能源与人工智能8（2022）100154基于CN2规则挖掘Fabian Heymanna，*，Ricardo Bessa，Mario Liebensteinerb，Konstantinos Parginosc， e，Juan Carlos Martin Hinojarc，Pablo Duenas da电力和能源系统中心INESC TEC葡萄牙波尔图b弗里德里希-亚历山大-埃尔朗根-纽伦堡大学商业、经济与社会学院c系统开发ENTSO-E比利时布鲁塞尔d麻省理工学院能源倡议麻省理工学院美国剑桥ePERSEE，Mines ParisTechH I G H L I G H T S G R A P H I C A LA B标准• 使用CN2规则挖掘的电力市场研究的可自动化稀缺事件分析。• 所开发的方法可以揭示稀缺事件背后的潜在驱动因素。• 对于一个测试案例，结果表明，稀缺事件的过度需求，稀缺发电和互联互通的依赖性。A R T I C L EI N FO关键词：电力市场数据挖掘供应安全可再生能源可解释性A B标准随着传统可预测的发电和消费模式的消失，处理稀缺事件在电力市场研究中越来越重要。因此，政策制定者和系统规划者使用不平衡研究来a）了解当前的市场设计是否将吸引足够的发电容量来满足未来的电力需求，以及b）了解当未来的情景缺乏足够的容量时，是什么导致系统不足或资源稀缺。这项工作解决了后者，并展示了第一个在其同类的基于规则的方法，过滤稀缺事件从一个大型的电力市场模拟。在这个概念验证中，规则挖掘算法应用于ENTSO-E的泛欧电力市场模型的输出， 该 模 型 运 行 7 0 0 个 模 型 场 景 ， 每 个 场 景 覆 盖 8 7 6 0 个时 间 步 。开发的方法展示了如何以自动化，可解释和可扩展的方式揭示稀缺事件背后的潜在原因1. 介绍电力系统资源充足性评估分析平衡考虑系统部件的计划和非计划停机，在感兴趣的区域中每小时的可用发电量和电力消耗量之间的关系[1]。这种平衡通常受到电力网络之间的传输容量的约束本文中表达的观点和意见是作者的观点和意见，并不一定反映ENTSO-E或其任何成员的立场* 通讯作者。电子邮件地址：fabian. fe.up.pt（F.海曼），里卡多。j。贝萨@ inesctec.pt（R。Bessa），mario. fau.de（M. Liebensteiner），康斯坦丁诺斯。parginos@mines-paristech.fr（K. Parginos），jmartinhinojar@gmail.com（J.C.M.Hinojar），pduenas@mit.edu（P. Duenas）。https://doi.org/10.1016/j.egyai.2022.100154接收日期：2022年2月4日;接收日期：2022年3月9日;接受日期：2022年3月11日2022年3月12日在线提供2666-5468/© 2022作者。由爱思唯尔有限公司出版。这是一篇开放获取的文章，获得了CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可从ScienceDirect获取目录列表能源与AI期刊主页：www.sciencedirect.com/journal/energy-and-aiF.海曼等能源与人工智能8（2022）1001542命名法AEMOANNAQ CN2 DERDTECEENS澳大利亚能源市场运营商人工神经网络算法准最优CN2规则挖掘算法（Clark and Niblet，1989）分布式能源欧盟委员会未提供FNENTSO-E欧洲传输系统运营商高压直流输电ID3迭代二分法3算法FP假阴性假阳性负荷损失预测MAF中期预测MLR多元线性回归nc预测类别中的实例数c ntot规则NGC Net GenerationCapacitiesRES可再生能源RI规则归纳算法RTE法语TSOS S模拟和灵敏度SSc同时稀缺系数（SSc）TN真负数TP真阳性输电系统运营商K类别数或可能的后果美国A区，B区，... F 市场节点美国在给定的时间内可能不平衡的较小的子区域[2]。由于传统上可预测的发电和消费模式在当前的权力下放和脱碳努力下在空间和时间上变得更加多变，因此，可持续性研究变得越来越重要[2]。气候变化的影响进一步加剧了稀缺事件[3]。可再生能源（RES）的渗透率不断增加，这带来了额外的不确定性，因为发电概况更具可变性[4]，并且容易受到短期和长期预测误差的影响[5]。此外，不同的研究表明，分布式能源（DER）的异构安装或采用过程增加了电力系统规划的不确定性[6例如，不准确的技术扩散情景将不准确性从分布传播到传输水平，对估计的传输网络扩展需求产生强烈影响[9]。大量证据表明，可变可再生能源份额的增加扭曲了对互补基础设施的投资激励[10]，平衡技术或灵活的峰值负荷发电厂（例如天然气厂）[12]。高峰期资产的长期投资不足最终可能威胁到供应安全，因此有理由建立能力支持机制（例如能力市场）[13]。在这方面，系统充分性研究可能变得更加重要，因为稀缺事件往往随着可再生能源的巨大份额而增加。由于这种发展可以通过增加互连[14]，发电或季节性存储容量（包括电力到天然气[15，16]）或灵活性措施[17]来缓解，以及作为市场重新设计[4]，政策制定者和系统规划者感兴趣的是潜在的未来不平衡的特征（时间点，持续时间）[18，19]这种概念验证提供了一种可扩展的方法，可以揭示电力系统不足或“稀缺事件”的结构性原因。 这是相关的，因为阿德-质量研究通常是大规模投资决策的基础和依据，而大规模投资决策往往与巨额支出有关。然而，这样的充分性研究一般缺乏一个足够的模型的来源和原因的稀缺性事件。据我们所知，没有一个全面的研究，分析稀缺事件的驱动力，同时提供解释决策者，是在相关机构使用。请注意，欧盟委员会（EC）在[20]中提到，政策制定者需要一个坚实的基础来明确区分稀缺事件背后的根源，以触发缓解计划，克服未来欧洲电力市场的资源稀缺2. 相关工作和贡献2.1. 电力系统可持续性一些传输系统运营商（TSO）定期在其服务区域内起草有见地和先进的资源充足性研究报告例如，法国TSO、RTE最近报告了与“核舰队同时不可用期间（例如，当生产商关闭或法国核安全局要求关闭几个反应堆时）“潜在发电不足相关的电力短缺风险然而，该报告仅限于一个比较框架，评估不同的政策情景，但缺乏定量方法来衡量稀缺事件期间资源可用性的依赖性。澳大利亚能源市场运营商（AEMO）[22]编写的一份可靠性研究报告对极端天气事件和供应水平安全的相互依赖性进行了强化分析。虽然这项研究清楚地强调了由于气温升高而导致的资源稀缺性上升的关系，但它未能提供对稀缺事件及其来源的定量分析。在美国西北电力和保护委员会起草的一项类似的研究中，关于需求，供应和日益增长的气候变化之间的相互作用[23]，表明复合事件（例如同时发生的干旱和热浪）导致系统不可靠。目前，比利时TSO Elia[24]提供了对稀缺情况的最详细分析，该分析提供了1）稀缺期间进口情况的评估，以及2）比利时与邻国系统之间的同步稀缺时间。该分析允许详细的见解，并且可能是自动化的，但是它需要使用专家知识进行过多的人工审查和解释，以适用于若干场景和多个市场区域。它不允许彻底查明不足的主要驱动力2.2. 电力系统可持续性最近的一项研究[25]评估了到2050年100%欧洲基于RES的系统的可行性。这项研究是基于详细的，长期的需求和气象数据与每小时的分辨率，并认为是一个简化的，无约束的传输网络模型。结果表明，欧洲电力系统将有足够的资源来满足所有情景下的电力需求;然而，成本很高，需要将输电容量增加240%，以及将发电容量增加约一倍。此外，化石燃料发电机的经济可行性和转型途径也被忽视。Harang等人[3]。 评估了欧洲力量F.海曼等能源与人工智能8（2022）1001543到2025年，将气候变化影响纳入ENTSO_E的中期可持续性预测（MAF）。最近的另一项研究[26]介绍了一种新的公式，用于欧洲充足性评估中运营储备的概率表示，克服了ENTSO-E MAF中存在的当前简化，其模型确实依赖于确定性预测。最近的工作[27]研究了并行计算的潜力，以加快顺序蒙特卡罗模拟，通常用于充分性研究，通过使用图形处理单元。所讨论的充分性研究都没有包括一个一致的方法来寻找系统不足或稀缺事件的根源。大多数工作的目的是了解可再生能源份额增加或气候变化对供应安全的影响，或试图微调当前的模拟模型，而不是证明所需的[20]，这是决策者的额外分析层，具有高度的可解释性来做决定。2.3. 规则挖掘及其在能源领域决策规则挖掘算法在大型数据集中搜索模式，产生由“IF-THEN“模式组成的规则集存在各种规则挖掘算法，CN2，ID3，AQ和关联规则挖掘是突出的例子[28]。第一次研究规则挖掘在能源领域的应用，特别是对电力消费模式的分析[29，30]。[29]的工作使用规则挖掘来调查与各种电器（电视，洗碗机等）相关的家庭行为模式中的能源消耗原因类似地，[30]使用关联规则挖掘来揭示特定消费模式与社会人口统计家庭特征（住宅类型，对能源使用的态度）之间的关系。其他作品，如[31]，使用基于规则的模型来预测空调的最佳时间表。电力部门不同数据挖掘应用的概述，包括使用基于规则的方法的应用，已在[32]中介绍。CN2算法，我们在这项研究中采用，产生一个排名规则列表，这是一个迭代过程的结果。在这个过程中，算法顺序地搜索覆盖数据集的最大数量的实例的好规则。给定规则的优度用评价函数（例如，使用熵 或拉普拉斯估计）[33]。然后，该规则所覆盖的实例被移除，而剩余的观测值则依次被其他规则所覆盖。如果所有实例都被覆盖，并且没有更多的规则可以找到，则该过程最终停止（图1）。[34]中提供了规则挖掘算法的详细概述。因此，作为本研究的主要新颖之处，我们提出了一种高度可解释的方法，将稀缺事件与特定的需求，发电和电力交换条件联系起来，以满足能源政策制定者的需求。此外，我们寻求一种方法，提供了一个排名的规则列表容易访问的决策者。归纳规则挖掘算法CN 2具有这些确切的特征[28]。它的引入是为了克服当时的标准AQ/ID 3归纳算法的缺点。应用CN2推导一个易于解释的图1.一、CN2算法的简化过程蝴蝶分类的框架是在[35]中开发的。尽管稀缺性事件分析具有很高的潜力，但到目前为止，它还没有被用于充足性研究，这清楚地表明了我们研究的相关性2.4. 原始贡献本文的主要贡献是一个自动化的，可扩展的方法来评估电力系统中的稀缺事件的基础上规则挖掘，这还没有提出到目前为止。虽然所提出的方法原则上适用于全球任何电力系统，但它允许欧洲TSO遵守电力法规2019/943的要求，从而揭示稀缺事件背后的潜在驱动因素。虽然先前引入的学术和行业充足性研究朝着更深入地理解和建模稀缺事件背后的潜在驱动因素的方向发展，但其中大多数研究仅分离出少数潜在的稀缺驱动因素，专注于一个维度（电力需求或供应）或互联容量。目前的方法过于简化或需要过多的人工专家调查，无法提供对众多稀缺事件和场景的见解。目前的工作旨在克服所确定的差距，恶魔-展示了规则挖掘的优势能力，从一个大的数据集，从相关的电力系统模型，应用在ENTSO-E的MAF研究结果提取模式。在这些研究中，计算每个市场区的负荷损失EX预期（LOLE）和未供应的E X预期能量（EENS）值。我们使用EENS来过滤模拟稀缺事件的数据集（EENS> 0 GWh）。我们的方法可以进一步完善系统规划者，以提高资源充足性评估和决策的质量。此外，这项工作适用于不同的规则挖掘模型的变种，并检查其对检索到的规则集的影响。这种敏感性分析使我们能够a）理解稀缺事件和电力系统状态之间的公开关系的鲁棒性，以及b）提示最合适的分析框架，平衡复杂性（和数据要求）与准确性。据我们所知，没有其他充分性研究采用这样一种全面的方法，可以以自动化和可扩展的方式推断本研究提供的详细程度的稀缺事件的潜在驱动因素。3. 评估充足性和稀缺性事件3.1. 主要挑战和要求欧盟委员会已委托ENTSO-E进一步将其中期可持续性研究发展为欧洲资源可持续性评估[2，20]。虽然目前的MAF研究包括大约600- 700次模拟运行[36]，但预计未来研究中的模拟要求将成倍增加[2]。研究的复杂性日益增加（超过50个相互关联的市场区域，10个目标年，每个目标年有600-700个模拟场景，每个场景都有小时分辨率），使得对稀缺情况的手动分析变得难以处理。然而，从政策制定者的角度来看，理解稀缺现象至关重要，特别是在这种大数据环境中。如果模拟结果表明在特定时间内市场节点缺乏资源，政策制定者需要了解以下方面：1) 在特定的市场区域，在稀缺期间，厂商发电能力的作用;2) 在特定市场区域和邻近区域在稀缺期间的电力需求;3) 受压力市场区与其邻近地区之间的互联能力;4) 特定市场区域和所有相连邻居的同时稀缺行为。F.海曼等能源与人工智能8（2022）1001544同样重要的是，检索到的见解具有高度的可解释性，以便在能源政策和监管方面与决策者进行无缝沟通。这种分析的一个虚构的简化例子如图2所示。市场区A与市场区B和市场区B相互连接。C. B区和C区没有直接联系。这三个区域都拥有不同技术的发电组合和总的电力需求。在电力市场模拟报告市场区域A中的资源稀缺小时的情况下，这可能有几个原因。例如，A区的电力需求可能超过A区的可用发电量，而B区和C区的情况将是平衡的，但不允许向A区供应缺失的容量。然而，需求、供应和互联状态的其他几种组合也可能是A区同一稀缺事件的根源因此，对稀缺情况背后的潜在原因的分析应该最佳地满足以下要求：1）发现和提取显示稀缺事件对电力需求和发电水平的依赖性的规则集，以及相邻系统中的可用互连容量和系统压力; 2）自动化整个分析和报告能力的能力，具有稀缺驱动因素的全面子集;以及3）易于扩展的方法，可以结合对其他未知的稀缺事件驱动因素的分析。3.2. 欧洲中期预测（MAF）模型所提出的方法建立在MAF模型从ENTSO-E，评估充分性比较供应和需求水平在互联的欧洲电力系统，模拟每小时的市场运作在一整年。MAF在其模型中混合了随机和确定性元素（见图3）。它基于发电机、输电网络结构和电力需求的详细数据，这些数据从欧洲TSO集中收集，并通过ENTSO-E整合成一个大型数据集。该数据集混合了确定性预测和随机变量，这些变量代表了由于不同天气情况以及火电机组和高压直流（HVDC）互连器的计划外停电而导致的变化。我们的方法目前没有特别考虑低惯性源（如可再生能源）的作用，包括系统运行的未来挑战，例如提供足够的无功功率（与此比较[37MAF使用确定性情景预测，预测2020年和2022年。2025年，例如净发电容量（NGC）、跨境输电容量和年峰值负荷水平的预测[36]。此外，MAF中建立的模型框架依赖于一组假设[36]，例如：a）完全竞争，b）需求无弹性（不包括一些需求响应份额），c）关注日前和日内市场，以及d）对可再生能源、水储存和需求的完美预见。MAF 2019研究的地理范围是大部分欧洲大陆。所采用的建模工具基于完全竞争的市场行为的假设进行市场模拟，模拟电力系统在每个市场节点的边际成本。优化是一个成本最小化问题[36]。欧洲电力市场区的可靠性评估建立在蒙特卡罗方法的基础上[36]。对于模拟，将随机变量（天气条件、发电机和输电计划外停电）与确定性预测（电力需求、发电机和网络容量）相结合。MAF通过净转移容量对市场节点之间的电力交易进行建模，这意味着网络约束仅被建模为对边界处的商业交换的限制。3.3. 资源稀缺性系统充足性被定义为在给定的电力市场中缺乏稀缺性[36]。稀缺事件的程度或严重性是使用电力系统可靠性的两个经典数值指标[1]在充分性研究中，这两个指数通常一起评估，因为EENS只显示未使用的数量在所有情景下的服务能源（GWh）（在这项工作中，我们将稀缺事件定义为任何一个小时，EENS> 0。因此，我们通过从电力市场区域显示EENS> 0 GWh的模拟小时提取数据来检索稀缺事件，汇总特定小时内该市场区域的EENS数量以衡量其强度。4. 规则挖掘方法所提出的方法建立在大规模电力市场模拟模型的输出，如ENTSO-E的MAF研究中使用的那些它包括三个主要步骤（如图4所示）：1）从电力市场建模工具提取结果; 2）针对每个市场区域的稀缺小时数重新组织和过滤这些结果，并在重新组织和过滤的数据集上应用规则挖掘;以及3）检索挖掘的规则列表。该方法具有很高的灵活性，可以适用于其他电力市场模型。4.1. 数据提取和处理这项工作基于MAF 2019中使用输入所有模型参数后，系统图二、在虚构的电力市场A区稀 缺 情 况 背 后 的 潜 在 驱 动 因 素 的 组 合 。F.海曼等能源与人工智能8（2022）1001545=图3.第三章。 中期适足性研究框架概 述 [36]。4.2. 规则归纳用于规则归纳屏幕数据集的算法，可以通过IF-THEN形式表示[34]（等式①的人。这种算法可以帮助揭示无法通过人类视觉检查推断出的模式。IF条件>THEN结果>（1）本文讨论了文献[28]中提出的CN2规则归纳算法，<<用于分析所提取的数据集，该数据集包括所选电力市场区域：区域A的稀缺情况（CN2算法生成一个排序规则列表，这是一个迭代过程的结果。在这个过程中，算法顺序地搜索好的规则，覆盖最大的实例的数量，即过滤后的MAF数据集的稀缺事件小时数。给定规则的优度用评价函数（例如，使用熵或拉普拉斯估计）[33]。然后，该规则所覆盖的实例被移除，而剩余的观测值被其他规则相继覆盖。如果所有实例都被覆盖并且没有更多的规则可以被发现，则该过程最终停止（图1）。①的人。本工作中使用的CN2算法在R[40]中的RoughSets包中实现。在该实现中，输出作为排名的规则列表，使用拉普拉斯估计作为规则质量的度量，发现这比使用EN更有利于发现更一般的规则熵函数[33]定义为：见图4。 稀缺事件的发现 司机属性和时间序列，如[36]中所述，并运行模型，可以检索解决方案文件。首先，提取目标年（2025年）的相关变量（电力需求、发电量、净交换）。2025年目标年的详细结果已在[2]中公布。在第二步中，过滤稀缺事件的解决方案文件。在所提出的方法中，数据集由发电、需求、EENS和Laplace估计nc+1（2）ntot+k这里，k是类的数量，或者可能的结果，例如，“EENS_High“和“EENS_Low”; n c表示规则覆盖的预测类c中的实例数; n tot是规则覆盖的实例数[33]。最后，使用支持大小评估规则覆盖率，支持大小表示给定规则覆盖的数据集的实例数ntot[40]。60多个欧洲市场区的网络交换，700个蒙特卡洛模拟，每个8760小时。保留所有小时的应力（EENS> 0 MWh）最后，为了实现精度TP+TN（3）TP+FP+TN+FN规则挖掘算法，连续变量被离散化到箱子（高，中，低水平）。在这项研究中，开发的基于规则的框架进行了测试，在一个特定的（匿名的）欧洲非营利市场区（“A区”）。然而，该方法可以不失一般性地应用于基于类似输出数据的充分性研究中的任何电力市场区。此外，所选规则集的预测性能使用准确性度量（等式10）来评估。3）。计算精度（Eq. 3）考虑正确预测的标签、真阳性（TP）、真阴性（TN）、假阳性（FP）和假阴性（FN）。数据集被划分为60%到40%的实例，分别用于模型训练和测试。对于每个模型变量，我们评估CN2算法的性能和不同变量离散化技术的影响=F.海曼等能源与人工智能8（2022）10015464.3. 模型变体4.3.1. 连续变量离散化表1所选市场区域的前5个规则（互联模型和等间隔离散化）。我们的方法考虑了不同的流行离散化技术[19]。不同的无监督离散化对模型的影响然景拉普拉斯法则估计支架尺寸性能，即等频率、等间隔长度分箱（全局）和基于k均值的离散化（局部），在第V节中讨论。4.3.2. 市场区1如果Generation_A低且Load_A高，则EENS_A高2如果Net.Interchange_A平衡，则EENS_A为高3如果Generation_A为高电平且Load_A为高电平0.86 400.81 80.71 63这项研究是针对一个选定的、匿名的欧元-4国进行的。A区（Zone A），与其他五个市场区相连THEN：EENS_A低如果Generation_A为低且Load_A为中，则：EENS_A为高0.66 66以前的工作已经表明，对于某些市场区，给定市场区的系统充分性与相邻系统（例如，法国和比利时，如[1]）。因此，我们包括5 IF Load_A为低电平，Generation_A为中电平，则：EENS_A为低电平0.58 43在我们的资源充足性研究中，邻近地区的市场区。我们将两个案例分开：1）研究在选定的市场节点中，疤痕城市事件和资源可用性的依赖性; 2）研究A区与邻近系统（B、C、D、E、F区）的情况之间的稀缺性。然而，在网状输电系统中，分析市场区的互联性是一项艰巨的任务。考虑到市场区以相当复杂的方式相互连接，包括几个互连器，并且市场区本身是节点系统结构之上的概念性构造，很明显，所选择的框架不能捕获市场区之间的全部相互作用。将我们简化的互联性模型与真实的网络结构进行对比。可以看出，在稀缺事件期间，第二阶邻居（即相邻区域之间的相互作用）的影响超出了本研究的范围。5. 结果和讨论5.1. 派生规则集表1列出了互联模型的前5个规则。作为第一个一般性观察，拟议的分析框架表明，邻近地区的稀缺事件似乎对所分析的A区有轻微影响。相反，该区域本身的稀缺事件（“EENS_A高“）似乎主要是由区域内的非物质性消费和生成的相互作用驱动的。由所开发的模型导出的规则集表明，A区的高水平资源疤痕城市可能受到过高电力需求情况的影响，即使在发电水平也很高的时间内。此外，与邻国的交流情况也至关重要。在A区，稀缺性和平衡的净头寸之间存在着很强的关系，即进口和出口之和为零。这可能暗示A区及其邻近区域同时出现短缺的情况。考虑到相对较低的支撑尺寸（8假设，鉴于大规模的稀缺事件（例如，由于极端天气事件）是相当罕见的。结果还显示了在进一步完善所提出的方法时应解决的几个相关问题：1) 规则集表明，在压力时期，发电能力的可用性对A区至关重要。如果有关于发电机维修活动或压力期间停电（这两者都会减少可用容量）的进一步信息，可以为决策者提供有价值的见解。2) 在当前的模型布局下，甚至会显示不感兴趣的规则（3) 虽然表达一定强度和覆盖范围的良好规则的一小部分对于政策制定者非常有用，但这种排名是建立在规则性能的预定义度量（例如，支持大小、拉普拉斯或置信度）。因此，为进一步完善所提出的模型，重点应放在敏感性分析的影响，不同的计划加权这些指标，和变量的指标集的兴趣。5.2. 模型变体性能评估了不同模型类型（隔离、单区模型与互连模型）和离散化算法（等间隔、等频率、k均值）的影响。单区模型仅包括发电、负荷和与相邻市场区的净交换以及关注区（A区）的EENS水平表2展示了简化的隔离区模型和互连模型的前5条规则。结果表明，最重要的两个规则的重叠，再次表明，在A区资源充足性不足背后的主要驱动因素是在各自的区域和拥挤的互连到邻居在稀缺事件的需求过剩。此外，互联模型的规则表明，相邻系统（D区、B区和F区）的高负荷情况确实表2所选市场区域的前5个规则集。仅限单一市场区互联模式图五、电力市场区的网络结构模型。如果Generation_A低且Load_A高，则EENS_A高如果Net.Interchange_A平衡，则EENS_A为高如果Generation_A为高且Load_A为高，则EENS_A为低如果Load_A为中等且Generation_A为低，则：EENS_A为高如果Load_A低，Generation_A中等，则EENS_A低如果Generation_A低且Load_A高，则EENS_A高如果Net.Interchange_A平衡，则EENS_A为高如果Generation_A为高且Generation_C为中且Load_D为高且Load_B为中，则：EENS_A为低如果Generation_A高且Load_B高且Load_D中等且Load_A高，则：EENS_A低如 果 Generation_A 为 高 且 Load_D 为 高 且Load_F为高，则：EENS_A为低F.海曼等能源与人工智能8（2022）1001547=不会影响A区的稀缺水平，在这种情况下，EENS仍然很低不同模型类型的精度比较提供了额外的洞察某些值离散化技术的适用性。表3中的结果表明，等宽离散化往往会导致最高的模型性能，无论是简化的单区模型还是互连模型。另一方面，通过k均值聚类检索的等频率和间隔导致准确率比使用等间隔的准确率低15-20%。此外，互连的模型类型学实现稍高的精度。这展示了细节水平的提高如何影响规则归纳算法的性能，并强调了在为给定市场区域的能源政策措施提出建议之前，需要仔细研究电力系统和气候变量对稀缺事件的相互依赖性。此外，变量的集合和模型架构，导致最佳的模型性能可能会不同的电力市场区。5.3. 计算 性能模拟在具有8 GB工作内存的2 GHz CPU上运行。模型运行时间大约为20分钟，用于数据准备和提取（对于一个测试市场节点），1分钟用于规则归纳和输出。这意味着，在目前的布局下，可以在几个小时内（使用私人家庭计算机）对700个蒙特卡洛模拟的所有市场节点进行全面分析，而不是像目前逐案分析所需的那样，由专家进行多天的手动分析。使用高级（并行）计算可以显著减少运行时间。5.4. 稀缺事件分析基于前面的分析和介绍性讨论，我们现在讨论所开发的框架的可移植性，最终引入四步通用方法来分析和减轻电力市场中的疤痕城市事件（图6）。这种框架将有助于 作为数据驱动的政策支持工具，最终目标是支持更动态的监管和政策制定[41我们还将概述政策制定者和系统规划者需要根据数据的可用性、所选建模工具以及感兴趣的电力市场区域的技术特征做出的主要选择。1) 这种分析的第一步总是选择电力市场模型工具以及数据输入和结果。例如，这还包括为时间序列和相关电力变量选择全局分辨率。2) 稀缺事件的潜在驱动因素的推导可以建立在各种可用方法的基础上。更直接的方法是模拟和敏感性（S S）;通过模拟数据（h）的视觉检测对每个稀缺事件进行个案分析，同时稀缺系数（SSc），如[24]或多元线性回归（MLR），其中发电量，消费或互连线使用等变量与给定市场区域的EENS值相关。检索的权重，然后可以用来了解每个贡献表3不同型号的精度模型连接模型离散化技术精度1单区等宽0.672单区等频0.493单区k均值0.544互联等宽0.725互联等频率0.476互联k均值0.58见图6。 稀缺事件分析的一般模型。在特定区域内的稀缺事件。或者，如本文所述，这种分析框架可以建立在新的数据挖掘方法上。这包括规则归纳（RI）算法、使用人工神经网络的知识提取以及使用模糊理论（ANN）或从决策树（DT）中提取3) 在应用所选算法之后，潜在稀缺性驱动因素的列表有时需要额外的细化，例如，通过重新调整影响排名的决策权重或消除逻辑上可以排除的驱动因素（在我们的示例中：“EENS”规则 低”）。对于依赖于数据挖掘的方法，该步骤还涉及规则强度或质量以及所发现规则的覆盖率的计算。4) 最后，分析充足性研究的政策制定者可以依靠一系列广泛的政策工具来缓解充足性问题和稀缺事件的出现。例如，对于欧洲TSO，欧盟委员会明确定义了符合解决充分性问题的措施[20]：包括：■ 消除监管扭曲，如管制价格或价格上限;■ 用于平衡能量的短缺定价功能;■ 增加互联和内部电网容量;■ 实现自我发电、能源储存、需求方措施和能源效率;■ 确保成本效益和市场化采购平衡和辅助服务。6. 结论电力系统高耗电量）。特别是对于监督电力系统设计（特别是在可靠性和成本结构方面）的政策制定者来说，了解系统稀缺性的驱动因素对于指导系统开发至关重要。因此，本文调查电力短缺事件，并介绍了一种方法来揭示系统压力背后的潜在原因。我们提出了一个灵活的和可扩展的规则挖掘方法，这是适用于 作为欧洲充分性评估的概念验证。该方法允许发现在自动化过程中资源不足的主要驱动力。这是相关的，因为迄今为止对资源充足性的研究只确定了压力的小时数，而其驱动力通常由专家手动分析。大数据可用性的提高和运行模拟的处理能力的加快进一步增加了对压力事件自动分析所提出的方法是可扩展的大型建模周长F.海曼等能源与人工智能8（2022）1001548并且可以容易地扩展到影响感兴趣的电力市场区域的不确定性需求-供应平衡的附加变量，使得该过程可转移并且容易地适用于任何充分性研究。对于分析的市场区，我们发现，资源充足性短缺背后的主要驱动因素似乎是过剩的需求和拥挤的互联网在稀缺事件，而相邻市场区的需求-供应不平衡是次要的。这对系统规划者来说是一个有价值的指示，需求 灵活性 措施 或 互连 加固[13] Liebensteiner M，Wrienz M.间歇性可再生能源会威胁电力供应安全吗？87.第87章大结局Mar.[14] J. Yu，“全球电力网络-可行性研究”，巴黎，法国，2019年。[15] F. Heymann和R. Bessa，“在LCOE的特别考虑下对葡萄牙的电力转天然气潜力进行评估”，2015年IEEE Eindhoven PowerTech，PowerTech 2015，pp. 2015年1-5月。[16] [10]杨文，李文. 未来的电力系统：与其他可再生能源组件相互作用的电力到天然气的影响。J. Energy Storage 2016;5：113-9.[17] Lund PD，LindgrenJ，Mikkola J，Salpakari J.审查能源系统灵活性措施，以实现高水平的可变可再生电力。续订。坚持住。邻近系统可能有助于缓解这种情况。今后工作的扩展可包括调查如何用于规则归纳的不同技术在模型准确性和鲁棒性方面进行比较。此外，政策制定者可能会包括汽车，能源收入201 5 ;45：785-807.[18] EPRI，[19] F. Silvestro等人，“在能源情景不确定性增加的情况下，输电和配电投资决策过程的审查”，第25届根据所分析的电力市场中稀缺事件和潜在驱动因素的特征，提出最合适的缓解措施的matic建议。竞争利益作者声明，他们没有已知的可能影响本文所报告工作确认我们要感谢Nils Müller提供的无缝支持，ENTSO-E充分性团队的同事提供的宝贵反馈，以及AlbanJoyeau和RobertSchrüder提供的空间和自由，以便在系统开发部分测试所提出的创新。F.海曼想把这项工作献给他心爱的祖父母沃尔特劳德和霍斯特，他的妹妹安娜，他的母亲安德里亚和父亲哈里谁指导和支持他的个人和科学成长在过去几十年。引用[1] 艾伦·比林顿大型电力系统可靠性评估。Boston/Dordrecht/Lancaster：Kluwer Academic Publishers，1988.[2] ENTSO-E，[3] Harang I，Heymann F，Stoop L.使用后处理方法将气候变化影响纳入欧洲电力系统充足性评估。坚持住。能源，电网网络2020;24：100403。[4] 国际可再生能源机构，调整市场设计以适应可变可再生能源的高份额。阿布扎比，阿拉伯联合酋长国，2017年。[5] 作者：Goodarzi S，Perera HN，Bunn D.可再生能源预测误差对不平衡量和电力现货价格的影响。能源政策2019;134（三月）：110827。[6] 放大图片Bernards R，MorrenJ，Slootweg H.开发和实施统计模型，以估计能源转型技术的多样化采用。IEEE Trans. Sustain.能源2018;9（4）：1540-54。[7] Heymann F，Miranda V，Soares JF，Duenas P，Perez-Arriaga I，Prata R. 制定激励设计，以减少大规模EV/PV采用的系统级不利影响-葡萄牙案例。应用能源2019;256（9月）：113931。[8] Gupta R等人，配电网容量和成本的空间分析，以实现大规模部署光伏，电力移动和电加热。应用能源2021;287（2020年12月）：116504。[9] F. Heymann，J.Silva，P. Duenas，J.Melo，F. J.Soares和V. Miranda，[10] 杨伟，王伟，王伟.可再生能源对电力市场的影响-支持计划重要吗？ 能源政策2016;93：157-67.[12] Praktiknjo A，Erdmann G. 可再生电力和备用容量：一个（无法）解决的问题？能源J 2016;37（特刊2）：89-106。国际配电会议（CIRED），2019年，没有。June，pp.3-6.[20] 欧洲联盟委员会。关于电力内部市场的第2019/943号法规。关闭. J.Eur.2019;714：54-124.[21] RTE，[22] AEMO，[23] 吴伟，王伟.复合气候事件改变了太平洋西北部的电力短缺风险。国家通信2019;10（1）.[24] ELIA，[25] 放大图片作者：Zappa W，Junginger M，van den Broek M.到2050年，100%可再生能源的欧洲电力系统可行吗？Appl. 能源2019;233-234（2018年1月）：1027-50。[26] [10]李国雄，李国雄. 短期营运准备金与充足性的互动关系分析。能源政策2018;121（六月）：112-23。[27] I. M. Alves，V. Miranda，and L. M. Carvalho，“通过顺序蒙特卡罗模拟快速生成系统并行性评估的并行GPU实现“，2020年国际会议概率方法应用于电力系统PMAPS 2020 - Proc.，2020.[28] 作者：JohnP. CN2归纳算法马赫学习. 1989 ;3：261-83.[29] S. Rollins和N. Banerjee，“使用规则挖掘来理解电器能耗模式”，2014 IEEE Int.Conf. Pervasive Comput. Commun. PerCom2014，pp. 29-37，2014年。[30] 基于关联规则挖掘的家庭特征对居民用电模式影响的定量分析方法。能量转换器经理。2018;171（四月）：839-54。[31] 杨伟，王伟.使用占有率预测的空调规则调度。能源AI2020;2：100022.[32] [1]Scheidt F，Medino va'H，Ludwig N，RichterB，Staudt P，WeinhardtC. 数据电力部门的分析-定量和定性文献综述。能源AI 2020;1：100009。[33] P. Clark和R. Boswell，“Rule Induction with CN2：Some Recent Improvements“，Machine Learning - Proceedings of the Fifth European Conference（EWSL-91），1991，pp. 151-163.[34] FürnkranzJ，Kliyoung T.规则学习的简要概述 规则技术：基础，工具和应用程序2015;9202：54-69。[35] | Swe Su Myo, Sett Khin Myo.规则归纳CN2算法在生物多样性分类中的应用Int.J. 趋势科学Res. Dev. 2019;3（4）：1581-4。[36] ENTSO-E，[37] Anaya KL，Pollitt MG.无功功率采购：当前趋势的回顾。应用能源2020;270（四月）：114939。[38] Karmakar N，Bhattacharyya B.基于灵敏度双层策略的输电网无功优化规划。坚持住。能源，电网网络2020;23：100383。Sep.[39]
我的内容管理
展开
