Betriebs- und Einsatzoptimierung von Erneuerbare- Energien - Anlagen durch IKT Use Case: Eigenstromoptimierung

Transkript

1 Betriebs- und Einsatzoptimierung von Erneuerbare- Energien - Anlagen durch IKT Use Case: Eigenstromoptimierung Manuel Wickert, Andre Baier IEE, Hauke Großer ARGE-Netz, Dr. Benedikt Hanke DLR, Sven Killinger ISE, Dr. Bart Pieters FZ Julich, Prof. Dr. Veit Hagenmeyer KIT, Dr.-Ing. Volker Lenz DBFZ, Leon Schroder ZSW

2 AGENDA Sensor Kommunikation Modellierung Optimierung Motivation Einsatzoptimierung Modellierung Beispielszenarien Umsetzung und Erfahrungswerte Sensorik Praxiserfahrungen

3 Gründe für Eigenstromoptimierung Weniger Energieverluste bei Netzbetreibereingriffen P Geringere Energieversorgungskosten (fehlende Abgaben, Steuern, Netzentgelte, höhere Effizienzen) Höhere Grünstromnutzung Autarkie t

4 Modellbildung Optimierungsziel: min σ C s max σ I s C s Minimierung der Stromkosten Maximierung des Gewinns C s : Strombezugskosten I s : Einnahmen Stromverkauf z.b. 30 ct / kwh z.b. 10 ct / kwh

5 Anlagenmodell Flexible Last / Speicher Fluktuierende Einspeisung Unflexible Last

6 Anlagenmodell PP feed = PP i i L i + L i P+ storout P storout P storin P storin Stor i StorMax Stor i StorMin Stor i = P stor in t P storout t +Stor i 1 Flexible Last / Speicher Fluktuierende Einspeisung Unflexible Last P i P avail L i = L pred *Exemplarisch ohne Detailmodellierung wie Wirkungsgrade usw.

7 Anlagenmodell Messwerte Messwerte Prognose Steuerung Prognose Steuerung Fluktuierende Einspeisung Unflexible Last Flexible Last / Speicher Quelle: Office Clipart, eigene Darstellung Messwerte Prognose

8 Szenarien

9 Lastmanagement in Mehrmieter Gewerbeimmobilien User-Verhalten E-Mobilität PV-Erzeugungsprognose Lademanagement E-Mobilität Lastprognose und Disaggregation [1] Gebäudelastmanagement [2] Quelle: [1] [2]

10 10 Ergebnisse Pelletkesselbetriebsoptimierung deutlicher Anstieg bei Wirkungsgrad und Auslastung Jahresauswertung: Kesselnutzungsgrad +8% Systemnutzungsgrad +6 % Fernwartung bietet Komfortanpassung an Öl- und Gasfeuerungen weniger Zeiten mit niedriger Auslastung

11 Dezentrale optimierungsbasierte Einsatzplanung für Batteriespeicher mittels stochastischer Prognosen Dispatchable feeder Stochast. Prognosen für Verbrauch und Erzeugung Scheduling-Problem Ergebnisse Simulationen und Experimente am KIT Testsystem Simulationen zeigen signifikante Verbesserung! R. Appino et al., On the Use of Probabilistic Forecasts in Scheduling of Renewable Energy Sources Coupled to Storages. Applied Energy, 2018 R. Appino et al., Scheduling Storage Operation with Stochastic Uncertainties - Feasibility and Cost of Deviation. PSCC, 2018

12 Modell für Simulation

13 Ergebnisse / M

14 Ergebnisse / M / M

15 Umsetzung

16 Intelligente Systemregelung zur effizienten Einbindung von Biomasseheizanlagen - Mess- und regelungstechnische Einbindung aller Komponenten - Internetanschluss für Wetterprognose und Fernwartung Ennovatis

17 Speicherinhalt bestimmen Quelle: vgl. VHP Ready 4.0 Spezifikation, eigene Aufnahme

18 Speicherinhalt bestimmen Quelle: vgl. VHP Ready 4.0 Spezifikation, eigene Aufnahme

19 Erfahrungswerte Sensorqualität Quelle: Semiah: D7.2 - Pilot test and large scale pilot simulation and impact assessment Report

20 Fazit / Ausblick Die intelligente Optimierung von Anlagen unterstützt Die Integration der fluktuierenden EE Die Dekarbonisierung der Sektoren Noch keine durchgängige Integration von Sensordaten in Modelle Zukünftig: stärkere Berücksichtigung von Unsicherheiten Berücksichtigung weiterer Informationen z.b. Abnutzungsmodelle Erhöhung des Automatisierungsgrads Verbesserung automatisierte Validierung Prognosen und Szenarien Plug and Play Sensordatenintegration