Bridging the climate to energy data gap: simulated annealing for representative climate year selection

本研究は、大規模アンサンブルから気候年の代表性の高い部分集合を選択するために季節的スライス・ワッサーシュタイン距離を利用するシミュレーテッド・アニーリング最適化手法を提案・検証し、エネルギーシステムモデリングのための頑健で偏りのない入力を提供するために、現在の慣行や代替アルゴリズムを大幅に凌駕する性能を示す。

要約

30 年後の天候に対応できる送電網を設計しようとしていると想像してください。問題は、天候は混沌として予測不可能だということです。気候科学者は、スーパーコンピュータシミュレーションを実行し、超風の年から干ばつまで、あらゆるシナリオを示すために180 年分の異なる天候データを生成しました。

しかし、実際の送電網を設計するために使用されるコンピュータモデルは非常に重く、処理が遅いです。これらは 180 年分のデータを一度に処理できず、せいぜい5 年か 30 年というごくわずかなデータしか扱えません。

大きな疑問は、どの特定の年を選ぶべきかです。

間違った年を選べば、穏やかな夏には機能するが、寒く風のない冬には崩壊する送電網を建設してしまう可能性があります。間違った年を選べば、誤ったインフラに数十億ドルを浪費することになりかねません。

現在の手法の問題点

現在、多くのエネルギー計画担当者は、ある程度ランダムに、あるいは単に「平均的な」年を見て年を選んでいます。この論文の著者たちは、これを「図書館全体を理解しようとして、単にランダムな 1 ページを読むようなものだ」と述べています。これでは、計画に不可欠な極端な事象（風も太陽もない期間である「ダンケフルアウテ」など）を見逃してしまうことがよくあります。

解決策：「スマートサーチ」（シミュレーテッド・アニーリング）

著者たちは、シミュレーテッド・アニーリングと呼ばれる新しい手法を提案しています。

アナロジー：
広大で霧のかかった山岳地帯にいて、絶対的な最低の谷（最良の年セット）を見つけたいと想像してください。

• ランダムサーチは、地図にダーツを投げてそこへ行くようなものです。運が良ければ当たるかもしれませんが、おそらく最も深い谷は見逃すでしょう。
• **K メドイド（従来の標準）**は、山々をクラスターにグループ化し、各グループの中心を選ぶようなものです。まあまあの結果ですが、地形の具体的な形状を見逃す可能性があります。
• シミュレーテッド・アニーリングは、賢明であると同時にリスクを取ることを厭わないハイカーのようなものです。
  • ハイカーはランダムな場所から出発します。
  • 周囲を見回します。より低い場所を見つけると、そこへ移動します。
  • 重要なのは： 時には、その向こう側にさらに深い谷があるかどうかを確認するために、あえて上り坂（より悪い場所）に一歩踏み出すことがあるということです。
  • 「ハイキング」が進むにつれて、そのようなリスクのある上り坂のステップを取る意欲は減り、絶対的な底を見つけることに集中し始めます。
  • これにより、小さな浅い窪み（局所最適解）に陥って、真の最低点（大域的最適解）を見逃すことが防がれます。

「良さ」の測定方法

選んだ 5 年または 30 年が実際に優れているかどうかをどうやって知るのでしょうか？彼らは季節別スライス・ワルシュタイン距離と呼ばれる数学的ツールを使用します。

アナロジー：
180 年分の天候データを、風、太陽、温度、電力需要など多くの成分からなる巨大で複雑なスムージーだと考えてください。

• 単純な平均値は、単にストロベリーの総量が正しいかどうかをチェックするだけです。
• この新しいツールは以下をチェックします：
  1. 成分： 風と太陽の量が適切か？
  2. 混合： 成分は正しく混ざっているか？（例：風が強いときは通常、太陽が弱いのか？それとも同時に発生するのか？）
  3. タイミング： 混合は冬と夏それぞれにとって適切か？（風の強い夏は素晴らしいが、風の強い冬は暖房にとってさらに良い。もし夏は風が強く冬は静かな年を選べば、テストに不合格となる。）

このツールは、選んだ小さなスムージー（選択された年）と巨大なスムージー（180 年すべて）がどの程度異なるかを表す「スコア」を計算します。スコアが低いほど、一致度が高いことを意味します。

発見されたこと

研究者たちは、この「スマートサーチ」手法を、ランダム推測、フィルタリングされた推測、従来のクラスター化手法と比較し、3 つのシナリオでテストしました。

1. オランダのみ（30 年）。
2. 欧州全体（30 年）。
3. 欧州全体（5 年）。

結果：

• 勝者： 「スマートサーチ」（シミュレーテッド・アニーリング）は一貫して最良の年セットを見つけました。
• 魔法の乗数： この手法でわずか30 年を選んだ場合、その 30 年はあまりにも代表的であったため、130 年から 140 年分のデータとして機能しました。物理的に持っているデータ以上の価値を、4 倍から 5 倍得ることができました。
• 現在の慣行より優れている： 彼らが使用した手法は、主要な欧州エネルギー機関（ENTSO-E）が現在使用している標準手法よりも2.5 倍から 3.5 倍優れています。
• 一貫性： 偶然の良い結果に依存する他の手法とは異なり、この手法は実行するたびに確実に機能します。

結論

この論文は単に「より良い年を選べ」と述べるだけではありません。エネルギー会社が将来の送電網を建設する際に、幸運な推測に賭けるのではなく、複雑で混沌とした完全な気候の実情を完璧に反映する、小さく慎重に選ばれたサンプルを使用するための、具体的かつ数学的に証明されたレシピ（シミュレーテッド・アニーリング＋特定のスコアリングツール）を提供しています。

「年」に関する最終的な注記： この論文はまた、「年」を4 月 1 日から 3 月 31 日（1 月から 12 月ではなく）と定義することを提案しています。その理由は、冬を 1 つのブロックとしてまとめることができるからです。冬は送電網にとって最もストレスがかかる時期（暖房＋太陽光の減少）であるため、冬を 2 つの暦年にまたがって分割するとデータが分断され、そのような重要な寒波への計画が困難になります。

技術概要

技術的概要：模擬焼きなまし法による気候からエネルギーデータへのギャップの橋渡し

問題定義
エネルギーシステムモデルは、気候依存型の再生可能エネルギー源の計画において、正確な気候入力データにますます依存するようになっている。しかし、気候科学とエネルギーシステムモデリングの間には根本的な不一致が存在する。気候科学は、極端な事象を含む可能性のある結果の完全な分布を捉えるために、大規模なアンサンブル（数百から数千のシミュレーション年）を利用する。一方、計算集約的な電力システムモデル（時間分解能でユニットコミットメント、ネットワーク制約、市場ダイナミクスを処理する）は、通常、わずかな数の年（1〜30 年）しか処理できない。

欧州資源適性評価（ERAA）における ENTSO-E が採用しているような、これらの代表年を選択する現在の慣行は、ランダム選択、目標期間周辺の擬似ランダム選択、または K-メドイドクラスタリングなどの未検証の手法に依存することが多い。これらのアプローチは明示的な代表性基準を欠いており、バイアスのかかった投資決定を招き、不適切な手法によって除外された妥当な気象条件に対してエネルギーシステムが準備不足となるリスクがある。大規模なアンサンブルから小さな部分集合を選択することは、組み合わせ問題であり、「組み合わせ爆発」を伴う（例：180 年から 30 年を選択する場合、約 $1.3 \times 10^{34}$ 通りの組み合わせが生じる）ため、網羅的な探索は非現実的である。

手法
本研究は、大規模なアンサンブルから完全な気候年の代表部分集合を選択するための最適化手法として、**模擬焼きなまし法（Simulated Annealing: SA）**を提案する。このアプローチは、ランダム探索（RS）、フィルタリング付きランダム探索（FRS）、および K-メドイドクラスタリングという 3 つの代替手法と比較評価される。

• データソース: 本研究は、パンヨーロッパ気候データベース（PECD）を利用し、具体的には 180 年の気候データ（SSP2-4.5 シナリオ下での 6 つの CMIP6 モデル × 30 年、2016〜2045 年）を使用する。
• 変数: 選択は、非線形性を考慮するために、生気象フィールドではなく、導出されたエネルギー影響変数に対して行われる。これには、洋上・陸上風力発電、太陽光発電、各種水力発電、電力需要、および残荷電が含まれ、国別（NUTS0 レベル）で日平均値に集約される。
• コスト関数（代表性指標）: 本研究では、**季節別スライス・ワッセルシュタイン距離（SSWD）**を採用する。
  • ワッセルシュタイン距離: 確率分布を別の分布に変換するために必要な「仕事」を定量化する最適輸送指標であり、変数間の結合依存構造と相関を捉える。
  • スライス近似: 高次元データを効率的に処理するため、多変量データをランダムな 1 次元線に射影し、1 次元ワッセルシュタイン距離を計算して平均化する。
  • 季節的拡張: 季節的バイアス（例：風の強い夏が風の弱い冬を補うこと）を防ぐため、データセットを延長冬期（10 月〜3 月）と夏期（4 月〜9 月）に分割する。SSWD は、両方の季節が適切に代表されることを保証するため、2 つの季節距離の最大値として定義される。
• アルゴリズム:
  • 模擬焼きなまし法: 候補部分集合内の年を反復的に交換し、局所最適解から脱出するために劣る解を減少する確率で受け入れる確率的最適化アルゴリズム。
  • K-メドイド: 年をクラスタリングし、各クラスタの最も中心的なメンバー（メドイド）を選択する。
  • フィルタリング付きランダム探索: 高価な SSWD を計算する前に、平均差やエネルギー距離などの安価な事前フィルタを適用して、不適切な候補を排除する。
• *実験デザイン: 3 つのケーススタディを実施した：(1) オランダ向けの 30 年、(2) 欧州向けの 30 年、(3) 欧州向けの 5 年。各手法は 25 回実行され、「幸運度」と「脆弱性」のファクターを用いて一貫性が評価された。

主要な結果
3 つのケーススタディすべてにおいて、模擬焼きなまし法は最も代表的な部分集合を一貫して生成した。

• 性能: SA はすべてのケースで最低の SSWD スコアを達成した。欧州向けの 30 年ケースにおいて、SA による部分集合は、SA が 30 年であるのに対し後者が 36 年を使用しているにもかかわらず、現在の ENTSO-E の慣行（ERAA25）よりも約2.5〜3.5 倍代表的であった。
• 実効サンプルサイズ: SA によって選択された部分集合は、その実際のサイズの 4〜5 倍の「実効サンプルサイズ」を達成した。例えば、オランダ向けの最良の 30 年 SA 部分集合は、統計的に 140 年のランダム抽出の中央値品質と同等であった。
• 一貫性: SA は低い「幸運度」と「脆弱性」ファクターを示し、初期条件に関わらず安定した性能を発揮した。対照的に、フィルタリング付きランダム探索は単一抽出のシナリオでは良好な成績を収めたが、高次元（欧州）のケースでは著しく劣化し、過度に制限的な事前フィルタリングにより、単純なランダム探索よりも性能が低下することが多かった。
• 比較: K-メドイドは一貫して 2 位であったが、SA と同様に結合分布の代表性を直接最適化するものではなかった。

意義と主張
本論文は、提案されたSA+SSWDアプローチが、気候科学（大規模アンサンブル）とエネルギーシステムモデリング（小規模部分集合）の間のギャップを埋め、気候年の選択に対する検証済みでアプリケーションに依存しない手法を提供すると主張している。

• 客観的定量化: 本研究は、代表性は慣習や未検証のランダム抽出に頼るのではなく、客観的に定量化され最適化されなければならないと論じている。
• 堅牢性: エネルギー固有の処理 以前 に入力データセットを最適化すること（ボトムアップアプローチ）により、あらゆるエネルギー研究に流入するソースデータが気候変動に対して検証されていることを保証する。これにより、下流のモデルが代表性のない出発点によってバイアスされることを防ぐ。
• 汎用性: この手法はエネルギーシステムモデリングに限定されない。風力発電量の評価、建物エネルギーシミュレーション、水文研究、農業影響モデリングなど、大規模データセットから代表となる完全な期間を選択する必要があるあらゆる分野に適用可能である。
• 実践的推奨事項: 著者は、SSWD 指標を用いた模擬焼きなまし法の使用、近最適性を確保するための複数回の反復実行、および冬季の資源適性ストレス事象を維持するために気候年を水文年（4 月 1 日〜3 月 31 日）として定義することを推奨している。

本研究は、SA がブルートフォース評価の非現実性により大域的最適解を保証するものではないものの、複数回の実行における一貫した性能と、現在の業界慣行を著しく凌駕する能力により、代表気候年の選択における優れた基準となると結論付けている。