Volltext-Downloads (blau) und Frontdoor-Views (grau)
  • search hit 1 of 4
Back to Result List

Analyse des Reduktionspotenzials von Ausgleichsenergie für Energieversorger durch autonomes Demand Side Management bei Haushaltskunden

Analysis of the reduction potential of imbalanced energy for energy suppliers through autonomous demand side management for residential customers

  • Die EU-Ziele umfassen die Steigerung des Anteils an erneuerbaren Energien an der Energieerzeugung um 32 % bis 2030. Doch erneuerbare Energien bringen neben den Vorteilen für den Umweltschutz auch Probleme mit sich. Ihre Schwankungen und Unkontrollierbarkeit stellen große Herausforderungen für das Stromnetz dar. Um die Netz- und damit die Versorgungssicherheit weiterhin gewährleisten zu können, braucht es Lösungen, die weder das Stromnetz, die Verbraucher noch die Energieversorger benachteiligen. Eine Möglichkeit wäre es, zusätzliche Kraftwerke und Infrastruktur (Redundanzen) aufzubauen, welche potenzielle Schwankungen ausgleichen können. Dieser Lösungsansatz gilt als traditioneller Weg, der hohe Kosten und negative Umweltauswirkungen mit sich bringt. Demand Side Management hat das Potenzial, effiziente Lösungen diesbezüglich anzubieten. Welche Vorteile der Einsatz von DSM auf Ebene der Haushaltsverbraucher für die Energieversorger in Bezug auf den Abruf von Ausgleichsenergie bringt, wird in dieser Arbeit behandelt. Dafür wurde ein agentenbasiertes Modell entwickelt, welches darauf abzielt, die Abweichung zwischen dem von dem Energieversorger prognostizierten Verbrauch und dem realen Verbrauch seiner Haushaltskunden zu verringern. Jeder Haushalt in dem vorgestellten Modell ist mit einer Flexibilität in Form eines Batteriespeichers ausgestattet. Die Speicherbewirtschaftung wird basierend auf einem Signal, welches der Energieversorger übermittelt, automatisch vom Haushalt für jeden Tag im Betrachtungszeitraum optimiert. Jede Abweichung zwischen der vom Energieversorger erstellten Prognose und der tatsächlich bezogenen Strommenge stellt dabei einen Bezug von Ausgleichsenergie dar. Untersucht werden die Auswirkungen der Anzahl an Haushalten sowie ein unterschiedlicher Wissensstand auf die Prognose. Weiters werden zwei unterschiedliche Arten von Demand Side Management analysiert. Einmal die Einflussnahme auf die Last der Haushalte durch ein Preissignal, einmal durch das Vorgeben eines Lastgangs. Um die Effektivität der beiden Varianten bestimmen zu können, wird auch die Menge an Ausgleichsenergie erhoben, welche ohne das Vorhandensein eines Batteriespeichers (also ohne Steuerung) anfallen würde. Das Modell wurde entwickelt, um einen Trend aufzuzeigen und keine spezifische Einsparungsmenge zu ermitteln, da dies von der jeweiligen Situation des Energieversorgers abhängt. Die Erstellung der unterschiedlichen Wissensstände basiert auf den österreichischen rechtlichen Vorgaben bezüglich der Datenübertragung bei intelligenten Messgeräten. Dabei ist einmal der Jahresverbrauch, einmal der Tagesverbrauch und einmal die stündlichen Verbrauchswerte bekannt. Das Preissignal ist negativ korreliert zu den am Day-Ahead-Markt gehandelten Mengen und das Lastsignal basiert auf einer der Prognosen des Energieversorgers, je nach Variante, die untersucht wird. Es zeigte sich, dass ein besserer Wissensstand nur teilweise eine Verbesserung der Prognose erzielte. Wobei die unterschiedlichen Wissensstände auf den realen Werten der nicht verwendeten Haushalte aus dem gleichen Datensatz aufbauen und so beispielsweise Wettereinflüsse in der Prognose schon bekannt waren, was die Prognose basierend auf Jahreswerten sehr genau machte. Der Aggregationseffekt von mehreren Haushalten beeinflusst die Prognose positiv. Auf einzelner Haushaltsebene schneiden die Vorhersagen deutlich schlechter ab als bei Prognosen des Gesamtverbrauchs aller Haushalte. Die Optimierung basierend auf dem Lastsignal generiert eine geringere Menge an Ausgleichsenergie als das Preissignal. Das liegt unter anderem daran, dass die Prognose nur die Verbräuche der Haushaltskunden berücksichtigt und nicht die Mengen, die am Markt gehandelt werden. In den untersuchten Varianten stellte sich heraus, dass am wenigsten Ausgleichsenergie über alle Haushalte erzeugt wird, wenn kein Demand Side Management betrieben wird, also keine Batteriespeicher vorhanden sind und die Prognose des Energieversorgers auf Stundenwerten basiert. Auf einzelner Haushaltsebene fällt bei der Optimierung mittels Lastsignal am wenigsten Ausgleichsenergie an.
  • The EU goals include increasing the share of renewable energies in energy production by 32 % by 2030, but renewable energies also bring problems in addition to the environmental benefits. Their fluctuations and uncontrollability present major challenges for the electricity grid. In order to be able to continue to guarantee network reliability and thus supply security, solutions are needed that do not disadvantage the electricity network, consumers or energy suppliers. One option would be to build additional power plants and infrastructure (redundancies), which can compensate for potential fluctuations. This approach is the traditional way, which involves high costs and negative environmental impacts. Demand side management has the potential to provide efficient solutions in this regard. The advantages of using DSM at the level of residential consumers for energy suppliers in terms of imbalanced energy supply are discussed in this paper. For this purpose, an agent-based model was developed which aims to reduce the difference between the consumption forecast by the energy supplier and the real consumption of its residential customers. Each household in the presented model is equipped with flexibility in the form of a battery storage. The storage management is automatically optimized by the household for each day in the period under consideration based on a signal transmitted by the energy supplier. Any difference between the forecast made by the energy supplier and the amount of electricity actually consumed represents a purchase of imbalanced energy. The effects of the number of households and different levels of knowledge on the forecast are examined. Furthermore, two different types of demand side management are analysed. Firstly, the influence on the load of the households by a price signal, and secondly by the specification of a load profile. In order to determine the effectiveness of the two variants, the amount of imbalanced energy that would be produced without the presence of a battery storage (i.e. without control) is also collected. The model was developed to show a trend and not to determine a specific amount of savings, as this depends on the respective situation of the energy supplier. The preparation of the different levels of knowledge is based on the Austrian legal requirements regarding data transmission in smart meters. The annual, daily and hourly consumption values are known. The price signal is negatively correlated to the quantities traded on the day-ahead market and the load signal is based on one of the forecasts of the energy supplier depending on the variant under investigation. It turned out that a better knowledge base only partially improved the prediction. The different levels of knowledge were based on the real values of the unused households from the same data set, so that, for example, weather influences were already known in the prediction, which made the forecast based on annual values very accurate. The aggregation effect of several households positively influences the forecast. At the individual household level, the forecasts perform significantly worse than forecasts of the total consumption of all households. The optimization based on the load signal generates a smaller amount of imbalanced energy than the price signal. One reason for this is that the forecast only considers the consumption of household customers and not the quantities traded on the market. In the variations examined, it was found that the least amount of imbalanced energy is generated across all households when no demand side management is operated, i.e. when no battery storage is available, and the energy supplier's prediction is based on hourly values. At the individual household level, the least amount of imbalanced energy is generated during optimization using load signals.

Download full text files

Export metadata

Additional Services

Search Google Scholar
Metadaten
Author:Ramona Rosskopf
DOI:https://doi.org/10.25924/opus-3560
Advisor:Klaus Rheinberger
Document Type:Master's Thesis
Language:German
Year of publication:2020
Publishing Institution:FH Vorarlberg (Fachhochschule Vorarlberg)
Granting Institution:FH Vorarlberg (Fachhochschule Vorarlberg)
Release Date:2020/07/06
Tag:Ausgleichsenergie; Demand Side Management; Energieversorger; Strommarkt Österreich
Number of pages:XII, 57
DDC classes:600 Technik, Medizin, angewandte Wissenschaften
Open Access?:ja
Course of Studies:Energietechnik und Energiewirtschaft
Licence (German):License LogoUrhG - The Austrian Copyright Act applies - Es gilt das österr. Urheberrechtsgesetz