kit - iti algorithmik i - nachfrageflexibilität in smart grids und … · 2017-12-05 ·...

Nachfrageflexibilitat in Smart Grids und ihre Nutzen -

Seminar Energieinformatik · December 5, 2017Lena Winter

•

KIT – University of the State of Baden-Wuerttemberg andNational Laboratory of the Helmholtz Association

INSTITUTE OF THEORETICAL INFORMATICS · ALGORITHMICS GROUP

www.kit.edu

Modellierung und heuristische Optimierung

•

Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group

Motivation

Quellen: [2], [3], [4], [5]

1

•


Modellierung

2

•


Modellierung: Flexibiliaten

Unterscheidungspunkte von Flexibilitatsklassen:

t

3

•



• Gibt es einen festgelegten spatesten Endzeitpunkt?


t

Tend

3

•




• Gibt es eine festgelegte Betriebsdauer?


t

Trun

3

•




• Ist der Vorgang unterbrechbar?



t

3

•




• Wie viel Energie wird benotigt?

• Ist der Vorgang unterbrechbar?



t

3

•


Modellierung:

• Große eines Zeitschrittes: Ts

t

Pi

4

•


Modellierung:


• untere Grenze der Konsumrate: Pi

• obere Grenze der Konsumrate: Pi

t

Pi

4

•


Modellierung:


• untere Grenze der Konsumrate: Pi

• obere Grenze der Konsumrate: Pi

• untere Grenze des Ladestandes: Ei

• obere Grenze des Ladestandes: Ei

t

Pi

4

•


Modellierung: Flexibilitatsklassen

Eigenschaften:

• Festgelegter Endzeitpunkt

• nicht unterbrechbar

• Festgelegte Konsumrate

• Festgelegte Betriebsdauer

Tend

t

Quellen: [2]

5

•



Eigenschaften:


• nicht unterbrechbar

• Festgelegte Konsumrate

• Festgelegte Betriebsdauer

Flexibilitatsklasse: Bakery

Beispiele: Gewachshauser, Produktionsprozesse, ...

Quellen: [2]

5

•



Bakeryi (k ) :

0 ≤ Ei (k ) ≤ Ei

Ei (Tend,i ) = Ei

t

Ei Ei

Tend,iTrun,i

5

•



Bakeryi (k ) :

Pi (k ) = Pivi (k )

0 ≤ Ei (k ) ≤ Ei

Ei (Tend,i ) = Ei

t

Ei Ei

Tend,iTrun,i

5

•



Bakeryi (k ) :

Ei (k + 1) = Ei (k ) + TsPi (k )

Pi (k ) = Pivi (k )

0 ≤ Ei (k ) ≤ Ei

Ei (Tend,i ) = Ei

t

Ei Ei

Tend,iTrun,i

5

•



Bakeryi (k ) :

Ei (k + 1) = Ei (k ) + TsPi (k )

Pi (k ) = Pivi (k )

0 ≤ Ei (k ) ≤ Ei

Ei (Tend,i ) = Ei

0 ≤∑k+Trun,i−1

l=k vi (l)− Trun,i (vi (k )− vi (k − 1))

t

Ei Ei

Tend,iTrun,i

5

•



Eigenschaften:


• Unterbrechbar

• Festgelegter Energieverbrauch

• Variable Konsumrate

Tend

t

Quellen: [3]

6

•



Eigenschaften:


• Unterbrechbar

• Festgelegter Energieverbrauch

• Variable Konsumrate

Flexibilitatsklasse: Battery

Beispiele: Laden von Elektrogeraten, Warmepumpen, ...

Quellen: [3]

6

•



Batteryi (k ) :

0 ≤ Ei (k ) ≤ Ei

Ei (Tend,i ) = Ei

t

Ei Ei

Tend,i

6

•



Batteryi (k ) :

0 ≤ Pi (k ) ≤ Pi

0 ≤ Ei (k ) ≤ Ei

Ei (Tend,i ) = Ei

t

Ei Ei

Tend,i

6

•



Batteryi (k ) :

Ei (k + 1) = Ei (k ) + TsPi (k )

0 ≤ Pi (k ) ≤ Pi

0 ≤ Ei (k ) ≤ Ei

Ei (Tend,i ) = Ei

t

Ei Ei

Tend,i

6

•



Eigenschaften:

• Variabler Endzeitpunkt

• Unterbrechbar

• Variable Konsum- bzw. Einspeiserate

• Variable Betriebsdauer

t

Quellen: [4]

7

•



Eigenschaften:

• Variabler Endzeitpunkt

• Unterbrechbar

• Variable Konsum- bzw. Einspeiserate

• Variable Betriebsdauer

Flexibilitatsklasse: Bucket

Beispiele: Energiespeicher aller Art

Quellen: [4]

7

•



Bucketi (k ) :

Ei ≤ Ei (k ) ≤ Ei

Ei

t

Ei

Ei

7

•



Bucketi (k ) :

Pi ≤ Pi (k ) ≤ Pi


Ei

t

Ei

Ei

7

•



Ei (k + 1) = Ei (k ) + TsPi (k )

Bucketi (k ) :

Pi ≤ Pi (k ) ≤ Pi


Ei

t

Ei

Ei

7

•


Problemstellung: Power Plant Dispatch Problem

Bestandteile des Systems:

• Vorhersagehorizont: K ∈ N

k

P(k)

8

•



Bestandteile des Systems:• vituelles Kraftwerk mit fluktuierender Leistung: PDispatch(k ), k = 0, ..., K

k

P(k)

8

•



Bestandteile des Systems:• N lokale Verbraucher: {LUi}i=1,...,N

• Pi (k ) an der Stelle k an LUi abgegebene Leistung

k

P(k)

8

•



Bestandteile des Systems:• S(k ) Leistung, die an der Stelle k nicht bereitgestellt werden kann

k

P(k)

8

•



Bestandteile des Systems:

Ziel: Minimieren von∑|S|

k

P(k)

8

•



gesucht:

minPi (·)∑∞

k=0 |S(k )|

so, dass:PDispatch(k ) ∈ R, k = 0, ...,∞∑N

i=1 Pi (k ) + S(k ) = PDispatch(k )

9

•


Algorithmen

10

•


Anforderungen

• Die Losung soll schnell gefunden werden

• Der Speicherbedarf soll nicht zu groß sein

11

•


Anforderungen



Problem:• NP-schweres Problem

• große Probleminstanzen

11

•


Anforderungen



Problem:• NP-schweres Problem

• große Probleminstanzen

Verwendung von heuristischen Algorithmen

11

•


Anforderungen

• PDispatch ist nur eine Vorhersage

t

PDispatch

Tend,LU1Tend,LU2 Tend,LU3

P(t)

In Anlehnung an [6]

12

•


Anforderungen


t

PDispatch

LU1

Tend,LU1

LU2

Tend,LU2

LU3

Tend,LU3

P(t)

In Anlehnung an [6]

12

•


Anforderungen


t

PDispatch

Tend,LU1

LU2

Tend,LU2 Tend,LU3

P(t)

LU3 LU1

In Anlehnung an [6]

12

•


Anforderungen


t

PDispatch

Tend,LU1

LU2

Tend,LU2 Tend,LU3

P(t)

LU1LU3

In Anlehnung an [6]

12

•


Anforderungen


• die Deadlines der Units eingehalten werden

• moglichst zu spateren Zeitpunkten noch Flexibilitat vorhanden ist

PDispatch soll so genutz werden, dass:

• Die Energie moglichst optimal genutz wird

12

•


Algorithmus: Agile Balancing

Idee:

• Bakeries und Batteries zuerst in Reihenfolge der Dringlichkeitabarbeiten

• Buckets als Energie-Puffer verwenden

13

•



Idee:

• Bakeries und Batteries zuerst in Reihenfolge der Dringlichkeitabarbeiten

• Buckets als Energie-Puffer verwenden

Wie definiert sich die Dringlichkeit?

13

•



Agilitatsfaktoren:

14

•



Agilitatsfaktoren:

Bucketi (k ) :

KBucketi (k ) = Ei−Ei (k )

TsPi

Ei

t

Ei

k

Ei (k )

14

•



Agilitatsfaktoren:

Bucketi (k ) :


TsPi

Ei

t

Ei

k

Ei (k )

maximaler Energiezugewinn pro Zeitschritt

14

•



Agilitatsfaktoren:

Bucketi (k ) :


TsPi

Ei

t

Ei

k

Ei (k )

maximaler Energiezugewinn pro Zeitschritt

KBucketi (k )

14

•



Agilitatsfaktoren:

Batteryi (k ):

KBatteryi (k ) = Tend,i − k − Ei−Ei (k )

TsPi

EiEi

Ei (k )

tk Tend, i

14

•



Agilitatsfaktoren:

Batteryi (k ):


TsPi

EiEi

Ei (k )

tk Tend, i

KBatteryi (k )

14

•



Agilitatsfaktoren:

KBakeryi (k ) = Tend,i − Trun,i − k

Bakeryi (k ):

Ei

k Tend, i

Ei

14

•



Agilitatsfaktoren:


Bakeryi (k ):

Ei

k Tend, i

KBakeryi (k )

Ei

14

•



Forced consumption:

15

•



Forced consumption:

Batteryi (k ):

PBatteryForced,i (k ) =

0, KBattery

i > 1

Pi (1−KBatteryi ), 1 ≥ KBattery

i > 0

Pi , KBatteryi = 0

15

•



Forced consumption:

Batteryi (k ):

Bakeryi (k ):

PBatteryForced,i (k ) =

0, KBattery

i > 1

Pi (1−KBatteryi ), 1 ≥ KBattery

i > 0

Pi , KBatteryi = 0

PBakeryForced,i (k ) =

{0, KBakery

i > 1

Pi , KBakeryi = 0

15

•



Energiereserve

16

•



Energiereserve

Bucketi (k ):

PBucketReserve,i (k ) = min(Pi ,

Ei−Ei (k )Ts

)

16

•



Energiereserve

Bucketi (k ):

PBucketReserve,i (k ) = min(Pi ,

Ei−Ei (k )Ts

)

Bei einem Portfolio mit NBuckets bei Zeitschritt k :

PBucketReserve(k ) =

∑NBuckets

i=1 min(Pi ,Ei−Ei (k )

Ts)

16

•



for k = 0 to K do:

Berechne PForced(k )

if PForced(k ) > PDispatch(k ):

Sortiere Bakeries und Batteries nach aufsteigendem Agilitatsfaktor

Buckets dementsprechend nach absteigendem Agilitatsfaktor starten

Starte alle Forced Units

else:

Starte Units solange der Verbrauch kleiner gleich PDispatch(k )

Bestimme ob Leistung ubrig ist oder noch benotigt wird

17

•


Algorithmus: Agile Balancing Beispiel

Buckets

Bucket1: P1 = 1, P1 = −1

E1 = 2, E1 = 0

P2 = 2, P2 = −2

E2 = 3, E2 = −1

Bucket2:

Batteries

Battery1: P3 = 2, E3 = 4

Tend,3 = 5

Battery2: P4 = 1, E4 = 3

Tend,4 = 4

18

•



Bakeries:

Bakery1: P5 = 1, E5 = 1

Trun,5 = 1, Tend,5 = 3

Bakery2: P6 = 3, E6 = 3

Trun,6 = 1, Tend,6 = 6

Dispatch-Profil:

PDispatch = (1, 0, 2, 5, 3, 1)

19

•



P(k )

k

PDispatch

20

•



P(k )

k

PDispatch

Battery1

Battery2

Bakery1

Bakery2

20

•



P(k )

k

PDispatch

Battery1

Battery2

Bakery1

Bakery2

K3(0) = 3


TsPi

K4(0) = 1

20

•



P(k )

k

PDispatch

Battery1

Battery2

Bakery1

Bakery2

K3(0) = 3

K4(0) = 1

K5(0) = 2

K6(0) = 5


20

•



P(k )

k

PDispatch

Battery1

Battery2

Bakery1

Bakery2

K3(0) = 3

K4(0) = 1

K5(0) = 2

K6(0) = 5

20

•



P(k )

k

PDispatch

Battery1

Battery2

Bakery1

Bakery2

K3(1) = 2

K4(1) = 1

K5(1) = 1

K6(1) = 4

20

•



P(k )

k

PDispatch

Battery1

Battery2

Bakery1

Bakery2

K3(2) = 1

K4(2) = 0

K5(2) = 0

K6(2) = 3

20

•



P(k )

k

PDispatch

Battery1

Battery2

Bakery1

Bakery2K4(3) = 0

K3(3) = 0

PReserve,1(k ) = 1

PReserve,2(k ) = 2

K6(3) = 2

Bucket1

Bucket2

K1(3) = 2

K2(3) = 1.5


TsPi

20

•



P(k )

k

PDispatch

Battery1

Battery2

Bakery1

Bakery2K4(3) = 0

K3(3) = 0

Bucket1

Bucket2

PReserve,1(k ) = 1

PReserve,2(k ) = 2

K6(3) = 2

Bucket1

Bucket2

K1(3) = 2

K2(3) = 1.5

20

•



P(k )

k

PDispatch

Battery1

Battery2

Bakery1

Bakery2

Bucket1

Bucket2

K3(4) = 0

K6(4) = 1

PReserve,2(k ) = 2

PReserve,1(k ) = 1K1(4) = 1

K2(4) = 1

20

•



P(k )

k

PDispatch

Battery1

Battery2

Bakery1

Bakery2

Bucket1

Bucket2

K6(5) = 0

PReserve,1(k ) = 0

PReserve,2(k ) = 2K2(5) = 1

K2(5) = 0

20

•


Algoritmus: Agile Balancing

• getested mit 106 units

• Rechenzeit ca. 3 min 26 s

• Anteile der Aquivalenzklassen beeinflussen Ergebnis

21

•


Algoritmus: Agile Balancing

• getested mit 106 units

• Rechenzeit ca. 3 min 26 s

• Anteile der Aquivalenzklassen beeinflussen Ergebnis

• Beschleunigung moglich durch vorberechnete Agilitatstabelle

• Bei gleicher Unit Anzahl Rechenzeit ca 1 min 4 s

• Fuhrt bei ungunstiger Aufteilung der Units zu schlechterenErgebnissen

21

•


Fazit

• Nachfrageflexibilitat lasst sich in verschiedene Klassen unterteilen

22

•


Fazit


• Mathematische Modellierung der Klassen zu Verwendung inAlgorithmen

Ei

t

Ei

Ei

22

•


Fazit



• Heuristische Algorithmen ermoglichen es das Problem schnell zulosen

P(k )

k

PDispatch

22

•


Fazit



• Heuristische Algorithmen ermoglichen es das Problem schnell zulosen

• Die Losungen der Algorithmen sind nur geringfugig schlechter als dieoptimale Losung

22

•


Quellen

[1] http://www.blog.ze.com/2014/05/big-data-growth-for-utilities-the-smart-grid/

[2] http://cliparting.com/wp-content/uploads/2017/04/Wind-turbine-clip-art.png

[3] https://img.deutsche-handwerks-zeitung.de/files/smthumbnaildata/392x/2/3/5/7/6/7/NeuesBild.jpg

[4] https://image.freepik.com/free-icon/battery-status 318-47374.jpg

[5] http://baeckerei-walzer.de/images/korbmitbrot.gif

[6] Petersen, Mette K., et al. ”Heuristic optimization for the discrete vir-tual power plant dispatch problem.” IEEE Transactions on Smart Grid 5.6(2014): 2910-2918.

23

kit - iti algorithmik i - nachfrageflexibilität in smart grids und … · 2017-12-05 ·...

Documents