Vérifier la publication Calliope données relatives à l ' espace de décision
Sur cette page
Les résultats archivés des auteurs peuvent-ils retrouver la gamme publiée de choix en matière de systèmes énergétiques ?
Pickering, Lombardi et Pfenninger (2022) décrire 441 configurations quasi optimales et neuf mesures de haut niveau dans la figure 3 et le tableau 1. Cet exemple analyse l'archive des résultats de l'auteur. C'est vrai. pas effectuer une nouvelle optimisation du système énergétique.
Exécuter la comparaison des données#
La bibliothèque standard de Python 3 est suffisante. Le paqueté paper_metrics.csv est le exact slack-10/data/paper_metrics.csv extrait de l'échantillon vérifié archive des résultats de l'auteur. Son SHA256 est vérifié avant analyse.
python3 analyse_archive.py
Pour répéter l'extraction de l'archive originale, autorisez environ 1,1 Go d'espace de téléchargement :
python3 fetch_archives.py
python3 analyse_archive.py --archive euro-spores-results-v2022-05-13.zip
La comparaison compte les configurations et vérifie le minimum et le maximum de chaque métrique par rapport aux valeurs arrondies du tableau 1 du papier. Les intervalles d'acceptation sont la moitié du chiffre final publié, choisi avant la présente analyse; ils sont des vérifications d'arrondi, pas des tolérances de prédiction d'ingénierie. analysis-output/comparison.json enregistre chaque plage mesurée et chaque comparaison.
L'archive réelle contenait 3 969 lignes métriques pour 441 configurations. Les neuf fourchettes concordaient avec l’arrondi publié. Des exemples sont la capacité de déchargement du stockage 0,0295569–10,8661 TW, production d'électricité Gini 0.536960–0.739856, et importation nationale moyenne 3,76719–69,4641 TWh. Le script a également été exécuté avec succès sur le CSV fourni. Il s’agit de résultats publiés récupérés, et non de simulation récemment résolus ou d’une validation empirique indépendante.
Nouvelle tentative de modèle d'auteur et vérification ouverte-solveur#
Les archives des deux auteurs ont été téléchargées et leurs MD5 publiés vérifiés. Le archive modèle s'étend à environ 2,67 Go et comprend YAML, CSV, code de construction de modèles et contraintes personnalisées. Ni l'archive ne contient des entrées NetCDF compilées ni un fichier LP/MPS, de sorte que le constructeur doit fonctionner avant qu'un nouveau moteur puisse être construit.
L'archive spécifie Python 3.7 et Calliope commit 304cba8ab5e4fd212ea9f35cde49ac3a1a2303d7. Cette source exacte a été récupérée via son archive de validation GitHub et installée en tant que 0.6.8-dev. Le verrou de dépendance reconstruit et les broches de compatibilité sont inclus.
Un prérequis antérieur de Gurobi 9.1.2 a échoué avec License expiré 2022-01-13. Cela ne bloque pas toutes les voies ouvertes. Un système existant GLPK 5,0 exécutable a été reconnu par l'environnement exact de l'auteur Pyomo 6.0.1 et a passé une condition minimale d'interface LP. Cette sonde teste l'interface, pas le modèle d'étude.
Un protocole de nouveau solveur distinct a été déclaré avant de tenter le scénario original de deux heures sur 98 régions, 2018. Sa référence objective de référence archivée est de 849,8662003464812 milliards EUR 2015 ; des comparaisons objectives, primaires-résiduelles et de capacité ont été précisées. Aucune de ces comparaisons n’a été effectuée car la construction des entrées a échoué en premier. Ils sont distincts de l’analyse réussie des archives du tableau 1 ci-dessus.
L'auteur constructeur a terminé le prétraitement YAML/scenario en 210 secondes environ. Elle a ensuite soulevé les questions suivantes:
MemoryError: Unable to allocate 8.05 GiB for an array
with shape (6491, 8760) and data type
L'échec s'est produit add_time_dimension lors de la copie d'un tableau de diffusion, avant le rééchantillonnage du temps, la persistance d'entrées natives, la construction de backend ou une solution de modèle d'étude. Le processus avait une portée délibérée Limite d'espace d'adressage de 12 Gio; La mémoire maximale observée des résidents était d'environ 8,58 Gio. Il s'agit d'un échec mesuré dans le cadre de ce budget, et non d'une preuve que l'hôte ou un solveur ouvert ne peut pas, par nature, résoudre le LP.
Les ensembles de sources mesurés comprennent 6 491 entrées de technologie de localisation, 6 319 entrées de production, 6 076 entrées de consommation, 1 252 entrées de stockage et 3 305 entrées de coûts variables. Leurs produits d'indice du temps de deux heures définis par la source suggèrent environ 74,7 millions d'entrées de scalaires dans plusieurs familles variables de base. Il s'agit d'estimations de taille, n'est pas une taille de LP inventoriée ou résolue.
outputs/fresh-model-attempt.json enregistre la défaillance réelle, la portée et les mesures de mémoire. fresh-solver-protocol.json conserve la comparaison de l'optimiseur proposée séparément. Aucun nouvel objectif, capacité, faisabilité ou résultat de convergence du solveur n'est affirmé.
Répéter la vérification de construction d'entrée limitée#
Cette étape optionnelle télécharge l'archive modèle en plus de l'archive des résultats et peut utiliser plusieurs gigaoctets d'espace de travail. Utilisez un répertoire d'étude en écriture et micromamba. Le pilote conserve le modèle/scénario d'origine, applique une limite de mémoire de processus et tente de sauvegarder les entrées natives si la construction réussit; il ne lance jamais l'optimiseur d'étude.
export MAMBA_ROOT_PREFIX="$PWD/.mamba"
export PIP_CACHE_DIR="$PWD/.cache/pip"
export TMPDIR="$PWD/.tmp"
mkdir -p "$TMPDIR"
python3 fetch_archives.py --model
python3 -m zipfile -e euro-calliope-sector-coupled-v0.1.zip author-model
micromamba create -y -p "$PWD/.author-env" -c conda-forge python=3.7 pip=20.0.2 setuptools=67.8.0
.author-env/bin/python -m pip install -c compatibility-constraints.txt https://github.com/calliope-project/calliope/archive/304cba8ab5e4fd212ea9f35cde49ac3a1a2303d7.tar.gz
OPENBLAS_NUM_THREADS=1 .author-env/bin/python check_model_resources.py --model-directory author-model/model --memory-gib 12 --wall-seconds 1200
Si un exécutable GLPK est déjà disponible, fournir son chemin en utilisant --glpsol. Cela vérifie uniquement si l'environnement d'auteur peut localiser ce solveur. Un échec de constructeur détecté renvoie le code de sortie 2 et écrit resource-check/resource-check.json.
L'étape suivante consiste à qualifier la construction d'entrées dans un environnement convenablement fourni, ou un changement de représentation de mémoire soigneusement vérifié, puis à construire le même LP et à exécuter une adaptation de solvant ouvert explicitement documentée. La réduction du temps ou de la géographie modifierait les contraintes de la demande annuelle et du réseau et aurait besoin de sa propre portée scientifique. L'analyse archive seulement reste complète et utilisable pendant que l'optimisation est en cours.
Attribution et conditions#
Le CSV provient des résultats d'études archivés de Bryn Pickering, DOI 10.5281/zenodo.6546817; son paquet de données précise CC BY 4.0. Créditez les auteurs de l’étude et archivez-la lors de sa réutilisation. Les scripts d'analyse/récupération OSRI sont MIT. Les termes de modèle, de code source et de solveur restent distincts. Un examen scientifique humain est en cours.
Télécharger les fichiers enregistrés#
- solver-blocker.log — chiffres et chiffres.
- glpk-interface-check.json — résultat numérique.
- archive-comparison.json — résultat numérique.
- fresh-model-attempt.json — résultat numérique.
- README.md — le conducteur ou l'enregistrement d'environnement ou de source portable.
- analyse_archive.py — le conducteur ou l'enregistrement d'environnement ou de source portable.
- author-environment-lock.txt — le conducteur ou l'enregistrement d'environnement ou de source portable.
- check_model_resources.py — le conducteur ou l'enregistrement d'environnement ou de source portable.
- compatibility-constraints.txt — le conducteur ou l'enregistrement d'environnement ou de source portable.
- fetch_archives.py — le conducteur ou l'enregistrement d'environnement ou de source portable.
- fresh-solver-protocol.json — le conducteur ou l'enregistrement d'environnement ou de source portable.
- paper_metrics.csv — le conducteur ou l'enregistrement d'environnement ou de source portable.
- target.json — le conducteur ou l'enregistrement d'environnement ou de source portable.
Enregistrement complet · Toutes les tentatives des candidats. Un examen scientifique humain est en cours.