Long-Term Hydropower Scheduling Using Scenario Reduction and Short-Term Inflow Prediction

Abstract

I et fremtidig kraftsystem dominert av grønnere energi vil vannkraft spille en viktig rolle. Med en økende andel variable fornybare energikilder (VRES) som vind og solkraft, kan vannkraft bidra med nødvendig fleksibilitet. Den norske kraftproduksjonen er dominert av vannkraft, og optimal produksjonsplanlegging er essensielt for å utnytte ressursene best mulig. Produksjonsplanlegging av vannkraft med en tidshorisont på ett til fem år kalles long-term hydropower scheduling (LTHS). Dagens LTHS-modeller har flere utfordringer på grunn av forenklinger, spesielt ved bruk av aggregerte representasjoner av vannsystemer. Med økt variabilitet fra VRES er en mer detaljert og disaggregert representasjon ønskelig, men dette øker kompleksiteten i LTHS dramatisk. Videre må flere tilsigsscenarioer vurderes, noe som kompliserer problemet ytterligere. En løsning på disse utfordringene kan være å introdusere maskinlæring, som potensielt kan redusere tidskompleksiteten samtidig som nøyaktigheten opprettholdes.

Denne oppgaven undersøker en modell som bruker maskinlæring som rammeverk for LTHS med et disaggregert vannsystem. Rammeverket inkluderer en eksisterende tilsigsscenario-reduksjonsmodell for å redusere antall stokastiske parametere brukt i LTHS. Maskinlæringsalgoritmer grupperer scenarioer med lignende karakteristikker, noe som kan redusere kompleksiteten i LTHS. Den eksisterende modellen er utvidet til å inkludere en tilsigsprediksjonsmodell basert på maskinlæringsalgoritmen Long Short-Term Memory (LSTM). Denne delen av modellen har som mål å predikere fremtidig tilsig og basert på disse prediksjonene, velge den mest passende gruppen av tilsig som input til LTHS. I tillegg kan individuelle sannsynligheter tildeles scenarioene, i motsetning til den eksisterende modellen som ga alle scenarioene like sannsynligheter.

Resultatene viser at scenarioreduksjon i stor grad reduserer tidskompleksiteten uten å gå på bekostning av nøyaktigheten. Modellen presterer bedre ved prediksjon av gjennomsnittlig tilsig, mens variasjonen er større for unormale år med spesielt lavt eller høyt tilsig. Effekten av å tildele individuelle sannsynligheter varierer, men resultatene viser modellens potensial, selv om andre metodiske tilnærminger også bør undersøkes videre.

In a future power system ideally dominated by greener energy, hydropower is expected to play a crucial role. With an increasing share of variable renewable energy sources (VRES) like wind and solar power, hydropower can provide the necessary flexibility. In Norway, hydropower dominates power production, making the effective utilization of water resources essential. Long-term hydropower scheduling (LTHS) involves strategic management over horizons from one to five years. However, current LTHS methods face significant challenges due to their simplifications, such as using aggregated physical representations of hydropower systems. As power production variability increases with more VRES, a disaggregated representation becomes more suitable to capture short-term flexibilities, though at the cost of increased computational complexity. Additionally, multiple inflow scenarios must be considered, further complicating the optimization problem. Machine learning offers a potential solution to the computational challenges.

This thesis explores a machine learning framework for LTHS with a disaggregated hydro system representation. The framework incorporates an existing inflow scenario reduction model to decrease the number of scenarios used in LTHS, thereby reducing computational complexity. This is achieved by employing machine learning techniques to cluster inflow scenarios into groups with similar features. Moreover, the existing model has been expanded to include an inflow prediction model based on the Long Short-Term Memory (LSTM) technique. This model aims to make accurate inflow predictions and select the most suitable cluster as input for LTHS. It also assigns individual probabilities to scenarios, unlike the original model which used equal probabilities.

The results demonstrate that scenario clustering significantly reduces computational time without compromising accuracy up to a certain number of clusters. The model performs more consistently in predicting normal inflow years compared to abnormal years with excessively high or low inflow. The effect of assigning individual probabilities varied, suggesting potential but necessitating further investigation into alternative methodologies.