глубокую неопределенность в отношении стоимости энергии и долгосрочной стратегии страны. По сути, Италия служит отличным примером того, как мы можем улучшить оптимизационные модели энергетических систем для получения ключевых сведений о системах в национальном масштабе.

Может ли этот подход использоваться другими странами или регионами?

Да, безусловно. Фреймворк достаточно гибок, чтобы его можно было перенести на другие наборы данных TEMOA (страны, штаты или регионы) и, концептуально, на другие модели долгосрочного планирования энергетических систем. Параметры, которые интересуют людей (стоимость, структура мощностей, выбросы), остаются прежними; вам просто нужно подставить соответствующую географию и предположения.

Каковы дальнейшие шаги?

Есть несколько направлений развития, но я выделю два, которые считаю особенно важными сегодня. Во-первых, мы можем использовать полученные знания о том, какие входные данные имеют наибольшее значение, для разработки надежных стратегий улучшения энергетических систем. Вместо того чтобы просто знать, что определенные параметры влияют на затраты или выбросы, мы можем использовать эту информацию для лучшего тестирования того, как различные политики или инвестиционные пути работают в различных сценариях. Это позволит планировщикам и аналитикам разрабатывать адаптивные и устойчивые портфели, по сути, определяя решения, которые остаются эффективными, даже когда будущее разворачивается не совсем так, как мы ожидаем. Во-вторых, мы можем интегрировать этот новый подход с суррогатными моделями машинного обучения. Глобальная чувствительность в сочетании с анализом планирования энергетических систем может быть вычислительно затратной для больших, детализированных систем. Сочетание TEMOA с суррогатными моделями на основе машинного обучения (например, нейронными сетями или машинами опорных векторов) может ускорить исследование тысяч неопределенных сценариев. Эти суррогаты будут аппроксимировать отклики оптимизационной модели, позволяя аналитикам быстро картировать чувствительность и устойчивость в гораздо более широком пространстве неопределенности.