康奈尔大学团队设计新型人工智能工具助力纽约州实现清洁电力过渡气候危机正日益威胁着全人类

文章图片
气候危机正日益威胁着全人类的生存环境。
为了达到《巴黎协定》的气候要求，当前全球多数国家均已提出了碳中和目标。其中，电力系统的脱碳过渡被视作是达到碳中和目标最主要的任务之一。
近日，来自来自康奈尔大学的研究团队开发了一个基于机器学习的多时间尺度的电力系统脱碳过渡优化模型，旨在帮助政府规划电力部门向碳中和过渡的路径，以及考量气候或能源目标的可行性[1] 。相关研究论文登上ACSSustainableChemistry&Engineering期刊封面。

文章图片
图｜当期论文封面（来源：ACSSustainableChemistry&Engineering）
该论文以《迈向纽约州的碳中和电力系统：一种新型的多尺度自下而上优化框架与机器学习相结合，以每小时分辨率进行容量规划》（TowardCarbon-NeutralElectricPowerSystemsintheNewYorkState:aNovelMulti-ScaleBottom-UpOptimizationFrameworkCoupledwithMachineLearningforCapacityPlanningatHourlyResolution）为题，康奈尔大学工程学院博士赵宁为第一作者，康奈尔大学工程学院教授尤峰崎担任通讯作者。

文章图片
【康奈尔大学团队设计新型人工智能工具助力纽约州实现清洁电力过渡】图|相关论文截图（来源：ACSSustainableChemistry&Engineering）
据尤峰崎介绍，此项研究主要分为模型建立、数据收集与处理、优化计算三个大步骤。
首先，研究团队建立了一个基于机器学习的电力系统脱碳过渡规划模型。该模型通过自下而上的方式，囊括了电力系统中每一个已经存在的或可能新增的发电与储电设施，且每一个设施都考虑到了多维度的信息，包括发电与储电容量、发电能源与储能形式，以及设施已投入使用的年数等。
除此之外，该模型还拥有多时间尺度的关键特征，这使得研究团队在以年为尺度规划系统层面脱碳与容量变化的同时，还能从小时尺度上考虑电力需求和可再生能源的波动，以确保电力系统运行的可靠性，并进一步优化其经济性。
随后，在接下来的数据收集与处理中，该团队提出了一种基于机器学习的时间序列数据处理方法来处理电力需求和可再生能源相关的时间序列数据。这种方法结合主成分分析（PrincipalComponentAnalysis ， PCA）和多种聚类方法，可以在保留数据结构特征的同时减少后续优化的计算规模。
最后，该团队通过编程将模型与数据结合，以达到预期气候和能源目标为前提，利用优化求解器CPLEX对能源系统脱碳和运行一同进行经济上的最优规划。
需要注意的是，在研究处于关键节点时，恰逢新冠病毒变异株Delta正在美国快速传播。
“这转变了我们对于在实验室进行线下研究的乐观预期，幸运的是，外部环境的变化并没有对我们的交流和研究进度带来负面的影响。 ”尤峰崎说。

文章图片
（来源：ACSSustainableChemistry&Engineering）
为了进一步验证所提出模型的功能，研究团队将其应用于纽约州电力系统的脱碳研究。结果表明：扩大电力储存容量可以将纽约州电力系统脱碳过渡的总成本降低15% ，并且可以使风能、太阳能等间歇性可再生能源的发电量增加近一倍，达到93% 。
此外，该团队在对纽约州的电力系统脱碳的案例研究中也发现，如果不考虑扩大电力系统的储存容量，会导致发电装机容量增加39% ，并且间歇性发电的装机容量会增加200% 。

康奈尔大学团队设计新型人工智能工具 助力纽约州实现 清洁电力 过渡

康奈尔大学团队设计新型人工智能工具助力纽约州实现清洁电力过渡