Modelling battery operations for household energy management

Abstract

Menneskeskapte klimagassutslipp (GHG) har vært på vei oppover de siste få tiår. Mens Norge sammen med EU(EU) har vært proaktive ved å ta bærekraftige ini- tiativer anslås Norge å komme til kort et av de tre hovedmålene i henhold til Paris-avtalen. Det er klimagassutslipp som Norge kommer til kort og for å ta ig- jen målene elektrifisering av ulike sektorer er en av måtene. Men denne strategien forventes å resultere i et potensial elektrisitetskrise i perioden 2025 - 2030. Dermed økende elektrisitet priser og økonomisk belastning på landets befolkning. Denne rapporten tar sikte på å ta opp dette problemet ved å bruke et energilagringssys- tem for boliger for å redusere elektrisiteten kostnad (spotpriskostnad) for hushold- ninger. Modellens grunnleggende premiss er å lade batteriet når strømprisene er lave og så utnytte denne lagrede energien når prisene er høye. Rapporten beskriver den matematiske formuleringen og implementeringsmetoder brukt i modellen. Her er batteriets energilagring optimalisert ved hjelp av en flerperiodeoptimalisering utført ved hjelp av en rullende horisont som er henrettet hver time. Resultatene av å kjøre modellen i 1 år viser en reduksjon på 18% med langtidsminne (LSTM) prognose for en typisk husholdning i Oslo. Mens den nåværende modellen fanger degradering og den tar kun hensyn til dybde av utslipp (DoD) er hovedfaktoren for nedbrytning og antar andre faktorer ha ubetydelig effekt. Tidsbenkmarkerin- gen har også vist at det ikke er lineært programmeringsmodellen (NLP) løser opti- maliseringen betydelig raskere enn blandet heltalls lineær programmering (MILP). Eneste unntak er at MILP med 4 segmenter brukt i stykkevis linearisering er litt raskere enn NLP, men med en feil på rundt 0,5% når simuleringen kjøres i 30 dager. Mens resultatene er lovende at det er rom for ytterligere forbedringer i modellen for å oppnå bedre optimaliseringsresultater.

Man made Greenhouse gas emissions (GHG) have been on the rise for the past few decades. While Norway along with European Union(EU) have been proactively taking up sustainable initiatives, Norway is projected to fall short on achieving one of the three key targets as per Paris agreement. It is GHG emissions that Norway falls short on and in order to catch up on the targets electrification of different sectors is one of the ways. But this strategy is expected to result in a potential electricity crisis during the period of 2025 - 2030, increasing electricity prices and financial burden on the country's population. This report aims to address this issue by using a residential energy storage system to reduce the electricity cost (spot price cost) for households. The basic premise of the model is to charge the battery when the electricity prices are low and then utilise this stored energy when the prices are high. The report describes the mathematical formulation and implementation methods used in the model. Here, the battery energy storage is optimized using a multi period optimization done using a rolling horizon which is executed every hour. The results of running the model for 1 year shows a reduction of 18% with Long Short Term Memory(LSTM) forecast for a typical household in Oslo. While the current model captures degradation, it only considers depth of discharge(DoD) is the major factor for degradation and assumes other factors have negligible effect. The report lloks into solving the non linear optimization problem as a mixed interger linear problem through linearization method called piecewise linearization using Special Order Sets 2(SOS2). The time bench marking has shown that non linear programming(NLP) model solves the optimization significantly faster than mixed integer linear programming(MILP). Only exception is that MILP with 4 segments used in piece wise linearization is slightly quicker than NLP but with an error of around 0.5% when the simulation is run for 30 days. While the results are promising there is scope for further improvements in the model to achieve better optimization results.