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

Resumo Técnico: Rumo à Redução de Cenários Variante no Tempo para Modelagem de Otimização de Sistemas Energéticos sob Incerteza

Definição do Problema
Modelos de otimização de sistemas energéticos (ESOMs) estocásticos de dois estágios de longo prazo são críticos para a tomada de decisão sob incerteza, particularmente em relação à produção intermitente de energia renovável. No entanto, esses modelos enfrentam um desafio de escalabilidade: abranger horizontes temporais de 20 a 60 anos enquanto representam a incerteza com múltiplos cenários (por exemplo, 10 a 40 anos históricos de clima) leva ao crescimento rápido do tamanho do modelo. Os métodos existentes de redução de cenários (SR), denominados "invariantes no tempo", são frequentemente ineficientes neste contexto. Eles assumem que as probabilidades dos cenários permanecem constantes ao longo do tempo e normalmente focam em horizontes de curto prazo (por exemplo, um único passo de tempo ou janelas de 24 horas). Quando aplicados ao planejamento de longo prazo com cenários limitados (por exemplo, ~40 anos históricos), os métodos invariantes no tempo não conseguem ajustar as distribuições marginais ao longo do tempo, o que pode distorcer a solução ótima e falhar em capturar com precisão as realizações e probabilidades de cenários críticos que impulsionam as decisões de investimento de primeiro estágio.

Metodologia
Os autores propõem um novo framework de redução de cenários variante no tempo que permite explicitamente que as agregações de cenários mudem ao longo do tempo. A metodologia envolve as seguintes etapas:

1. Decomposição Temporal: Diferente dos métodos convencionais que agrupam cenários através de todo o horizonte temporal simultaneamente, a abordagem proposta quebra a cronologia temporal do processo estocástico.
2. Agrupamento por Passo de Tempo: Para cada passo de tempo $t \in T$, o algoritmo de agrupamento k-means é aplicado individualmente aos vetores de cenários $w_{t,i}$ (representando realizações conjuntas de variáveis como produção de energia fotovoltaica e eólica).
3. Atribuição Intertemporal: Para restaurar a consistência cronológica para o conjunto reduzido de cenários $J$, um problema de atribuição intertemporal linear é resolvido para cada transição de passo de tempo ($t$ para $t+1$). Isso minimiza o custo de transição entre cenários reduzidos, definido como a distância euclidiana ao quadrado entre seus valores em passos de tempo consecutivos.
4. Probabilidades Variantes no Tempo: O procedimento resulta em subconjuntos de cenários originais $I_{j,t}$ que são agregados no cenário reduzido $j$ em passos de tempo específicos $t$. Consequentemente, as probabilidades dos cenários $\pi_{t,j}$ tornam-se variantes no tempo, calculadas como a soma das probabilidades dos cenários originais agregados naquele passo de tempo específico:
   $$\pi_{t,j} = \sum_{i \in I_{j,t}} \pi_i$$
   Isso contrasta com os métodos invariantes no tempo onde $\pi_{t,j} = \pi_j$ para todo $t$.

Principais Contribuições

• Framework Inovador: Introdução de um método de SR variante no tempo que desacopla a agregação de cenários de uma estrutura temporal fixa, permitindo que as probabilidades evoluam ao longo do tempo.
• Flexibilidade Aprimorada: O método permite a captura precisa de realizações de cenários e suas probabilidades especificamente nos passos de tempo que impulsionam as decisões de investimento de primeiro estágio, uma capacidade ausente nas abordagens tradicionais invariantes no tempo.
• Prova de Conceito: A aplicação deste framework a um problema de planejamento de expansão de geração estocástica (SGEP) envolvendo produção renovável incerta e investimento em baterias de armazenamento.

Resultos
O método proposto foi avaliado usando uma previsão probabilística conjunta de 20 cenários equiprobáveis para energia fotovoltaica e eólica sobre um horizonte de 96 horas, reduzidos para resolver um problema de SGEP. Os resultados, medidos pelo Erro de Aproximação Relativo (RAE) contra a solução de 20 cenários completos, demonstram:

• Precisão Superior com Menos Cenários: O método variante no tempo alcançou um RAE de 3,06% usando apenas 4 cenários reduzidos. Em contraste, o método invariante no tempo apresentou um RAE de 18,71% com o mesmo número de cenários.
• Qualidade da Decisão de Investimento: O método invariante no tempo com 4 cenários subestimou significativamente o investimento em capacidade de geração térmica ($x^*$) e superestimou o investimento em armazenamento ($s^*$), levando a um aumento massivo na Energia Não Atendida Esperada (EENS) de 113,9 MWh para 2815,8 MWh. O método variante no tempo reproduziu com precisão os investimentos ótimos, resultando em uma EENS de 712,9 MWh.
• Eficiência: A abordagem variante no tempo alcançou um desempenho comparável a um método invariante no tempo utilizando pelo menos 11 cenários, representando uma redução de aproximadamente 80% no tamanho do modelo (número de variáveis) para uma precisão equivalente.
• Convergência: O método variante no tempo convergiu para a solução do conjunto de cenários completo de forma muito mais rápida e robusta à medida que o número de cenários reduzidos aumentava.

Significância e Alegações
O artigo alega que o framework variante no tempo proposto aumenta substancialmente a flexibilidade em comparação com os métodos tradicionais invariantes no tempo. Ao permitir que as agregações de cenários e as probabilidades variem ao longo do tempo, o método supera as ineficiências das técnicas de SR existentes quando aplicadas a ESOMs de planejamento de longo prazo em larga escala com dados históricos limitados. Os autores afirmam que esta abordagem desbloqueia a capacidade de reduzir a complexidade do modelo mantendo a precisão dos cenários críticos que impulsionam o investimento.

O artigo conclui de forma modesta, observando que pesquisas futuras são necessárias para derivar métricas e algoritmos de distância de cenários apropriados para o caso variante no tempo, a fim de evitar o atual procedimento de dois passos (agrupamento seguido de atribuição). Adicionalmente, a extensão dos resultados de estabilidade matemática para o caso variante no tempo, a fim de fornecer garantias formais de desempenho, é identificada como uma direção necessária para trabalhos futuros.