Application of Stochastic Dual Dynamic Programming to evaluate long-term price signals in short-term optimisation of energy use in buildings

Abstract

Med et stort potensiale for reduksjon av energibruk i bygninger i tillegg til muligheter for kostnadsreduksjon for forbrukere, er det et behov for ulike løsninger som promoterer energieffektivitet i bygninger. En slik løsning er et system som kan planlegge og styre optimal energibruk i en bygning, mens behovene til beboere eller annet bruk av bygningen blir ivaretatt. For å optimere energibruken i en bygning er det nødvendig med en presis modellering av energikostnader, både langsiktige og kortsiktige. Stokastisk dual-dynamisk programmering (SDDP) er en optimeringsmetode som har potensiale til å inkludere både kortsiktige kostnader og lage langsiktige prissignaler for optimering av månedsbaserte tariffer som effekttariff.

Denne rapporten undersøker derfor anvendelsen av SDDP til å optimere energibruk i bygninger i et system som også har et tilgjengelig batteri til elektrisk energilagring. Batteriet vil supplere systemet med fleksibilitet. Dette er gjort ved å studere egnetheten av SDDP til å planlegge batteribruk og maksimal månedlig effekt relatert til langtidskostnadene. I dette arbeidet har en SDDP-modell blitt utviklet, og den blir presentert i rapporten med resultater for to ulike typer simuleringer som har blitt utført. Disse er et sett av simuleringer basert på scenarier modellert i SDDP-modellen, i tillegg til en simulering med et scenario som ikke har blitt modellert i SDDP-modellen. Simuleringene er basert på data fra Rye gård i Trondheim kommune for november 2020.

Resultatene viser at SDDP-modellen tar langtidsprissignaler til betraktning og tilpasser energiplanleggingen rundt dette, både når det kommer til batteribruk og maksimal effekt. Likevel viser resultatene at det forekommer unøyaktigheter i estimeringen av fremtidskostnader, gjennom en spredning på ± 6 % i modellert-scenarie-simuleringene, og et forbedringspotensiale på 5 % kostnadsreduksjon for simuleringen med et ikke-modellert scenario. En grunn til unøyaktigheten kan være metodene for scenariogenerering og sampling som har blitt brukt. En mer avansert metode for scenariogenerering som på en mer realistisk måte kan fremstille fremtiden i modellen burde undersøkes videre for å bestemme modellens forbedringspotensiale for nøyaktighet. Videre vil en scenariosampling i foroverløkka i SDDP-algoritmen som inkluderer flere scenarier kunne bidra til å forbedre påliteligheten til konvergenskriteriet og dermed også modellens nøyaktighet.

With a large potential to reduce energy consumption from the building sector as well as possibilities for cost reduction for consumers there is a demand for solutions promoting building energy efficiency. One such solution is an energy management system that can optimise how and when energy should be used and imported into the building while still covering the demands of the building residents. To perform a building energy use optimisation an accurate modelling of the energy costs is needed, and stochastic dual dynamic programming (SDDP) is a methodology that has potential to consider both short-term costs and the price signals of long-term costs.

This thesis therefore investigates the application of SDDP to optimise the building energy use in a system with an available battery energy storage system to provide flexibility. This is done to study the suitability of SDDP in scheduling the battery state of charge and the peak demand in relation to the long-term price signals. The thesis presents the SDDP model developed for application on the mentioned system, along with results from two types of simulations that have been performed. This is a set of in-sample scenario simulations and an out-of-sample scenario simulation performed based on data for the farm of Rye in the municipality of Trondheim from November 2020.

Results show that the SDDP-model does consider the long-term price signals in the scheduling of battery state of charge and peak demand. However, there is some inaccuracy in the estimation of future costs, shown in a dispersion of ± 6 % for the total costs of the in-sample scenario simulations, and a potential of 5 % reduction of the total costs in the out-of-sample scenario simulation. A main reason for the inaccuracy is the scenario generation and sampling that has been applied. A scenario generation method that is more advanced and can capture a more reasonable stochastic representation of the future should be investigated further to determine the potential for model improvement of the accuracy. Furthermore, a scenario sampling in the forward iteration of the SPPD algorithm that considers a larger number of scenarios may also improve the reliability of the convergence criterion, and the following accuracy of the SDDP model.