Dezentrales vernetztes Energiemanagement (eBook)

Prof. Dr. Sebastian Lehnhoff ist Juniorprofessor für Energieinformatik am OFFIS - Institut für Informatik in Oldenburg.

Danksagung 6
Zusammenfassung 8
Inhaltsverzeichnis 9
Abkürzungen 11
Tabellenverzeichnis 12
Abbildungsverzeichnis 14
1 Einleitung 19
1.1 Motivation 19
1.2 Zielsetzung 21
1.3 Verwandte Arbeiten 26
1.3.1 Virtuelle Kraftwerke 27
1.3.2 Dynamische Energiemarktmodelle durch Softwareagenten 28
1.3.3 Multiagentensysteme in praktischen Anwendungen 30
1.3.4 Betriebssicherheit in Energienetzen 30
1.3.5 Eigene Vorarbeiten 31
1.4 Aufbau und Gliederung der Arbeit 32
2 Das europäische Energieversorgungssystem 35
2.1 Stand der Technik 35
2.1.1 Das Energieversorgungssystem 35
2.1.2 Frequenzregelung 45
2.1.3 Reserveleistungsarten 46
Primärregelung 46
Sekundärregelung 47
Tertiärregelung 47
2.2 Energiewirtschaftliche Entwicklung 48
2.3 Herausforderungen an eine verteilte Regelung dezentraler Energieumwandlungsanlagen 52
3 Verteilte Verhandlungen in einem dezentralen Agentensystem 55
3.1 Agentenmodell 56
3.2 Verhandlungsarchitektur 59
3.3 Preisbildung 63
3.4 Anpassen von Geboten und Angeboten 67
3.4.1 Verhandlungspreis 75
3.4.2 Excessive Bargaining 77
Problemstellung 77
Kommentar 78
3.4.3 Sicherheit gegenüber bösartigem Verhalten 82
3.5 Modellsimulationen zum Einfluss der similarity und der Preisrahmengröße 85
3.6 Kommunikation über Ticket Distributoren 89
3.7 Komplexität und Skalierbarkeit des Verhandlungsalgorithmus 91
3.7.1 Die Prozeduren des DEZENT-Algorithmus 94
4 Dezentrales Netzmanagement 104
4.1 Bedingte Konsumenten/Produzenten 105
4.1.1 Fallstudie 1: dynamisch geregelter Kühlschrank 107
4.1.2 Fallstudie 2: dynamisch geregelte Wassertherme 109
4.1.3 Fallstudie 3: Kraft-Wärme-gekoppeltes Blockheizkraftwerk 110
4.1.4 Fallstudie 4: elektrische Speicher 111
4.1.5 Fazit aus den Fallstudien 112
4.2 Peak Demand and Supply Management in DEZENT 114
4.2.1 Modellsimulationen des Peak Demand and Supply Managements in DEZENT 118
Allgemeiner Ein.uss der identi.zierten Parameter 118
Einfluss innerhalb eines 0,4 kV-Bilanzkreises mit realistischem Lastprofil 124
4.3 Virtuelle Konsumenten/Produzenten 128
4.3.1 Das Newton-Raphson-Verfahren zur Lastfiussberechnung 129
Anwendung auf elektrische Energieübertragungsnetze 130
Rechnung an einem Beispielnetz 136
4.4 Komplexität und Skalierbarkeit des erweiterten Verhandlungsalgorithmus 140
4.4.1 Die Prozeduren des erweiterten DEZENT-Algorithmus 142
5 Verteiltes Lernen 145
5.1 Reinforcement Learning 146
5.2 Kooperatives Lernen in DEZENT 147
5.2.1 Strategic Preferences 150
Der DECOLEARN-Algorithmus 151
5.3 Modellsimulation des DECOLEARN-Algorithmus 153
5.4 Komplexität und Skalierbarkeit von DECOLEARN 159
6 Experimentelle Untersuchungen 161
6.1 Qualitätsmerkmale und Systemparameter in DEZENT 164
6.2 Experimentelle Vorgehensweise 165
Erzeugen realistischer Eingabeinstanzen für Permutation Flow-Shop Scheduling Probleme 166
Erzeugen realistischer Eingabeinstanzen für DEZENT 168
6.3 Erzeugen einer Klasse realitätsnaher Konfigurationen 169
6.4 Aufbau des experimentellen Beispielnetzes 175
6.5 Experimentelle Untersuchung von DEZENT ohne Peak Management 182
6.5.1 Beobachtungszeitraum T1 (0:00 Uhr – 6:00 Uhr) ohne Peak Management 185
6.5.2 Beobachtungszeitraum T2 (7:30 Uhr – 15:20 Uhr) ohne Peak Management 188
6.5.3 Beobachtungszeitraum T3 (15:50 Uhr – 21:20 Uhr) ohne Peak Management 192
6.5.4 Beobachtungszeitraum T4 (11:30 Uhr – 12:30 Uhr) ohne Peak Management 195
6.5.5 Beobachtungszeitraum T5 (21:20 Uhr – 22:00 Uhr) ohne Peak Management 198
6.6 Experimentelle Untersuchung von DEZENT mit Peak Management 201
6.6.1 Beobachtungszeitraum T1 (0:00 Uhr – 6:00 Uhr) mit Peak Management 204
6.6.2 Beobachtungszeitraum T2 (7:30 Uhr – 15:20 Uhr) mit Peak Management 207
6.6.3 Beobachtungszeitraum T3 (15:50 Uhr – 21:20 Uhr) mit Peak Management 209
6.6.4 Beobachtungszeitraum T4 (11:30 Uhr – 12:30 Uhr) mit Peak Management 211
6.6.5 Beobachtungszeitraum T5 (21:20 Uhr – 22:00 Uhr) mit Peak Management 213
6.7 Zusammenfassung der fallstudienhaften Untersuchung 215
7 Dezentrale Betriebsführung 221
7.1 Leitungsüberlastungen durch veränderte Versorgungskonfigurationen 223
7.2 Spannungsprofil in einem strahlenförmigen Netz 226
7.3 Herkömmliche Verfahren zur Bewertung von Betriebszuständen 229
7.3.1 Bewertung von Spannungszuständen 229
7.3.2 Bewertung von Leitungsströmen 230
7.3.3 Konvergenz des Newton-Raphson-Verfahrens 230
7.4 Stable State Recognition 232
7.4.1 Erzeugen der Teilmengen zur Vermeidung von Spannungsbandverletzungen im Raum komplexer Knotenleistungen 233
7.4.2 Erzeugen der Teilmenge zur Vermeidung von Leitungsüberlastungen im Raum komplexer Leistungsvektoren 236
7.4.3 Kombination zulässiger Spannungs- und Stromvektoren im Raum komplexer Knotenleistungen 238
7.4.4 On-line Bewertung von Betriebspunkten 238
Bewertung eines Betriebspunktes mittels Linearer Programmierung 240
Bewertung eines Betriebspunktes mittels H-Polytopen 241
Der QuickHull-Algorithmus zur Berechnung konvexer Hüllen 243
Kürzester Weg zurück in den Raum zulässiger Betriebsgrenzen 249
7.4.5 Integration der Stable State Recognition in DEZENT 252
8 Fazit und Ausblick 256
8.1 Fazit 256
8.2 Ausblick 259
A Anhang 264
A.1 Lastgangkurven Einzelhaushalte 264
A.2 Lastgangkurve Photovoltaik 267
A.3 Lastgangkurve Windkraft 268
Literaturverzeichnis 269

6 Experimentelle Untersuchungen (S. 145-146)

In den vorangegangenen Kapiteln wurde das DEZENT-Agentensystem modelliert (Kapitel 3.1), der Verhandlungsalgorithmus (Kapitel 3.2) entwickelt und sukzessiv um die Komponenten der Bedingten Agenten (Kapitel 4.1) und des verteilten Lernens (Kapitel 5) erweitert. Das erste formulierte Hauptziel (siehe Kapitel 1.2) von DEZENT ist, dass die erzielten Preise für Konsumenten und Produzenten günstiger sind, als unter zentralem Management in einem konventionellen Versorgungssystem (siehe Kapitel 2.1).

Die zweite wichtige Anforderung an das DEZENT-System ist, dass die entwickelten Prozesse für die Kommunikation, Koordination, Adaption und Stabilität (siehe Kapitel 1.4) die harten Echtzeitanforderungen in DEZENT erfüllen, d.h. hier, innerhalb einer Verhandlungsperiode von 500 ms Länge abgeschlossen sind. Zur Erfüllung des ersten Zieles wurden in Kapitel 3.3 enge Preisrahmen für die Verhandlungen eingeführt, da die Kosten für regenerative Energieerzeugung im bottom-up-Management deutlich niedriger liegen als Kosten für fossile Energieumwandlungsanlagen. Innerhalb dieser begrenzten Preisrahmen soll es Betreibern regenerativer Energieumwandlungsanlagen möglich sein, neben den Kosten für Abschreibung und Wartung der dezentralen Anlagen in angemessenem Rahmen Gewinn zu erwirtschaften.

Da Produzenten gleichzeitig Konsumenten sind (und umgekehrt), wird hiermit erreicht, dass Gewinne und Verluste weder einseitig verteilt sind noch extrem akkumuliert werden. In Abwesenheit von großen reinen Erzeugern (Großkraftwerken) sind die Preisrahmen ökonomisch akzeptabel, da einerseits die Selbstversorgung im Vordergrund steht und andererseits die Preisrahmen für top-down-Versorger (langfristige Einsatzplanung, Transport von fossilen Ressourcen und zentral erzeugter Energie) nicht lohnend sind. Beim Weiterreichen unbefriedigter Agenten auf höhere Verhandlungsebenen werden die festen Preisrahmen enger.

Hierdurch und in Kombination mit der Gestalt der Verhandlungskurven kann erwartet werden, dass die günstigsten Verträge zwischen Konsumenten und Produzenten stets auf der untersten Verhandlungsebene erzielt werden (siehe Kapitel 3.4.1). Dieser Anreiz für einen bevorzugt lokalen Ausgleich reduziert Transportwege und minimiert Verlustleistungen, wodurch die Gesamtversorgung insgesamt ef?zienter wird. Verträge werden zwischen Agenten mit „ähnlichen“ Geboten und Angeboten geschlossen. Der Energiepreis des geschlossenen Vertrags wird als das arithmetische Mittel aus dem „ähnlichen“ Gebot-Angebot-Paar berechnet.

Damit hierbei nicht Energiepreise verhandelt werden, die zu stark von individuellen Preisvorstellungen abweichen, wurde ein gültiger Ähnlichkeitsbereich – eine sog. similarity – de?niert, in dem Verträge zwischen unterschiedlich hohen Geboten und Angeboten geschlossen werden. Die Annäherung eines Konsumenten-Produzenten-Paares ?ndet auf Basis ihrer Verhandlungsparameter – ihrer „Strategien“ – statt. Diese Strategien werden von Periode zu Periode auf Basis von verteilten Lernprozeduren angepasst. Der Erfolg des Lernalgorithmus hängt dabei von demWechsel zwischen Erforschen neuer Strategien (Exploration) und dem Ausnutzen von Wissen über bewährte Strategien (Exploitation) ab.