首页 > 

能源规划中的多目标决策

来源:
时间:2020-07-25 10:07:47
热度:

能源规划中的多目标决策当今世界正在经历一场可再生能源革命,太阳能、风能、储能发展势不可挡,而煤炭、石油等化石能源前景堪忧。在这场宏大的能源转型进程中,未来的能源构成究竟长什么样是许

当今世界正在经历一场可再生能源革命,太阳能风能储能发展势不可挡,而煤炭、石油等化石能源前景堪忧。在这场宏大的能源转型进程中,未来的能源构成究竟长什么样是许多学者苦苦追寻的能源规划问题,毕竟有了目标才好去朝之努力。然而,对于能源供给成本的考虑、可再生能源波动性的担忧,以及环境影响的顾及将使问题立马变得复杂起来。没有一种能源能在所有方面胜过其他能源形式。因此,能源转型绝不是一朝一夕的事情,也没有什么固定答案。

最新一些能源规划的研究已经开始关注能源转型中的多目标决策问题,并且运用相应模型来求解这些问题。比如能源领域权威杂志Applied Energy今年4月份以来就有3篇文献从微观和宏观不同角度来回答这一问题。第一篇文献“Environmental and economic multi-objective optimization of a household level hybrid renewable energy system by genetic algorithm”试图给三个不同地区的家庭设计先进的能源供应系统——包括风能、光伏、太阳能热、空调、热泵和储能等设备的组合来满足家庭的电力、热力能源需求,并且目标是一方面尽可能降低能源成本,另一方面减少直接的二氧化碳排放或能源供给的全生命周期环境影响。通过遗传算法的求解,作者最终是求得了经济和环境双重目标下的帕累托前沿面(两个目标均为最小化)。

上图的解读是从前沿面的右下角往左上角移动,右下角的点(起点)是成本最低的能源供应组合,往上走是降低了碳排放或者环境影响,但与此同时也增加了能源供应成本。具体何处是最优取决于决策者对这两个目标的权重分配;我们观察到,这个范围是相当大的。

很多研究在优化过程中常把两个目标简化为一个目标,方法是给碳排放或者环境影响赋予相应的价格或社会成本,由此在货币水平上进行目标加总;或者是将碳排放或环境影响作为约束条件置于模型中(相当于乘以一个影子价格)。这种简化方法最终将求得一个最优解,而不是前沿面上的一连串最优解。第二篇文献对此种操作的评论为:加权法将简化不同目标之间的平衡,并且有可能忽略目标之间的协同效应。另一个问题是与成本相关的假设条件的细微变动可能不会带来最终成本上的大幅改变,但是有可能获得显著不同的其他目标值(即更好的选择),因此这种单目标决策的不确定性需要进一步解决。

第二篇文献“Clustering based assessment of cost, security and environmental tradeoffs with possible future electricity generation portfolios”讨论了一个城市级别的未来电力供应系统,一共包括7种发电技术;作者在预测了2030年的电力需求曲线后,通过演化遗传算法求解了满足能源供应三难目标下的能源规划情景。这三难目标就是系统稳定性、成本和碳排放。文献的底层模型其实是一个成本最小化的单目标开源软件NEMO,作者也是先将其他目标当作约束条件置于模型中,比如系统稳定性不能超过0.005%,碳排放水平分别对应碳价在0美元/吨、30美元/吨和60美元/吨水平。在求得最低成本对应解之后,作者进一步允许成本上浮5%,然后看看这些近似最优解在系统稳定性和碳排放方面的表现。由于这些解实在太多(600来个),作者进一步采用聚类方法来整合这些不同的解。最终结果如下:

上图左边是601个近似最优解聚成的6类,右边是每一类在三难目标上的表现:系统稳定性(用供电中断比例来表示)、成本、碳排放。可以看到,第二类成本最低,但是系统稳定性不强,另外碳排放也比较高。相反,第五类碳排放最低,但是成本比较高。因此,不存在一个最优的能源供应系统能在三个方面都保持最优。

如果要看不同发电技术的细分比例,下图展示了三种碳价下的电力规划场景。由图可知,碳价的不同将大幅影响煤炭、天然气和光伏、风能的装机容量;即使在同一种碳价水平上,规划目标的设定和选择范围也是非常之大。更有挑战的是:未来碳价究竟是多少根本没人知道。

第三篇文献“Multi-objective stochastic economic dispatch with maximal renewable

penetration under renewable obligation”通过仿真一个虚拟的测试电力系统来平衡系统成本和可再生能源的装机容量。最终也获得了下图所示的帕累托前沿面。通过进一步加权平均,作者获得了图中的最优解A点。

对上面三篇文献小结一下:相比单目标决策,多目标决策是更难的。目前通过开发和调用不同算法,研究者已经能够比较顺利地求得不同目标之间的帕累托前沿面,重点关注这些目标之间的矛盾和平衡关系。但是,前沿面上的最优解以及那些近似最优解的决策选择范围还是很大。从这个意义上来说,理工科确实能够给决策者指明一些方向,但是具体权重的赋予以及最终问题的解决仍然需要决策者去反复比较和权衡。研究决策者如何决策和应该如何决策仍将是社会科学应该去面对和急需解决的问题。

上述关于多目标的讨论还仅限于2-3个目标,可想而知当目标数量更多时帕累托前沿面将是会变得异常复杂,决策者面对的可选项将会成倍增加。这个时候加上未来的不确定性,现阶段所有的决策科学将帮助不大;问题决策将上升到战略决策的高度,复杂性和艺术性进一步增加。再考虑人与人之间的差异,以及他们对不同目标重要性的排序,科学发展至今仍然解决不了这类的群体决策问题。阿罗说这种问题本就无解。

所以说,万千世界,无奇不有;这背后乃是不同人面临的一个个多目标决策问题。

Baidu
map