Optimierung der Investitions- und Einsatzplanung dezentraler Energiesysteme unter Unsicherheit

Die Energieversorgung verschiebt sich kontinuierlich von einer zentralisierten zu einer dezentralen Versorgung mit deutlichem Ausbau fluktuierender erneuerbarer Energien. Bei der grundlegenden, strukturellen Neuordnung der Energieversorgung unterliegen die Investitions- und Einsatzplanung dezentraler Energiesysteme vielfältigen Unsicherheiten. Motiviert durch diese Entwicklung, wurde für die Investitions- und Einsatzplanungsoptimierung ein ganzheitliches, modulbasiertes Framework entwickelt, um diese Unsicherheiten und deren gegenseitige Abhängigkeiten konsistent modellieren und berücksichtigen zu können. ... mehr
Zunächst werden meteorologische Eingangsdaten über Markov-Prozesse bereitgestellt und dann in die erforderlichen Daten für die Optimierung umgewandelt. Schließlich werden Investitions- und Einsatzplanung des dezentralen Energiesystems durch ein zweistufiges stochastisches gemischt-ganzzahliges lineares Programm optimiert. Zu diesem Zweck wird dieses komplexe Programm durch Fixierung verknüpfender Variablen in Subprogramme entkoppelt und auf High-Performance-Computing-Systemen parallel ausgeführt. Der Rechenaufwand wird durch eine vorgelagerte Szenarioreduktion und eine optimierte Solver-Einstellung mittels automatischer Algorithmuskonfiguration um bis zu 75 % reduziert. Die fixierten Variablen werden im Masterprogramm durch einen ableitungsfreien Bergsteigeralgorithmus optimiert, der robust und zuverlässig das (lokale) Optimum in wenigen Iterationen findet. Mit einer übergeordneten Regret-Minimierung wird für den privaten Entscheider die Investition bestimmt, die er im schlimmsten Fall am wenigsten bereuen würde.
In einer Fallstudie wird endogen die kostenminimale Investitions- und Einsatzplanung des Energiesystems eines Wohnquartiers in Karlsruhe ermittelt. Zu den möglichen Systemkomponenten gehören eine PV-Anlage, Wärmepumpen als Power-to-Heat-Anwendung sowie thermische und elektrische Speicher. Die Ergebnisse zeigen, dass die PV-Anlage als dezentrales Energieangebot in solch einem System generell wirtschaftlich ist. Wärmespeicher sind in der Regel größer, wenn Unsicherheiten berücksichtigt werden. Stochastische Programmierung kann mithin helfen, insuffiziente Investitionsplanung zu vermeiden. Bei getrenntem Heizsystem sind Speicher für Warmwasser rentabler als für Raumwärme, deren Wert mehr in der Minimierung des Risikos liegt, den Heizbedarf in kalten Wintern nicht decken zu können. Elektrische Speicher spielen aufgrund ihres höheren Investitionsbedarfs im Vergleich zu thermischen Speichern kaum eine Rolle und werden nur zwingend benötigt, um vollständige Autarkie zur Überbrückung bestimmter Wochen im Jahr zu erreichen.
Die Analyse der Skalierbarkeit und der Vergleich mit einer modernen dualen Dekompositionsmethode mittels angepasster Lagrange-Relaxierung zeigen eine gute Performance des entwickelten Ansatzes für den betrachteten Problemtyp. Der Mehrwert, der sich aus der Berücksichtigung der Unsicherheiten in der Optimierung einschließlich des daraus resultierenden Rechenaufwands ergibt, wird aufgezeigt und rechtfertigt den gewählten Ansatz.

Energy supply is continuously moving from a centralized to a decentralized supply, with significant expansion occurring in fluctuating renewable energy. In the fundamental, structural rearrangement of the energy supply, the investment and operational planning of decentralized energy systems is subject to a variety of uncertainties. Motivated by this development, a comprehensive, module-based framework is developed for investment and operation planning optimization in order to consistently model and take account of those uncertainties and their interdependencies.
Beginning with the generation of meteorological input data using Markov processes, these are then transformed into the required data for the optimization. ... mehrFinally, a two-stage stochastic mixed-integer linear program optimizes the investment decision and operational management of the decentralized energy system. To this purpose, the large-scale program is decoupled by fixing connecting variables into sub programs and performed in parallel on high-performance computing systems. The computational effort is reduced by up to 75 % through an upstream scenario reduction and an optimized solver setting using automatic algorithm configuration. The fixed variables in the master program are optimized by a derivative-free hill-climbing algorithm, which robustly and reliably finds the (local) optimum in a few iterations.
In a case study, the optimal investment and operation for the energy system of a residential quarter in Karlsruhe is determined endogenously. Possible system components include a PV system, heat pumps as power-to-heat applications as well as thermal and electrical storage units. The results indicate that the PV system is generally economical as a decentralized energy supply in such a system. Heat storage units are generally larger when uncertainties are taken into account, i. e. stochastic optimization can help to avoid insufficient investment planning. With a separated heating system, hot water storage units are more profitable than space storage units, the value of which is rather in reducing the risk of not covering heat demand in cold winters. Due to their higher investment needs, electrical storage units play a marginal role in comparison to thermal storage units and are only essentially required in the case of complete self-sufficiency bridging certain weeks in the year.
The scalability analysis and the comparison with a state-of-the-art dual decomposition method reflect a good performance in the developed approach for the considered problem type. The added value of taking uncertainties into account in optimization, including the resulting computational effort, is shown and justifies the approach.