| dc.description.abstract | Fleksibilitet kan i bred forstand forstås som villigheten og evnen til å endre produksjon eller last. Slik tilpasningsdyktighet kan bidra til mer effektiv nettdrift. Teoretiske tester og pilotprosjekter har funnet potensial i å utnytte fleksibilitet fra flere forskjellige tilbydere. En generell erfaring er at fleksibilitet kan bli svært nyttig til flere formål. Blant annet kan balanseringskostnader reduseres, og nettinvesteringer kan utsettes.
En markedsløsning er en av flere muligheter til å aksessere småskala fleksibilitet. Markedet er ment som en plattform der de som tilbyr og etterspør fleksibilitet kan møtes, slik at det kan legges til rette for balansering. Hvorvidt en markedsløsning for fleksibilitet bør innføres, og det eksakte markedsdesignet, er et aktuelt diskusjonstema, der mange aspekter må tas i betraktning. For eksempel må produktet fleksibilitet tydelig defineres som en omsettelig vare, og rammeverk for utveksling, avtaler og prisbestemmelse må standardiseres. En viktig fordel ved balansering via et marked er også at konkurranseaspektet induserer samfunnsøkonomiske og rettferdige markedsresultater.
En eksemplifisert, lokal markedsmodell har blitt programmert ved å bruke Python og den lineære programmeringspakken Lpsolve, med mål om å studere fleksibilitetsmarkeder nærmere. Det foreslåtte designet er basert på Modell Prediktiv Kontroll (MPC), en responsbasert og dynamisk kontrollalgoritme. I kjernen av denne tilnærmingen ligger evnen til å forutse informasjon basert på systemets oppførsel og historiske data. Markedet kan dermed beregne optimale avgjørelser for nåtiden, basert på forespeilet systemutvikling. Parameteret kalt prediksjonshorisont er spesielt sentral for å kunne tilpasse algoritmen til spesifikke systemer.
Markedet finner markedsbalansen ved å optimere bruk av tilgjengelige ressurser over tid. Det beregnes en optimal timeplan for fleksibilitetsaktivering, samt en lokal strømpris, i hvert tidssteg. Markedsalgoritmen består av et optimeringsproblem som utføres hver time, for et sett av timer fremover. Testene gjennomføres for et antatt lokalt energisamfunn, og analysene blir gjort for ett døgn. To ulike situasjoner ble valgt; normale forhold, og en dag der det er redusert overføringskapasitet i noen timer, som følge av et utfall.
Ifølge analysene blir den optimale fleksibilitetstimeplanen og balanseringskostnader i ulike deler av dagen sterkt påvirket av valget av prediksjonshorisont. Et marked med en noe kort prediksjonshorisont har begrenset oversikt over den kommende lastprofilen, og dermed mindre mulighet til å planlegge bruk av fleksibilitet på sikt. Et marked med en noe lengre prediksjonshorisont genererer en mer jevnt distribuert fleksibilitetstimeplan, som inkluderer forberedelser til forutsette kapasitetsproblemer. Disse indikasjonene blir tydeligere når dagen med utfall analyseres. De beregnede priskurvene viser minst volatilitet når langsiktige forberedelser er mulige, selv når en uventet hendelse inntreffer. Derimot, når det kun optimeres for noen få timer av gangen, vil feilen kunne bli for stor til at markedet klarer å håndtere den. Dette kan indusere plutselige og høye pristopper, og følgelig mindre forutsigbare strømregninger.
Selv om det lokale markedet beregner de mest samfunnsøkonomiske resultatene når det planlegges for mange timer av gangen, kan det likevel være at en lang prediksjonshorisont ikke er det beste valget. Et eksempel er dersom prisene i distribusjonsnettet er vanskelige å forutsi. Da er det lite nytte i å legge planer for mobilisering av fleksible ressurser langt frem i tid. I tillegg vil beregninger kunne bli ubrukelige dersom det oppstår uforutsette hendelser nær sanntid, og det må optimeres på nytt.
En generell erfaring fra arbeidet med masteroppgaven er hvordan MPC kan være en nyttig metode å bruke i sammenheng med balansering i et fleksibilitetsmarked. Med for eksempel Avanserte Måle- og Styringssystemer (AMS) vil det for eksempel kunne bli mer informasjon å basere prediksjoner av lastkurver på. Når det gjelder fleksibilitetsmarkedet generelt er det definitivt et potensial i å utnytte fleksibilitet til både balansering og nettformål. Fordi etableringen av en effektiv markedsplattform avhenger av at mange deltakere er aktive allerede fra starten av, kan det tenkes at markedets oppstartsfase vil være den mest utfordrende. Likevel viser eksempelanalysene gjennomført i denne masteroppgaven at det finnes et betydelig potensial så snart en plattform for markedsbasert fleksibilitetsutveksling er i drift. | |
| dc.description.abstract | Flexibility is broadly defined as the willingness and ability to change production or consumption. By doing so, participants in the power system can adapt to the physical situation in the grid and contribute to more efficient grid operation. Theoretical tests and practical pilots unveil the potential for flexibility from various contributors. A general understanding is that flexibility can become valuable for several different applications in the power system. For example, balancing costs can decrease, and grid investments can be postponed.
A market solution is one of several means of accessing small-scale flexibility. The market is intended as a platform where those providing and requesting flexibility meet, facilitating balance in the power system. Whether a market platform for flexibility should be implemented, and the exact market design, is still a topic of discussion. There are many aspects to consider. For example, flexibility must be distinctly identified as a tradable commodity, and the framework for trades, agreements and price formation must be standardised. An important advantage of balancing through a market is the competitive aspect, creating socioeconomic and fair results for the participating parties.
To investigate flexibility markets further, an exemplified, local market model has been programmed using Python and the linear programming package Lpsolve. The proposed design is based on the methodology called Model Predictive Control (MPC). In the centre of this approach lies the ability to predict information based on system behaviour and historical data. This way, the market can arrive at optimal decisions for the present, based on anticipated system development. With different options within the exact algorithm design, the methodology can be tailored to systems with different qualities. An example is to change the prediction horizon, which is the interval over which the algorithm optimises.
The market platform determines the market balance by optimising the use of resources over time, thereby achieving an optimal flexibility dispatch and local electricity price in every time step. The market algorithm consists of an optimisation problem being executed every hour. Market analyses were performed in an assumed energy community, for a 24-hour day. Two different situations were chosen; normal operating conditions, and a day where there is reduced capacity in some hours due to an outage.
According to the analyses, the selection of prediction horizon strongly affects the timetable for flexibility activation, and thereby the balancing costs in different parts of the day. A market algorithm with a somewhat short prediction horizon has a limited overview of the upcoming load profile, hence less opportunity to schedule flexibility long-term. A market algorithm with a somewhat long prediction horizon produces a more evenly distributed flexibility dispatch, including preparation for anticipated capacity issues. These indications became even more visible when analysing a day where the grid faces an outage. When long-term preparation is possible, computed price sets show the least volatility, even when an unforeseen event occurs. On the contrary, when optimising for only a few hours at a time, the fault becomes difficult to handle, hence forcing the utilisation of any currently available resources. This can induce sudden and high price peaks, i.e. less predictable electricity bills for customers.
Even though the market algorithm produces the most socioeconomic results when it is scheduling flexibility for the longest set of hours, this might still not always be the optimal choice. For example, when distribution grid prices are difficult to predict, there is no use in making plans for a long period. Also, when unexpected events occur close to real-time, already performed computations are wasted and must be redone.
A general experience from the thesis work is how MPC can be a useful method in relation to flexibility market balancing. With for example Advanced Metering Systems (AMS) there will be more information on which to base predictions about future load curves. As for flexibility markets in general, there is definitely a potential to utilise flexibility for both balancing and grid purposes. Since the formation of an efficient market platform requires many participants to be active already from the beginning, the initial start-up phase might be the most challenging. However, the analyses performed in this thesis indicate a significant potential once a market-based flexibility platform is in operation. | |
