Baseline Estimation for Flexibility Validation
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3024852Utgivelsesdato
2022Metadata
Vis full innførselSamlinger
- Institutt for elkraftteknikk [2527]
Sammendrag
For å håndtere utfordringer fra ukontrollerbare energiressurser og implementering av distribuerte energiressurser, krever distribusjonssystemoperatører fleksible laster og energikilder som hjelper balanseringen av elektrisk energiforsyning og etterspørsel. En aggregator, som fungerer som en mellommann, kan kjøpe fleksibilitet fra forbrukere for å så samle dette og selge videre til en kjøper, som distribusjonssystemoperatører. Oppgjørsprosessen mellom aggregator og distribusjonssystemoperatør krever validering av den aktiverte fleksibiliteten, noe som kan være utfordrende siden den aktiverte fleksibiliteten ikke fysisk kan måles.
Hovedformålet i denne masteroppgaven inkluderer hvordan distribusjonssystemoperatøren kan validere denne etterspørselsside-fleksibiliteten på nettstasjonsnivå aktivert av aggregatoren i oppgjørsprosessen, og hvordan valideringen kan implementeres i et realistisk scenario ved å bruke forbruksdata tilgjengelig for distribusjonssystemoperatøren. Lastprognosemetoder for grunnlinjeestimering kan brukes til disse formålene, da de estimerer hva forbrukere ville ha konsumert i fravær av fleksibilitetsaktivering. To regresjonsmetoder ble foreslått i denne oppgaven: kunstig nevrale nettverk og flerlineær regresjon.
To strategier ble implementert med regresjonsmetodene: rekursiv og korrigerende. Den rekursive strategien ble valgt for å forbedre estimeringsresultatene og få simuleringene til å reflektere et virkelighetsscenario, da kun data tilgjengelig for distribusjonssystemoperatøren ble brukt. Den korrigerende strategien ble implementert for å forbedre nøyaktigheten til den rekursive strategien. Det ble brukt kunstig nettstasjonsdata med både 1 og 5 minutters frekvens. Grunnlinjeestimering av individuelle husholdninger ble også utført for å undersøke om mer informasjon angående fleksibilitetsvalideringen kunne bestemmes på et lavere nivå.
Implementeringen av den rekursive strategien viste mer nøyaktige resultater i kunstig nevrale nettverk enn flerlineær regresjon. Begge metodene fulgte trenden til den faktiske grunnlinjen, men ingen av metodene var i stand til å fange opp den høye fluktuerende frekvensen. Den korrigerende strategien forbedret estimeringsresultatene til en viss grad. Nøyaktigheten av metodene etter implementering av strategiene er moderat. Det er imidlertid rom for forbedringer i fremtiden ved å blant annet bruke passende forklaringsvariabler og avanserte maskinlæringsalgoritmer.
Frekvensjusteringen hadde lite eller noe betydning for nøyaktigheten til metodene, og ingen av de to frekvensene vil derfor være mer gunstige for distribusjonssystemoperatøren. Siden grunnlinjeestimering er utfordrende på boligdata, kan bidraget fra de enkelte husestimatene være ubetydelig for distribusjonssystemoperatøren i oppgjørsprosessen.
Kompleksiteten til validering ved bruk av grunnlinjeestimering er bevist, der selv de vanligste regresjonsmetodene mislykkes på grunn av problemets natur. Videre arbeid bør undersøke faktorene som påvirker strategiene og undersøke ulike strategier. To deal with challenges posed by intermittent energy resources and the implementation of distributed energy resources, distribution system operators require flexible loads and energy sources that support the balancing of electrical energy supply and demand. An aggregator, acting as an intermediary, may purchase flexibility from consumers to aggregate and sell to a buyer, such as distribution system operators. The settlement process between aggregator and distribution system operator requires validation of the activated flexibility, which can be challenging as this activated flexibility can not be physically measured.
The main research question of this thesis includes how the distribution system operator can validate this demand-side flexibility at substation level activated by the aggregator in the settlement process and how validation can be implemented in a realistic scenario using consumption data available to the distribution system operator. Load forecasting methods for baseline estimation can be implemented for this purpose, as they estimate what consumers would have consumed in the absence of flexibility activation. Two regression methods were proposed in this thesis: artificial neural network and multiple linear regression.
Two strategies were implemented with the regression methods: recursive and rectifying. The recursive strategy was chosen to improve the estimation results and make the simulations reflect a real-world scenario, as only data available to the distribution system operator was used. The rectifying strategy was implemented to improve the accuracy of the recursive strategy. Artificially created substation data with both 1 and 5-minute frequency were used. Baseline estimation of individual households was also conducted to examine whether more information regarding the flexibility validation could be determined at a lower level.
The implementation of the recursive strategy showed more accurate results in artificial neural network than multiple linear regression. Both methods followed the trend of the actual baseline, but neither method was able to capture the high fluctuating frequency. The rectifying strategy improved the baseline estimation results to some degree. The accuracy of the methods after implementing the strategies is moderate. However, it has scope for improvement in the future by using appropriate explanatory variables and advanced machine learning algorithms, among other factors.
The frequency adjustment had little or some effect on the accuracy of the methods, and neither of the two frequencies might therefore be more favorable for the DSO. As baseline estimation is challenging on residential data, the contribution from the individual house estimations might be negligible to the DSO in the settlement process.
The complexity of validation using baseline estimation has been proven, where even the most common regression methods fail due to the nature of the problem. Further work should research the factors affecting the strategies and examine different strategies.