Enhancing Long-Term Hydropower Scheduling Through Scenario Reduction Using Shape-Based Clustering
Master thesis
Date
2023Metadata
Show full item recordCollections
- Institutt for elkraftteknikk [2345]
Description
Full text not available
Abstract
Vannkraft er Norges største ressurs når det gjelder strømproduksjon. Beslutningene somtas angående håndteringen av denne svært viktige ressursen blir i dag bestemt avutdaterte optimeringsmodeller som EMPS. EMPS bruker flere heuristikker for å løse detlangsiktige hydro-termiske planleggingsproblemet og løser produksjonen for heleområdet ved å aggregere alle reservoirene i området. Ved innføring av mer uregulerbarfornybar energi i kraftsystemet vil det bli enda viktigere å ha nøyaktige løsninger forlangsiktig hydro-termisk planlegging.En foreslått løsning er en scenario-vifte simulator (FanSi) utviklet under etforskningsprosjekt for å løse det langsiktige hydro-termiske planleggingsproblemet meddeaggregerte hydroreservoarer. I dag er beregningstiden for lang for bruk i en praktisksetting. Optimeringsproblemet blir for komplekst, ettersom fremtidig usikkerhetmodelleres ved å bruke sett med scenarioer. Hvert scenario må løses per tidssteg, noesom blir stadig større ettersom behovet for usikkerhet i planleggingen øker.For å redusere beregningstiden introduseres en maskinlæringsalgoritme som brukerformbasert klynging. Ved å bruke spesielle organiserte kart (SOM) og en kombinertavstandsmatrise bestående av dynamisk tidsjustering (DTW) og persistent homologi(PH), utføres spesifikk egenskaps-ekstraksjon av historisk tilsig. Tanken er at en redusertsett med scenarioer bestående av formbaserte klyngede scenarioer representererusikkerhet mer nøyaktig enn å bare fokusere på antall scenarioer.Et rammeverk som bruker formbasert funksjonsekstraksjon som en forhånds løsning forscenarioer til FanSi blir opprettet og testet for to systemer. Studenten bruker enmodifisert versjon av en eksisterende formbasert klyngingsmetode, ved å deletidsrammen på ett år inn i fire sesonger. Selv om resultatene av klyngingen på forhåndviste lovende resultater, klarte ikke SFP-simuleringen å gi noen brukbare resultater pågrunn av programmeringsfeil, uegnet datasett og dårlige valg av systemparametere.Likevel presenteres anbefalinger for fremtidig arbeid, samt fallgruver studenten støtte påunderveis. Hydropower is Norway’s biggest asset in terms of power production. The decisions madefor how to handle this extremely important resource are currently decided by outdatedoptimization models such as the EMPS. EMPS uses multiple heuristics to solve the longterm hydro-thermal scheduling problem and solves the area production by aggregatingall area-reservoirs. With the inclusion of more intermittent renewable energy in thepower system, it will become even more important to have accurate solutions in LTHTS.A proposed solution is a fan simulator (FanSi) developed by a research project to solvethe LTHTS-problem with disaggregated hydro-reservoirs. Today the computational time istoo high for use in a practical setting. The optimization problem becomes too complex, asthe future uncertainty is modelled by using scenario fans. Each scenario must be solvedper time-step, which becomes increasingly bigger as the need for uncertainty in themodel grows.To reduce the computational time, a machine learning algorithm using shape-basedclustering is introduced. By using special-organized-maps and a mixed distance matrixand dynamic-time-warping and persistent homology, specific feature extraction ofhistorical inflow is performed. The idea is that a reduced scenario block consisting ofshape-based clustered scenarios represents uncertainty more accurately than onlyfocusing on number of scenarios.A framework using shape-based feature extraction as a forepart precursor to FanSi iscreated and tested for two systems. The student uses a modified version of an existingshape-based clustering framework, by dividing the time horizon of a year into fourseasons. Even though the results of the forepart precursor showed promising results, theSFP simulation failed to give any viable results due to programming mistakes, unfitdataset and poor choice of system parameters. Nonetheless, recommendations for futurework is presented, as well as pitfalls the student met along the way.