Implementierung eines Vorhersage- und Optimierungsalgorithmus in eine Datenschnittstelle für Smart Meter Gateways

Abstract

Die Steigerung des Anteils erneuerbarer Energieträger am Gesamtenergieverbrauch geht mit einer zunehmend fluktuierenden Stromerzeugung einher. Daher werden Maßnahmen für die Sicherstellung eines stabilen Netzbetriebs künftig an Bedeutung gewinnen, beispielsweise die angebotsgesteuerte Aufnahme elektrischer Leistung mit individuellen Speicherungskonzepten zur Umverteilung von Lasten. Mittels Smart Meter Gateways, die konventionelle Stromzähler in Gebäuden ersetzen, wird eine Kommunikation zwischen Netzbetreiber und Gebäude ermöglicht. Auf Basis geeigneter Marktsignale können entsprechende Regelungsansätze umgesetzt werden, die die elektrische Leistungsaufnahme hinsichtlich einer gegebenen Größe optimieren und Lasten umverteilen. Gleichzeitig können dadurch CO2-Emissionen und Stromkosten eingespart werden, sofern der Stromanbieter schwankende Marktpreise an den Verbraucher weiterleitet. Vor diesem Hintergrund wird in der vorliegenden Arbeit ein Applikationsmodell erstellt, das mittels Modellprädiktion und Optimierung eine Lastumverteilung ermöglicht. Am Beispiel der Heizleistung eines typischen Einfamilienhauses werden Model-in-the-Loop-Simulationen zur Funktionsüberprüfung des Applikationsmodells durchgeführt. Dazu werden Simulationsdaten des Gebäudes am Standort Stuttgart und die zugehörigen Wetterdaten des Deutschen Wetterdienstes berücksichtigt. Zur Vorhersage wird ein neuronales Netz implementiert, das mit historischen Daten trainiert wird. Die erstellten Werte werden einem neuartigen Optimierer übergeben, der unter Einhaltung der physikalischen Randbedingungen die Lastumverteilung mittels eines thermischen Speichers bis zum Vorhersagehorizont plant. Eine gegebene Kostenfunktion - beispielsweise der Anteil fossiler Energieerzeuger am Strommix oder der Strompreis - wird dabei minimiert. Abschließend wird das Applikationsmodell anhand von Realdaten auf Praxistauglichkeit untersucht. Die Simulationen zeigen bei den CO2-Emissionen ein Einsparpotential durch Lastumverteilung in Höhe von 9,5 % pro Jahr. Die jährlichen Stromkosten können um 19 % reduziert werden. Die Untersuchungen zeigen, dass die Qualität der Vorhersage einen geringen Einfluss auf die Einsparpotentiale bei Strompreis und CO2-Emissionen hat, da die Kostenfunktion den bedeutenderen Faktor bei der Optimierung darstellt. Wird hinsichtlich eines minimalen Strompreises optimiert, kann gleichzeitig der CO2-Ausstoß während der Stromerzeugung um 5,1 % gesenkt werden. Umgekehrt gelingt eine Stromkostensenkung um 10 %, wenn hinsichtlich geringstmöglicher CO2-Emissionen optimiert wird. Die Potenziale zur Reduzierung von Kosten bzw. CO2-Emissionen sind vom betrachteten Lastfall und der Anlagentechnik abhängig. Die Realdatensimulationen bestätigen trotz verschlechterter Vorhersagequalität die Simulationen zur CO2-Emissionsoptimierung. Bei der Stromkostenoptimierung resultiert ein um 50 % höheres CO2-Einsparpotential, wenn die Nutzung einer Nachtabsenkung in die Betrachtung einbezogen wird. Das Applikationsmodell zeigt die Potentiale der Lastumverteilung auf und zeigt seine Funktionstüchtigkeit mittels effektiver Kostenreduzierung durch Optimierung. Weitere Forschung kann sich mit der Verbesserung der Optimierung befassen und weitere Technologien zur Energiespeicherung, beispielsweise Stromspeicher, betrachten.

Rising shares of renewable energy sources throughout the energy market are associated with an increasingly fluctuating power generation. Therefore, measures to ensure a stable grid operation will prospectively gain in importance, such as load redistribution by supply-controlled electrical power consumption combined with individual storage concepts. Replacing conventional electricity meters in buildings, Smart-Meter-Gateways will allow for a communication between network operator and building. Based on specific market signals, adapted control approaches can be implemented to redistribute loads while optimizing the energy demand with respect to a given condition. At the same time, both CO2 emissions and electricity costs can be saved, provided that the electricity provider passes on fluctuating market prices to the consumer. The present thesis develops an application model that uses model prediction and optimization to enable load redistribution. As a functionality test, model-in-the-loop simulations are performed taking the heating output of a typical single-family house as an example. For this purpose, simulation data of the building located in Stuttgart, Germany and the corresponding weather data from the Deutscher Wetterdienst (DWD, German Meteorological Service) are considered. A neural network, trained with historical data, is implemented for forecast. The generated values are passed to a novel optimizer, which plans the load redistribution by means of thermal storage up to the forecast horizon while respecting the physical constraints. A given cost function is minimized in the process, for example the electricity price or the share of conventional energy producers in the electricity mix. Finally, the application model is tested for practicability using values from real-life applications. The simulations show potential CO2 emission savings by load redistribution of 9.48 % per year while annual electricity costs can be reduced by 19.3 %. The research shows that forecast quality has a minor impact on the savings potentials for electricity costs and CO2 emissions, since the cost function is the main factor. If optimization is performed with respect to minimum electricity costs, CO2 emissions due to electricity production can be reduced by 5.14 % at the same time. Conversely, a 10.5 % reduction of electricity costs can be achieved when optimizing for minimum CO2 emissions. The potentials for reducing costs or CO2 emissions depend on the load case being considered as well as the actual system technology. The simulations featuring real-life application data confirm the previous results for CO2 emission optimization despite a lower forecast quality. In the case of electricity costs optimization, the potential savings due to use of a night setback is even 1.5 times higher. The application model shows the potentials of load redistribution and proves its functionality. Further research might address possible improvements in the optimization and take additional energy storage technologies into account, such as batteries or comparable electricity storage devices.