Application of Stochastic Dual Dynamic Programming to evaluate long-term price signals in short-term optimisation of energy use in buildings
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3027178Utgivelsesdato
2022Metadata
Vis full innførselSamlinger
- Institutt for elkraftteknikk [2607]
Sammendrag
Med et stort potensiale for reduksjon av energibruk i bygninger i tillegg til muligheter forkostnadsreduksjon 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 optimalenergibruk 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 modelleringav energikostnader, både langsiktige og kortsiktige. Stokastisk dual-dynamisk programmering (SDDP) er en optimeringsmetode som har potensiale til å inkludere både kortsiktigekostnader og lage langsiktige prissignaler for optimering av månedsbaserte tariffer som effekttariff.
Denne rapporten undersøker derfor anvendelsen av SDDP til å optimere energibruk i bygningeri 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 åplanlegge batteribruk og maksimal månedlig effekt relatert til langtidskostnadene. I dettearbeidet har en SDDP-modell blitt utviklet, og den blir presentert i rapporten med resultaterfor to ulike typer simuleringer som har blitt utført. Disse er et sett av simuleringer basert påscenarier modellert i SDDP-modellen, i tillegg til en simulering med et scenario som ikke harblitt modellert i SDDP-modellen. Simuleringene er basert på data fra Rye gård i Trondheimkommune 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 fremstillefremtiden i modellen burde undersøkes videre for å bestemme modellens forbedringspotensiale for nøyaktighet. Videre vil en scenariosampling i foroverløkka i SDDP-algoritmen sominkluderer flere scenarier kunne bidra til å forbedre påliteligheten til konvergenskriteriet ogdermed 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 buildingenergy efficiency. One such solution is an energy management system that can optimise howand 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 accuratemodelling 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 signalsof long-term costs.
This thesis therefore investigates the application of SDDP to optimise the building energyuse in a system with an available battery energy storage system to provide flexibility. Thisis done to study the suitability of SDDP in scheduling the battery state of charge and thepeak demand in relation to the long-term price signals. The thesis presents the SDDP modeldeveloped for application on the mentioned system, along with results from two types ofsimulations that have been performed. This is a set of in-sample scenario simulations andan out-of-sample scenario simulation performed based on data for the farm of Rye in themunicipality of Trondheim from November 2020.
Results show that the SDDP-model does consider the long-term price signals in the schedulingof battery state of charge and peak demand. However, there is some inaccuracy in theestimation of future costs, shown in a dispersion of ± 6 % for the total costs of the in-samplescenario simulations, and a potential of 5 % reduction of the total costs in the out-of-samplescenario simulation. A main reason for the inaccuracy is the scenario generation and samplingthat has been applied. A scenario generation method that is more advanced and can capturea more reasonable stochastic representation of the future should be investigated further todetermine the potential for model improvement of the accuracy. Furthermore, a scenariosampling in the forward iteration of the SPPD algorithm that considers a larger numberof scenarios may also improve the reliability of the convergence criterion, and the followingaccuracy of the SDDP model.