Optimale Planung des Stromnetzes unter Berücksichtigung verschiedener Zielgrößen

Core Concepts

Die Autorinnen und Autoren präsentieren ein allgemeines Optimierungsmodell zur Stromnetzerweiterungsplanung, das es ermöglicht, verschiedene Zielgrößen wie Kosten, Emissionen oder Gewinne gleichzeitig zu berücksichtigen. Das Modell kann für die gemeinsame Planung von Übertragungsnetzen, Erzeugungskapazitäten und Speichern verwendet werden.

Abstract

Die Autorinnen und Autoren stellen ein Modell zur mehrzielorientierten Stromnetzerweiterungsplanung vor, das als bilevel-Optimierungsproblem formuliert wird. Dabei optimiert der Planer eine beliebige Zielfunktion der Dispatch-Ergebnisse, während der Netzbetreiber die Kosten minimiert.
Das Modell wird zunächst für einen deterministischen Fall beschrieben. Dabei werden drei Beispiele betrachtet: Kostenminimierung, Emissionsminimierung und Gewinnmaximierung eines einzelnen Erzeugers. Anschließend wird das Modell auf einen stochastischen Fall mit mehreren Szenarien erweitert.
Um das nichtkonvexe Optimierungsproblem zu lösen, schlagen die Autorinnen und Autoren einen skalierbaren Gradientenalgorithmus vor, der direkt auf die implizite Form des Problems angewendet werden kann. Außerdem leiten sie eine konvexe Relaxierung des Problems her, die eine untere Schranke für die Zielfunktion liefert und als Startpunkt für den Gradientenalgorithmus verwendet werden kann.
Die Leistungsfähigkeit des Verfahrens wird anhand eines großen Modells des westlichen Verbundnetzes in den USA demonstriert. Die Ergebnisse zeigen, dass der Gradientenalgorithmus deutlich schneller als herkömmliche Verfahren ist und gute Lösungen findet. Außerdem wird gezeigt, dass die Berücksichtigung von Emissionen zu einer signifikanten Reduktion der Kohlendioxid-Intensität führen kann.

Stats

Die Investitionskosten für den Netzausbau betragen zusätzlich 17,1 $/MWh, um die Kohlendioxid-Intensität um 40,0% zu reduzieren.

Quotes

"Expanding the electric power system is essential to future grid electrification and greenhouse gas curtailment."
"Multi-value expansion planning supports jointly planning transmission, generation, and storage assets in either a centralized environment, e.g., a vertically integrated system, or as part of a decentralized market with multiple agents optimizing distinct objectives."
"We find that for medium-sized 16 hour cases, gradient descent on average finds a 5.3x lower objective value in 16.5x less time compared to a traditional reformulation-based approach solved with an interior point method."

Key Insights Distilled From

Gradient Methods for Scalable Multi-value Electricity Network Expansion Planning

by Anthony Degl... at arxiv.org 04-02-2024

https://arxiv.org/pdf/2404.01255.pdf

Deeper Inquiries

Wie könnte das vorgestellte Modell erweitert werden, um weitere Aspekte wie Netzstabilität, Versorgungssicherheit oder Marktmacht zu berücksichtigen

Um das vorgestellte Modell zu erweitern und zusätzliche Aspekte wie Netzstabilität, Versorgungssicherheit oder Marktmacht zu berücksichtigen, könnten verschiedene Ansätze verfolgt werden.

Netzstabilität: Eine Möglichkeit wäre die Integration von Netzstabilitätskriterien in das Optimierungsmodell. Dies könnte die Berücksichtigung von Spannungshaltung, Frequenzregelung und anderen netzstabilisierenden Maßnahmen umfassen. Durch die Einbeziehung von Netzstabilitätsparametern in die Zielfunktion könnte das Modell so angepasst werden, dass es auch die Netzstabilität optimiert.

Versorgungssicherheit: Um die Versorgungssicherheit zu verbessern, könnten Redundanzmaßnahmen in das Modell integriert werden. Dies könnte die Planung von Backup-Kapazitäten, alternative Strompfaden und schnellen Reaktionsmechanismen bei unvorhergesehenen Ereignissen umfassen. Durch die Optimierung der Versorgungssicherheit als zusätzliches Ziel könnte das Modell die Robustheit des Stromnetzes verbessern.

Marktmacht: Die Berücksichtigung von Marktmachtaspekten könnte durch die Integration von Wettbewerbsparametern in das Modell erfolgen. Dies könnte die Analyse von Preissetzungsstrategien, Marktanteilen und potenziellen Monopolsituationen umfassen. Durch die Optimierung von Wettbewerbsparametern könnte das Modell dazu beitragen, einen fairen und effizienten Wettbewerb im Strommarkt zu gewährleisten.

Welche Herausforderungen ergeben sich bei der praktischen Umsetzung des Modells in realen Stromnetzen, insbesondere im Hinblick auf die Datenverfügbarkeit und -qualität

Bei der praktischen Umsetzung des Modells in realen Stromnetzen ergeben sich verschiedene Herausforderungen, insbesondere im Hinblick auf die Datenverfügbarkeit und -qualität.

Datenverfügbarkeit: Die Verfügbarkeit von Echtzeitdaten über Stromnetze, Erzeugungskapazitäten, Verbrauchsverhalten und Marktbedingungen ist entscheidend für die Modellierung und Optimierung. Die Integration von Sensoren, IoT-Geräten und intelligenten Messsystemen kann die Datenverfügbarkeit verbessern.

Datenqualität: Die Qualität der Daten, insbesondere in Bezug auf Genauigkeit, Vollständigkeit und Aktualität, ist entscheidend für die Zuverlässigkeit des Modells. Datenbereinigung, Validierung und regelmäßige Aktualisierungen sind erforderlich, um sicherzustellen, dass das Modell auf verlässlichen Informationen basiert.

Komplexität: Reale Stromnetze sind äußerst komplex und dynamisch. Die Modellierung dieser Komplexität erfordert fortgeschrittene Optimierungsalgorithmen, leistungsfähige Rechenressourcen und eine sorgfältige Validierung der Ergebnisse, um sicherzustellen, dass sie realen Bedingungen standhalten.

Inwiefern lassen sich die Erkenntnisse aus diesem Beitrag auf andere Infrastruktursysteme wie Gas- oder Wärmenetze übertragen

Die Erkenntnisse aus diesem Beitrag können auf andere Infrastruktursysteme wie Gas- oder Wärmenetze übertragen werden, indem ähnliche Optimierungsansätze angewendet werden.

Gasnetze: Durch die Anpassung des Modells auf Gasnetze können ähnliche Optimierungsziele wie Kapazitätsplanung, Emissionsminimierung und Kostenoptimierung verfolgt werden. Die Integration von Gasflussmodellen, Speicherkapazitäten und Transportinfrastruktur in das Modell kann dazu beitragen, die Effizienz und Nachhaltigkeit von Gasnetzen zu verbessern.

Wärmenetze: Bei der Anwendung auf Wärmenetze können ähnliche Optimierungsansätze zur Planung von Wärmeerzeugungskapazitäten, Wärmespeichern und Verteilungsnetzen verfolgt werden. Die Berücksichtigung von Wärmebedarf, Effizienzmaßnahmen und Umweltauswirkungen kann dazu beitragen, die Effizienz und Nachhaltigkeit von Wärmenetzen zu optimieren.