Titelaufnahme

Titel
Short-term Dispatch Model to Evaluate the Aggregation of Distributed Energy Resources into a Virtual Power Plant / von Lukas Leimgruber
VerfasserLeimgruber, Lukas
Begutachter / BegutachterinDangl, Thomas
ErschienenWien, 2016
Umfang110 Seiten
HochschulschriftTechnische Universität Wien, Univ., Diplomarbeit, 2016
Anmerkung
Arbeit an der Bibliothek noch nicht eingelangt - Daten nicht geprueft
SpracheEnglisch
DokumenttypDiplomarbeit
Schlagwörter (DE)Bewertung virtueller Krafwerke / optimaler Kraftwerkseinsatz
Schlagwörter (EN)valuation of virtual power plants / optimal dispatching of power plants
URNurn:nbn:at:at-ubtuw:1-8254 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Short-term Dispatch Model to Evaluate the Aggregation of Distributed Energy Resources into a Virtual Power Plant [7.96 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Der steigende Anteil erneuerbarer Energien und dezentraler Erzeugungsanlagen (DEA) stellt hohe Herausforderungen an den Energiesektor. Durch volatile und schwer zu prognostizierende Erzeugung fallen beträchtliche Kosten an, um Versorgungssicherheit zu gewährleisten. Darüberhinaus ist dasMarktumfeld relativ unattraktiv für die Direktvermarktung von DEA. Durch Kombination mehrerer DEA in einen Analgenverbund kann ein ausgewogener Betrieb erreicht werden, was die Netz- undMarktintegration von DEA erleichtert. Dieser Anlagenverbund wird oft als "virtuelles Kraftwerk" bezeichnet. Um den Mehrwert des gemeinsamen Bertiebs zu evaluieren, wurde ein Optimierungs-Modell für den Day-Ahead Spot Markt erstellt. Es basiert auf stochastischer Programmierung und stellt einWerkzeug für Entscheidungen unter Unsicherheit dar. Unsicherheit wird über verschiedene Szenarien stochastischer Eingangsdaten abgebildet. Diese stochastischen Prozesse sind Day-Ahead Spot Preis, Erzeugung aus Windkraftwerken und der Ausgleichsenergiepreis. Die stochastische Lösung ist um 8 % höher als die deterministische Lösung, bei der die stochastischen Prozesse durch ihren Erwartungswert angenähert werden. Die Szenarien werden mittels multivariater autoregressiver Zeitreihenanalyse erzeugt. Damit werden die Dynamiken und Abhängigkeiten in den Zeitreihen mitberücksichtigt. Es zeigt sich, dass sowohl der Day-Ahead Preis, als auch der Windvorhersagefehler den Ausgleichspreis beeinflusst. Das Vorhersagemodell ist akzeptabel und erstellt plausible Szenarien der stochastischen Eingangsdaten mit einem akzeptablen mittleren quadratischen Fehler (RMSE). Es fällt auf, dass der RMSE des Ausgleichsenergiepreises relativ hoch ist. Darumwurde eine eher konservative Bieter-Strategie gewählt, die Abweichungen zwischen plazierten Marktgeboten und Erzeugung bestraft. Mit dem Optimierungs-Modell wird der separate und gemeinsame Betrieb der DEA verglichen, um den Mehrwert zu quantifizieren. Das virtuelle Kraftwerk besteht ausWindkraftanlagen, Kraft-Wärme-Kopplung und steuerbaren Verbrauchern. Der gemeinsame Betrieb der DEA in einem virtuellen Kraftwerk führt zu Synergieeffekten und erhöhter Steuerbarkeit. Damit können Ausgleichsenergiekosten volatiler Erzeugungsanlagen vermieden werden. Es ergibt sich einMehrwert zwischen 4-41%.

Zusammenfassung (Englisch)

The increasing share of renewable energy systems and decentral electricity generation provides challenges for the energy sector mainly due to their intermittent and unpredictable generation. This results in high costs to guarantee security of energy supply. Also the current electricity market environment is problematic for the direct marketing of decentral energy resources (DERs). By combining different DERs and operating them together, a more stable and controllable electricity output can be achieved. The increased controllability helps to support their market integration. The aggregation of different decentral energy resources is often referred to as "virtual power plants". To quantify the added value of combining DERs into a virtual power plant, a short term optimization model for the spot market Day-Ahead was designed. It is based on two-stage stochastic programming and provides optimal decisions under uncertainty considering different scenarios of stochastic processes. A risk measure is implemented that provides the possibility to set different risk preferences. The spot market price Day-Ahead, imbalance price and the output of the wind power plants are stochastic parameters in the optimization model and approximated with a finite number of scenarios. The stochastic solution is around 8 % higher compared to the deterministic solution, where stochastic processes are expressed by their respective expected values. Scenarios are generated via multivariate autoregressive time series analysis regarding the influences between time series on each other. It turns out that spot market prices and the difference between realized and predicted wind generation (wind error) have impacts on the imbalance price. The forecast tool provides acceptable root mean squared errors (RMSE). The imbalance price has a rather high RMSE due to its unforeseeable nature. Therefore a conservative offer strategy penalizing deviations between contracted and delivered energy is chosen. Via the optimization model the performance of the participating energy units is evaluated in separate and joint operation. Thereby the added value of forming a VPP is assessed. The virtual power plant consists of wind power plants, combined heat and power plants and temporarily controllable loads. The joint operation of DERs provides a better performance by creating a more stable generation output in comparison to separate operation. Thereby imbalance costs of intermittent generation can be reduced. The added value is in the range of 4-41 %.