dc.contributor.advisor | Farahmand, Hossein | |
dc.contributor.advisor | Wang, Jinghao | |
dc.contributor.author | Lappen, Per Christian | |
dc.date.accessioned | 2023-10-14T17:20:20Z | |
dc.date.available | 2023-10-14T17:20:20Z | |
dc.date.issued | 2023 | |
dc.identifier | no.ntnu:inspera:146046472:48475666 | |
dc.identifier.uri | https://hdl.handle.net/11250/3096566 | |
dc.description | Full text not available | |
dc.description.abstract | Vannkraft er Norges største ressurs når det gjelder strømproduksjon. Beslutningene som
tas angående håndteringen av denne svært viktige ressursen blir i dag bestemt av
utdaterte optimeringsmodeller som EMPS. EMPS bruker flere heuristikker for å løse det
langsiktige hydro-termiske planleggingsproblemet og løser produksjonen for hele
området ved å aggregere alle reservoirene i området. Ved innføring av mer uregulerbar
fornybar energi i kraftsystemet vil det bli enda viktigere å ha nøyaktige løsninger for
langsiktig hydro-termisk planlegging.
En foreslått løsning er en scenario-vifte simulator (FanSi) utviklet under et
forskningsprosjekt for å løse det langsiktige hydro-termiske planleggingsproblemet med
deaggregerte hydroreservoarer. I dag er beregningstiden for lang for bruk i en praktisk
setting. Optimeringsproblemet blir for komplekst, ettersom fremtidig usikkerhet
modelleres ved å bruke sett med scenarioer. Hvert scenario må løses per tidssteg, noe
som blir stadig større ettersom behovet for usikkerhet i planleggingen øker.
For å redusere beregningstiden introduseres en maskinlæringsalgoritme som bruker
formbasert klynging. Ved å bruke spesielle organiserte kart (SOM) og en kombinert
avstandsmatrise bestående av dynamisk tidsjustering (DTW) og persistent homologi
(PH), utføres spesifikk egenskaps-ekstraksjon av historisk tilsig. Tanken er at en redusert
sett med scenarioer bestående av formbaserte klyngede scenarioer representerer
usikkerhet mer nøyaktig enn å bare fokusere på antall scenarioer.
Et rammeverk som bruker formbasert funksjonsekstraksjon som en forhånds løsning for
scenarioer til FanSi blir opprettet og testet for to systemer. Studenten bruker en
modifisert versjon av en eksisterende formbasert klyngingsmetode, ved å dele
tidsrammen på ett år inn i fire sesonger. Selv om resultatene av klyngingen på forhånd
viste lovende resultater, klarte ikke SFP-simuleringen å gi noen brukbare resultater på
grunn av programmeringsfeil, uegnet datasett og dårlige valg av systemparametere.
Likevel presenteres anbefalinger for fremtidig arbeid, samt fallgruver studenten støtte på
underveis. | |
dc.description.abstract | Hydropower is Norway’s biggest asset in terms of power production. The decisions made
for how to handle this extremely important resource are currently decided by outdated
optimization models such as the EMPS. EMPS uses multiple heuristics to solve the longterm hydro-thermal scheduling problem and solves the area production by aggregating
all area-reservoirs. With the inclusion of more intermittent renewable energy in the
power 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 solve
the LTHTS-problem with disaggregated hydro-reservoirs. Today the computational time is
too high for use in a practical setting. The optimization problem becomes too complex, as
the future uncertainty is modelled by using scenario fans. Each scenario must be solved
per time-step, which becomes increasingly bigger as the need for uncertainty in the
model grows.
To reduce the computational time, a machine learning algorithm using shape-based
clustering is introduced. By using special-organized-maps and a mixed distance matrix
and dynamic-time-warping and persistent homology, specific feature extraction of
historical inflow is performed. The idea is that a reduced scenario block consisting of
shape-based clustered scenarios represents uncertainty more accurately than only
focusing on number of scenarios.
A framework using shape-based feature extraction as a forepart precursor to FanSi is
created and tested for two systems. The student uses a modified version of an existing
shape-based clustering framework, by dividing the time horizon of a year into four
seasons. Even though the results of the forepart precursor showed promising results, the
SFP simulation failed to give any viable results due to programming mistakes, unfit
dataset and poor choice of system parameters. Nonetheless, recommendations for future
work is presented, as well as pitfalls the student met along the way. | |
dc.language | eng | |
dc.publisher | NTNU | |
dc.title | Enhancing Long-Term Hydropower Scheduling Through Scenario Reduction Using Shape-Based Clustering | |
dc.type | Master thesis | |