Refine
Year of publication
Document Type
- Master's Thesis (13)
- Article (9)
- Conference Proceeding (6)
- Book (2)
- Preprint (1)
Institute
- Forschungszentrum Energie (14)
- Forschungszentrum Business Informatics (6)
- Department of Computer Science (Ende 2021 aufgelöst; Integration in die übergeordnete OE Technik) (4)
- Technik | Engineering & Technology (4)
- Forschung (1)
- Josef Ressel Zentrum für Intelligente Thermische Energiesysteme (1)
- Wirtschaft (1)
Keywords
- Demand Side Management (3)
- Demand response (2)
- Demand side management (2)
- Energy storage (2)
- Minkowski sum (2)
- Power tracking (2)
- +WAA 300 (1)
- +WBH 725 (1)
- A96 (1)
- Anomalie (1)
Diese Arbeit befasst sich mit den Herausforderungen und Lösungsansätzen im Lademanagement von elektrisch angetriebenen Bussen, insbesondere unter Berücksichtigung von Unsicherheiten wie Verspätungen und erhöhtem Energieverbrauch. Im Zuge der europäischen Klimaziele steht die Elektrifizierung des öffentlichen Nahverkehrs mit im Fokus. Die Optimierung der Ladeprozesse ist bedeutend, um sowohl die Betriebskosten zu senken als auch die zusätzliche Netzbelastung gering zu halten. Die Auswirkungen von Unsicherheiten auf ein mittels linearer Optimierung erstelltes Lademanagementsystem für ein geplantes E-Bus-System wurden durch Unsicherheits-Szenarien analysiert und mittels Robustheit-Simulation untersucht, unter welchen Bedingungen die aus der Optimierung resultierenden Ladekurven den zuverlässigen Betrieb der Busse gewährleisten können. Ein Schwerpunkt lag auf dem Vergleich verschiedener Optimierungsstrategien, darunter die Minimierung der Anschlussleistung, die Minimierung der Betriebskosten sowie die Maximierung der Batteriekapazitätspuffer. Diese wurden jeweils anhand der Anschluss- und Spitzenleistung, sowie der resultierenden spezifischen Stromkosten miteinander verglichen. In Abhängigkeit vom Grad der Unsicherheiten (bis zu 15 min Verspätung und 15 % Mehrverbrauch) beträgt die Anschlussleistung bei Anschlussleistungs-Optimierung 284 - 378 kW, bei Kosten-Optimierung 519 - 603 kW und ist bei Maximierung der Batteriekapazitätspuffer auf 1200 - 1750 kW stark gestiegen. Die Leistungsspitzen liegen dabei zwischen 284 - 353 kW, 411 - 552 kW und 1050 - 1400 kW. Die optimalen spezifischen Energiekosten sind bei der Kosten-Optimierung im Bereich 7,60 - 7,76 ct/kWh. Sie betragen für die Anschlussleistungs-Optimierung 8,42 - 8,38 ct/kWh und sind für die Maximierung des Batteriekapazitätspuffer mit 8,8 - 9,6 ct/kWh am höchsten. Die Batteriekapazitätspuffer-Optimierung zeigt dabei als einzige 100% Robustheit gegen unerwartete Unsicherheiten, auf Kosten der hohen Anschlussleistung. Die anderen Optimierungsstrategien können einen sicheren Busbetrieb bei einstufiger Betrachtung nicht gewährleisten. Durch den verwendeten zweistufigen Optimierungsansatz konnten die Vorteile der Optimierungsstrategien erfolgreich kombiniert werden und ein sicherer Busbetrieb bei einer Anschlussleistung von 455 - 576 kW, maximalen Leistungsspitzen zwischen 398 - 516 kW, sowie spezifischen Energiekosten von 7,71 - 7,98 ct/kWh simuliert werden. Die robusten Ladekurven der zweistufigen Optimierung können als Ausgangspunkt für die Entwicklung eines verbesserten Echtzeit-Algorithmus zur Realanwendung dienen. Es werden Vorschläge für Teilaspekte eines solchen Algorithmus geliefert, unter denen eine Neuoptimierung bei Abweichungen aus Unsicherheiten vermieden werden könnte.
Demand side management holds potential for improving energy efficiency and cutting energy consumption within the food industry. This research introduces a demand response approach tailored for an industrial food processing facility, utilizing a chilled water buffer as active thermal energy storage and the plant building as passive thermal energy storage. The plant building and production process are modeled using transient thermal energy balances and the demand side management problem is formulated as a linear program. Model predictive control is employed to manage uncertainties in the optimization process. A simulated case study of an Austrian food processing plant shows reductions in electrical power consumption by up to 18%, electricity costs by up to 24%, and peak load by up to 36% in three distinct optimization scenarios. Simple prediction approaches via averaging historical data already lead to nearly optimal results concerning energy consumption and cost reduction. Highly accurate predictions are necessary for peak load reduction, as considering the simple prediction method only roughly a third of the potential reductions are achieved.
Die Anforderungen an gute Prognosen im Energiehandel der illwerke vkw AG steigen kontinuierlich an, da diese dazu verwendet werden, die richtigen Energiemengen auf dem Day-Ahead-Markt zu kaufen oder zu verkaufen. Zusätzliche Herausforderungen wie Wettereinflüsse und der steigende Energiebedarf von E-Autos erschweren die Prognose. Darüber hinaus gestaltet es sich mit den herkömmlichen Prognosebewertungen schwierig, die Kostenaspekte angemessen abzubilden. Aus diesem Grund wird in dieser Masterarbeit eine neue Methode zur Bewertung der Prognosequalität implementiert und mit bewährten Kennzahlen wie R², MAE, MAPE und RMSE verglichen. Diese Methode nutzt einen Preisverlauf, der die durchschnittlichen Marktpreise der Ausgleichsenergiepreise als Bewertungsmaßstab widerspiegelt. Die neue Bewertungsmethode wird mit Algorithmen wie dem Artificial Neural Network von Tensorflow, dem Decision Tree Regressor, der Linearen Regression, dem Multi-Layer Perception und dem Random Forest Regressor von Scikit-Learn verglichen. Zudem wird ein eigens erstelltes Gurobi-Modell, welches die Ausgleichsenergiepreise für die Gewichtung der absoluten Prognosefehler heranzieht, als Lineare Regression implementiert. Die genannten Modelle werden mithilfe von Python implementiert. Es werden tägliche Vorhersagen basierend auf viertelstündlichen Daten für Zeiträume von bis zu einem Jahr unter Verwendung eines Sliding-Window-Verfahrens mit unterschiedlichen Trainingsdaten erstellt. Die neue Bewertungsmethode mit der Einbeziehung von Kostenfaktoren, konnte sich im Vergleich zu MAPE, MAE, RMSE und R² nicht deutlich von den anderen unterscheiden. Die besten Ergebnisse wurden mit der Linearen Regression von Scikit-Learn und dem Gurobi-Modell mit der preisgewichteten Minimierung erzielt. Dabei sind die anderen Algorithmen nicht weit von den Resultaten der LR und GP entfernt. Unter dem Aspekt, dass das eigene Modell die Kosten minimieren soll, konnte es aber nicht als die beste Methode bewertet werden. Deswegen müssen das Modell und die gewählten Ausgleichsenergiepreise optimiert werden. Hierzu erzielte unter den sieben verwendeten Methoden die Lineare Regression das beste Ergebnis.
Alleviating the curse of dimensionality in minkowski sum approximations of storage flexibility
(2023)
Many real-world applications require the joint optimization of a large number of flexible devices over some time horizon. The flexibility of multiple batteries, thermostatically controlled loads, or electric vehicles, e.g., can be used to support grid operations and to reduce operation costs. Using piecewise constant power values, the flexibility of each device over d time periods can be described as a polytopic subset in power space. The aggregated flexibility is given by the Minkowski sum of these polytopes. As the computation of Minkowski sums is in general demanding, several approximations have been proposed in the literature. Yet, their application potential is often objective-dependent and limited by the curse of dimensionality. In this paper, we show that up to 2d vertices of each polytope can be computed efficiently and that the convex hull of their sums provides a computationally efficient inner approximation of the Minkowski sum. Via an extensive simulation study, we illustrate that our approach outperforms ten state-of-the-art inner approximations in terms of computational complexity and accuracy for different objectives. Moreover, we propose an efficient disaggregation method applicable to any vertex-based approximation. The proposed methods provide an efficient means to aggregate and to disaggregate typical battery storages in quarter-hourly periods over an entire day with reasonable accuracy for aggregated cost and for peak power optimization.
The number of electric vehicles will increase rapidly in the coming years. Studies suggest that most owners prefer to charge their electric vehicle at home, which will fuel the need for charging stations in residential complexes where vehicles can be charged overnight. Currently, there already are over 100 such residential complexes, with another 70 added every year in Vorarlberg alone. In most existing residential complexes, however, the grid connections are not sufficient to charge all vehicles at the same time with maximum power. In addition, it is also desirable for grid operators and electricity producers that the power demand be as smooth and predictable as possible. To achieve this, ways to manage flexible loads need to be found, which can operate within the technical constraints. Therefore, the most common scenarios how the load can be made grid-friendly with the help of optional battery storage and/or photovoltaics using optimization methods of linear and stochastic programming were examined. At the same time, the needs of the vehicle owners for charging comfort - namely to find their vehicles reliably charged at the time of their respective departure - were addressed by combining both objectives using suitable weights. The algorithms determined were verified in practice on an existing Vlotte prototype installation. For this purpose, the necessary programs were implemented in Python, so that the data obtained during the test operation, which lasted one month, could be subjected to a well-founded analysis. In addition, simulation studies helped to further reveal the influence of PV and BESS sizing on the achievable optimums and confirm that advanced optimization algorithms such as the ones discussed are a vital contribution in reducing the charging stations’ peak load while at the same time maintaining high satisfaction levels.
Ein weit verbreitetes Problem von Heizungs-, Lüftungs- und Kühlungsanlagen (HLK-Anlagen) ist das Schwingungsverhalten der Regelung. Dieses führt zu unerwünschten Taktzyklen und damit zu erhöhtem Energieverbrauch, sowie zu verringerter Lebensdauer der Anlagenkomponenten. Deshalb besteht ein wirtschaftliches und ökologisches Interesse an der Vermeidung des Schwingungsverhaltens. Zum Auffinden von Fehlern, sowie deren Ursachenanalyse, steht in der Literatur ein weites Spektrum an möglichen Werkzeugen zur Fehlerdetektion und -diagnose (FDD) zur Verfügung. Klassische FDD-Werkzeuge für den Bereich von HLK-Anlagen basieren auf umfangreichem Domänenwissen zur Bestimmung der Ursache-Wirkungs-Beziehung von Fehlertypen, wie zum Beispiel Schwingungen. Deren Anwendung im HLK-Bereich ist deshalb mit zeitaufwändigen Analysen durch Fachpersonal verbunden, was hohe Kosten zur Folge hat.
Im Zuge dieser Masterarbeit wird ein FDD-Werkzeug für den Fehlertyp Schwingungen entwickelt, welches den hohen Zeitaufwand der Ursachenanalyse des Schwingens von HLK-Anlagen verringert. Durch die Anwendung von Methoden des maschinellen Lernens werden potenzielle Ursachen lokalisiert. Außerdem wird gezeigt, wie mit Hilfe des maschinellen Lernens eine Abschätzung über Gegenmaßnahmen zur Behebung der Schwingungsursachen getroffen werden kann.
Die Herausforderung in der Umsetzung des FDD-Werkzeugs liegt dabei in der Auswahl der Methoden für die Implementierung des datenbasierten Modells. Zur Umsetzung werden Daten einer HLK-Anlage eines Gewerbebetriebs am Standort Vorarlberg verwendet. Das entwickelte FDD-Werkzeug dient der fortlaufenden Auswertung von Schwingungen und der Optimierung bestehender Anlagen. Schlussendlich soll damit der Erhöhung der Energieeffizienz und der Erhöhung der Lebensdauer der Komponenten von HLK-Anlagen beigetragen werden.
Traditional power grids are mainly based on centralized power generation and subsequent distribution. The increasing penetration of distributed renewable energy sources and the growing number of electrical loads is creating difficulties in balancing supply and demand and threatens the secure and efficient operation of power grids. At the same time, households hold an increasing amount of flexibility, which can be exploited by demand-side management to decrease customer cost and support grid operation. Compared to the collection of individual flexibilities, aggregation reduces optimization complexity, protects households’ privacy, and lowers the communication effort. In mathematical terms, each flexibility is modeled by a set of power profiles, and the aggregated flexibility is modeled by the Minkowski sum of individual flexibilities. As the exact Minkowski sum calculation is generally computationally prohibitive, various approximations can be found in the literature. The main contribution of this paper is a comparative evaluation of several approximation algorithms in terms of novel quality criteria, computational complexity, and communication effort using realistic data. Furthermore, we investigate the dependence of selected comparison criteria on the time horizon length and on the number of households. Our results indicate that none of the algorithms perform satisfactorily in all categories. Hence, we provide guidelines on the application-dependent algorithm choice. Moreover, we demonstrate a major drawback of some inner approximations, namely that they may lead to situations in which not using the flexibility is impossible, which may be suboptimal in certain situations.
Increasing electric vehicle penetration leads to undesirable peaks in power if no proper coordination in charging is implemented. We tested the feasibility of electric vehicles acting as flexible demands responding to power signals to minimize the system peaks. The proposed hierarchical autonomous demand side management algorithm is formulated as an optimal power tracking problem. The distribution grid operator determines a power signal for filling the valleys in the non-electric vehicle load profile using the electric vehicle demand flexibility and sends it to all electric vehicle controllers. After receiving the control signal, each electric vehicle controller re-scales it to the expected individual electric vehicle energy demand and determines the optimal charging schedule to track the re-scaled signal. No information concerning the electric vehicles are reported back to the utility, hence the approach can be implemented using unidirectional communication with reduced infrastructural requirements. The achieved results show that the optimal power tracking approach has the potential to eliminate additional peak demands induced by electric vehicle charging and performs comparably to its central implementation. The reduced complexity and computational overhead permits also convenient deployment in practice.
Industrial demand side management has shown significant potential to increase the efficiency of industrial energy systems via flexibility management by model-driven optimization methods. We propose a grey-box model of an industrial food processing plant. The model relies on physical and process knowledge and mass and energy balances. The model parameters are estimated using a predictive error method. Optimization methods are applied to separately reduce the total energy consumption, total energy costs and the peak electricity demand of the plant. A viable potential for demand side management in the plant is identified by increasing the energy efficiency, shifting cooling power to low price periods or by peak load reduction.
In the regime of incentive-based autonomous demand response, time dependent prices are typically used to serve as signals from a system operator to consumers. However, this approach has been shown to be problematic from various perspectives. We clarify these shortcomings in a geometric way and thereby motivate the use of power signals instead of price signals. The main contribution of this paper consists of demonstrating in a standard setting that power tracking signals can control flexibilities more efficiently than real-time price signals. For comparison by simulation, German renewable energy production and German standard load profiles are used for daily production and demand profiles, respectively. As for flexibility, an energy storage system with realistic efficiencies is considered. Most critically, the new approach is able to induce consumptions on the demand side that real-time pricing is unable to induce. Moreover, the pricing approach is outperformed with regards to imbalance energy, peak consumption, storage variation, and storage losses without the need for additional communication or computation efforts. It is further shown that the advantages of the optimal power tracking approach compared to the pricing approach increase with the extent of the flexibility. The results indicate that autonomous flexibility control by optimal power tracking is able to integrate renewable energy production efficiently, has additional benefits, and the potential for enhancements. The latter include data uncertainties, systems of flexibilities, and economic implementation.
