Towards time-variant scenario reduction for energy system optimization modeling under uncertainty

तकनीकी सारांश: अनिश्चितता के तहत ऊर्जा प्रणाली अनुकूलन मॉडलिंग के लिए समय-परिवर्तनीय परिदृश्य न्यूनीकरण की ओर

समस्या विवरण
दीर्घकालिक दो-चरणीय स्टोकेस्टिक ऊर्जा प्रणाली अनुकूलन मॉडल (ESOMs) अनिश्चितता के तहत निर्णय लेने के लिए महत्वपूर्ण हैं, विशेष रूप से रुक-रुक कर होने वाले नवीकरणीय बिजली उत्पादन के संबंध में। हालांकि, ये मॉडल स्केलेबिलिटी की चुनौती का सामना करते हैं: 20-60 वर्षों के समय क्षितिज (time horizons) को दर्शाने और अनिश्चितता को कई परिदृश्यों (जैसे, 10-40 ऐतिहासिक मौसम वर्ष) के साथ प्रस्तुत करने से मॉडल का आकार तेजी से बढ़ जाता है। मौजूदा परिदृश्य न्यूनीकरण (SR) विधियाँ, जिन्हें "समय-अपरिवर्तनीय" (time-invariant) कहा जाता है, इस संदर्भ में अक्सर अक्षम होती हैं। वे मानती हैं कि परिदृश्य की संभावनाएँ समय के साथ स्थिर रहती हैं और आमतौर पर अल्प-कालिक समय क्षितिज (जैसे, एकल समय चरण या 24-घंटे की खिड़की) पर ध्यान केंद्रित करती हैं। जब सीमित उपलब्ध परिदृश्यों (जैसे, ~40 ऐतिहासिक वर्ष) के साथ दीर्घकालिक योजना के लिए लागू किया जाता है, तो समय-अपरिवर्तनीय विधियाँ समय के साथ मार्जिनल वितरण (marginal distributions) को समायोजित नहीं कर पाती हैं, जिससे इष्टतम समाधान विकृत हो सकता है और उन महत्वपूर्ण परिदृश्यों के वास्तविक स्वरूप और संभावनाओं को पकड़ने में विफल हो सकता है जो प्रथम-चरण के निवेश निर्णयों को संचालित करते हैं।

कार्यप्रणाली
लेखक एक नवीन समय-परिवर्तनीय परिदृश्य न्यूनीकरण फ्रेमवर्क प्रस्तावित करते हैं जो स्पष्ट रूप से समय के साथ परिदृश्य एकत्रीकरण (scenario aggregations) को बदलने की अनुमति देता है। कार्यप्रणाली में निम्नलिखित चरण शामिल हैं:

1. अस्थायी अपघटन (Temporal Decomposition): पारंपरिक विधियों के विपरीत, जो पूरे समय क्षितिज में एक साथ परिदृश्यों को क्लस्टर करती हैं, प्रस्तावित दृष्टिकोण स्टोकेस्टिक प्रक्रिया के कालानुक्रमिक क्रम (temporal chronology) को तोड़ता है।
2. टाइम-स्टेप क्लस्टरिंग: प्रत्येक समय चरण $t \in T$ के लिए, परिदृश्य वेक्टर्स $w_{t,i}$ (जो PV और पवन शक्ति जैसे चरों के संयुक्त वास्तविकताओं का प्रतिनिधित्व करते हैं) पर व्यक्तिगत रूप से $k$-means क्लस्टरिंग एल्गोरिदम लागू किया जाता है।
3. अंतरांतरिक असाइनमेंट (Intertemporal Assignment): कम किए गए परिदृश्यों के सेट $J$ के लिए कालानुक्रमिक निरंतरता को बहाल करने के लिए, प्रत्येक समय चरण संक्रमण ($t$ से $t+1$) के लिए एक रैखिक अंतरांतरिक असाइनमेंट समस्या को हल किया जाता है। यह क्रमिक समय चरणों पर उनके मूल्यों के बीच वर्ग यूक्लिडियन दूरी (squared Euclidean distance) द्वारा परिभाषित संक्रमण की लागत को न्यूनतम करता है।
4. समय-परिवर्तनीय संभावनाएँ: यह प्रक्रिया मूल परिदृश्यों के उपसमुच्चय $I_{j,t}$ प्रदान करती है जिन्हें विशिष्ट समय चरणों $t$ पर कम किए गए परिदृश्य $j$ में एकत्रित किया जाता है। फलस्वरूप, परिदृश्य संभावनाएँ $\pi_{t,j}$ समय-परिवर्तनीय हो जाती हैं, जिनकी गणना उस विशिष्ट समय चरण पर एकत्रित मूल परिदृश्यों के योग के रूप में की जाती है:
   $$\pi_{t,j} = \sum_{i \in I_{j,t}} \pi_i$$
   यह समय-अपरिवर्तनीय विधियों के विपरीत है जहाँ $\pi_{t,j} = \pi_j$ सभी $t$ के लिए होता है।

मुख्य योगदान

• नवीन फ्रेमवर्क: एक समय-परिवर्तनीय SR विधि का परिचय जो परिदृश्य एकत्रीकरण को एक निश्चित अस्थायी संरचना से अलग करती है, जिससे समय के साथ संभावनाओं के विकसित होने की अनुमति मिलती है।
• बढ़ी हुई लचीलापन: यह विधि उन समय चरणों पर परिदृश्य वास्तविकताओं और उनकी संभावनाओं को सटीक रूप से पकड़ने में सक्षम बनाती है जो प्रथम-चरण के निवेश निर्णयों को संचालित करते हैं, जो पारंपरिक समय-अपरिवर्तनीय दृष्टिकोणों में अनुपलब्ध है।
• प्रूफ ऑफ कॉन्सेप्ट: अनिश्चित नवीकरणीय उत्पादन और बैटरी स्टोरेज निवेश से जुड़ी दो-चरणीय स्टोकेस्टिक जनरेशन एक्सपेंशन प्लानिंग (SGEP) समस्या में इस फ्रेमवर्क का अनुप्रयोग।

परिणाम
प्रस्तावित विधि का मूल्यांकन 96-घंटे के क्षितिज पर PV और पवन शक्ति के 20 समान-संभावित परिदृश्यों के संयुक्त संभावabilistic पूर्वानुमान का उपयोग करके किया गया था, जिसे SGEP समस्या को हल करने के लिए कम किया गया था। पूर्ण 20-परिदृश्य समाधान के विरुद्ध सापेक्ष सन्निकटन त्रुटि (Relative Approximation Error - RAE) के माध्यम से मापे गए परिणाम दर्शाते हैं:

• कम परिदृश्यों के साथ बेहतर सटीकता: समय-परिवर्तनीय SR विधि ने केवल 4 कम किए गए परिदृश्यों का उपयोग करके 3.06% का RAE प्राप्त किया। इसके विपरीत, समय-अपरिवर्तनीय विधि ने समान संख्या में परिदृश्यों के साथ 18.71% का RAE दिया।
• निवेश निर्णय की गुणवत्ता: 4 परिदृश्यों वाले समय-अपरिवर्तनीय विधि ने थर्मल जनरेशन क्षमता निवेश ($x^*$) को काफी कम करके और स्टोरेज निवेश ($s^*$) को बढ़ाकर दिखाया, जिससे अपेक्षित ऊर्जा न सेवा (Expected Energy Not Served - EENS) में 113.9 MWh से 2815.8 MWh की भारी वृद्धि हुई। समय-परिवर्तनीय विधि ने इष्टतम निवेश को सटीक रूप से पुनरुत्पादित किया, जिसके परिणामस्वरूप 729.7 MWh का EENS प्राप्त हुआ।
• दक्षता: समय-परिवर्तनीय दृष्टिकोण ने कम से कम 11 परिदृश्यों का उपयोग करने वाली समय-अपरिवर्तनीय विधि के बराबर प्रदर्शन किया, जो समान सटीकता के लिए मॉडल के आकार (चरों की संख्या) में लगभग 80% की कमी का प्रतिनिधित्व करता है।
• अभिसरण (Convergence): जैसे-जैसे कम किए गए परिदृश्यों की संख्या बढ़ती गई, समय-परिवर्तनीय विधि पूर्ण परिदृश्य सेट समाधान की ओर बहुत तेज़ी से और अधिक मजबूती से अभिसरित हुई।

महत्व और दावे
यह शोध दावा करता है कि प्रस्तावित समय-परिवर्तनीय फ्रेमवर्क पारंपरिक समय-अपरिवर्तनीय विधियों की तुलना में पर्याप्त लचीलापन बढ़ाता है। परिदृश्य एकत्रीकरण और संभावनाओं को समय के साथ बदलने की अनुमति देकर, यह विधि सीमित ऐतिहासिक डेटा वाले बड़े पैमाने के, दीर्घकालिक नियोजन ESOMs पर लागू होने वाली मौजूदा SR तकनीकों की अक्षमताओं को दूर करती है। लेखक का तर्क है कि यह दृष्टिकोण महत्वपूर्ण निवेश-संचालित परिदृश्यों की सटीकता बनाए रखते हुए मॉडल की जटिलता को कम करने की क्षमता को अनलॉक करता है।

लेख विनम्रतापूर्वक निष्कर्ष निकालता है, यह नोट करते हुए कि वर्तमान दो-चरणीय प्रक्रिया (क्लस्टरिंग के बाद असाइनमेंट) से बचने के लिए उपयुक्त समय-परिवर्तनीय परिदृश्य दूरी मेट्रिक्स और एल्गोरिदम को व्युत्पन्न करने के लिए भविष्य के अनुसंधान की आवश्यकता है। इसके अतिरिक्त, औपचारिक प्रदर्शन गारंटी प्रदान करने के लिए समय-परिवर्तनीय मामले में गणितीय स्थिरता परिणामों का विस्तार करना एक आवश्यक भविष्य की दिशा के रूप में पहचाना गया है।