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
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Motivation
Quellen: [2], [3], [4], [5]
1
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Modellierung
2
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Modellierung: Flexibiliaten
Unterscheidungspunkte von Flexibilitatsklassen:
t
3
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Modellierung: Flexibiliaten
• Gibt es einen festgelegten spatesten Endzeitpunkt?
Unterscheidungspunkte von Flexibilitatsklassen:
t
Tend
3
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Modellierung: Flexibiliaten
• Gibt es einen festgelegten spatesten Endzeitpunkt?
• Gibt es eine festgelegte Betriebsdauer?
Unterscheidungspunkte von Flexibilitatsklassen:
t
Trun
3
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Modellierung: Flexibiliaten
• Gibt es einen festgelegten spatesten Endzeitpunkt?
• Ist der Vorgang unterbrechbar?
• Gibt es eine festgelegte Betriebsdauer?
Unterscheidungspunkte von Flexibilitatsklassen:
t
3
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Modellierung: Flexibiliaten
• Gibt es einen festgelegten spatesten Endzeitpunkt?
• Wie viel Energie wird benotigt?
• Ist der Vorgang unterbrechbar?
• Gibt es eine festgelegte Betriebsdauer?
Unterscheidungspunkte von Flexibilitatsklassen:
t
3
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Modellierung:
• Große eines Zeitschrittes: Ts
t
Pi
4
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Modellierung:
• Große eines Zeitschrittes: Ts
• untere Grenze der Konsumrate: Pi
• obere Grenze der Konsumrate: Pi
t
Pi
4
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Modellierung:
• Große eines Zeitschrittes: Ts
• untere Grenze der Konsumrate: Pi
• obere Grenze der Konsumrate: Pi
• untere Grenze des Ladestandes: Ei
• obere Grenze des Ladestandes: Ei
t
Pi
4
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Modellierung:
• Große eines Zeitschrittes: Ts
• untere Grenze der Konsumrate: Pi
• obere Grenze der Konsumrate: Pi
• untere Grenze des Ladestandes: Ei
• obere Grenze des Ladestandes: Ei
t
Pi
4
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Modellierung: Flexibilitatsklassen
Eigenschaften:
• Festgelegter Endzeitpunkt
• nicht unterbrechbar
• Festgelegte Konsumrate
• Festgelegte Betriebsdauer
Tend
t
Quellen: [2]
5
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Modellierung: Flexibilitatsklassen
Eigenschaften:
• Festgelegter Endzeitpunkt
• nicht unterbrechbar
• Festgelegte Konsumrate
• Festgelegte Betriebsdauer
Tend
t
Quellen: [2]
5
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Modellierung: Flexibilitatsklassen
Eigenschaften:
• Festgelegter Endzeitpunkt
• nicht unterbrechbar
• Festgelegte Konsumrate
• Festgelegte Betriebsdauer
Tend
t
Quellen: [2]
5
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Modellierung: Flexibilitatsklassen
Eigenschaften:
• Festgelegter Endzeitpunkt
• nicht unterbrechbar
• Festgelegte Konsumrate
• Festgelegte Betriebsdauer
Flexibilitatsklasse: Bakery
Beispiele: Gewachshauser, Produktionsprozesse, ...
Quellen: [2]
5
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Modellierung: Flexibilitatsklassen
Bakeryi (k ) :
0 ≤ Ei (k ) ≤ Ei
Ei (Tend,i ) = Ei
t
Ei Ei
Tend,iTrun,i
5
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Modellierung: Flexibilitatsklassen
Bakeryi (k ) :
Pi (k ) = Pivi (k )
0 ≤ Ei (k ) ≤ Ei
Ei (Tend,i ) = Ei
t
Ei Ei
Tend,iTrun,i
5
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Modellierung: Flexibilitatsklassen
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
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Modellierung: Flexibilitatsklassen
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
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Modellierung: Flexibilitatsklassen
Eigenschaften:
• Festgelegter Endzeitpunkt
• Unterbrechbar
• Festgelegter Energieverbrauch
• Variable Konsumrate
Tend
t
Quellen: [3]
6
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Modellierung: Flexibilitatsklassen
Eigenschaften:
• Festgelegter Endzeitpunkt
• Unterbrechbar
• Festgelegter Energieverbrauch
• Variable Konsumrate
Tend
t
Quellen: [3]
6
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Modellierung: Flexibilitatsklassen
Eigenschaften:
• Festgelegter Endzeitpunkt
• Unterbrechbar
• Festgelegter Energieverbrauch
• Variable Konsumrate
Tend
t
Quellen: [3]
6
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Modellierung: Flexibilitatsklassen
Eigenschaften:
• Festgelegter Endzeitpunkt
• Unterbrechbar
• Festgelegter Energieverbrauch
• Variable Konsumrate
Tend
t
Quellen: [3]
6
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Modellierung: Flexibilitatsklassen
Eigenschaften:
• Festgelegter Endzeitpunkt
• Unterbrechbar
• Festgelegter Energieverbrauch
• Variable Konsumrate
Flexibilitatsklasse: Battery
Beispiele: Laden von Elektrogeraten, Warmepumpen, ...
Quellen: [3]
6
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Modellierung: Flexibilitatsklassen
Batteryi (k ) :
0 ≤ Ei (k ) ≤ Ei
Ei (Tend,i ) = Ei
t
Ei Ei
Tend,i
6
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Modellierung: Flexibilitatsklassen
Batteryi (k ) :
0 ≤ Pi (k ) ≤ Pi
0 ≤ Ei (k ) ≤ Ei
Ei (Tend,i ) = Ei
t
Ei Ei
Tend,i
6
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Modellierung: Flexibilitatsklassen
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
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Modellierung: Flexibilitatsklassen
Eigenschaften:
• Variabler Endzeitpunkt
• Unterbrechbar
• Variable Konsum- bzw. Einspeiserate
• Variable Betriebsdauer
t
Quellen: [4]
7
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Modellierung: Flexibilitatsklassen
Eigenschaften:
• Variabler Endzeitpunkt
• Unterbrechbar
• Variable Konsum- bzw. Einspeiserate
• Variable Betriebsdauer
t
Quellen: [4]
7
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Modellierung: Flexibilitatsklassen
Eigenschaften:
• Variabler Endzeitpunkt
• Unterbrechbar
• Variable Konsum- bzw. Einspeiserate
• Variable Betriebsdauer
Flexibilitatsklasse: Bucket
Beispiele: Energiespeicher aller Art
Quellen: [4]
7
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Modellierung: Flexibilitatsklassen
Bucketi (k ) :
Ei ≤ Ei (k ) ≤ Ei
Ei
t
Ei
Ei
7
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Modellierung: Flexibilitatsklassen
Bucketi (k ) :
Pi ≤ Pi (k ) ≤ Pi
Ei ≤ Ei (k ) ≤ Ei
Ei
t
Ei
Ei
7
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Modellierung: Flexibilitatsklassen
Ei (k + 1) = Ei (k ) + TsPi (k )
Bucketi (k ) :
Pi ≤ Pi (k ) ≤ Pi
Ei ≤ Ei (k ) ≤ Ei
Ei
t
Ei
Ei
7
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Problemstellung: Power Plant Dispatch Problem
Bestandteile des Systems:
• Vorhersagehorizont: K ∈ N
k
P(k)
8
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Problemstellung: Power Plant Dispatch Problem
Bestandteile des Systems:• vituelles Kraftwerk mit fluktuierender Leistung: PDispatch(k ), k = 0, ..., K
k
P(k)
8
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Problemstellung: Power Plant Dispatch Problem
Bestandteile des Systems:• N lokale Verbraucher: {LUi}i=1,...,N
• Pi (k ) an der Stelle k an LUi abgegebene Leistung
k
P(k)
8
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Problemstellung: Power Plant Dispatch Problem
Bestandteile des Systems:• S(k ) Leistung, die an der Stelle k nicht bereitgestellt werden kann
k
P(k)
8
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Problemstellung: Power Plant Dispatch Problem
Bestandteile des Systems:
Ziel: Minimieren von∑|S|
k
P(k)
8
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Problemstellung: Power Plant Dispatch Problem
gesucht:
minPi (·)∑∞
k=0 |S(k )|
so, dass:PDispatch(k ) ∈ R, k = 0, ...,∞∑N
i=1 Pi (k ) + S(k ) = PDispatch(k )
9
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmen
10
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Anforderungen
• Die Losung soll schnell gefunden werden
• Der Speicherbedarf soll nicht zu groß sein
11
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Anforderungen
• Die Losung soll schnell gefunden werden
• Der Speicherbedarf soll nicht zu groß sein
Problem:• NP-schweres Problem
• große Probleminstanzen
11
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Anforderungen
• Die Losung soll schnell gefunden werden
• Der Speicherbedarf soll nicht zu groß sein
Problem:• NP-schweres Problem
• große Probleminstanzen
Verwendung von heuristischen Algorithmen
11
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Anforderungen
• PDispatch ist nur eine Vorhersage
t
PDispatch
Tend,LU1Tend,LU2 Tend,LU3
P(t)
In Anlehnung an [6]
12
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Anforderungen
• PDispatch ist nur eine Vorhersage
t
PDispatch
LU1
Tend,LU1
LU2
Tend,LU2
LU3
Tend,LU3
P(t)
In Anlehnung an [6]
12
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Anforderungen
• PDispatch ist nur eine Vorhersage
t
PDispatch
LU1
Tend,LU1
LU2
Tend,LU2
LU3
Tend,LU3
P(t)
In Anlehnung an [6]
12
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Anforderungen
• PDispatch ist nur eine Vorhersage
t
PDispatch
LU1
Tend,LU1
LU2
Tend,LU2
LU3
Tend,LU3
P(t)
In Anlehnung an [6]
12
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Anforderungen
• PDispatch ist nur eine Vorhersage
t
PDispatch
Tend,LU1
LU2
Tend,LU2 Tend,LU3
P(t)
LU3 LU1
In Anlehnung an [6]
12
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Anforderungen
• PDispatch ist nur eine Vorhersage
t
PDispatch
Tend,LU1
LU2
Tend,LU2 Tend,LU3
P(t)
LU3 LU1
In Anlehnung an [6]
12
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Anforderungen
• PDispatch ist nur eine Vorhersage
t
PDispatch
Tend,LU1
LU2
Tend,LU2 Tend,LU3
P(t)
LU1LU3
In Anlehnung an [6]
12
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Anforderungen
• PDispatch ist nur eine Vorhersage
• 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
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmus: Agile Balancing
Idee:
• Bakeries und Batteries zuerst in Reihenfolge der Dringlichkeitabarbeiten
• Buckets als Energie-Puffer verwenden
13
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmus: Agile Balancing
Idee:
• Bakeries und Batteries zuerst in Reihenfolge der Dringlichkeitabarbeiten
• Buckets als Energie-Puffer verwenden
Wie definiert sich die Dringlichkeit?
13
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmus: Agile Balancing
Agilitatsfaktoren:
14
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmus: Agile Balancing
Agilitatsfaktoren:
Bucketi (k ) :
KBucketi (k ) = Ei−Ei (k )
TsPi
Ei
t
Ei
k
Ei (k )
14
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmus: Agile Balancing
Agilitatsfaktoren:
Bucketi (k ) :
KBucketi (k ) = Ei−Ei (k )
TsPi
Ei
t
Ei
k
Ei (k )
14
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmus: Agile Balancing
Agilitatsfaktoren:
Bucketi (k ) :
KBucketi (k ) = Ei−Ei (k )
TsPi
Ei
t
Ei
k
Ei (k )
maximaler Energiezugewinn pro Zeitschritt
14
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmus: Agile Balancing
Agilitatsfaktoren:
Bucketi (k ) :
KBucketi (k ) = Ei−Ei (k )
TsPi
Ei
t
Ei
k
Ei (k )
maximaler Energiezugewinn pro Zeitschritt
KBucketi (k )
14
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmus: Agile Balancing
Agilitatsfaktoren:
Batteryi (k ):
KBatteryi (k ) = Tend,i − k − Ei−Ei (k )
TsPi
EiEi
Ei (k )
tk Tend, i
14
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmus: Agile Balancing
Agilitatsfaktoren:
Batteryi (k ):
KBatteryi (k ) = Tend,i − k − Ei−Ei (k )
TsPi
EiEi
Ei (k )
tk Tend, i
14
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmus: Agile Balancing
Agilitatsfaktoren:
Batteryi (k ):
KBatteryi (k ) = Tend,i − k − Ei−Ei (k )
TsPi
EiEi
Ei (k )
tk Tend, i
14
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmus: Agile Balancing
Agilitatsfaktoren:
Batteryi (k ):
KBatteryi (k ) = Tend,i − k − Ei−Ei (k )
TsPi
EiEi
Ei (k )
tk Tend, i
KBatteryi (k )
14
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmus: Agile Balancing
Agilitatsfaktoren:
KBakeryi (k ) = Tend,i − Trun,i − k
Bakeryi (k ):
Ei
k Tend, i
Ei
14
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmus: Agile Balancing
Agilitatsfaktoren:
KBakeryi (k ) = Tend,i − Trun,i − k
Bakeryi (k ):
Ei
k Tend, i
KBakeryi (k )
Ei
14
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmus: Agile Balancing
Forced consumption:
15
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmus: Agile Balancing
Forced consumption:
Batteryi (k ):
PBatteryForced,i (k ) =
0, KBattery
i > 1
Pi (1−KBatteryi ), 1 ≥ KBattery
i > 0
Pi , KBatteryi = 0
15
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmus: Agile Balancing
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
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmus: Agile Balancing
Energiereserve
16
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmus: Agile Balancing
Energiereserve
Bucketi (k ):
PBucketReserve,i (k ) = min(Pi ,
Ei−Ei (k )Ts
)
16
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmus: Agile Balancing
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
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmus: Agile Balancing
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
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
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
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmus: Agile Balancing Beispiel
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
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmus: Agile Balancing Beispiel
P(k )
k
PDispatch
20
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmus: Agile Balancing Beispiel
P(k )
k
PDispatch
Battery1
Battery2
Bakery1
Bakery2
20
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmus: Agile Balancing Beispiel
P(k )
k
PDispatch
Battery1
Battery2
Bakery1
Bakery2
K3(0) = 3
KBatteryi (k ) = Tend,i − k − Ei−Ei (k )
TsPi
K4(0) = 1
20
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmus: Agile Balancing Beispiel
P(k )
k
PDispatch
Battery1
Battery2
Bakery1
Bakery2
K3(0) = 3
K4(0) = 1
K5(0) = 2
K6(0) = 5
KBakeryi (k ) = Tend,i − Trun,i − k
20
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmus: Agile Balancing Beispiel
P(k )
k
PDispatch
Battery1
Battery2
Bakery1
Bakery2
K3(0) = 3
K4(0) = 1
K5(0) = 2
K6(0) = 5
20
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmus: Agile Balancing Beispiel
P(k )
k
PDispatch
Battery1
Battery2
Bakery1
Bakery2
K3(1) = 2
K4(1) = 1
K5(1) = 1
K6(1) = 4
20
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmus: Agile Balancing Beispiel
P(k )
k
PDispatch
Battery1
Battery2
Bakery1
Bakery2
K3(2) = 1
K4(2) = 0
K5(2) = 0
K6(2) = 3
20
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmus: Agile Balancing Beispiel
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
KBucketi (k ) = Ei−Ei (k )
TsPi
20
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmus: Agile Balancing Beispiel
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
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmus: Agile Balancing Beispiel
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
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmus: Agile Balancing Beispiel
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
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algorithmus: Agile Balancing Beispiel
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
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Algoritmus: Agile Balancing
• getested mit 106 units
• Rechenzeit ca. 3 min 26 s
• Anteile der Aquivalenzklassen beeinflussen Ergebnis
21
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
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
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Fazit
• Nachfrageflexibilitat lasst sich in verschiedene Klassen unterteilen
22
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Fazit
• Nachfrageflexibilitat lasst sich in verschiedene Klassen unterteilen
• Mathematische Modellierung der Klassen zu Verwendung inAlgorithmen
Ei
t
Ei
Ei
22
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Fazit
• Nachfrageflexibilitat lasst sich in verschiedene Klassen unterteilen
• Mathematische Modellierung der Klassen zu Verwendung inAlgorithmen
• Heuristische Algorithmen ermoglichen es das Problem schnell zulosen
P(k )
k
PDispatch
22
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
Fazit
• Nachfrageflexibilitat lasst sich in verschiedene Klassen unterteilen
• Mathematische Modellierung der Klassen zu Verwendung inAlgorithmen
• Heuristische Algorithmen ermoglichen es das Problem schnell zulosen
• Die Losungen der Algorithmen sind nur geringfugig schlechter als dieoptimale Losung
22
•
Lena Winter – Nachfrageflexibilitat in Smart Grids und ihre Nutzen Institute of Theoretical InformaticsAlgorithmics Group
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
Top Related