内嵌机器学习的低碳电力系统数据驱动随机规划

《Computers & Chemical Engineering》：Data-Driven stochastic planning of low-carbon power systems with embedded machine learning

　　低碳电力系统的两阶段随机规划框架。发电、输电、混合储能与碳捕获的协同优化。一种融合机器学习与优化的数据驱动求解方法。对多种机器学习模型进行全面的成本预测分析。**章节摘要****背景与动机**世界各国正在积极应对脱碳目标，在国家层面制定应对气候危机的战略计划。鉴于可再生能源在减少碳排放和降低能源成本方面的卓越表现，高渗透率可再生能源电力系统的规划与运行研究受到了全球学者的广泛关注（Ibacache and Sauma, 2026）。大量可再生能源正被整合进电力系统中。**问题假设与描述**为明确建模框架的范围，本文明确了若干必要假设。以风电和光伏发电为代表的可再生能源被整合到一个以电力交易为主的市场中，建模时采用功率输出曲线，而非物理风速或太阳辐照度模型。输电网络采用无损耗直流潮流近似表示，忽略了无功功率和线路损耗。现有的输电走廊和发电机组资产情况如下……**架构**在给定的投资决策下，两阶段随机规划框架中对每个场景的运行优化独立进行。求解两阶段随机优化问题的主要挑战在于，需要求解大量运行优化问题以评估投资决策的质量。为避免求解大量运行优化问题，本文将机器学习嵌入到两阶段随机优化过程中。**案例研究**为验证所提投资优化框架的有效性，本文采用改进的IEEE-30节点测试系统进行数值分析。所有仿真均在配备AMD Ryzen 5 7500F CPU @ 3.70 GHz和32 GB内存的台式机上使用Gurobi 11.0求解器完成。求解器的最优性间隙设置为1%。在第四部分A节中，描述了系统参数与设备。在第四部分B节中，阐述了考虑发电、输电和混合储能的协同规划方法……**结论**本文提出了一种两阶段随机优化框架，用于碳捕获、可再生能源、输电网络和混合储能系统的协同规划。本文开发了一种基于机器学习的求解策略，利用少量场景训练代理模型以预测未采样场景的运行成本，从而在有限场景预算下支持可靠的规划决策。源-网-储协同规划可提升系统经济性……**CRediT作者贡献声明****田昆鹏：** 原创草稿撰写。**臧毅：** 方法论。**王军：** 软件实现。**张晓媛：** 项目管理。