| dc.description.abstract | Mikronett anses som lovende byggesteiner for å realisere fremtidens smarte kraftsystem siden de legger til rette for å integrere distribuerte energikilder, energilagringssystemer, og kontrollerbare laster. For å utnytte det fulle potensialet av mikronett er det avgjørende at de styres og kontrolleres optimalt. Derfor er formålet med denne masteroppgaven å utvikle optimale kontrollmetoder for energistyringen i et nettilknyttet mikronett. Etter en omfattende litteraturstudie om energistyringssystemer (EMS) for mikronett, utviklet den første fasen av dette masterprosjektet en mikronettsimuleringsplattform i MATLAB/Simulink. Denne plattformen benyttet en fasorbasert løsningsmetode med variabel steglengde for å simulere et nettilknyttet mikronett bestående av et solcelleanlegg, en variabel last, en statisk last, og et batteri med en nedbrytningsmodell.
I den neste fasen av dette masterprosjektet ble det utviklet to energistyringssystemer for å kontrollere mikronettets batteri. Først ble det utviklet en enkel heuristisk metode som skulle fungere som en referanse for sammenligning. Videre ble det designet en optimaliseringsbasert algoritme basert på modellprediktiv kontroll (MPC). Det overordnede problemet ble formulert ved hjelp av blandet lineær heltallsoptimering (MILP). Denne typen optimeringsproblemer kan effektivt løses ved hjelp av kommersielt tilgjengelige programvarer for å oppnå mer nøyaktige resultater med lavere løsningshastighet. Metoden inkluderer variabel kraftelektronikk-virkningsgrad og batterikapasitet ved å oppdatere verdiene for hvert nye tidssteg og anse dem som konstante utover predikeringshorisonten. Dermed kan den utviklede kontrollalgoritmen anses som et multi-objektivt MILP-problem innlemmet i et MPC rammeverk for å kompensere for forstyrrelser og for å inkludere noe av den ikke-lineære dynamikken i systemet.
Avslutningsvis ble de foreslåtte kontrollmetodene undersøkt gjennom en omfattende casestudie over en to-måneders simuleringsperiode ved bruk av faktiske data for solkraftproduksjon, laster, og elektrisitetspriser. I alle beregningene lyktes MILP-MPC kontrollalgoritmen i å redusere de daglige energikostnadene sammenliknet med den heuristiske metoden. Videre viste resultatene at MILP-MPC kontrollalgoritmen klarte å fastsette referanseverdier for batteriet på en måte som: (1) minimerte innkjøp av energi fra det overordnede strømnettet ved pristopper; (2) maksimerte forbruk av egenprodusert solkraft; (3) utnyttet batteriet på en god måte innenfor dets grenser slik at nedbrytingen av batteriet ble minimert. Dermed kan det konkluderes med at det utviklede optimale energistyringssystemet er en fleksibel algoritme som kan konfigureres avhengig av det overordende styringsmålet. I tillegg ble en to-måneders simulering gjennomført med et kort tidssteg på fem minutter innenfor en passende kjøretid, noe som muliggjør sanntidsdrift. | |
| dc.description.abstract | The concept of microgrids is considered a promising building block for realizing the modern and future power system much due to its ability to integrate distributed energy resources, energy storage systems, and controllable loads. However, to utilize the full potential of microgrids, they need to be controlled and managed optimally. Therefore, this thesis aims to develop optimal control methods to perform the energy management of a grid-connected microgrid. Following an extensive literature review on microgrid energy management systems, the first phase of this work developed a microgrid simulation platform in MATLAB/Simulink. This platform utilized a variable-step phasor solving method to simulate a grid-connected microgrid comprising a photovoltaic (PV) system, a variable load, a static load, and a battery, including a degradation model.
In the second phase of this work, two energy management strategies were developed to determine the battery charging and discharging power set-points. As a first step, a simple heuristic method was developed to work as a reference for comparison. Further, an optimization-based scheduling algorithm based on the model predictive control (MPC) approach was proposed. The overall problem was formulated using mixed-integer linear programming (MILP), which can effectively be solved using commercially available solvers resulting in significant improvements in solution quality and computational burden. In this work, the power converter efficiency and battery capacity were considered time-varying by updating the values at each sample time and assuming them constant over the prediction horizon. Consequently, the resulting energy management strategy was cast as a multi-objective MILP problem incorporated in an MPC framework to account for disturbances and to capture some of the nonlinear dynamics of the system.
Finally, the proposed control approaches were investigated through an extensive case study over a two-month simulation period using actual PV, load, and electricity price data. For all cases, the MILP-MPC control algorithm succeeded in reducing the daily cost of the energy drawn from the main grid compared to the heuristic algorithm. Furthermore, depending on the chosen settings, the results showed that the MILP-MPC energy management strategy managed to determine the reference values for the battery power in a way that: (1) minimized the purchased energy during peak times; (2) maximized self-consumption of locally produced PV power; (3) made good use of the battery, keeping it within its limits and reducing its degradation. Thus, the result is a flexible algorithm that can be tuned depending on the overall control objective. Moreover, the two-month simulation was performed within an appropriate execution time using a short sample time of five minutes, which enables real-time operation. | |
