Agenda. Smart Grids: Definition(en) Rollen und Business Cases / Märkte. Optimierungsaufgaben. Beispiele Web2Energy Well2Wheel SmartRuralGrid

Transkript

1 Von der Kraftwerkseinsatzplanung zum Smart Grid Optimierungsaufgaben der Zukunft Dr. Volker Bühner 9. ÖGOR-IHS Workshop "Mathematische Ökonomie und Optimierung in der Energiewirtschaft"

2 Agenda Smart Grids: Definition(en) Rollen und Business Cases / Märkte Optimierungsaufgaben Beispiele Web2Energy Well2Wheel SmartRuralGrid 2

3 KISTERS Gruppe 3

4 What is a Smart Grid? A Smart Grid is an electricity network that can intelligently integrate the actions of all users connected to it generators, consumers and those that do both in order to efficiently deliver sustainable, economic and secure electricity supplies. Source: European Technology Platform SmartGrids A Smart Grid is self-healing, enables active participation of consumers, operate resiliently against attack and natural disasters, accommodate all generation and storage options, enable introduction of new products, services and markets, optimize asset utilization and operate efficiently, provide power quality for the digital economy. Source: US Department of Energy Source: smartgrid.ieee.org 4

5 Definitionen: Smart Grids & Virtuelle Kraftwerke Quelle: smartgrid.ieee.org Windpark Brennstoffzelle Solar i Koppelprozesse Industrie/Gewerbe i i i Kleine Wasserkraftwerke i BHKW i ³ 110 kv 20 kv 0,4 kv i i i Biomasse i i Wind Speicher Kleinerzeuger Quelle: Edison-Projekt, BMWi, 1998 Erzeuger (konventionelle und erneuerbare) beeinflussbare Verbraucher Energiespeicher (Wärme, Gas und Strom) aktive Netzkomponenten Intelligente Kommunikationssysteme zentrale und dezentrale intelligente Software = Smart Grids Dezentrale Energieerzeugungsanlagen (DEA) (konventionelle und erneuerbare) beeinflussbare Verbraucher Energiespeicher (Wärme, Gas und Strom) Energie-Management-Systeme (EMS) Intelligente Kommunikationssysteme = Virtuelles Kraftwerk 5

7 Virtuelle Kraftwerke: Handel / IPP Bandbreite unterstützter Betriebsformen VPP Kleine EE VPP Große EE VPP KWK & Regional VPP Industrie Über virtuelle Kraftwerke EEG-Anlagen in die Direktvermarktung bringen Die Leistung großer EEG-Anlagen profitmaximal in die Direktvermarktung oder alternativ in die Energiemärkte für Sekundär- und Minutenreserve bringen Den Energieeinsatz von Kraftwerken und dezentraler KWK-Erzeugung profitmaximal auf verschiedene Energiemärkten optimieren. Die Unsicherheit der EEG- Erzeugung minimieren, um Regelenergiebezug zum vermeiden. Industrielle Eigenerzeugung über Werke und Standorte bündeln, um Flexibilitäten und Freiheitsgrade in Prozessen nutzen. Bilanzkreise online Ausregeln, um Regelenergiebezug zu vermeiden 7

11 Virtuelle Kraftwerke: DSO VPP DSO Entscheidungsunterstützung bei der Abschaltung von EEG/KWK-Anlagen nach 11 EEG Lokale Märkte nach BDEW-Kaskade Blindleistungsbilanz Spannungshaltung Minimierung Netzverluste Minimierung Differenzbilankreis 11

12 Ampelkonzept BDEW Quelle: BDEW 12

13 Energy Service Company: ESCo ESCo Pooling von Anlagen: Vermarktung Betrieb / Überwachung Abrechnung / ESCo IT: Marktzugang / Handel Fahrplanmanagement Bilanzkreismanagement Leitsystem für Vertrieb Billing Pools aus KWK, EEG und DSM Neue Rolle! Quelle: Report to NIST on the Smart Grid Interoperability Standards Roadmap, EPRI

14 Virtuelle Kraftwerke führen Vermarktung und Anlagenanbindung in einem Gesamtsystem zusammen Allgemeine Strommärkte Terminmarkt Spotmarkt Intraday-Markt OTC Minutenreservemarkt Sekundärreservemarkt Weiter Geschäftsmodelle BK-Ausregelung Vermiedene Netznutzung Autarkie Blindleistung Spannungshaltung Brennstoffmärkte Eigenverbrauch Marktpartner Geschäftspartner Eigene Prozessund IT-Landschaft Wetterprognosen und sonstige Daten PV Wind Biomasse Speicher KWK Gewerbe Industrie 14

15 Smart Grid Architecture Model (SGAM) Source: Smart Grid Coordination Group, European Union 15

17 Smart Grids vs. conventional grid Smart Grids: need information, sensors, actors, IT, intelligence are decentralized (e.g. generators, substations, control) are centralized (balancing control, SCADA) have a complete different quantity structure: Nation level Conventional Smart Grid Power plants < > Automated substations > Demand side management Some industrial > households Control levels <10 (only TSO) > 500(TSO & DSO) maximize performance on the edge are unstable by design? are like a Fly-by-wire aircraft And: Not only power! 17

18 Regelebenen / Marktrollen Technik / Netz Handel / Markt Regelungsebene DSO TSO /DSO Märkte Regelenergie / Abschaltungen Marktkommunikation 5 Smart Grid Control / VPP Betrieb / Planung (> 15 min) t > 15min 4 SCADA, MRM / SRM EDM / FP / Abrechnung Betrieb (< 15min) 1 s < t < 15min 3 Lokales Energiemanagementsystem GLT, SCADA (lokal) Metering / MDM Grenze Verfügungsbereich Arealnetz Standort Netzabschnitt 2 (Sub)-Metering / Smart Meter Lokale Anlagensteuerungen / SPS / PC Grenze Verfügungsbereich Einzelanlage t < 1 s Technische Einheit 1 Aggregatsteuerung / Controller GLT: Gebäudeleittechnik DSO/TSO: Distribution/Transport System Operator MRM/SRM: Minutenreserve-/Sekundärreservemanagement PFM: Portfoliomanagement EDM: Energiedatenmanagement SCADA: Supervisory Control and Data Acquisition FP: Fahrplanmanagement MDM: Meter-Data-Management 18

19 Aufgabenstellung Optimierung Smart Grid Mengengerüst für eine geschlossene Optimierung / Modellierung zu groß bzw. Rechenzeit zu lang. Regelungstechnische Aufgaben (< 1s) brauchen Sollwerte (1-15 min Raster), ständig angepasst / iteriert. Batterien und Wärmespeicher müssen bewirtschaftet werden, Optimierungshorizont mindestens ein Speicherzyklus, ca 48 h. Typisch für Smart Grids: Autarke Netzzellen mit ständigen Austausch (Energie und Informationen) zu den Nachbarzellen => verteilte und kaskadierte Regelungs- und Optimierungsaufgaben. Optimierung als Kaskade oder Agentenansatz 19

20 Beispiel: in Japan Power Routers zur gezielten Lastflussbeeinflussung Power Exchange Protocol für benachbarte Elemente, Analogie zu Agentenansatz Source: 20

21 NRW-F&E-Projekt Agent.Netz Agentenbasierter Ansatz zur Prognose der Last- und Einspeiseentwicklung Source: Prof. Ch. Rehtanz, TU Dortmund, Institut für Energiesysteme, Energieeffizienz und Energiewirtschaft, 21

22 Distributed optimization Source: Raiford Smith, DukeEnergy, DistribuTECH 2014, San Antonio 22

24 VPP / Smart Grids: R&D-Projekte ,gefördert durch Land NRW 10 Units 3 Business Cases , HSE, Darmstadt, gefördert EU, FP7 50 Units 8 Business Cases IEC Kommunikation, CIM-Datenmodell , HSE, Darmstadt, gefördert BMU Nachfolger W2E, inklusive e-mobility, 50 e-cars , Estabanell / Spanien, gefördert EU, FP7 Power Routers (wie Digital Grid, Japan) Optimal Power Flow (OPF) Wirk- und Blindleistungsprognosen 24

25 EU-Projekt Web2Energy 25

26 Struktur, Clusterung von Anlagen TSM: Zeitreihenmanagement ÜNB: Übertragungsnetzbetreiber PFM: Portfoliomanagement EDM: Energiedatenmanagement 26

27 W2E: Dashboard Betrieb 27

28 W2E: Realisierung / Detailansicht Anlage 28

29 VPP: Betrieb und Geschäftsmodelle Nr. Geschäftsmodell T P 1 Bilanzkreisausregelung X X 2 Spotmarkt / Querverbundoptimierung X X 3 Vermiedene Netznutzung X X 4 Blindleistung und Power Quality X 5 Intradayhandel X 6 Positive Minutenreserve X 7 Negative Minutenreserve X 8 EUA / CO2 (maximaler Einsatz EEG) X 29

30 Web2Energy Fazit Volatilität der Preise (Erzeugung + Netz) muss höher sein um wirtschaftlich sinnvoll zu sein DSM: Nur automatisiert auf Dauer sinnvoll Aus Optimierungssicht Aggregation von Anlagen zu virtuellen Elementen notwendig und möglich (CIM) Im Projekt jede Stunde eine Optimierung für die nächsten 48 h Unkritische Matrixgröße (ca non-zeros) für reales Netz, Solver (GUROBI) braucht ca. 120 sec. Prognosequalität entscheidend 30

31 Well2Wheel (BMU) Wasser Photovoltaik Wind Biogas Deponiegas BHKW von der (regionalen) Quelle Ampelsystem Ladesäule bis zum (elektromobilen) Rad 31

32 Well2Wheel (BMU) Zyklische Ladebedarfsprognose und Optimierung auf Basis aktueller (anonymisierter) Fahrzeugdaten Ampelphasen-Modell als Platzhalter für variablen Tarif Stochastisches Verhalten der Fahrzeugnutzer als Reaktion auf Ampelphasen 32

33 Well2Wheel Fazit (Projekt läuft bis 2016) Bereits bei wenigen e-cars in einer Zelle aktiver Eingriff / Optimierung notwendig Derzeit keine variablen Netzentgelte Kandidat für lokalen Markt ( BDEW gelb ) Aus Optimierungssicht Ladesäulen je Netzgebiet als ein Cluster modelliert Ladebedarfsprognose ist eine Herausforderung Matrixgröße ca. 20% größer als Web2Energy aber viel mehr binaries Parallelität zur Nachtspeicherheizung 33

34 SmartRuralGrid: Concept Rural electricity and telecom networks URBAN RURAL vs. Further network intelligence is needed to allow transforming a rural energy network into a Smart Grid Avoiding expensive investments with high environmental impact To prevent the advent of a digital divide between citizens located inside or outside the Smart Grid 34

35 Integration of RES (and DER) and energy storage capacity Normal Island operation Data flow DSO Local for local 35

36 Optimal Power Flow (OPF) Objectives: Minimize fuel cost of generating units (f1) Minimize (active) power loss (f2) Weighted multi objective function, e.g. minimal voltage band or maximal remaining transformer tap opportunities, thus maximize ability to react to outages or forecast errors. Active power balance: P i active power injected at bus i G ik real part of the element in the bus admittance matrix Y bus B ik θ ik imaginary part of the element in the bus admittance matrix Y Bus difference in voltages angle Reactive power balance: Q i reactive power injected at bus i 36

37 Optimal Power Flow (OPF) Standard approaches: Gaus-Seidel Newton-Raphson Fast decoupled load flow Genetic algorithms Particle Swarm Optimization (PSO): Step 1: Generation of initial condition of each agent Step 2: Evaluation of searching point of each agent -> Load flow Step 3: Modification of each searching point Step 4: Checking the exit condition and back to Step 2 37

38 PSO basic formula Velocity Cognitive component Social component V t t ( t) = Vi + N1r 1( Ppb, i Xi ) + N2r2 ( P X t+ 1 t i gb i ) new location Velocity Old location Velocity X ( t) = V ( t) + t+ 1 i t+ 1 i X t i Location: t=1 Location: t=2 Eberhart and Shi: N1 = 2.0, N2 = 2.0 Source: Master thesis of Marco Töllner, Oldenburg, October 2013, KISTERS AG 38

39 SmartRuralGrid (EU) Projekt läuft seit einem Monat bis Feb Aus Optimierungssicht Je Power Router: Regelung < 1 sec OPF Nahbereich jede Minute neu Arbeitspunkt dafür aus Optimierung (15 min-raster) Arbeitspunkt dafür OPF des Gesamtnetzes (15 min-raster) Jede Zelle als ein Optimierungsmodell Topologie als Optimierungsvariable Verbund der Zellen: Handels-/ Portfoliooptimierung Zyklische alle Minuten 39

40 KISTERS AG Charlottenburger Allee 5 Tel info@kisters.de D Aachen Fax