Paper Title (use style: paper title)

Unsicherheiten der PV- & Windenergieerzeugung
und deren Einfluss auf Energiemanagementsysteme
in Mikronetzen
B.Sc. T. Nauhauser
IEH, Universität Stuttgart
Stuttgart, Deutschland
[email protected]
M.Sc. M. Nemati
IEH, Universität Stuttgart
Stuttgart, Deutschland
[email protected]
Kurzfassung—Das Konzept des Mikronetzes wurde als
Lösungsansatz für den stark zunehmenden Anteil an dezentraler
Einspeisung entwickelt. Auf Grund der Fähigkeit des MGs im
Verbundnetz- oder wahlweise im Inselnetzmodus betrieben zu
werden, steigt die Unabhängigkeit und Ausfallsicherheit. Zudem
sind die Einbindung und der Ausbau von erneuerbarer
Erzeugung einfacher realisierbar und die Energie kann direkt
vor Ort ohne lange Übertragungsstrecken konsumiert werden,
was Verluste reduziert und somit die Effizienz steigert. Jedoch
benötigt das MG-Konzept für eine betriebssichere, technische
und
wirtschaftlich
attraktive
Umsetzung
weitere
Untersuchungen. In dieser Arbeit wurde der Einfluss von
Unsicherheiten von Photovoltaik- und Windenergieerzeugung
auf
die
optimale
Energiebereitstellung
durch
ein
Energiemanagementsystem (EMS) untersucht. Es wurde auf
Kostenoptimierung ausgelegt und diese mittels Mixed Integer
Linear Programming (MILP) in Matlab® implementiert und
berechnet. Als Löser wurde CPLEX verwendet. Dabei wurde
eine rollende Planung für eine Woche implementiert und die
Auswirkung von Prognosefehlern auf die Kosten in einer
Szenarienreihe untersucht. Hierfür wurden historische
Wetterdaten kategorisiert und probabilistisch ausgewertet.
Schlagwörter— Mikronetz, Energiemanagementsystem (EMS),
Mixed Integer Linear Programming (MILP), rollende Planung,
probabilistische Analyse.
I. EINLEITUNG
Angesichts des starken Wandels in der Struktur der
deutschen aber auch der weltweiten Elektrizitätsversorgung
stehen wir großen Herausforderungen gegenüber. Die
regulatorischen Maßnahmen der Regierung für Erneuerbare
Energien (EE) haben einen deutlichen dezentralen Zubau von
Photovoltaik (PV) und Windenergie bewirkt. Um die
politischen Ziele der Bundesregierung bis 2030 50% und bis
2050 80% Anteil erneuerbarer Energien [1] verwirklichen zu
können und gleichzeitig den wirtschaftlichen und
gesellschaftlichen Anforderungen an die elektrische
Versorgungssicherheit und Qualität gerecht zu werden, muss
ein neues Versorgungskonzept etabliert werden.
Prof. Dr. S. Tenbohlen
IEH, Universität Stuttgart
Stuttgart, Deutschland
[email protected]
Unterstützend zu den dezentralen Energieerzeugern (DEE)
PV und Wind werden auch konventionelle Erzeuger wie
Dieselgeneratoren und die neu entwickelten Mikrogasturbinen
eingesetzt. Diese verbrauchernahen DEE werden in ein
sogenanntes Mikronetz (kurz MG von engl. Microgrid)
integriert, welches z.B. eine kleine Gemeinde oder Stadt bzw.
bei größeren Städten ein Stadtteil sein kann. Ein MG muss in
der Lage sein unabhängig von einem übergeordneten
Verbundnetz betrieben zu werden und überschüssige Energie
zu speichern. Allerding muss es auch in das Verbundnetz
einspeisen können, wenn in entfernten anderen MGs Energie
verlangt wird. Um diese Ansprüche zu erfüllen, muss ein MG
auch mit einer Speicherkomponente wie z.B. einem
Akkumulator oder einer „Power-to-Gas” Anlage ausgestattet
werden. Die Dimensionierung erfolgt nach dem Anteil der
EEen am Verbrauch und den Spitzenwerten in Verbrauch und
Erzeugung.
Jedoch bringt eine dezentrale Versorgung mit kleinen
Erzeugereinheiten, welche über das MG verteilt sind, Probleme
im Bereich der Spannungshaltung und Schutzmaßnahmen mit
sich [2] [3]. Um alle Voraussetzungen einhalten zu können,
müssen die Positionen der DEE-Einheiten im Netz sinnvoll
gewählt und alle MG-Komponenten von einer zentralen
Kontrolleinheit [4] gesteuert werden. Diese Kontrolleinheit soll
den Betrieb des MGs optimieren und betreibt ein
kostenminimierendes EMS [5].
Das Konzept eines MGs mit einem EMS ist in Abb. 1
dargestellt. Es zeigt die vier Bereiche Last, steuerbare
Erzeugung, nicht steuerbare Erzeugung und Speichersystem
auf. Auch aufgeführt sind das Verbundnetz, der
Verknüpfungspunkt, die Wettervorhersage und im Zentrum das
EMS. Alle Komponenten kommunizieren mit dem EMS. Das
EMS ermittelt den kostenoptimalen Betriebspunkt des ganzen
MGs und steuert demzufolge die Komponenten.
II. PROBLEMFORMULIERUNG DER BETRIEBSOPTIMIERUNG
Fluctuating
Generation
Photovoltaics
Power
Grid
(controllable) Load
Wind
Adjustable Generation
Energy
Management
System
Für
ein
MG
mit
K-Generatoren
kann
das
Betriebsoptimierungsproblem wie folgt formuliert werden
[7][8]:
∑ ( )
Point of
Common
Coupling
( )
H2
Biogas
Fuel Cell
CHP
Weather
Forecast
Energy
Storage
Power Supply Line
Communication
Abbildung 1. Konzept eines MGs mit EMS
Für das übergeordnete Verbundnetz besteht der Vorteil
darin, dass dieses MG als eine Einheit innerhalb des großen
Versorgungssystems betrachtet werden kann. Es kann somit als
virtuelles Kraftwerk auf der Ebene von konventionellen
Kohle-, Gas- oder Kernkraftwerken betrachtet werden, jedoch
mit dem Vorteil, dass es auch Energie aufnehmen und
speichern kann [5]. Ein weiterer Vorteil liegt darin, dass ein
MG im Normalfall von den Stadtwerken oder den
Verbrauchern selbst direkt eingerichtet wird. Damit wird eine
persönliche Verbindung zur elektrischen Erzeugung
geschaffen, was die Akzeptanz und Unabhängigkeit steigert.
Wenn man auch bedenkt, dass in den momentanen
Strompreisen die Übertragungsverluste inbegriffen sind und
diese durch eine regionale Erzeugung stark reduziert werden,
so stellt ein MG diesbezüglich auch eine Kostenreduzierung
dar. Ob ein MG eine kostengünstigere Stromversorgung
darstellt hängt stark vom Design und Steuerung ab, und wie
sich die zentralen Strompreise entwickeln.
Für den Betrieb eines MGs stellt das Management der
Wirkleistung
jeder
Erzeugungseinheit
eine
große
Herausforderung dar, wenn alle gewünschten Bedingungen
(Lebensdauer der Komponenten maximieren, Kosten und
Emissionen minimieren, Versorgungssicherheit garantieren)
eingehalten werden sollen. Diese Aufgabe erfüllt für
gewöhnlich die zentrale Kontrolleinheit für Intervallbereiche
von Minuten bis Stunden [6]. Dabei fließen Informationen wie
die Entwicklung des Strompreises und Stromverbrauchs, die
Betriebsgrenzen der Anlagen, Wettervorhersagen, Heizbedarf,
u.v.m. in die Auswertung ein. Je genauer und ausführlicher die
Informationen, desto kostenoptimaler kann das MG operieren,
wodurch es wirtschaftlich attraktiver werden kann.
Das Ziel dieses Artikels ist es die Auswirkungen von
Vorhersageungenauigkeiten
für
PVund
Windenergieerzeugung auf ein EMS in MGs aufzuzeigen.
Hierfür wurde ein bereits entworfenes EMS um eine rollende
Planung erweitert und mit bearbeiteten, historischen
Wetterdaten
ausgewertet.
Die
Wetterdaten
wurden
kategorisiert und probabilistisch verarbeitet. Es wird eine
Methode vorgestellt wie eine Implementierung von sich
zeitlich ändernden Prognosefehlern in der Optimierung
umgesetzt werden kann und welche Bedingungen entscheidend
sind.
( )
∑[ (
( ))
(
( )
( )]
( )
( ))
( )
Wobei die Zielfunktion ist,
steht für den betrachten
Zeithorizont und
ist das momentane Zeitintervall von .
ist die quadratische Kostenfunktion eines Generators,
ist
die Erzeugte Leistung eines Generators,
sind die
Betriebs- und Wartungskosten eines Generators,
sind die
Kosten bzw. der Profit für den Austausch mit dem
Verbundnetz und
und
sind die Start- und
Abschaltkosten eines Generators. Die Tarifstruktur für die
Austauschleistung mit dem Netz wurde für den betrachteten
Zeitraum vom European Energy Exchange (EEX)
übernommen und auf ein Niveau, welches 2050 zu erwarten
ist, gehoben. Heizkosten werden in diesem Artikel nicht
berücksichtigt.
Eine weitere Bedingung ist, dass sich Erzeugung und
Verbrauch immer im exakten Gleichgewicht befinden müssen.
Daher muss gelten:
( )
( )
( )
∑
( )
( )
( )
( )
( )
( )
( )
Hierbei ist
die Summe aller Lasten,
die
Austauschleistung der Batterie,
die Summe der
erneuerbaren Erzeuger,
die Austauschleistung mit dem
Netz und
und
die minimale bzw. maximale
Ausgangsleistung eines Generators. Der binäre Wert
gibt
an, ob der Generator an oder aus ist.
Des Weiteren müssen noch Bedingungen für
und
,
die minimale Einschalt- bzw. Ausschaltzeit (MinU bzw. MinD)
eines
Generators,
die
Hochlaufund
Herunterfahrgeschwindigkeit
eines
Generators,
das
Batteriemanagement und den Verbundnetzaustausch formuliert
werden. Auch kann die zentrale Zielfunktion um die
leistungsabhängigen Emissionen eines Generators erweitert
werden. Zu Gunsten der Übersichtlichkeit werden die Formeln
hier nicht weiter aufgeführt.
Es wurde ein Simulationsalgorithmus basierend auf
Matlab® für die Optimierung der wirtschaftlichen
Lastenverteilung im MG entworfen. In diesem Algorithmus
wurde wiederum CPLEX als Löser für MILP-Probleme
verwendet [9]. Alle aufgeführten Bedingungen wurden
berücksichtigt oder für Untersuchungszwecke teilweise
ausgeschaltet.
V. IMPLEMENTIEREN EINER ROLLENDEN PLANUNG
III. KATEGORISIERUNG HISTORISCHER WETTERDATEN
Als Grundlage für ein EMS, welches durch
Wettervorhersagen gestützt wird, dienen hier die Wind- und
Einstrahlungsmessdaten des Messmastes am Karlsruher Institut
für Technologie (KIT) [10]. Diese Daten wurden stundenweise
bestimmten Kategorien [11] zugeteilt, welche in Tabelle I
aufgelistet sind. Die Anzahl der Kategorien ist prinzipiell
beliebig, wurde hier jedoch auf 5 beschränkt. Grundsätzlich
gilt, dass wenn die Anzahl der Kategorien erhöht wird, auch
die Genauigkeit der Optimierung des MGs steigt. Darauf wird
in Kapitel VI genauer eingegangen.
TABELLE I. KATEGORISIERUNG VON EINSTRAHLUNG UND WINDSTÄRKE
Kategorien
Parameter
Kat. 1
Kat. 2
Kat. 3
Kat. 4
Kat. 5
Einstrahlung
Niederschlag
leichter
Niederschlag
bewölkt
leicht
bewölkt
sonnig
Windstärke
windstill
leichte
Brise
mäßige
Brise
steife
Brise
Sturm
Da sich der Prognosefehler des Wetters verringert, je kürzer
der zeitliche Abstand zum Prognosezeitpunkt ist, sollte für die
Optimierung die Horizontweite so gewählt werden, dass ein
festgelegter akzeptabler Fehlerwert nicht überschritten wird.
Gleiches gilt für die Prognosen der Strompreise (Verbundnetz)
und Last (elektrisch und thermisch). Welcher Fehler akzeptabel
ist, wird hauptsächlich durch die vorgegebene Zeit limitiert, in
welcher die Optimierung ablaufen muss. Denn die
Berechnungszeit
nimmt
quadratisch
mit
jeder
Intervallerweiterung zu.
Somit ist die Horizontweite definiert und es muss nach
jedem verstrichenen Zeitintervall eine neue Optimierung mit
neuen, genaueren Prognosewerten von einem regionalen
Wetterbericht, berechnet werden. Dieses fortschreitende
Optimieren wird auch rollende Planung (RP) genannt [12].
In Abbildung 3 ist das Prinzip der RP aufgezeigt. Es wurde
hier eine Horizontweite von 4 Stunden und eine Intervallweite
von einer Stunde gewählt. Die Schrittweite, d.h. das Vorrücken
bzw. Verschieben, der Planung bzw. hier Optimierung ist auch
eine Stunde.
Optimierungshorizont 3
IV. PROBABILISTISCHE AUSWERTUNG DER KATEGORIEN
Da das EMS für eine Optimierung konkrete Werte benötigt,
muss von jeder Kategorie beider Parameter der
wahrscheinlichste Wert ermittelt werden. Dies geschieht,
indem für jede Kategorie, mit einem selbst entwickelten
Algorithmus in Matlab®, die beste Verteilungsfunktion (engl.
Probability Distribution Function, kurz PDF) gefunden wird.
Es wurden immer alle gängigen PDFs (insgesamt 20) mit dem
Algorithmus überprüft und der beste Fit ermittelt. Die
Genauigkeit wurde mit dem Root-Mean-Square Error (RMSE)
festgestellt. Aus dieser PDF wird dann der mode-Wert
ermittelt, welcher dem Wert mit der höchsten
Auftrittswahrscheinlichkeit entspricht.
In Abbildung 2 wird beispielhaft eine Weibullverteilung
gezeigt. Hier kann man auch erkennen, dass der eben erwähnte
mode-Wert nicht mit dem median- und Mittelwert (engl. mean
value) übereinstimmen muss. Dies ist nur der Fall bei
symmetrischen PDFs.
Abbildung 2. Beispielhafte Weibullverteilung mit mode, mean und median
Optimierungshorizont 2
Optimierungshorizont 1
0
1
2
3
Stunden [h]
4
5
6
Abbildung 3. Prinzip der rollenden Planung
VI. IMPLEMENTIEREN DES PROGNOSEFEHLERS
Von einem regionalen Wetterbericht wird nun eine der in
Kapitel III aufgeführten Kategorien für die kommenden
Stunden vorhergesagt. Diese Vorhersage ist mit einer
bestimmten Eintrittswahrscheinlichkeit (EW) verbunden,
welche von der Qualität des Anbieters bzw. der Einrichtung
abhängt. Dieser Fehlerwert kann von der Quelle angegeben,
aber auch über eine Dokumentation und einen Vergleich
ständig aktualisiert werden.
Für die Simulation wurde mangels Zugang zu realen
Prognosedaten ein einfaches Konzept entworfen, mit dem
Prognosen nachgestellt werden können. So wurden für den
betrachteten Zeitraum der Simulation die Realmesswerte von
Einstrahlung und Windstärke die Kategorien jeder Stunde
ermittelt und dann nach dem Ablaufdiagramm in Abbildung 4
ein Prognosekatalog entworfen. So wird mit der RandomFunktion von Matlab® ermittelt ob die richtige Kategorie je
nach EW vorhergesagt wird. Falls der Zufallswert ergibt, dass
die Kategorie nicht vorhergesagt wird, so wird mit einer
bestimmten EW aus einer benachbarten Kategorie gewählt.
Da, wie in Kapitel V schon erwähnt, die Genauigkeit für
jedes weitere Zeitintervall abnimmt, werden immer geringere
EWen gewählt. Die in diesen Simulationen gewählten EWen
sind teilweise deutlich zu pessimistisch, da hier nur der Trend
der Optimierung eines MGs in Abhängigkeit zu den Kosten
gezeigt werden soll. In Kapitel VII wird darauf genauer
eingegangen.
Weather forecast of
one category
Likelihood of 6098%
yes
TABELLE III. EIGENSCHAFTEN DER KOMPONENTEN UND KRAFTSTOFFPREISE
no
If one direct
neighbouring
category
no
50%
chance for both
categories
Max.
Batterieleistung
10 kW
Diesel
1 €/l
Batteriekapazität
100 kWh
Erdgas
0,09 €/kWh
Batterieverluste
0,1% der
Kapazität
pro 10min
PV-Module
(geringer/hoher
Anteil EE)
1800/3000
Module à
190-Wp
Max.
Austauschleistung
1000 kW
Windkraftanlage
(geringer/hoher
Anteil EE)
100/800 kW
yes
take this
category
EMS optimization for
the category
Abbildung 4. Ablaufdiagramm zum Bestimmen des Prognosekataloges
VII. SZENARIEN
Um
die
Auswirkungen
von
verschiedenen
Prognosegenauigkeiten auf die Kosten der MG-Optimierung zu
ermitteln, wurde eine Reihe verschiedener Szenarien
aufgestellt und durchlaufen. Diese werden dann in Kapitel VIII
miteinander verglichen und ausgewertet. Die Prognosen
beziehen sich auf ganze Stunden, daher wurde eine
Schrittweite der RP von 1h gewählt. Die Intervallweite beträgt
10min, was für eine RP von z.B. 2h bedeutet, dass sie aus 12
Zeitintervallen besteht.
Um vergleichbare Ergebnisse zu erhalten, wurde eine
Grundkonstellation für die Komponenten des MG erstellt und
diese bei jedem Simulationsdurchlauf beibehalten. In
Tabellen_II und III ist diese Konstellation aufgeführt. Jedes
Mal wird eine bestimmte, vollständige Woche mit skalierten
H0-Typtagen durchlaufen, wobei die Lastkurve ungefähr 1000
Musterhaushalten (3359 kWh, [13]) entspricht. Auch die
Stromtarife sind immer die gleichen, wobei hier die
Einspeisung immer nur mit pessimistischen 5% der
Bezugskosten angenommen wird. Zu sehen sind diese
Lastkurve und Stromtarif in Abbildung 5.1 und 5.2.
TABELLE II. GENERATOREN MIT CHARAKTERISTIKEN
Generator
installierte
Leistung
[kW]
MinU/MinD
[10min]
SU/SD
[€]
Brennstoffzelle
(BZ)
150
3/1
1/3
Mikrogasturbine_1
(MT1)
600
3/1
2/6
Mikrogasturbine_2
(MT2)
200
1/1
1/3
Dieselgenerator_1
(DG1)
120
1/1
≅ 0/0
Dieselgenerator_2
(DG2)
75
1/1
≅ 0/0
Abbildung 5.1. Lastkurve einer Woche in 10min-Intervallen
Abbildung 5.2. Stromtarif einer Woche in 10min-Intervallen
Die betrachtete Woche ist eine Sommerwoche im Juli
(07.07.2008 bis 13.07.2008) und für den gleichen Zeitraum
wurden auch die skalierten EEX-Strompreise gewählt. Die die
verschiedenen Szenarienreihen lassen sich wie folgt
unterteilen:
A. Keine RP mit realen Messkurven
Dieses Szenario dient als Referenzsimulation, um zu
ermitteln, was das absolut beste Ergebnis ist. Hierbei wurde die
ganze Woche als Planungshorizont (PH) betrachtet und davon
ausgegangen, dass alle Einstrahlungs- und Windstärkewerte
exakt richtig sind. Auch die restlichen Verläufe der Last und
des Stromtarifs sind sowohl hier als auch in allen folgenden
Szenarien exakt richtig.
B. Keine RP mit Kategorien und 100% EW
Wie Szenario A dient auch diese Simulation als Referenz.
Erneut wurde die ganze Woche als PH betrachtet, jedoch
wurde hier nicht von den realen Wettermesskurven
ausgegangen, sondern von den Kategoriewerten jeder Stunde.
Die stündlichen Kategorien sind richtig, weshalb die EW 100%
beträgt.
C. RP mit realen Messkurven
Auch dieses Szenario dient als Referenz, da hierbei ebenso
wie in Szenario A alle Verläufe real sind. Allerdings wird
Szenario A nun mit einer RP betrachtet. Es werden PHe von
1h, 2h und 3h simuliert.
D. RP mit 100% EW
Nun wird die Erweiterung, welche bei Szenario A zu
Szenario B durchgeführt wurde, auf Szenario C angewendet.
Die realen Messkurven werden mit den Kategoriewerten
ersetzt und die EW ist 100%. Jetzt gibt es jedoch eine RP
gleich der RP in Szenario C.
Abbildung 7. Kosten von Szenario C in Abhängigkeit zur Planungslänge
E. RP mit 60-98% EW
In Szenario E werden die EWen nun variiert, wobei die
Tendenz wie in Kapitel V beschrieben ist. Verschieden starke
Tendenzen werden betrachtet.
F. Zusätzliche Simulation RP mit 60-98% EW mit erhöhten
min. MinU/MinD
Szenario F ist ein kurzer Zusatz zu Szenario E und soll den
Einfluss der MinU/MinD bei verschiedenen EWen aufzeigen.
Abbildung 8. Kosten von D und E in Abhängigkeit zur Planungslänge
Abbildungen 9 bis 11 führen den Kostenzuwachs1 abhängig
von der RP-Länge und den verschiedenen EWen auf. Eine
gleiche Benennung auf der x-Achse bedeutet, dass nur die EW
verringert wurde.
Bei jedem Szenario wurde eine Simulationsreihe mit
hohem Anteil EE (hEE) und geringerem Anteil EE (gEE)
durchgeführt. In Tabelle 2.2 unten kann man den unterschied
der installierten EE-Leistungen ablesen. Bei beiden Reihen
wurde der Verbundnetzbetrieb mit und ohne Batterie
betrachtet. Der Reihe „geringerer Anteil EE“ sind noch die
Varianten „Inselmodus – mit/ohne Batterie“ hinzugefügt
worden.
VIII. ERGEBNISSE
In Abbildung 6 sieht man die Ergebnisse der
Szenarienreihe A&B. Die Ergebnisse liegen bei ungefähr
3400€ für hEE mit (1) und 4100€ ohne (2) Batterie und ca. bei
11836 bis 12368€ für gEE (mit/ohne Bat. und mit/ohne
Inselnetzbetrieb). Die Preise von B fallen etwas höher aus, da
die sprunghaften Kategoriewerte des Windes mehr Regelung
verursachen. Auch weichen die Werte nicht stark von einander
ab, da die Batterie im Verhältnis zum Gesamtverbrauch recht
klein dimensioniert ist.
Abbildung 9. Kostenzuwachs von E mit sinkender EW
Abbildung 6. Referenzkosten von A und B
Abbildung 7 zeigt, dass die Ergebnisse von Szenario C mit
einem RP von 3h schon sehr nahe an der Referenz liegen.
Gleiches kann man in Abbildung 8 für Szenario D und E
erkennen.
Abbildung 10. Kostenzuwachs von E mit sinkender EW
1
Kostenzuwachs bedeutet hierbei, dass die Differenz von der Simulation im
Szenario verglichen zu dem Referenzszenario sich um die angegeben Kosten
geändert hat.
X. AUSBLICK
Abbildung 11. Kostenzuwachs von F mit sinkender EW
Der Zuwachs an Zeitbedarf bei Erhöhen der
Planungshorizontlänge (PHL) ist in Abbildung 12 ersichtlich.
Für eine genauere Betrachtung der Prognosefehler sind
reale Prognosen mit gemessenen Wetterdaten erforderlich.
Dabei sollte genauer aufgelöst werden als 10min und die
Schrittweite der RP reduziert werden. Auch sollten
verschiedene Prognosemethoden untersucht und ihre
Auswirkungen beschrieben werden.
Um die Lebensdauer der Batterie zu verlängern und den
Lade- bzw. Entladevorgang realistischer zu gestalten, ist ein
verbessertes Batteriemanagement mit detaillierterer Simulation
erforderlich. Auch ist im Moment eine Erweiterung der
Betriebsoptimierung mit einer Topologieberücksichtigung und
OPF in der Entwicklung.
Der
nächste
Schritt
in
Hinblick
der
Ungenauigkeitsbetrachtung wäre nun auch Last und
Tarifprognosen mit einzubeziehen. Zudem wäre eine
Heizbedarfkopplung
in
Zusammenhang
mit
der
Außentemperatur wünschenswert. Zudem wären weiter
umfangreiche
Auswertungen
mit
sinnvollen
Parameterveränderungen sinnvoll.
XI. DANKSAGUNG
Danken möchten wir dem KIT für das Bereitstellen der
Messdaten von Einstrahlungswerten und Windstärke, sowie
den Kollegen Dipl.-Ing. Simon Eilenberger und Dipl.-Ing.
Christoph Kattmann für ihre Unterstützung.
REFERENZEN
Abbildung 12. Berechnungsdauer mit versch. Planungshorizonten
IX. SCHLUSSFOLGERUNGEN
Es ist der Trend abzulesen, dass bei höheren
Prognosefehlern und geringeren PHen die Kosten steigen.
Die Batterie, die charakteristischen Generatorkosten SU/SD
als auch MinU/MinD haben einen entscheidenden Einfluss auf
das Kostenoptimum. Es bestätigt sich die Annahme, dass je
ungenauer die Prognosewerte sind, umso schlechter fällt die
Betriebsoptimierung aus. Je länger MinU/MinD sind, und
umso höher SU/SD, desto stärker sind die Einflüsse der
Vorhersagefehler.
Für die Batterieplanung ist es essentiell möglichst genau zu
wissen, wann überschüssige Energie anfällt und wann sie
benötigt wird. Dies ist auch im Hinblick auf die
Verbundnetztarife wichtig, da es sich eher lohnt bei hoher
Nachfrage – was bei Einspeisung gleichbedeutend zu höherem
Gewinn ist – einzuspeisen. Deswegen fallen auch die
Unterschiede in den Kosten bei verschiedener PHL mit
Batterie stärker aus.
Mit der Erweiterung der Optimierung um eine RP lassen
sich die stündlich veränderlichen Wetterprognosen gut
einbringen. Auch lässt sich somit optimale Berechnungsdauer
in Abhängigkeit von der Genauigkeit der Kostenoptimierung
einstellen. Die RP stellt auch eine Annäherung zu einer realen
Umsetzung da, denn ein Blick in die Zukunft ist immer mit
einer gewissen Ungenauigkeit behaftet und diese muss mit
einbezogen werden.
[1] Bundesumweltministerium
(BMU),
www.bmu.de,
“Energiekonzept 2050,” 2011.
[2] R.C. Dugan, M.F.McGranaghan, “Eletrical Power Systems
Quality”, second edition, McGraw-Hill, 2004.
[3] T. Niknam, A.M. Ranjbar, A.R.Shirani, “Impact of Distributed
Generation on Volt/Var Control in Distribution Networks”,
IEEE Bologna PowerTech Conference, June 2003.
[4] C. Marnay, G. Venkataramanan, M. Stadler, “Optimal
Technology Selection and Operation of Commercial- Building
Microgrids”, IEEE Transaction on Power System, 2007.
[5] S. Chowdhury, S. P. Chowdhury, and P. Crossley, Microgrids
and active distribution networks. Stevenage: Institution of
Engineering and Technology, 2009.
[6] R. Firestone, C. Marnay, “Energy Manager Design for
Microgrids”, Ernest Orlando Lawrence Berkeley National
Laboratory, University of California Berkeley, Jan 2005.
[7] Parisio, A. ; Glielmo, L.: A Mixed Integer Linear Formulation
for Microgrid Economic Scheduling. 2011 IEEE International
Conference, 2011, S. 505-510
[8] Viana, Ana.; Pedroso, Joao P.: A new MILP-based approach for
Unit Commitment in power production planning. In: Proc. of the
VII ALIO-EURO-Workshop on Applied Combinatorial
Optimization, Porto, Portugal, 2011, S. 9-12
[9] Cole Smith, J.; Caner Taskin, Z.: A Tutorial Guide to Mixed
Integer Programming Models and Solution Techniques. In:
Optimization in Medicine and Biology (2008), S.521-548
[10] Messmast am Karlsruher Institut für Technologie (KIT),
©_Institut für Meteorologie und Klimaforschung Forschungsbereich Troposphäre (IMK-TRO), 2013
[11] T. Niimura, K. Ozawa, D. Yamashita, “Profiling residential PV
output based on weekly weather forecast for home energy
management system,” in Power and Energy Society General
Meeting, 2012 IEEE, 2012, pp. 1–5.
[12] K. Kurbel, „Produktionsplanung und –steuerung“, 5. Aufl.,
München 2003, S. 112f.
[13] Musterhaushalt, verfügbar unter http://www.musterhaushalt.de
(Zugriff Januar 2014)