風力・PV・熱蓄電エネルギーベースの容量計画:ネストされた一般化ベンダー分解による日中の調整コストを考慮する

サマリー

このプロトコルは、風力・PV・熱蓄電の再生可能エネルギー基盤に対する容量計画手法を提示し、不確実性、日中の柔軟性、運用コストを統合しています。逐次生産シミュレーションとネストされたベンダーズ分解アルゴリズムを用いて、建設と運用を最適化しています。

要約

大規模な再生可能エネルギー基地は乾燥地帯にますます配備されており、蓄電システムや長距離送電線に支えられた風力や太陽光発電に適した環境を提供しています。しかし、再生可能発電の変動性が高いこと、限られた柔軟性の資源、複雑な多目的的トレードオフにより、これらの基地の計画は複雑です。これらの課題に対処するため、本研究は風力・光電・熱蓄電の再生可能エネルギー基盤の容量計画モデルを提案し、建設および運用コストを最小限に抑えつつ、不確実性を考慮し、柔軟性資源の価値を明示的に定量化します。決定論的な定式化や簡略化された2段階確率的表現に依存する既存のキャパシティプランニングモデルと比較して、提案モデルは日中の運用柔軟性と予測誤差コストをライフサイクル計画に明示的に組み込んでいます。運用コストは連続生産シミュレーションを通じて評価され、日中の予測誤差を逸脱コストや柔軟性要件として組み込みます。シナリオ生成にはラテンハイパーキューブサンプリングと重要度サンプリングを組み合わせたハイブリッドサンプリング戦略が用いられ、その後シナリオ削減で計算効率を向上させます。最適化モデルを解くために、ネストされた一般化ベンダーズ分解フレームワークが開発され、モデルをマスター問題と複数の生産シミュレーションサブ問題に分解し、さらに混合整数層と連続変数層に分割して計算の扱いやすさと解の精度を高めます。ケーススタディは、提案されたモデルとアルゴリズムが柔軟性資源の役割を示し、高い再生可能エネルギー浸透率の下で経済的に実現可能かつ実用的な能力をもたらすことを示しています。日中の予報偏差を明示的に考慮することで、得られる計画は不確実性の95%以上の実現に対して予備の適正性を確保しつつ、経済的に実現可能かつ実用的に実行可能であることを保証しています。さらに、炭素排出のペナルティが発電能力配分や再生可能エネルギー利用に与える影響を定量化し、風力・太陽光発電・熱蓄電の再生可能エネルギー基盤のシステム設計および計画戦略への影響を浮き彫りにしています。

概要

カーボンニュートラルへの加速的な移行は、風力と太陽光の大規模な導入を促進し、電力システムの柔軟性と信頼性に新たな課題を生み出^{しています。}砂漠や半乾燥地域は、豊富な補完的な風力・太陽光資源を提供し、広大な土地の利用可能性も備えています^。これらの特性により、エネルギー貯蔵と長距離送電に依存し、資源^{の利用可能性}をシステム需要に整合させるユーティリティ規模の風力・太陽光・熱蓄電基地の魅力的な場所となっています。

これほど大規模な基地の計画にはいくつかの課題があります。容量はしばしば数十ギガワットに達するため、再生可能エネルギーの変動性や限られた配車可能な容量は高い削減リスクを生み、予測不確実性の明示的なモデル化が必要となります^。風力、太陽光、熱、蓄電、送電資源間の緊密な運用結合は、システムモデリングを著しく複雑にします。さらに、能力計画は経済効率、環境パフォーマンス、運用セキュリティなど複数の目標に同時に対応しなければなりません。強固な運用結合性と多目的要件の共存は、意思決定の複雑さを大幅に高めます。

統合風力・太陽光・蓄電システムの容量計画に関する広範な研究が行われています。Zhouら5は、環境的および経済的目標を共同で達成するために、環境的抵抗コストを立地選定と能力最適化に組み込みました。Shangら^6、Daiら⁷、Zhengら8は、マルチエネルギーの調整と分散型蓄電スケジューリング^を調査し、協調運用がコスト効率と排出性能を大幅に向上させることを示しました。具体的には、Shangらが提案した統合蓄電を備えたコージェネレーションシステムの共同計画モデルがあり、多エネルギーの補完性とコストパフォーマンスを向上させるためのロバスト最適化を用いています。Daiらでは、条件付きリスク値(CVaR)を活用して極端な条件下でのシステムの堅牢性を高める分散的に堅牢な動的ディスパッチモデルが導入されました。同様に、Zhengらでは分散型ストレージの集中型スケジューリングがコスト削減と排出削減の両面で分散制御を上回ることが示されました。炭素排出制約は再生可能エネルギー計画モデル^9,10にも組み込まれており、低炭素政策目標の下でその関連性を拡大しています。

エネルギー貯蔵のサイジング戦略も研究されています。風力・太陽光・蓄電マイクログリッドのハイブリッド蓄電構成モデルはLiら¹¹で提案され、その後最適化された容量比¹²を持つマルチタイプ蓄電システムに拡張されました。他の¹³ 件の研究では、風力・太陽熱・熱蓄電システムと共有蓄能プラットフォームを調査し、多目的的かつゲーム理論的な枠組みを用いて協調最適化を行いました。マイクログリッドクラスターの経済的、低炭素的、分散型運用目標のバランスを取る多目的モデルは、Zhang et ^al.14でさらに発展し、しばしば確率的またはロバスト最適化を用いて不確実性を管理しました。

システムのスケジューリングや不確実性下での運用信頼性も注目を集めています。Liら¹⁵では、負荷と共変量の不確実性を明示的に扱う二段階および二段階のロバスト/データ駆動型最適化フレームワークが定式化されました。統合型風力・太陽熱資源と組み込みリスク制御の送電計画は、Wuら¹⁶で示されました。大規模な風力・太陽・熱蓄電基地においては、タイラインと貯蔵容量の共同最適化が経済性能と信頼性の向上に効果的であることが示されており、特に遠隔地や島嶼系において¹⁷。関連する研究では、蓄電統合型発^電技術の排出削減の可能性がさらに定量化されており、Shaoら¹⁹では水素とバッテリー蓄電を統合した農村マイクログリッドのリスク制約のある計画が開発され、レジリエンスを高め長期的なコスト削減に寄与しました。

本研究の目的は、大規模な風力・PV・蓄電・送電基地のライフサイクル容量計画フレームワークを開発し、日中の予測誤差コストを運用および投資の意思決定に組み込むことで柔軟性の価値を明確に定量化することです。まとめると、日中の予測誤差やそのコスト影響(制限、停電、柔軟性の提供)はしばしば省略されており、これは柔軟性の価値を過小評価し、高い再生可能エネルギー浸透率下での運用特性を誤って伝えています。さらに、多くの研究は非線形性を扱うものの収束保証がないヒューリスティックソルバー(例:NSGA-II、PSO)に依存しています。

本研究は、風力・太陽光発電・蓄電・送電ベースのライフサイクル容量計画フレームワークに日中の予測誤差コストを明確に組み込んでいます。

運用不確実性を暗黙的または事後的に扱う既存の能力計画研究とは異なり、本研究は日中の予測誤差コストをライフサイクル計画フレームワークに直接組み込み、日中の不確実性に対応する柔軟性資源のより正確な評価を可能にし、結果として生じる大規模混合整数問題を逐次シミュレーションベースの分解手法で解決します。

主な貢献は以下の通りです:(i) 風力・太陽光発電・蓄電・送電容量計画モデルは、柔軟性資源の価値を明確に考慮して開発されます。目的機能は投資コストと運用コストを共同で最小化します。日中調整コストは運用コストに明示的に組み込まれ、柔軟性の価値をより正確に定量化します。運用コストは、予測誤差を考慮した日中調整段階を含む連続生産シミュレーションによって評価されます。(ii) 効率的なサンプル生成およびシナリオ削減の枠組みが開発されます。高品質な不確実性サンプルは、ラテンハイパーキューブサンプリングと重要度サンプリングを組み合わせて生成され、シナリオ削減を用いて代表性を維持しつつ計算複雑さを軽減します。(iii) ネストされたGBDベースの解を提案します。計画モデルは容量割り当てマスター問題と複数の逐次シミュレーションサブ問題に分解され、さらに上位整数と下位連続定式化に細分されます。この階層構造は効率的な最適化を可能にし、大規模な混合変数問題における計算スケーラビリティを向上させます。

プロトコル

プロトコル概要

本研究は、日中の不確実性の下でライフサイクルキャパシティプランニングを行うための3段階プロトコルに従っています。(i) MATLABにおける統合計画および運用モデルの策定と実施。風力・光電・蓄電・送電の基盤として、統合的な容量計画および運用モデルが策定されます。目的関数と制約はYALMIPを用いてMATLAB R2023aで実装され、決定変数はsdpvarで定義され、CPLEX 12.10は混合整数ソルバーとして設定されています。モデルの定式化には、全体の構造、目的関数、制約が含まれます。(ii) 日中の運用における不確実性シナリオを生成すること。風力発電、太陽光発電出力、負荷需要、電力市場価格の過去の時系列データは公開データセットから抽出^{されています。}確率分布は不確定変数ごとに当てはめられ、ラテンハイパーキューブサンプリングと重要度サンプリングを組み合わせて代表的な日々のシナリオが生成されます。(iii) ネストされた一般化ベンダー分解²¹ を用いて計画問題を解き、結果を最終化する。その結果生まれた大規模な混合整数計画問題は、ネストされた一般化ベンダー分解フレームワークを用いて解かれます。運用部分問題と計画マスター問題は収束するまで反復されます。最適な容量、運用スケジュール、関連コストを記録し、さらなる分析と検証のために結果を最終決定します。

最適化モデルを定式化する

乾燥地域における風力・太陽光発電・送電の統合型基地の容量計画モデルは、建設・保守や生産・運用要素を含むシステムのライフサイクルコストを最小限に抑えます。建設コストは風力、太陽光発電、蓄電、送電の計画容量の決定論的関数であり、運用コストは不確実性下での実際の運転性能を捉える逐次生産シミュレーションから得られます。逐次シミュレーションは、予測された風力/PV/負荷を用いてシナリオ単位のユニットコミットメントを行い、発電機のオン/オフ状態とディスパッチを設定し、日中のリアルタイム調整ステージ(熱ディスパッチ、タイライン調整、貯蔵運転、再生可能エネルギーの制限、必要に応じて負荷削減)で構成され、予測誤差を緩和しコスト影響を算出します。不確実性は2つのレベルでモデル化されます。(i) 独立したUC解を持つ過去のデータから複数のサンプリングされた風・PV・負荷シナリオで表される日先予報の不確実性;および(ii)日中の偏差(予測誤差分布の代表的な分位数で表され、調整コストの推定と十分な運用柔軟性を確保すること)。

目的関数の定式化

計画モデルの全体的な目的は、建設コストCの_欠点と運用コストを含む全体のコストを最小化することです。風力・太陽光・熱蓄電のエネルギーベース²²_を除いて

   (1)

各施設タイプ i ∈ {W, P, S, T}の建設費用は次のように定式化されます:

   (2)

ここで S_i は設置容量、 cons i β_{、γ cons, i} は線形かつ二次のコスト係数です。 私

= W は風力発電、 P は太陽光発電、 S 蓄電、 T 送電を表します。

二次係数γ_{cons i}は、建設コストが設置能力に伴う非線形のスケーリングを反映し、典型的な工学的実践に基づく規模の経済(または非経済)を捉えています。

逐次生産シミュレーションでは、多目的コスト式²¹が用いられ、総運用コストC_は火力発電コストCH、負荷削減ペナルティC相_対C、炭素排出コスト_CCO2、電力取引コストCT、日中規制コストC_レギュレーションの合計として表されます。

   (3)

火力発電コストは次のように表されます:

 (4)

ここでu_H,t,gは時刻t(2値)における熱単位gのオン/オフ状態を表し、P_H,t,gは出力、α_g、β_g、γ_gはそれぞれ固定、線形、二次コスト係数を表します。

停電ペナルティは次のように表されます:

   (5)

ここで u_損失,t は時刻 tにおける負荷削減指標(2進数)、 P_損失t は制限された負荷、 τ_L および ρ_損失,0 は供給信頼性要件を反映するペナルティ係数です。

炭素排出コストは次のように表されます:

   (6)

ここで χ_CO2 は炭素ペナルティ係数、P_T,t はタイライン電力(輸入は正)、ξ_グリッドとξ_H,g はそれぞれグリッド輸入の排出係数と熱単位 g を表します。

電力の購入・販売コストは次のように表されます:

   (7)

ここで π_T,b,t 、 π_T,s,t はそれぞれ時刻 tにおける電力の購入価格と販売価格を表します。

日中調整コストは次のように表されます。

   (8)

ここでc_T、c_L、c_WPは、それぞれタイライン調整、需要側管理、再生可能エネルギーの削減の単位コストです。Δ_{P TL,t}およびΔP_TU,Tは、それぞれ予測より低い・高い純負荷に対するタイライン調整です。ΔP_L,t は純負荷余剰時の需要側調整を示します。そして ΔP、_WP,t は正味負荷不足時の縮小された再生可能エネルギー出力です。

日中調整コストは、日中の予測からのリアルタイムの逸脱によって発生する費用を定量化します。純負荷が予測を超える場合は、熱発電量の上方調整、タイライン輸入、または需要側の介入が必要です。逆に、純負荷が予測を下回る場合は、熱供給の減少、誘導線の輸出、再生可能エネルギーの制限がシステムのバランスを維持するために用いられます。

制約の定式化

制約は次のように定式化されます。

熱単位出力制約

   (9)

ここで _{S H,g} は熱単位 g の容量を表し、 と   はそれぞれ単位 g の最大出力係数と最小出力因子を表します。

風力および太陽光発電出力の制約

   (10)

ここで、S_WとS_Pはそれぞれ風力とPVの設置容量を表し、 _P,t は時刻tにおける出力を表します。係数 および   は時刻tにおける風とPVの最大出力因子を示します。

バッテリー出力制約

   (11)

ここでP_{S, t}はバッテリーの電力(放電時の正)、P_{S, ch, t、P, S, dis, t}はそれぞれ時刻tにおける充電電力と放電電力を表します。

バッテリーの充電/放電の独占性

   (12)

ここで u_{S, ch, t} はバッテリー充電状態を示す2進変数(グリッド経由の充電は1、放電は0)、 S_{, P} はバッテリーの定格電力容量を表します。

バッテリーエネルギーバランス

   (13)

ここで E_S,t は時刻 t における蓄えエネルギーであり、η_ch と _{η dis は}それぞれ充電効率と放電効率を表します。

送電電力制約

   (14)

ここで P_T,b,t と P_T,s,t は時刻 tにおける送電線路を通じた電力の購入および販売を表します。

送電の購入・販売の独占権

   (15)

ここで u_T,b,t は電力購入を示す2進変数です(1はグリッドからの輸入、0は輸出)。

エネルギー収支制約

   (16)

ここで P_L,t は局所的な負荷需要、 P_損失,t は時刻 t における制限された負荷です。

最小オンライン容量制約

   (17)

ここで S _min,sys は局所熱ユニットの最小必要なオンライン容量を表します。

最小の稼働/停止時間制約

   (18)

ここで v_g,t と w_g,t は時刻 t におけるユニット g の起動と停止を示す二進変数であり、T^U と T^D は熱単位の最小のアップ・ダウン時間を示します。

生産コストを日先単位コミットメントだけで算出するだけでは、予測誤差による柔軟性の課題を捉えるには不十分です。また、安全で信頼性の高い運用を確保する上で柔軟性資源の経済的価値を適切に反映していません。

風やPVの本質的な変動により、日中の運用中に純負荷は動的な変動を経験します。これに対応するため、日中規制コストモデリングを導入し、柔軟性資源の経済的影響と不確実性下での逸脱緩和の適切性を定量化します。

図1 は日中調整の概念とそれに伴う調整コストを示しています。水平軸はパワーを表します。薄紫色のマーカーは、予定された発電および接続に対応する日先のネット負荷予測を示します。実際の日中ネット負荷は、シアン確率密度曲線によって特徴づけられるこの予測から逸脱する可能性があります。これらの逸脱に対応するため、熱ユニットやタイラインは、それぞれ海軍矢印とピンク矢印で示される前日のスケジュールに合わせて調整できます。ハッチングされた陰部は、利用可能な調整能力でカバーできない純荷重偏差の部分を強調しています。このような明らかな逸脱は再生可能エネルギーの制限や停電を引き起こし、それがエネルギーバランスや供給の安全性に影響を及ぼすとともに、追加のリスクやコストをもたらす可能性があります。

図1:日中のスケジュールと日中調整の図。 この図の拡大版はこちらをクリックしてください。

時刻tにおいて、上昇回転予備R _U,tおよび下降回転予備R_D,tは次のように定義されます。

   (19)

風、PV、負荷に関する予報誤差があります。一般的に、負荷予測はより正確である一方で、PV予測は誤差が大きいです。負荷が過大評価され再生可能エネルギーの出力が過小評価されると、システムは余剰電力に直面し、大幅な下流調整が必要となります。逆に、過小評価された負荷や過大評価された再生可能エネルギー生産量は供給不足を引き起こし、大幅な上方規制を必要とします。

柔軟性のニーズを完全に評価するために、二つの極端なシナリオが構築されます。一つは上位規制要件が支配的で、もう一つは下位規制要件が支配的です。時刻 tにおいて、上向きおよび下向きの柔軟性要求 L_U,t と L_D,t は次のように表されます。

   (20)

ここでσ_L、_{σ W}、P σ_Pは、それぞれ荷重、風力、PVの予測精度によって決まる定数です。

上昇柔軟性は、熱発電、タイライン輸入、需要側の管理によって順次供給され、一方で下方の柔軟性は、熱発電、タイライン輸出、再生可能エネルギーの削減によって提供されます。

   (21)

サンプルの生成

過去のデータを取得する:PV出力、風力出力、負荷需要、電力価格の時系列はオープンパワーシステムデータリポジトリ²⁰からダウンロードされます。タイムスタンプと前処理の欠損値は線形補間(MATLABのinterp1関数)を用いて整列されます。各パラメータは15分間隔に分割され、各変数に対して1日あたり96のデータポイントが得られます。

当てはめ確率分布: ベータ分布はPV出力に、風力出力にはワイブル分布、日次・季節サイクルが埋め込まれた負荷需要には正規分布、売買価格には対数正規分布が適用されます。

ラテン語ハイパーキューブサンプリングと重要度サンプリングを用いてシナリオを生成します。各パラメータの累積分布は20の等確率区間に分割され、各区間から1つの値をサンプリングして代表的な日次シナリオ²³を形成します。堅牢なカバレッジのためにパラメータごとにLHSサンプル(50〜100)が生成されます。ISは、予測誤差分布の上位10%および下位10%分位をオーバーサンプリングし、稀だが重要な事象を捉えるために適用されます^。

本研究では、不確実性の5つの要因を考慮します:光電出力、風力出力、負荷需要、購入価格、販売価格です。最適化モデル内でこれらの不確実なパラメータの時間的変動性や統計的特性を適切に表現するために、各パラメータの過去の観測値と物理的属性に基づいて確率分布モデルが選ばれます。これらのモデルに基づいてサンプリングとシナリオ構築が行われます。

この枠組みの中で、「シナリオ」とは、1日を通して15分間隔で離散化した5つの時系列プロファイル(PV出力、風力出力、負荷、購入価格、販売価格)のセットと定義されます。不確定なパラメータをサンプリングし組み合わせることで、複数の代表的な日常運転条件が生成されます。これらのシナリオは、さまざまな確率的摂動下でのシステム運用をシミュレートするために用いられ、その結果生まれる計画決定の堅牢性と適応性を高めます。

確率分布モデルの選択に関しては、PV出力は通常ベータ分布またはワイブル分布を用いてモデル化され、太陽放射度や雲被覆の変化による歪みや飽和効果を捉えます。風力出力は、確率的な風速変動に強く依存するため、一般的にワイブル分布で表されます。負荷需要は一般的に正規分布に従うと仮定されており、しばしば日々および季節的な周期を反映する周期成分が埋め込まれています。一方、売買価格はその対数正規特性や時折の価格上昇により、通常は対数正規分布を用いてモデル化されます。

サンプル数が多いほどモデルの計算スケールが大幅に増加し、解の効率が低下するため、代表性を保ちつサンプルセットを圧縮する必要があります。これを実現するために、2つの補完的なサンプリング技術が用いられます。まず、入力空間のより均一なカバレッジを確保するためにラテン・ハイパーキューブサンプリングが用いられます。次に、重要度サンプリングは、運用上の重要性が高い確率領域をオーバーサンプリングするために適用され、稀でありながら重要な事象の表現を改善します。

入れ子型一般化ベンダー分解を用いたモデルの解法

MATLAB R2023aを開き、CPLEX 12.10ソルバーが設定されます。YALMIPのsdpvar関数はすべての決定変数を定義するために使われます。サンプルは前節に従ってMATLABで生成されます。各シナリオは5×96の行列として格納されます。目的関数と制約は、前節で説明した最適化モデルに従い、YALMIP式として定式化されます。各シナリオにおいて、逐次生産シミュレーションのサブ問題は、CPLEXをソルバーとしてYALMIPの最適化関数を呼び出して解きます。最適解を抽出し、双対変数を呼び出して上位の実現可能性カット²¹を構成します。マスター問題は、CPLEXをソルバーとして最適化関数を用いてYALMIPで定式化され、解かれます。内ループと外ループが反復されます。あるいは、運用(y)および計画(z)の決定は、第一レベル分解ステップを繰り返し行うことで更新され、上限と下限²¹のギャップが規定された収束許容差10-6を下回るまで繰り返されます。各イテレーションでの上限と下限は収束監視のために記録されます。

詳細な計算式とこれらのステップのさらなる説明は、このセクションの残りの部分で提供されています。スケジューリング問題の連続変数を x、整数変数を y、計画問題の連続変数を zと表します。シナリオセットは{ξ_d}_d∈Dです。各シナリオにおいて、元のモデルは以下のコンパクトな形で表現できます。

   (22)

ここで P は建設コストを表し、 Q は単位コミットメントおよび派遣に関連するコスト成分を表します。

確率的計画モデルは、ネストされたGBD²¹によって解かれます。GBDは電力システム計画²⁵ およびスケジューリング²⁶に広く適用されています。ヒューリスティックアルゴリズム²⁷と比較して、ネストされたGBDフレームワークはスケーラビリティと収束性の保証を提供します。ネスト型GBDは、多層サブ問題構造を導入することで従来のGBDアプローチを拡張します。

第一段階分解では、各シナリオごとに部分問題が構成されます。与えられたシナリオ ξ_d と与えられた意思決定変数 z = z^l に対して、逐次生産シミュレーション問題は次のように定式化されます。

   (23)

すべてのシナリオで部分問題を解いた後、上位レベルの実現可能性カットが次のように生成されます。

   (24)

ここで θ_u は、サブ問題のコストを表すために導入された補助変数です。

マスター問題は上位計画問題を表し、以下の通りです。

   (25)

各シナリオ ξ_d に対して、逐次操作シミュレーション問題はさらに分解されます。与えられた y = y^k の下位部分問題は非線形計画法(NLP)問題です。

   (26)

その解から、中間レベルの実現可能性削減が次のように導かれます。

   (27)

ここで θ_m は、下位サブ問題のコストを表す補助変数です。

整数計画層に対応する中間レベルのマスター問題は次のように表現されます。

   (28)

外部レベルでは、固定された計画決定 z = z^l に対して、シナリオごとのサブ問題を解き、最適なと双対を得る。これにより上位レベルの実現可能性カットが生まれ、θ_u はサブ問題コスト寄与を集約する。外側マスター問題は、累積カットに応じてP(z)+θ_uを最小化することでzを更新します。

各シナリオにおいて、逐次操作シミュレーション自体が内部のGBDによって分解されます。整数操作決定 y = y^k を保持すると、下位NLPは原始的・双対解と中間レベルのカットを得て解き、中間レベルのマスターは整数 y を更新します。解法手順は内側ループと外側ループを交互に行います:l=0、k = 0をz ⁰、y⁰で初期化し、内側部分問題を解いて中間・上限カットを生成し、マスターを更新して^ykと^zlを得て反復します。解決された部分問題の最適目的は上限を提供し、マスター問題は下限を提供します。収束はギャップが閉じるか、規定された許容範囲を下回ったときに宣言されます。このネスト型GBDフレームワークは、階層的意思決定層とシナリオ結合を扱いながら、スケーラビリティと理論的な収束保証を保持します。プロトコルの概要は図2に示されています。

図2:提案されたプロトコルの概要。この図の拡大版はこちらをクリックしてご覧いただけます。

結果

提案されたプロトコルの適用は、日中の柔軟性や炭素罰を明示的にモデル化する効果を示す代表的な計画および運用結果を生み出します。

炭素ペナルティ下での代表的な計画成果

シーズンを横断した400の代表的なシナリオを用いて、逐次生産シミュレーションは各容量拡大計画に対応する運用コストを算出します。 図3 は、異なる炭素ペナルティレベル下での最適化された能力と運用成果を示しています。より高いペナルティが風力、太陽光発電、蓄電、送電への投資を増やし、熱依存度の減少につながると、良い結果が見られます。カーボンペナルティが存在しないと、再生可能エネルギーの統合が制限され、排出量が増加し、最適とは言えない結果が生じます。四分位域は炭素のペナルティが強くなるにつれて広がり、より深い再生可能エネルギーの浸透下で変動が大きいことを示しています。これらの結果は、カーボンプライシングが再生可能エネルギーや柔軟性に向けた容量の選択肢をシフトさせるだけでなく、長期的...

ディスカッション

提示されたプロトコルは、逐次生産シミュレーション、日中調整モデリング、ネスト型一般化ベンダー分解を統合し、日中の不確実性下での柔軟性の価値を明示的に定量化するライフサイクル能力計画フレームワークを提供します。従来のキャパシティプランニング手法が決定論的な定式化や簡略化された2段階^{確率モデルに}依存するの^{に対し、提案}されたプロトコルは日中の運用の柔軟性や予測の逸脱を計画プロセスに明示的に組み込んでいます。逐次生産シミュレーションと日中の調整モデリングを組み合わせることで、このフレームワークは、年間運用コストや投資判断のより現実的な評価を可能にし、既存の計画手法を現実のシステム運用とより良く整合させる方向へと前進させます。

シナリオ生成と削減も重要な要素です。ラテン式ハイパーキューブサンプリング²³ と重要度サンプリング^2...

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
電力市場価格データ	マーケットオペレーター/オープンデータセット	—	運用コストモデリングのための日中および日中価格入力
過去のPV発電時系列データ	地域グリッドオペレーター/オープンデータセット	—	PV予報モデリングおよびシナリオ生成に使用
過去の風力発電時系列データ	地域グリッドオペレーター/オープンデータセット	—	風速予報モデリングおよびシナリオ生成に使用
MATLAB / Python	MathWorks / Python ソフトウェア Foundation	MATLAB R2025a / Python 3.11	容量計画モデルおよび逐次生産シミュレーションの実装に使用
最適化ソルバー(例:CPLEX、Gurobi)	IBM / グロビ	CPLEX 22.1 / Gurobi 10.0	混合整数線形最適化問題を解きます
シナリオ生成ライブラリ	Python:pyDOE、NumPy、SciPy	pyDOE 0.3.1、NumPy 1.26、SciPy 1.11	ラテン・ハイパーキューブサンプリング、重要度サンプリング、確率フィッティングに使用
システム負荷データ	地域グリッドオペレーター/オープンデータセット	—	負荷予測およびシナリオ生成に使用
可視化ライブラリ	パイソン:マトロトリブ、シーボーン	Matplotlib 3.8、Seaborn 0.12	計画結果、運用軌跡、予備マージンの数値を生成するために使用されます