Enhancing Long-Term Hydropower Scheduling Through Scenario Reduction Using Shape-Based Clustering

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.

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 The decisions made for how to handle this extremely important resource are currently decided by outdated optimization models such as the EMPS.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.