Analyzing Scenario Generation for Energy Market Modeling

Abstract

Som en konsekvens av den økte mengden av menneskeskapte klimagassutslipp har EU besluttet å redusere CO2-utslippene med 80% i forhold til nivået fra 1990 innen 2050. Det europeiske kraftsystemet antas å ha en betydelig innvirkning på dette ved å potensielt bli fullstendig dekarbonisert innen 2050. Optimeringsmodellering brukes for å veilede beslutningstakere ved å beregne optimale beslutningsstier for hvordan dette kan oppnås. Disse modellene inkluderer ofte usikre parametere som kan være vanskelige å kvantifisere, og modellresultatene kan dermed ofte stilles spørsmålstegn ved. I overgangen mot en avkarbonisert kraftsektor er derfor en metodikk som gir pålitelige løsninger som reduserer denne usikkerheten av stor interesse.

I denne oppgaven er det gjennomført et studie av tre forskjellige scenariogeneringsrutiner. Rutinene har ulike tilnærminger for å representere stokastisiteten til de fornybare energikildene som brukes i den stokastiske programmeringsmodellen, EMPIRE (European Model for Power system Investment with Renewable Energy). Rutinene er testet for både bias og konvergens ved bruk av in-sample og out-of-sample stabilitet, i tillegg til at det er utført en dataanalysestudie for de fornybare energikildene og den generelle ytelsen til scenariogenereringsrutinene.

Motivasjonen for å studere scenaregenereringsrutiner er å generere scenarier som bedre approksimerer den virkelige distribusjonen og bedre forstå de potensielle kostnadene ved å investere i de respektive fornybare kraftgeneratorene med usikker produksjon. Å ha modeller som gir løsninger med en bias kan villede politikere ved å feilberegne alternativkostnaden og føre til betydelig tap.

As a consequence of the increased amount of human-generated greenhouse gas emissions, the EU has decided to reduce the CO2-emissions by 80% from 1990 levels until 2050. The European power system is believed to contribute significantly, potentially becoming completely decarbonized by 2050. Optimization modeling is used for guiding policymakers by calculating optimal pathways to how this may be achieved. These optimization models often includes uncertain parameters which can be difficult to quantify and the model results can thereafter be questioned. In the transition towards a decarbonized power sector, a methodology which yields reliable and stable results is therefore of great interest.

In this thesis, a case-study of three different scenario generation routines have been conducted. The routines proposes different approaches to represent the stochasticity of the renewable energy sources being used in the stochastic programming model, EMPIRE (European Model for Power system Investment with Renewable Energy). The routines have been tested for both bias and convergence using in-sample and out-of-sample stability, in addition to having performed a data analysis study on the renewable energy sources and the general performance on the scenario routines.

The motivation for studying scenario generation routines is generating scenarios which better approximates the true distribution and better understand the span of the potential costs of investing in the respective renewable power generators with uncertain production. Having models which output biased solutions may mislead policymakers by miscalculating the opportunity cost and lead to significant loss.