Titelaufnahme

Titel
Renewable energy generation when supply fluctuates seasonally and the effects of learning : an optimal control approach / von Elke Moser
VerfasserMoser, Elke
Begutachter / BegutachterinTragler, Gernot ; Fürnkranz-Prskawetz, Alexia
Erschienen2014
UmfangX, 156 S. : zahlr. graph. Darst.
HochschulschriftWien, Techn. Univ., Diss., 2015
Anmerkung
Zsfassung in dt. Sprache
SpracheEnglisch
Bibl. ReferenzOeBB
DokumenttypDissertation
Schlagwörter (DE)Operations Research / Optimale Kontrolltheorie / erneuerbare Energieerzeugung
Schlagwörter (EN)operations research / optimal control / renewable energy generation
Schlagwörter (GND)Erneuerbare Energien / Energieerzeugung / Operations Research / Optimale Kontrolle
URNurn:nbn:at:at-ubtuw:1-71434 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Renewable energy generation when supply fluctuates seasonally and the effects of learning [1.96 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Angetrieben durch das starke Wirtschaftswachstum nimmt auch die weltweite Energienachfrage kontinuierlich zu. Der massive Verbrauch von fossilen Ressourcen treibt jedoch die Treibhausgasemissionen unweigerlich in die Höhe und fördert somit das Voranschreiten des Klimawandels. Die dringende Notwendigkeit einer maßgeblichen Veränderung in diesem Bereich ist daher deutlich gegeben. Um eine nachhaltige und saubere Energieversorgung zu gewährleisten, muss eine emissionsarme Energietechnologie gefunden werden, die gleichzeitig auch Versorgungssicherheit garantieren kann. Letzteres stellt bei den derzeitig verfügbaren erneuerbaren Technologien vermutlich die größte Herausforderung dar. Im Gegensatz zu fossilen Brennstoffen, die mehr oder weniger konstant vorhanden sind, sind erneuerbare Ressourcen oftmals starken Schwankungen unterlegen und lassen sich auch schwer prognostizieren. Die Wechselwirkungen aus überschüssiger und unzureichender Erzeugung sowie eingeschränkten Speichermöglichkeiten erschweren die Planbarkeit erneuerbarer Energieerzeugung deutlich. Ein weiteres Hindernis sind die hohen Investitionskosten, die bei erneuerbaren Technologien anfallen, während fossile Energieerzeugung zu wirtschaftlichen Preisen möglich ist. Diese hohen Kosten könnten allerdings nach einer gewissen Laufzeit durch das Ansammeln von Erfahrungswerten und Wissen reduziert werden. Da die meisten Entscheidungen in der Energieplanung jedoch auf den einhergehenden Kosten basieren und der Planungshorizont oft zu kurzfristig gesetzt ist, um solche Lerneffekte mit zu berücksichtigen, werden Investitionen in erneuerbare Energieerzeugung meist wieder in die Zukunft verschoben, was den möglichen Rahmen alternativer Energieerzeugung stark einschränkt. Um diese Problematik näher zu untersuchen, befasst sich die vorliegende Doktorarbeit mit einer Reihe von optimalen Kontrollmodellen, welche die die Entscheidung eines Landes über die optimale Zusammensetzung eines Portfolios bestehend aus fossiler und erneuerbarer Energie zur Deckung des eigenen Energiebedarfes ermitteln. Hierfür wird das Angebot der fossilen Energie als konstant angenommen, während jenes der erneuerbaren Ressource saisonalen Schwankungen unterliegt. Um die erwähnte Kostenreduktion durch Lerneffekte in die Modelle mit einzubauen, wird das Konzept der Lernkurve verwendet. Welche Unterschiede sich aus der Berücksichtigung dieser Lerneffekte ergeben, zeigt die Analyse von drei unterschiedlichen Modellvarianten, wobei in der ersten die Investitionskosten unverändert bleiben, in der zweiten der treibende Aspekt durch Erfahrung gegeben ist, und in der dritten Variante ein weiterer Faktor in Form von Forschungs- und Entwicklungsprozessen mit eingebunden wird.

Zusammenfassung (Englisch)

Induced by the persistent and rapid economic growth, the worldwide demand for energy services is constantly increasing. The accompanying abundant use of fossil resources, however, strongly enhances green house gas emissions boosting the progress of climate change, which stresses the urgency of mitigation policies in this field. The probably biggest challenge along the path towards a more sustainable energy supply is to find a low-carbon energy technology that simultaneously guarantees energy security. For renewable energy generation, however, especially the second goal is hard to achieve as, in contrast to fossil resources, renewable resources strongly fluctuate and are often hard to predict. Consequently, the interplay of generated surpluses and shortfalls as well as limited storage possibilities complicate proper scheduling of renewable energy generation. Another major issue for renewable energy is given by the high costs. While conventional energy forms are competitive, renewable energy technology comes along with high investment costs that strongly restrict their profitability. These high costs would decline after some time in operation as experience and know-how improve the technical processes and hence foster the productivity. However, as the basis of energy planning decisions is mostly a matter of expenses and, in many cases, the planning horizon is too short to take these learning effects into account, investments for renewable energy technologies are often postponed into the future, which strongly restricts the scope of renewable energy generation. To address this issue, this thesis deals with optimal control models that consider the energy planning decision of a small country optimizing a portfolio consisting of fossil and renewable energy to cover the country's energy demand. While fossil energy is assumed to be constantly available, renewable energy is fluctuating seasonally. To include the mentioned effect of cost reduction due to the accumulation of experience and knowledge, the concept of the learning curve is applied. To investigate the differences in the outcome depending on whether the mentioned learning effects are included or not in the decision process, three different model approaches are analyzed. In the first one the high investment costs of renewable energy capital remain unchanged over time, in the second one they are reduced by a so-called one-factor learning curve, where accumulated experience reduces costs, and in the third one a so-called two-factor learning curve is considered, where additionally R&D efforts foster the cost reduction.