在容量扩展模型中整合季节性储能的稀疏时间序列策略

《Journal of Energy Storage》：Sparse chronology strategy for integrating seasonal energy storage in capacity expansion models

本研究提出稀疏时间序列方法，优化代表性日框架以集成长周期储能建模，通过分组日并施加稀疏约束降低计算负荷，验证显示该方法在保持高精度的同时显著提升效率。

　　随着可再生能源技术的快速发展，尤其是太阳能和风能的广泛应用，电力系统面临着前所未有的挑战。这些可变可再生能源（VRE）的间歇性和不确定性对电网的稳定性、可靠性和经济性提出了更高要求。为了应对这一挑战，容量扩展模型（CEMs）成为规划和设计未来电力系统的重要工具。这些模型不仅能够评估不同技术的部署效果，还能帮助决策者制定更具前瞻性的投资策略。然而，传统的CEMs在建模长时程能源存储（LDES）方面存在一定的局限性，特别是在捕捉季节性储能系统的荷电状态（SOC）变化上。为此，研究团队提出了一种名为“稀疏时间序列”（sparse chronology）的新方法，旨在提升代表时段框架在容量扩展模型中的表现，从而更有效地整合长时程储能建模。

在当前的电力系统建模中，代表时段方法被广泛采用，以降低计算复杂度并保持模型的实用性。例如，ReEDS模型和US-REGEN模型均使用这一方法，通过聚类算法（如k-means和层次聚类）选择若干具有代表性的小时或天数，用以反映整体负荷和发电模式。这种方法虽然有效，但在处理LDES时却显得力不从心。LDES通常涉及跨季节的能量存储活动，其SOC不仅随一天内的负荷波动而变化，还会在更长的时间尺度上产生显著变化。传统方法由于缺乏有效的跨日SOC连接机制，难以准确捕捉这些长期变化，从而影响模型的精度和实用性。

针对这一问题，研究团队在文献综述的基础上，提出了一种新的建模方法，即“稀疏时间序列”方法。该方法结合了“隐式最小最大”方法和分组代表日策略的优势，通过在代表日框架内建立跨日SOC连接机制，确保SOC在操作约束范围内，同时减少计算负担。具体而言，该方法将连续的代表日划分为若干“分区”，并在每个分区的起点和终点施加稀疏的SOC约束。这种策略不仅保留了跨日SOC的连续性，还有效减少了需要处理的约束数量，从而显著提升了计算效率。此外，该方法通过将相似的代表日归为同一组，进一步降低了模型的复杂度，使容量扩展模型能够在保持高精度的同时，实现更高效的计算。

为了验证该方法的有效性，研究团队使用了ReEDS平台进行大规模模拟分析。ReEDS作为一款广泛应用的CEM工具，其现有的时间分辨率方法在LDES建模方面存在一定的不足。通过将“稀疏时间序列”方法应用于ReEDS，团队能够评估该方法在不同场景下的表现，并与传统的代表日和代表周方法进行对比。结果表明，该方法在保持高精度的同时，显著降低了计算时间。例如，在仅使用20个代表日的情况下，稀疏时间序列方法的计算时间仅为传统连续年份方法的4%。这一成果不仅验证了方法的可行性，也为未来电力系统建模提供了新的思路。

此外，研究团队还分析了不同代表日数量对模型准确性和计算效率的影响。结果表明，随着代表日数量的增加，模型的准确性逐渐提高，但计算时间也随之上升。因此，团队探索了在不同代表日数量下，如何平衡模型精度与计算效率。例如，在使用20个代表日时，模型的SOC曲线与连续年份方法的基准模型之间的相关性达到了0.9，显示出该方法在保持高精度的同时，具备良好的计算效率。这种平衡对于实际应用至关重要，因为电力系统规划往往需要在有限的计算资源下，实现尽可能精确的模拟结果。

在实际应用方面，研究团队选择了德克萨斯州电力可靠性委员会（ERCOT）地区作为案例研究。ERCOT是美国最大的独立系统运营商之一，其电力系统的特点为LDES建模提供了丰富的数据支持。通过在ERCOT地区进行测试和验证，团队能够评估“稀疏时间序列”方法在真实场景下的表现，并进一步优化模型参数。结果表明，该方法不仅能够准确模拟LDES的SOC变化，还能有效支持电网的长期规划和投资决策。这为未来在更大范围内应用该方法提供了有力的依据。

总的来说，该研究通过引入“稀疏时间序列”方法，解决了传统代表时段方法在LDES建模中的不足，为电力系统规划提供了更高效、更精确的工具。随着可再生能源比例的不断提高，LDES在保障电网稳定性和满足季节性需求方面的作用日益凸显。因此，开发一种能够在不牺牲精度的前提下，有效降低计算负担的建模方法，对于推动可再生能源的发展和实现可持续能源目标具有重要意义。未来的研究可以进一步探索该方法在不同地区和不同能源结构下的适用性，并结合更多的实际数据进行优化，以期在更广泛的范围内提升电力系统建模的准确性和效率。