Residentieel energiebeheer in slimme energienetwerken Thomas Roelens
Promotoren: prof. dr. ir. Chris Develder, prof. dr. ir. Filip De Turck Begeleiders: ir. Kevin Mets, ir. Tom Verschueren Masterproef ingediend tot het behalen van de academische graad van Master in de ingenieurswetenschappen: computerwetenschappen
Vakgroep Informatietechnologie Voorzitter: prof. dr. ir. Daniël De Zutter Faculteit Ingenieurswetenschappen en Architectuur Academiejaar 2010-2011
Voorwoord Deze masterproef kwam tot stand enerzijds uit mijn interesse voor software en anderzijds uit mijn interesse in energie-effici¨entie. Hoewel elektriciteit niet tot mijn vakgebied behoort, vond ik het toch een bijzondere uitdaging om mij te verdiepen in slimme energienetwerken. Ik zou graag mijn promotoren Chris Develder en Filip De Turck bedanken voor de kans die ik gekregen heb om deze masterproef uit te voeren. Ze hebben mij uit hun ervaring nuttige feedback en richtlijnen gegeven. Dit heeft mijn werk vormgegeven en mij geholpen om alles in een breder perspectief te plaatsen. Daarnaast wens ik een bijzonder woordje van dank te richten tot mijn begeleiders Kevin Mets en Tom Verschueren. Zij hebben mij talloze keren feedback gegeven, wekelijks met mij vergaderd en veel toelichtingen verschaft over het onderzoeksdomein. Ten slotte wil alle mensen bedanken die mijn masterproef hebben nagelezen en me hebben gesteund bij de realisatie van mijn eindwerk.
Thomas Roelens, juni 2011
Toelating tot bruikleen “De auteur geeft de toelating deze masterproef voor consultatie beschikbaar te stellen en delen van de masterproef te kopi¨eren voor persoonlijk gebruik. Elk ander gebruik valt onder de beperkingen van het auteursrecht, in het bijzonder met betrekking tot de verplichting de bron uitdrukkelijk te vermelden bij het aanhalen van resultaten uit deze masterproef.”
Thomas Roelens, juni 2011
Residentieel energiebeheer in slimme energienetwerken door Thomas Roelens Scriptie ingediend tot het behalen van de academische graad van Master in de ingenieurswetenschappen: computerwetenschappen. Academiejaar 2010–2011 Promotoren: Prof. Dr. Ir. Chris Develder, Prof. Dr. Ir. Filip De Turck Begeleiders: Kevin Mets, Tom Verschueren Faculteit Ingenieurswetenschappen en Architectuur Universiteit Gent Vakgroep Informatietechnologie Voorzitter: Prof. Dr. Ir. Dani¨el De Zutter
Samenvatting In deze masterproef wordt een gedistribueerd algoritme ontworpen voor residentieel energiebeheer in een slim energienetwerk. Dit algoritme is verantwoordelijk voor het afstemmen van vraag en aanbod aan energie in het netwerk en kan bovendien op een effici¨ente manier hernieuwbare energiebronnen integreren in dit netwerk. Door slimme lastenverschuivingen uit te voeren is het algoritme in staat om de vraag naar energie af te stemmen op het fluctuerend aanbod aan energie uit hernieuwbare energiebronnen. We kiezen voor een marktgebaseerde Multi-Agent Systeem (MAS) met simpele biedingsfuncties en geavanceerde lastenverschuivingen. We introduceren hierbij nieuwe idee¨en voor effici¨entere lastenverschuivingen op basis van de realtime productmix en historische prijsdata. We stellen vier scenario’s op in een simulator voor slimme energienetwerken. In deze scenario’s onderzoeken we hoe goed het algoritme lastenverschuivingen kan uitvoeren op hernieuwbare energiebronnen bestaande uit: windenergie, zonne-energie, opslagtechnologie¨en voor energie en een combinatie van al deze bronnen samen. De resultaten tonen aan dat het algoritme zowel energie kan besparen op een traditionele generator in het netwerk, wat tot een kostendaling leidt voor de energieleverancier. Daarnaast kan het algoritme effici¨ent omgaan met hernieuwbare energie. Ten slotte tonen we aan dat onze nieuwe idee¨en een meerwaarde hebben.
Trefwoorden Slimme energienetwerken, multi-agent systeem, residentieel energiebeheer, elektronische markten, hernieuwbare energiebronnen.
Residential energy management in smart power grids Thomas Roelens Supervisor(s): Chris Develder, Filip De Turck, Kevin Mets, Tom Verschueren Abstract— This article describes a distributed algorithm for residential energy management in smart power grids. We use a market-oriented multiagent system based on recent studies. Unlike previous studies, we kept the bidding functions simple, but introduced an advanced mechanism of thresholds to achieve load shifting. We use thresholds that dynamically change depending on deadlines, the real-time production mix and historical price information. Evaluations were done in a smart grid simulator and the results for one use case are discussed in this article. Keywords— Residential energy management, multi-agent system, electronic markets, smart power grids
find the optimal market price by using the law of supply and demand from micro-economics. This market-based approach allows us to model renewable energy sources as producers of energy and model energy consuming devices as consumers of energy. We have designed a MAS with a central marketplace where auctions take place. Furthermore, we identify five types of agents: fixed consumers, shiftable consumers, producers, storage agents and aggregator agents.
I. I NTRODUCTION
Compared to existing solutions such as [3], we introduce the following differences: • We use bidding curves which have the form of a step function, which is a simplification of the hyperbolic paraboloid curves in [3]. This shape is then transformed into a linear curve using linear regression. This allows us to find the market equilibrium by seeking the intersection of the total supply and total demand curve. We will investigate if this simplified model can deliver similar results to [3]. • We send more information between the market center and the agents than in [3] to investigate if an agent can do more efficient load shifting when it has more information available. As a proof-of-concept we calculate the average percentage of renewable sources in the real-time production mix in the market center. This is sent to agents and allows them to make better decisions. • We use a mechanism of thresholds for price, percentage of renewable sources and price history in a load shifting agent. As soon as the equilibrium price from an auction in the market center is lower than a dynamic threshold in the shifting agent, it can start the device it controls. We use a dynamic threshold which exponentially increases as the deadline of the device’s starting time gets closer. In addition, we save the equilibrium price of all auctions in a certain timespan in the past. From this we calculate derived facts like the average price, the actual price range (maximum price - minimum price) and so on.
MART Power Grids (SPG) [1] are necessary to efficiently and flexibly manage renewable energy sources in the power grid. Energy from renewable sources such as wind and solar power are produced in decentralized locations and have a fluctuating production profile. This problem combined with new advances in a.o. electric vehicles put strains on the current electricity network. Furthermore, SPG allow a better follow-up of metering by using smart meters and they introduce security measures in the electricity network. An intelligent ICT energy management system can efficiently balance supply and demand of fluctuating energy production. Devices connected to this ICT system can automatically shift their load based on current energy supplies. In this article we will present an algorithm that can intelligently coordinate devices in a SPG in such a way that renewables are optimally used.
S
II. M ARKET- BASED ALGORITHM IN A M ULTI -AGENT S YSTEM Definition 1: A Multi-Agent System (MAS) [2] is a system consisting of two or more intelligent agents. An agent is a software entity in a certain location that is capable of reacting autonomously to changes in its environment. Such a system has no global goal, but only consists of the combination of all local agents’ goals. These intelligent agents can communicate with each other. Since renewable energy sources are typically distributed throughout the SPG, the inherent distributed nature of MAS comes in handy. MAS have become popular for power engineering concepts. We base our distributed algorithm on recent literature, where the most important studies are PowerMatcher [3] and the DEZENT project. These articles propose a hierarchical distributed MAS. Moreover, concepts from market-oriented programming are combined in this MAS. Inspired by market auctions, we implement a market-based algorithm where agents in the MAS can bid on energy. We can
III. S IMULATION We implemented our algorithm in a Smart Grid simulator [4] based on OMNeT++. The main goal of this simulator is to speed up SPG research and our research is the proof of the simulator’s possibilities. Our study focused on the ICT components in the MAS and thus electrical aspects were simplified. The simulator allowed us to easily create four different use case scenario’s (wind turbine scenario, solar panel scenario, wind turbine and storage scenario and a scenario combination all these renewables together). Each scenario simulates a 24 hour period. In each use case scenario we decided to simulate a SPG containing 30 houses, fixed operating consuming devices, sev-
eral shiftable consuming devices such as washing machines and electric vehicles and certain renewable energy producers. To evaluate our market algorithm we created several metrics which are discussed in the next section. IV. U SE CASE AND RESULTS We will dicuss our scenario simulating a future SPG neighbourhood containing the following renewable sources: wind turbines, solar panels and power storage. Firstly we describe our use case setup, secondly we explain the metrics used to evaluate the algorithm and finally we explain the results. A. Case setup We have 30 houses connected to a bus and each house consists of a fixed base load consumption and 4 shiftable devices (4 kW dryer, 2.5 kW dishwasher, 3 kW heater and 30% of the houses have a 4 kW electric vehicle). As producing components we have a 150 kW wind turbine, a 1 kWp solar panel in 15 houses, a 16 kWh battery and a generator that can deliver power if there is not enough renewable production. B. Reference To evaluate our algorithm we build a reference model where shiftable devices have a fixed operating time. This is shown in table I. A simulation result is shown below, where we plot the generator profile (full line), the total consumption (light dotted line) and the total renewable production (heavy dotted line). We model consumption as positive values and production as negative values.
Fig. 2: Results for a one day simulation of the neighbourhood scenario with the market algorithm. the algorithm to the reference scenario, we reduce the required energy from the generator by 36% (288.38 kW reduction), we reduce the peak load on the generator by 48% to 123.65 kW and we reduce the standard deviation on the generator profile by 23.48%. Furthermore, we reduce the excess of local renewable production (which is normally sent to a MV network) by 20% and we increase the use of renewable energy production locally by 87% (total use increases from 18% to 35%). These results can be explained by the shift in operating times for shiftable devices in the market algorithm. Our algorithm shifts devices using different thresholds based on the market price, device deadlines, and the amount of real-time renewable production. P (kWh) 807.37 518.99
REF MA
P & (%) 35.73%
Pmax (kW) 238.62 123.65
Pmax & (%) 48.18%
σ(P ) & (%) 23.48%
TABLE II: Resulting metrics on the generator. MA
Wasted E & 19.80% (176 kWh)
Use of renewables % 86.58% (18% → 35%)
TABLE III: Resulting metrics on renewables. V. C ONCLUSION
Fig. 1: Results for a one day simulation of the neighbourhood case with the reference implementation. C. Market algorithm In this scenario we let the market algorithm control the shiftable devices but there are deadlines for operation times of devices. The results are shown in figure 2 and the operating times can be seen in table I in the ‘MA’ row.
REF MA
Dryer 22:00-23:40 10:45-16:00
Operating times Washer Heater 21:00-21:50 7:00-8:10 10:45-16:15 5:30-8:15
Dishwasher 19:00-21:20 21:15-24:00
TABLE I: The difference in shiftable device operating times. D. Results and explanation In tables II and III we show the resulting metrics for our market algorithm (averages of 100 simulations). When we compare
We have presented a market-based MAS for residential energy management in a SPG. Our implementation differs from existing solutions on many levels. Our main strategy is to optimally use local renewable energy production whilst still having a balance in supply and demand of energy. We show the simulation result for one of our cases. Our results show an increase of the used renewable sources in the network and this leads to a reduction of the needed energy and peak load on a traditional generator in the network. R EFERENCES [1] H. Farhangi, “The path of the smart grid,” IEEE Power and Energy Magazine, vol. 8, no. 1, pp. 18–28, 2010. [2] S. D. J. Mcarthur, E. M. Davidson, V. M. Catterson, A. L. Dimeas, N. D. Hatziargyriou, F. Ponci, and T. Funabashi, “Multi-agent systems for power engineering applications: Part i: Concepts, approaches, and technical challenges,” Power Systems, IEEE Transactions on, vol. 22, no. 4, pp. 1743– 1752, 2007. [3] J. K. Kok, C. J. Warmer, and I. G. Kamphuis, “PowerMatcher: Multiagent Control in the Electricity Infrastructure,” in Proceedings of the 4th international joint conference on Autonomous Agents and Multiagent Systems, 2005, pp. 75–82. [4] K. Mets, W. Haerick, and C. Develder, “A simulator for the control network of smart grid architectures,” in i-SUP 2010 : Innovation for Sustainable Production, Proceedings, 2010, pp. 50–54.
INHOUDSOPGAVE
vii
Inhoudsopgave 1 Inleiding
1
1.1 Residentieel energiebeheer in slimme energienetwerken . . . . . . . . . . . . . . . . . .
1
1.2 Probleemstelling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3
1.3 Doelstelling en onderzoeksvragen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5
1.4 Indeling van de masterproef . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6
2 Literatuurstudie 2.1 De context van slimme energienetwerken . . . . . . . . . . . . . . . . . . . . . . . . . . .
7 7
2.1.1
Wat zijn slimme energienetwerken? . . . . . . . . . . . . . . . . . . . . . . . . . .
7
2.1.2
Waarom hebben we slimme energienetwerken nodig? . . . . . . . . . . . . . . . .
9
2.1.3
Hernieuwbare energiebronnen . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
2.1.4
Een overzicht van de huidige elektriciteitsmarkt in Belgi¨e . . . . . . . . . . . . . .
12
2.1.5
Een evolutie naar slimme huizen en gegevens over elektriciteitsconsumptie . . .
13
2.2 ICT oplossingen voor energiebeheer in slimme energienetwerken . . . . . . . . . . . . .
16
2.2.1
Gecentraliseerde aanpak . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
16
2.2.2
Gedistribueerde aanpak . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
16
2.3 Multi-agent systemen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
16
2.3.1
Definitie van een multi-agent systeem . . . . . . . . . . . . . . . . . . . . . . . . .
17
2.3.2
Algemene werking van multi-agent systemen . . . . . . . . . . . . . . . . . . . . .
17
2.3.3
PowerMatcher: multi-agent controle in de elektriciteitsinfrastructuur . . . . . . .
18
2.3.4
Een agent gebaseerd marktplatform voor slimme energienetwerken . . . . . . . .
20
2.3.5
Dezent: realtime multi-agent ondersteuning voor gedecentraliseerd beheer van elektrische stroomvoorziening . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
23
2.3.6
Agent gebaseerd controle raamwerk voor DERs in een micro grid . . . . . . . . .
25
2.3.7
Compute Power Market: naar een markt ge¨orienteerd slim energienetwerk . . . .
26
2.3.8
Conclusies multi-agent systemen voor elektriciteitsnetwerken . . . . . . . . . . .
29
2.4 Conclusies literatuurstudie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
30
INHOUDSOPGAVE
viii
3 Analyse en architectuur
31
3.1 Doelen van het algoritme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31
3.2 Vereistenanalyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
35
3.2.1
Functionele vereisten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
35
3.2.2
Niet-functionele vereisten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
35
3.3 Architectuur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
36
3.3.1
Globale architectuur: het systeem met de verschillende actoren . . . . . . . . . .
36
3.3.2
De architectuur op agent niveau . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37
3.3.3
Interacties tussen de componenten: sequentiediagrammen . . . . . . . . . . . .
39
4 Toelichting marktalgoritme
40
4.1 Componenten in het algoritme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
40
4.2 Interactie tussen de componenten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
42
4.3 Het algoritme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43
4.3.1
Algemeen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43
4.3.2
In het markt center . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43
4.3.3
Logica in de agenten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
48
4.4 Implementatie in simulator . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
56
5 Simulatie
58
5.1 Smart grid simulator . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
58
5.2 Simulaties en metrieken . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
61
5.3 Toestellen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
63
5.3.1
Basislasten in huis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
63
5.3.2
Lastverschuivende toestellen in huis . . . . . . . . . . . . . . . . . . . . . . . . . .
65
5.3.3
Opslagelementen voor de opslag van energie . . . . . . . . . . . . . . . . . . . . .
65
5.4 Configuratie van de scenario’s . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
66
6 Scenario’s en resultaten 6.1 Windenergie scenario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
67 67
6.1.1
Introductie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
67
6.1.2
Business case . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
68
6.1.3
Wiskundig model voor een windturbine . . . . . . . . . . . . . . . . . . . . . . . .
69
6.1.4
Experimentele opstelling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
72
6.1.5
Resultaten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
74
6.2 Zonne-energie scenario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
81
6.2.1
Introductie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
81
6.2.2
Business case . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
81
INHOUDSOPGAVE
ix
6.2.3
Wiskundig model voor een zonnepaneel . . . . . . . . . . . . . . . . . . . . . . . .
82
6.2.4
Experimentele opstelling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
85
6.2.5
Resultaten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
86
6.3 Scenario met opslagelementen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
90
6.3.1
Introductie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
90
6.3.2
Business case . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
91
6.3.3
Wiskundig model voor een opslagcomponent . . . . . . . . . . . . . . . . . . . . .
91
6.3.4
Experimentele opstelling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
92
6.3.5
Resultaten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
93
6.4 Complete buurt omgeving scenario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
97
6.4.1
Business case . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
97
6.4.2
Experimentele opstelling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
97
6.4.3
Resultaten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
99
7 Geavanceerde tests
103
7.1 PowerMatcher scenario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103 7.1.1
Introductie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
7.1.2
Experimentele opstelling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
7.1.3
Resultaten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
7.2 Evaluatie van een slimme prijsdrempel gebruik makend van historische data . . . . . . . 107 7.3 Invloed van prijsschalen in het algoritme . . . . . . . . . . . . . . . . . . . . . . . . . . . 109 7.4 Evaluatie van een lastenverschuivende strategie op basis van extra randinformatie . . . 110 7.5 Schaalbaarheidstest . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 8 Conclusies en verder onderzoek
112
8.1 Conclusies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112 8.2 Verder onderzoek . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113 A Volledige pseudo-code
114
B Extra resultaten
121
B.1 Resultaten voor SLP basislasten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121 B.1.1 Wind scenario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121 B.2 Resultaten prijsgeschiedenis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124 Bibliografie
126
Lijst van figuren
135
Lijst van tabellen
137
Lijst met afkortingen
Lijst met afkortingen BELPEX Belgian Power Exchange. 13 CHP Combined Heat and Power. 3 CPM Compute Power Market. 26–28 DER Distributed Energy Resources. 11, 16, 25, 29 DG Distributed Generation. 11 EIA Energy Information Administration. 9 HEM Home Energy Management. 3, 4, 37 ICT informatie- en communicatietechnologie. 2–5, 7, 11, 17, 30, 42, 56, 60, 73, 85, 92, 98, 111 MAS Multi-Agent Systeem. 7, 16, 17, 30, 32–35, 37, 40, 41, 43 NED Network Description Language. 60 NIST National Institute of Standards and Technology. 9 PHEV Plug-In Hybrid Electric Vehicle. 3, 15, 65, 72, 85, 91, 92, 97 RMI Remote Method Invocation. 28 SLP Synthetisch Last Profiel. 63, 64, 72, 75, 85, 92, 97, 104 VEA Vlaams Energieagentschap. 9 VITO Vlaamse Instelling voor Technologisch Onderzoek. 63, 64, 72, 75, 85, 92, 97, 104 VREG Vlaamse Regulator van de Elektriciteits- en Gasmarkt. 12, 13, 63 WKK warmtekrachtkoppeling. 1–3, 8, 19, 103
x
INLEIDING
1
Hoofdstuk 1
Inleiding In dit hoofdstuk geven we een inleiding op dit onderzoek rond residentieel energiebeheer in slimme energienetwerken. Dit omvat een korte toelichting over de plaats van ons onderzoek in het Smart Grids onderzoeksdomein, de probleemstelling van het onderzoek en de doelstellingen die deze thesis vooropstelt.
1.1
Residentieel energiebeheer in slimme energienetwerken
We starten met enkele inleidende citaten die toelichten wat slimme energienetwerken zijn, en welke problematieken slimme energienetwerken met zich meebrengen.
Slimme elektriciteitsnetten of smart grids [1, 2, 3, 4] zijn essentieel om flexibel e´ n betrouwbaar om te gaan met de groeiende dynamiek van aanbieders en afnemers van, met name, duurzame energie. De energietransitie naar meer duurzame energie is complex. Energie uit bijvoorbeeld wind, zon, biomassa of micro warmtekrachtkoppeling (WKK) komt decentraal en onregelmatig op het net. Dit en nieuwe ontwikkelingen zoals het opladen van elektrische auto’s stellen nieuwe en hoge eisen aan de netwerken. Bovendien hebben al die ontwikkelingen hun eigen tempo en zijn deels van elkaar afhankelijk. Dit dwingt overheid en bedrijfsleven tot ingrijpende innovaties in de energienetwerken en in de totale keten van de energievoorziening [1].
Door een slim energiebeheersysteem kunnen vraag en aanbod van elektriciteit effici¨enter op elkaar worden afgestemd. Apparaten in het netwerk met deze intelligente software kunnen automatisch inspringen op schommelingen in vraag en aanbod van elektriciteit. Het resultaat is dat meer duurzame energie zonder problemen in het systeem kan worden opgenomen [1].
1.1 Residentieel energiebeheer in slimme energienetwerken
2
De elektriciteitsmarkt ondergaat een verandering van een gecentraliseerd model waar stroomvoorziening geleverd wordt door een beperkt aantal centrale elektriciteitscentrales, naar een gedecentraliseerd model, waar decentrale hernieuwbare energiebronnen ge¨ıntegreerd worden.
Het
uitbouwen van het bestaande elektriciteitsnetwerk zal niet volstaan om aan deze veranderingen tegemoet te komen, omdat er geen communicatie mogelijk is tussen de talloze gedistribueerde componenten [2].
Er is nood aan innovatieve informatie- en communicatietechnologie (ICT)
oplossingen die in parallel uitgebouwd worden. Dan pas kunnen we spreken over een echt slim energienetwerk (Smart Power Grid, zie definitie in sectie 2.1.1).
In figuur 1.1 is een overzicht
weergegeven van de componenten in zo’n slim energienetwerk van de toekomst: slimme huizen, windturbines, WKK’s, opslag van energie, elektrische wagens, klassieke centrales, en virtuele centrales (virtual power plants).
Figuur 1.1: Een overzicht van de verschillende aspecten van toekomstige slimme energienetwerken [5]. Als we in detail kijken naar de residenti¨ele omgeving, zien we typisch een kleiner netwerk van huizen met decentrale, hernieuwbare energieproductie. In figuur 1.2 is conceptueel een overzicht van een kleine residienti¨ele omgeving van de toekomst weergegeven.
Figuur 1.2: Een buurt van de toekomst, met slimme huizen (slimme meters, slimme toestellen, lokale elektriciteitsproductie), en hernieuwbare energiebronnen op gedistribueerde locaties [6].
1.2 Probleemstelling
3
De laatste tijd gaat er veel aandacht naar het promoten van een ecologisch en ‘groene’ manier van leven. De opwarming van de aarde door uitstoot van broeikasgassen [7] komt alsmaar vaker in de actualiteit. E´en van de belangrijkste doelstellingen om de opwarming van de aarde tegen te gaan is het verlagen van de CO2 -uitstoot, zoals aangegeven door de EU2020 doelstellingen [8]. Daarnaast wint hernieuwbare energie aan populariteit, onder meer door de overheidsinspanningen. Zo is er in Vlaanderen bijvoorbeeld de laatste jaren een sterke groei aan installaties van zonnepanelen bij residenti¨ele klanten [9].
1.2
Probleemstelling
In deze studie bestuderen we het residentieel aspect van slimme energienetwerken. We zullen ons toeleggen op de ICT oplossingen die zorgen voor het beheer van energie in het zogenaamde ‘internet voor elektriciteit’ [10]. Hiermee doelen we op het citaat van onder meer [11]: ‘Wat het internet was voor de economie van het jaar 2000, zullen smart grids zijn voor de economie van 2020’. De modellering van elektriciteit zal vereenvoudigd worden tot conceptuele voorstellingen, de elektrische studie valt buiten de scope van dit onderzoek. Het probleem met de elektriciteitsvoorziening van huidige woningen is dat er geen intelligentie voorzien is. Dit slaat op de volgende factoren: geen mogelijkheid van elektrische toestellen om met elkaar te communiceren, elektriciteitsmeters die niet kunnen communiceren met de elektriciteitsleverancier, toestellen die niet van op afstand kunnen worden aan- of uitgeschakeld en het ontbreken van een energiebeheersysteem. De oplossing komt mede dankzij het introduceren van intelligentie in het elektriciteitsnetwerk, wat leidt tot ‘slimme huizen’. We lichten nu kort toe welke belangrijke componenten er vervat zitten in een slim residentieel energienetwerk. In figuur 1.3 wordt visueel weergegeven hoe ‘slimme huizen’ passen in het elektriciteitsnetwerk van de toekomst en welke componenten er van belang zijn in het slim huis. Elk slim huis is aangesloten op het energienetwerk via zowel een ICT verbinding als een elektriciteitsverbinding. In het slim huis vinden we een Home Energy Management (HEM) toestel die informatie uitwisselt op het ICT netwerk en ‘slimme toestellen’ in huis co¨ordineert. Enkele voorbeelden van ‘slimme toestellen’ zijn een vaatwas of wasmachine met uitstelbare belasting, lichten die slim gedimd kunnen worden, een slimme meter, een micro-WKK of Combined Heat and Power (CHP), een elektrisch voertuig of Plug-In Hybrid Electric Vehicle (PHEV) en hernieuwbare energieproductie zoals zonnepanelen.
1.2 Probleemstelling
4
Figuur 1.3: Een conceptueel overzicht van een slim huis in een slim energienetwerk. Toestellen in huis worden slim aangestuurd via ICT oplossingen, de productie van hernieuwbare energiebronnen wordt gecommuniceerd naar het energienetwerk, en de verschillende slimme huizen kunnen interageren en negoti¨eren om te streven naar globale energie-effici¨entie in de buurt [12]. In deze studie zullen we een algoritme voorstellen dat toelaat om op een slimme manier de co¨ordinatie en aansturing van vraag en aanbod naar elektriciteit in het residenti¨ele elektricieitsnetwerk op een economisch optimale manier te bereiken. Het is zo dat op elk ogenblik vraag en aanbod in evenwicht moet zijn. De huidige oplossingen hiervoor bestaan erin om een dag op voorhand te voorspellen hoeveel vraag en aanbod aan energie er zal zijn en een buffer te voorzien voor onvoorziene omstandigheden [2, 13]. Door het gebruik van ons algoritme zal er geen voorspelling nodig zijn, maar gebeurt de allocatie van energie in realtime, waardoor er in principe geen (of weinig) buffers nodig zijn. Dit algoritme bestaat uit een ICT oplossing die softwarematig de nodige interacties maakt tussen de verschillende componenten en slimme acties onderneemt om enerzijds op een optimale wijze hernieuwbare energiebronnen te integreren in het energienetwerk en anderzijds allerhande besparingen in kosten voor elektriciteitsleveranciers teweegbrengt (zie verder). De software die we ontwikkelen is in die zin gedistribueerd dat hij draait op de verschillende componenten in een slim huis, zoals daarnet besproken. Zo zal er per huis een deel van onze software draaien op het HEM toestel, alsook op de slimme toestellen en op de aansturingscomponent van de hernieuwbare energiebronnen. We bouwen voort op idee¨en uit bestaande literatuur zoals [14], wat besproken wordt in hoofdstuk 2. We toetsen onze software in computer simulatie. Dit laat ons toe allerhande scenario’s op te stellen die het algoritme via zelf opgestelde metrieken evalueert in realistische omgevingen.
1.3 Doelstelling en onderzoeksvragen
1.3
5
Doelstelling en onderzoeksvragen
Het doel van deze masterproef is het ontwikkelen van een realtime hi¨erarchisch gedistribueerd algoritme voor residentieel energiebeheer. Het algoritme kan in realtime vraag en aanbod van energie in een omgeving balanceren en lasten verschuiven op een intelligente wijze. Het algoritme integreert hernieuwbare energiebronnen en opslag van energie tot e´ e´ n generiek systeem. Het algoritme lost het probleem van variabele en onvoorspelbare productie op door de consumptie te laten aanpassen aan de productie op een automatische wijze. In deze studie wensen we de volgende vragen te beantwoorden: 1. Hoe kunnen we optimaal vraag en aanbod afstellen op elkaar in een residenti¨ele omgeving met hernieuwbare energiebronnen en opslag van energie? 2. Naast hernieuwbare energiebronnen hebben we nog een reserve generator in de omgeving. Wat is de impact van het voorgestelde algoritme op de geleverde energie van een generator in de omgeving? 3. Wat is de impact van het voorgestelde algoritme op de piekbelasting van een generator in de omgeving? 4. Hoe schaalbaar is het voorgestelde algoritme bij een toenemend aantal huishoudens in de residenti¨ele wijk? 5. Kunnen we verbeteringen aanbrengen in bestaande systemen door contextuele informatie uit te wisselen, zoals hoeveel hernieuwbare energieproductie er in de huidige productiemix zit? De volgende doelen voor deze masterproef zijn afgeleid uit de onderzoeksvragen: 1. Presenteer een hi¨erarchisch gedistribueerd algoritme dat energiebeheer kan uitvoeren in een toekomstige residenti¨ele omgeving. 2. Ontwikkel representatieve scenario’s waar het algoritme kan getoetst worden in computer simulatie. Deze scenario’s benaderen zo goed mogelijk een realistische buurt van de toekomst. 3. Analyseer de werking van het algoritme in de opgestelde scenario’s d.m.v.
verschillende
metrieken: • Hoeveel energie wordt er geleverd door een generator in de buurt? • Is de lokale hernieuwbare energieproductie effectief nuttig gebruikt in de omgeving waar het opgewekt is? • Wat is de invloed van het algoritme op de piekbelasting van de generator in de buurt? • Hoeveel datatrafiek genereert het algoritme op het ICT netwerk in de buurt?
1.4 Indeling van de masterproef
6
4. Analyseer contextuele informatie van de residenti¨ele gebruiker en probeer dit te incorporeren in het algoritme.
1.4
Indeling van de masterproef
Na de korte introductie tot deze masterproef, zullen we in Hoofdstuk 2 een literatuurstudie bespreken. Hierin vermelden we reeds gevoerd onderzoek en geven we een brede kijk op het onderzoeksdomein van slimme energienetwerken. Vervolgens gaan we over tot een analyse van het te ontwikkelen algoritme in Hoofdstuk 3. We bespreken wat de vereisten zijn voor het gedistribueerd algoritme, en welke architectuur we hiervoor nodig hebben. Daarna gaan we over tot een toelichting van het ontwikkelde algoritme in Hoofdstuk 4. Voor we de resultaten van de simulaties bespreken, lichten we in Hoofdstuk 5 de simulatieomgeving toe. In hetzelfde hoofdstuk bespreken we daarnaast ook de metrieken die zullen terugkeren bij alle experimenten, alsook de gebruikte toestellen in de experimenten. Vervolgens bespreken we een belangrijk onderdeel van deze masterproef in Hoofdstuk 6, namelijk de scenario’s die opgesteld werden en de bijhorende resultaten. Daarnaast hebben we ook enkele geavanceerde topics gebundeld in Hoofdstuk 7. Dit zijn onderwerpen zoals de resultaten van het algoritme vergelijken met reeds gevoerd onderzoek, een studie van de parameters in het algoritme, en een studie van de schaalbaarheid van het algoritme. We ronden deze masterproef af met de conclusies van de studie en idee¨en voor verder onderzoek in Hoofdstuk 8.
LITERATUURSTUDIE
7
Hoofdstuk 2
Literatuurstudie In dit hoofdstuk bespreken we een uitgebreide literatuurstudie van slimme energienetwerken en relevante literatuur voor ons onderzoek. We beginnen met een schets van het onderzoeksdomein van slimme energienetwerken. Hierin geven we een definitie van slimme energienetwerken, bespreken we waarom dit onderzoeksdomein bestaat, wat hernieuwbare energiebronnen zijn, geven we een kort overzicht van de huidige elektriciteitsmarkt in Belgi¨e, en geven we een woordje uitleg bij slimme huizen. Vervolgens bespreken we welke ICT oplossingen er reeds bestaan voor residentieel energiebeheer. Daarna geven we een overzicht van een Multi-Agent Systeem (MAS), een techniek die we zullen toepassen in ons onderzoek. We sluiten dit hoofdstuk af met de conclusies van het literatuuronderzoek.
2.1 2.1.1
De context van slimme energienetwerken Wat zijn slimme energienetwerken?
Er is geen algemene definitie voor slimme energienetwerken (Smart Power Grids), maar we zullen hieronder twee definities geven uit de literatuur. Definitie 2.1 Een Smart Power Grid is een intelligent elektriciteitsnetwerk dat acties integreert van alle gebruikers verbonden op het netwerk. Het laat toe gebruik te maken van geavanceerde informatie, controle en communicatietechnologie¨en om energie te besparen, kosten te verlagen en de betrouwbaarheid en transparantie te verhogen [15]. Definitie 2.2 Slimme energienetwerken zijn elektriciteitsnetwerken die intelligente integratie toelaten van het gedrag en de acties van gebruikers verbonden op het netwerk - producenten, verbruikers, en zij die beide doen - om effici¨ent duurzame, economische en veilige elektriciteitsvoorziening te leveren [6].
2.1 De context van slimme energienetwerken
8
Wat is de Smart grid visie? Een slim energienetwerk laat toe de elektriciteitsnood te verschuiven door lasten te transfereren van klassieke generatoren naar decentrale productiebronnen. Dit gebeurt op een wijze die [16]: • zeer effici¨ent is (technisch en economisch) • veilig is (dit is cruciaal om slimme energienetwerken te doen slagen zoals aangehaald in [17]. De bevolking moet immers vertrouwen op deze technologie die hun toestellen vanop afstand kan besturen en hun elektriciteitsgegevens kan raadplegen. Dit aspect valt echter buiten de scope van ons onderzoek) • veiligheid van bevoorrading in stand houdt of verbetert • gedistribueerde lasten toelaat • centrale of gedistribueerde generatoren toelaat, gebruik makend van fossiele brandstoffen of hernieuwbare energiebronnen Samengevat: slimme energienetwerken laten integratie van hernieuwbare productie toe en voorzien de technische mogelijkheden om ze effici¨ent te gebruiken. Daarnaast voorzien ze ook een betere opvolging van meterstanden via slimme meters [18], en houden ze rekening met beveiligingsaspecten van het netwerk [17]. De bouwstenen voor een slim energienetwerk zijn [16]: • Productietechnologie: zonne-energie (PV-panelen), windenergie (windturbines), WKK, biomassacentrales, . . . • Opslagtechnologie • Technologie voor slimme meters • Aangepaste elektrische netwerken voor gedistribueerde generatie • Energiebeheersystemen tot op huisniveau • ICT systemen en standaarden • Geschikte business modellen die toelaten slimme energienetwerken op grote schaal uit te rollen Belangstelling door de overheden De laatste jaren is er een sterk toegenomen belangstelling voor slimme energienetwerken [4, 2, 15, 19]. Dit heeft geleid tot allerhande onderzoeksprojecten in diverse landen, bv. Europese projecten rond slimme energienetwerken o.a. CRISP [20], INTEGRAL [21], SmartHouse/SmartGrid [12] en vele
2.1 De context van slimme energienetwerken
9
meer. Daarnaast bestaan er ook Vlaamse projecten rond slimme energienetwerken zoals LINEAR. We kunnen deze belangstelling aantonen door de cruciale rol van slimme energienetwerken in President Obama’s energieplan [15]. De Amerikaanse ‘Recovery and Investment Act’ [22] investeert 11 biljoen USD in slimme energienetwerken om de transformatie te starten naar een ‘groter, beter en slimmer net’. Om het belang van slimme energienetwerken aan te tonen, sommen we hieronder enkele acties genomen door overheden op. • Europa 2020 [8]: inspanningen in de hele EU, vaak genoemd als de ‘20-20-20 doelstellingen’. De doelstellingen omvatten het verhogen van het aandeel hernieuwbare energiebronnen in de energiemix tot 20%, een stijging in effici¨entie in globale energiegeneratie van 20% en een besparing van CO2 -uitstoot van 20% tegen 2020. • European Technology Platform (ETP) SmartGrids [6]: opgezet in 2005 om een visie op te stellen voor 2020 en verder. Het platform bevat partners van de industrie, transmissie en distributie systeembeheerders, onderzoeksgroepen en regulatoren. Het identificeert klare objectieven en bouwt een strategie voor de toekomstige elektriciteitsnetwerken. • National Institute of Standards and Technology (NIST) werkt aan verschillende projecten rond standaardisatie en interoperabiliteit van slimme elektriciteitsnetten. Enkele voorbeelden zijn de NIST Smart Grid Framework en de NIST Smart Grid Interoperability Standards Project. In de Smart Grid Standards Roadmap (2010, [23]), kondigt NIST plannen aan om 77 smart grid standaarden vast te leggen in de komende jaren en om in 2010 alleen al 14 prioritaire standaarden af te ronden. • Smart Grid Flanders [11]: Smart Grids Flanders streeft naar een integratie van slimme netwerken en slimme meters in Vlaanderen. Ze brengt bedrijven, universiteiten en onderzoeksinstellingen bij elkaar.
2.1.2
Waarom hebben we slimme energienetwerken nodig?
Volgens de International Energy Outlook 2010 [24] door de Energy Information Administration (EIA) zal de wereldwijde elektriciteitsconsumptie stijgen met 87% tot 35,2 triljoen kWh in 2035. Dit komt neer op een gemiddelde stijging van 3,3% per jaar voor niet-OESO-landen en 1,1% voor OESO-landen. Van 2007 tot 2035 zal het wereldwijde aandeel van hernieuwbare energie voor elektriciteitsproductie toenemen met een gemiddelde van 3% per jaar. Het aandeel van hernieuwbare energie in de wereld elektriciteitsproductie zal toenemen van 18% in 2007 tot 23% in 2035, wat te zien is in figuur 2.1. Volgens het Vlaams Energieagentschap (VEA) [25] kwam 4,8% van het totale elektriciteitsverbuik (2,7 miljoen kWh) in Vlaanderen in 2009 van hernieuwbare energiebronnen. Tegen 2020 wil Vlaanderen dit
2.1 De context van slimme energienetwerken
10
cijfer verhogen tot 13%. De toename in de opwekking van elektriciteit zal nodig zijn om de stijgende vraag naar elektriciteit door industrie, transport en residenti¨ele sectoren te kunnen beantwoorden. Het is dus essentieel dat de elektriciteitsnetten van de toekomst klaar staan om aan deze stijging tegemoet te komen zodat stroomuitval kan worden voorkomen.
Figuur 2.1: Links: een toename van 87% in de wereldwijde elektriciteitsproductie tussen 2007 en 2035. Rechts: de evolutie van hernieuwbare energieproductie volgens soort. Dit geeft weer dat er een stijging van 54% in waterkracht verwacht wordt en een stijging van 26% in windenergie tussen 2007 en 2035. [24] Het huidige elektriciteitsnet heeft een paar tekortkomingen en we zullen hier een aantal van bespreken [2]. Ten eerste, het bestaande elektriciteitsnet heeft een unidirectionele stroming. Energie stroomt van grote elektriciteitscentrales via hoogspanningslijnen naar middelgrote en laagspanningsverdeelnetten, wanneer het aan de vraag van de eindgebruikers voldoet. De invoering van hernieuwbare energiebronnen op verschillende niveaus van het elektriciteitsnetwerk veroorzaakt nieuwe stromen in het netwerk. Bijvoorbeeld: windturbines wekken elektriciteit op en kunnen gelocaliseerd zijn op verschillende plaatsen in het netwerk. Omdat elektriciteit nu geproduceerd wordt op verschillende niveaus in het netwerk, is er een nood aan een model dat bi-directionele stromen ondersteunt in het netwerk. Een tweede probleem is de huidige oplossing om stroomuitval te voorkomen. Een stroomstoring kan plaatsvinden in een elektriciteitsnetwerk wanneer de piekvraag naar elektriciteit groter is dan het maximaal beschikbare aanbod. Aangezien de vraag naar elektriciteit fluctueert volgens de tijd van de dag, en zelfs de tijd van het jaar, bestaat typisch 20% van de capaciteit om pieken in de vraag op te vangen. Deze twee problemen tonen aan waarom er nood is aan een slim energienetwerk. Via een slim energienetwerk is het bijvoorbeeld mogelijk om de piekvraag in consumptie af te stemmen op de piekvraag in productie via lastenverschuivingen. De opwarming van de aarde is e´ e´ n van de grote uitdagingen van de 21ste eeuw [7].
Om de
opwarming van de aarde tegen te gaan hebben we allerhande innovaties nodig, zowel op het vlak van energievoorziening als op het vlak van energie-effici¨entie. Er is wetenschappelijk aangetoond dat de opwarming van de aarde rechtstreeks gerelateerd is aan de uitstoot van CO2 [26]. We moeten dus dringend op zoek gaan naar technieken om de CO2 -uitstoot te verminderen. E´en manier hiervoor
2.1 De context van slimme energienetwerken
11
is het gebruik van hernieuwbare energiebronnen en het stimuleren van energie-effici¨entie. Een interessante discussie hierover werd gevoerd door Bill Gates in zijn speech ‘Innovating to zero’ [27]. Hierin bespreekt hij de doelstelling om tegen 2050 de CO2 uitstoot wereldwijd te reduceren tot nul. Hij merkt terecht op dat dit meer vergt dan enkel het invoeren van hernieuwbare energiebronnen. Er is dringend nood aan nieuwe innovatie op het vlak van integratie van hernieuwbare energiebronnen, alsook nieuwe businessmodellen voor slimme energienetwerken. Hij geeft aan dat ‘de mensen pas een echte stimulans zullen hebben om groene stroom te kopen als het goedkoper is dan de beschikbare alternatieven’. Daarnaast geeft hij aan dat er veel ruimte is voor innovatie op het vlak van energieopslag. Als conclusie zegt hij dat we dringend meer moeten investeren in onderzoek en ontwikkeling in de energiesector.
2.1.3
Hernieuwbare energiebronnen
Zoals reeds kort aangehaald in hoofdstuk 1, is de overgang naar duurzame energie uit hernieuwbare energiebronnen ingewikkeld [1, 28]. Zo hebben we te maken met decentrale opwekking (Distributed Generation (DG)), wat kan gedefinieerd worden als de opwekking van elektrische stroom in het distributienet of aan de klanten zijde van het netwerk [29]. In dit opzicht hebben we o.a. de volgende technologie¨en voor DG [29]: windenergie, zonne-energie, waterkracht, biomassa, . . . Vooral de onregelmatige, fluctuerende productie zorgt dat deze energiebronnen nooit volledig beschikbaar zijn, wat wel het geval is met klassieke energiecentrales [4]. Hierdoor moet er een back-upsyteem worden uitgebouwd met traditionele energiebronnen (i.e. centrales die draaien op fossiele brandstoffen of nucleaire brandstoffen, of waterkrachtcentrales).
We kunnen concluderen dat hernieuwbare
energiebronnen een dure investering vergen in vergelijking met traditionele systemen [30]. Indien we hernieuwbare energiebronnen kaderen in een groter geheel, dus ook opslag van energie beschouwen als bron van energie, dan spreken we van Distributed Energy Resources (DER) [31]. DER hebben een groot potentieel voor het elektriciteitsnetwerk en de samenleving in zijn geheel. DER zijn typisch energie- en opslagtechnologie¨en op kleinere schaal die verbonden zijn met het elektriciteitsnetwerk en dicht bij de consument zijn gelokaliseerd. Hernieuwbare enerigebronnen zoals windturbines en zonnepanelen kennen sterke schommelingen in hun productieprofiel, waardoor vraag en aanbod van energie niet meer overeenstemmen (er zit een verschil in de tijd). Door opslagtechnologie¨en te gebruiken kan hernieuwbare energie opgevangen worden en later gebruikt worden. De belangrijkste voordelen van het gebruik van DER is een verhoogde betrouwbaarheid van het net, ontlasting van piekbelasting op het net door lastenverschuivingen, en het verminderen van de transmissie congestie. Een energiebeheersysteem zoals we ontwerpen in deze studie kan bijdragen tot een optimaal gebruik van DER. Dankzij dit ICT systeem is communicatie mogelijk tussen de gedistribueerde componenten in het netwerk en kan de vraag aangepast worden aan het flucturend aanbod.
2.1 De context van slimme energienetwerken
2.1.4
12
Een overzicht van de huidige elektriciteitsmarkt in Belgi¨e
We lichten hier kort toe welke spelers deel uitmaken van de Belgische elektriciteitsmarkt. In de context van onze studie is dit nodig om te weten op welke partijen ons energiebeheersyteem een impact zal hebben. Hiervoor gebruiken we informatie beschikbaar van de Vlaamse Regulator van de Elektriciteits- en Gasmarkt (VREG) [32]. In figuur 2.2 is schematisch weergegeven hoe de elektriciteit tegenwoordig stroomt van de producent naar de consumenten. We krijgen een duidelijk beeld van de betrokken partijen op de elektriciteitsmarkt.
Figuur 2.2: Een overzicht van de Belgische elektriciteitsmarkt door VREG [32]. We lichten hieronder toe wat de rol is van de verschillende partijen uit figuur 2.2. • Producent: voorziet de bron van elektriciteitsproductie.
Elektriciteit wordt opgewekt in
elektriciteitscentrales of door hernieuwbare energiebronnen. • Transportnetbeheerder: transporteert elektriciteit via het hoogspanningsnet (High Voltage (HV) network) naar het distributienet (zowel elektriciteit die geproduceerd wordt in het binnenland of het buitenland). In Belgi¨e is dit Elia. • Distributienetbeheerder (DNB): is verantwoordelijk voor het bouwen, onderhouden en beheer van het elektriciteitsnetwerk in een bepaald gebied, meer bepaald het distributienet en het laagspanningsnet. Daarnaast bieden ze klanten toegang tot het netwerk en meten ze gegevens over het elektriciteitsverbruik. In Vlaanderen is dit Eandis of Infrax.
2.1 De context van slimme energienetwerken
13
• Regulator: ziet erop toe dat de elektriciteitsmarkt effici¨ent en transparant is. In Vlaanderen is dit de VREG. • Energieleverancier: koopt elektriciteit van de producenten en verkoopt het aan zijn klanten. Sommige leveranciers kunnen ook zelf producent zijn, of ze kunnen elektriciteit kopen op de geliberaliseerde elektriciteitsmarkt. In Belgi¨e is dit de Belgian Power Exchange (BELPEX). De leveranciers communiceren met een distributiebeheerder over het stuk van het netwerk dat ze zullen gebruiken en krijgen gegevens over het elektriciteitsverbruik op dat netwerk. De leveranciers kunnen via deze informatie hun klanten factureren voor de gebruikte elektriciteit. Ten slotte moet de leverancier ook een evenwichtsverantwoordelijke aanduiden die zal instaan voor het balanceren van vraag en aanbod. Voorbeelden van leveranciers uit Vlaanderen zijn Electrabel en Luminus. • Trader: elektriciteitsvoorziener die geen producent is, maar die elektriciteit koopt op de markt. In Belgi¨e bestaat er de BELPEX. • Afnemers: consumenten of bedrijven die elektriciteit afnemen van het net. Ze betalen aan een elektriciteitsleverancier voor toegang tot het net en gebruik van elektriciteit. • Evenwichtsverantwoordelijke of balancer: garandeert het evenwicht tussen elektriciteitsproductie en elektriciteitsconsumptie op het elektriciteitsnetwerk. Dit is van belang want een onevenwicht tussen werkelijk verbruik en toegekend verbruik leidt tot fluctuerende frequentie en voltages op het netwerk, wat op zijn beurt kan leiden tot een stroompanne. Elke dag berekent de evenwichtsverantwoordelijke een planning voor de volgende dag gebaseerd op informatie en voorspellingen. Dit wordt verzonden naar de transportnetbeheerder die dan weet welke belasting er op het transportnetwerk zal zijn.
2.1.5
Een evolutie naar slimme huizen en gegevens over elektriciteitsconsumptie
Slimme meters Definitie 2.3 Een slimme meter is een elektriciteitsmeter die elektriciteitsverbruik bepaalt en opslaat in realtime, die toelaat om elektriciteitsverbruik te lezen zowel lokaal als op afstand en die kan gebruikt worden om op afstand het elektriciteitsverbruik te verminderen of uit te schakelen [18].
2.1 De context van slimme energienetwerken
14
Figuur 2.3: Een vergelijking tussen een huis met een normale meter ‘Situation Zero’ en een huis met een slimme meter ‘Situation One’ [18]. Het verschil tussen de huidige meters en slimme meters wordt weergegeven in figuur 2.3. Met een slimme meter worden vele omslachtige taken zoals het opgeven van meterstanden geautomatiseerd. Daarnaast is het mogelijk om met deze technologie gegevens weer te geven aan de eindgebruiker. Slimme meters zijn een eerste stap in de richting van een slim energienetwerk. In de context van onze studie zijn slimme meters een noodzakelijke component in die zin dat zowel de communicatielijnen die gelegd worden voor het uitrollen van slimme meters, als de slimme meter zelf, nodig zijn voor de werking van ons systeem. Ons energiebeheersysteem gebruikt slimme meters om toestellen aanof uit te schakelen volgens een bepaalde strategie. Het belang van slimme meters en de keuze van de juiste technologie voor de uitbouw ervan in Vlaanderen wordt beschreven in [33]. Hierin worden verschillende technologie¨en voor de communicatieuitwisseling op het elektriciteitsnet besproken. Dit varieert van verkeer of het elektriciteitsnet tot het gebruik van breedbandinternet toegang. In het kader van de liberalisering van de Europese elektriciteitsmarkten [33] zijn verscheidene landen op dit moment bezig met het installeren van slimme meters bij residenti¨ele huishoudens. Dit is o.a. het geval in Itali¨e en Nederland. In Vlaanderen is Eandis in 2010 begonnen met het uitrollen van de eerste 4200 slimme meters voor een proefproject [34]. Als dit proefproject positief is, kan vanaf 2014 een verdere uitrol in de rest van Vlaanderen volgen. Cijfers over het elektriciteitsverbruik in huis In tabel 2.1 geven we enkele verbruiksgegevens van huishoudelijke toestellen weer (gegevens afkomstig van Eandis [35]). Dit is interessant om te weten welke toestellen het grootste verbruik hebben, alsook de hoogste kostprijs per jaar. Toestellen met het meeste verbruik komen in aanmerking om intelligent aangestuurd te worden in ons energiebeheersysteem, door hun lasten in de tijd te verschuiven.
2.1 De context van slimme energienetwerken
Verbruik (kWh) Koelen en vriezen (A++)
15
Verbruik/jaar(kWh)
Kostprijs/jaar (¤)
per 24 u
Koel/vriescombinatie groot
0,55
200
38,00
tafelmodel
0,35
127
24,13
Koelkast zonder vriesvak
0,23
84
15,96
Diepvrieskoffer 200 l
0,41
150
28,50
Diepvrieskast 200 l
0,44
160
30,40
per beurt
220 beurten
220 beurten
Vaatwasser A-label
1,05
231
43,89
Vaatwasser C-label
1,31
288
54,72
Wassen en drogen
per beurt
220 beurten
220 beurten
Wasmachine (5kg)
0,50
110
20,90
Warmtepomp-droger A-label
1,75
368
69,92
Luchtafvoerdroger C-label 5kg
3,35
704
133,76
Condensdroger C-label 5kg
3,65
767
145,73
Vaatwasser
Andere
per uur
Computer met scherm (200W)
0,20
60 (300 u)
11,4
Microgolfoven (900W)
0,90
45 (50 u)
8,55
Oven (1500 W)
1,50
150 (100 u)
28,5
Klassieke TV (200 W)
0,20
140 (700 u)
26,6
LCD-TV (190 W)
0,19
133 (700u)
25,27
Plasma TV (240 W)
0,24
168 (700 u)
31,92
Tabel 2.1: Elektriciteitsverbruik van enkele toestellen in huis, en de bijhorende kostprijs per jaar in euro. Elk toestel heeft een bepaald piekvermogen, wat een impact heeft op het elektriciteitsnetwerk. Als iedereen zijn oven zou aanschakelen op hetzelfde ogenblik, krijgen we een sterke piek in consumptie op het net. Toestellen met de hoogste piekvermogens komen eveneens in aanmerking voor de lastenverschuivingen in ons energiebeheersysteem.
Als we kijken naar de piekbelasting in het
elektriciteitsverbruik in een huis, dan zijn we ge¨ınteresseerd in het vermogen van de verschillende toestellen. Uit [36, 37, 35] kunnen we afleiden dat de volgende huishoudelijke toestellen het hoogste piekverbruik vertonen: droogkast (3-5 kW), air conditioning (1 - 3,5 kW), wasmachine (2 - 3,6 kW), waterboiler voor verwarming (3,8 kW), oven (1,5 kW), elektrische verwarming (1,2 kW), vaatwasser (1,2 kW), PHEV (4 kW, Chevrolet Volt [38]).
2.2 ICT oplossingen voor energiebeheer in slimme energienetwerken
2.2
16
ICT oplossingen voor energiebeheer in slimme energienetwerken
In de literatuur worden twee verschillende pistes gebruikt voor de architectuur van een energiebeheersysteem: een gecentraliseerde aanpak en een gedistribueerde aanpak.
2.2.1
Gecentraliseerde aanpak
Het energiesysteem wordt beheerd door een centrale component: de ‘energiebeheerder’. Deze krijgt als invoer het verwachte energieverbruik en de energieproductie in de volgende tijdsperiode. Hier wordt dus op voorhand voorspeld hoeveel elektriciteit er zal moeten toegekend worden aan een netwerk om aan de verwachte vraag te voldoen. De energiebeheerder maakt bv. een offline berekening [39], d.w.z. dat alle informatie die nodig is voor het berekenen van een oplossing aanwezig is bij aanvang van de oplossingsprocedure. Dit wordt typisch gedaan via een optimalisatieprobleem waarbij de vraag moet gelijk zijn aan het aanbod onder bepaalde beperkingen (elektrische beperkingen, netwerk beperkingen en economische beperkingen). De oplossing levert een voorspelling voor een bepaalde tijdsperiode, bv. de volgende dag. In de literatuur worden deze optimalisatieproblemen opgelost via (Mixed) Integer Linear Programming ((M)ILP) [40] technieken of heuristieken [41] (zoals branch & bound [42]).
2.2.2
Gedistribueerde aanpak
In een energiesysteem dat beheerd wordt op een gedistribueerde manier, zit de intelligentie verspreid over het hele netwerk, en niet enkel in e´ e´ n centrale component. Informatie wordt in realtime (online) doorgestuurd naar de verschillende componenten. Op deze manier kunnen er realtime beslissingen gemaakt worden en is er niet onmiddellijk nood aan voorspellingstechnieken. Een gedistribueerde aanpak krijgt de voorkeur in een slim energienetwerk [28], omdat er in het netwerk inherent gedistribueerde componenten zijn door de DER die variabeler en onvoorspelbaarder zijn. Als het aantal gedistribueerde componenten toeneemt, vertoont deze aanpak een betere schaalbaarheid en flexibiliteit in vergelijking met de gecentraliseerde aanpak. In de literatuur worden hiervoor verschillende technieken gebruikt, maar de populairste is het Multi-Agent Systeem (MAS). Dit bespreken we in detail in de volgende sectie.
2.3
Multi-agent systemen
De zogenaamde MAS worden gebruikt om complexe systemen met een groot aantal componenten op te lossen. Deze oplossing wordt vaak vermeld in de literatuur zoals o.a. [14] voor energiebeheer te doen in slimme energienetwerken. De reden voor de populariteit van MAS is dat de integratie van
2.3 Multi-agent systemen
17
gedistribueerde generatie in het elektriciteitsnetwerk ervoor zorgt dat het aantal componenten die moeten interageren zeer groot wordt. Hierdoor is centrale co¨ordinatie onbruikbaar [43] door problemen met schaalbaarheid, complexiteit en communicatieoverhead. We geven eerst een definitie van MAS, gevolgd door een bespreking van enkele interessante onderzoeken uit slimme energienetwerken op basis van MAS.
2.3.1
Definitie van een multi-agent systeem
In dit onderzoek zullen we een definitie van MAS gebruiken uit [44], die gebaseerd is op het werk van Wooldridge in [45]. Definitie 2.4 Een multi-agent systeem is een systeem bestaande uit twee of meer intelligente agenten. Het is belangrijk om in te zien dat er geen globaal systeemdoel is, maar slechts de lokale doelen van elke agent op zich. Bovendien kunnen de intelligente agenten communiceren met elkaar. Definitie 2.5 Een agent is een software (of hardware) entiteit die op een bepaalde locatie gesitueerd is en dat in staat is om autonoom te reageren op veranderingen in de omgeving. Definitie 2.6 Een intelligente agent is een agent met de volgende drie eigenschappen: • Reactiviteit: een slimme agent is in staat om te reageren op veranderingen in zijn omgeving binnen een tijdsgrens. Hij onderneemt een actie op basis van de veranderingen in de omgeving en zijn lokaal doel. • Pro-activiteit: intelligente agenten vertonen doelgericht gedrag. Dit betekent dat een agent zijn gedrag dynamisch zal aanpassen zodat hij zijn doelen kan bereiken. Een agent kan dus m.a.w. initiatief nemen. • Sociaal karakter: een intelligente agent is in staat om te communiceren met andere agenten. Dit gebeurt op een zodanige wijze dat agenten kunnen onderhandelen en onderling samenwerking.
2.3.2
Algemene werking van multi-agent systemen
In een MAS [43, 28] kunnen een groot aantal agenten interageren. Hierbij zal elke agent een lokale beslissing nemen gebaseerd op de verkregen informatie uit de omgeving. De agent kan op zijn beurt de omgeving be¨ınvloeden door te onderhandelen met andere agenten. De complexiteit van een individuele agent is laag, maar de globale intelligentie van een goed ontworpen MAS is hoog. Het doel van een MAS ontwerp is het systeem in zijn geheel te doen werken door interactie van een groot aantal eenvoudige software agenten. Het voordeel van zo’n systeem is dat het toelaat een open, flexibel, schaalbaar een uitbreidbare ICT oplossing te bieden voor complexe omgevingen. Hierna bespreken we een 5 tal systemen voor energiebeheer via de MAS techniek.
2.3 Multi-agent systemen
2.3.3
18
PowerMatcher: multi-agent controle in de elektriciteitsinfrastructuur
Aanpak PowerMatcher [14] is een marktgebaseerd controleconcept voor afstemming van vraag en aanbod in elektriciteitsnetwerken en is beschreven in [14, 28, 46, 47, 48, 49]. De PowerMatcher is gebaseerd op een combinatie van controletheorie en micro-economische theorie: enerzijds, heb je elektriciteit, het verhandelde goed op de markt, dat verkocht wordt tegen een afgesproken prijs. Anderzijds wordt hetzelfde goed gebruikt om een proces te controleren. Deze samenhang is weergegeven in figuur 2.4. Het is belangrijk te vermelden dat deze aanpak gebaseerd is op bewezen micro-economische principes (markten en marktvormen, wet van vraag en aanbod [50]), met behulp van een elektronische markt waar de agenten onderhandelen over elektriciteit. Het doel van deze methode is om controle uit te oefenen op producerende en consumerende apparaten zodat er een globale overeenkomst is tussen vraag en aanbod van elektriciteit op de markt (bv. het verschuiven van de consumptie in de tijd). In dit multi-agent systeem is elk elektrisch apparaat voorgesteld door een controle agent. Er zijn verschillende soorten agenten, elk met hun eigen strategie. Gebaseerd op de toestand van het proces zal de agent de behoeften vertalen in een bod functie. Deze agenten kunnen dan elektriciteit kopen of verkopen op een elektronische verhandelingsmarkt.
Figuur 2.4: PowerMatcher: een combinatie van controle theorie en micro-economie in een MAS [14]. De hi¨erarchie van de agenten wordt gemodelleerd als een boomstructuur. Hierbij is de wortel een zogenaamde ‘veilingmeester’ (auctioneer) die de toestand van marktevenwicht berekent, met als output de marktevenwichtsprijs. Deze boomstructuur hi¨erarchie is weergegeven in figuur 2.5. Het marktevenwicht wordt bepaald binnen een bepaalde tijdshorizon, de evenwichtsprijs wordt berekend met een bepaalde tijdsinterval. Wanneer een dergelijke gebeurtenis zich voordoet, zal de veilingmeester vragen aan alle onderliggende agenten hun bod te leveren (dit is een vector die de prijs weergeeft die een agent bereid is te betalen voor verschillende hoeveelheden elektriciteit). De verschillende biedingsfuncties zijn in detail beschreven in de literatuur over market-oriented programming in [51], alsook in onderzoek rond PowerMatcher [43]. Deze biedingen worden teruggestuurd naar de wortel van de boom, en worden samengenomen (aggregatie) in de tussenliggende knooppunten, om uiteindelijk bij de wortel aan te komen. Wanneer alle biedingen zijn ontvangen, wordt de marktevenwichtprijs berekend en gecommuniceerd naar alle onderliggende agenten. Die kunnen dan bepalen hoeveel stroom wordt toegewezen aan dat apparaat.
2.3 Multi-agent systemen
19
Figuur 2.5: PowerMatcher topologie: agenten zijn geclusterd in een logische boomstructuur met als wortel de ‘auctioneer agent’ [49]. Evaluaties van PowerMatcher en veldtesten De simulatie case besproken in [14] beschouwt een woonwijk van 40 huizen, allemaal aangesloten op hetzelfde segment van een laagspanningsdistributienet. verbonden met een externe leverancier van elektriciteit.
De wortel, veilingmeester agent, is
Er zijn ook zonnecellen, kleinschalige
windturbines en batterijen aangesloten op het distributienet.
Huizen bevatten toestellen met
verschuifbare lasten, in dit geval wasmachines met een vooraf gedefinieerd operationeel tijdsvenster. In deze experimenten worden periodes van 15 minuten gebruikt om beslissingen te nemen, biedingen worden gestuurd om de 15 minuten en de evenwichtsprijs wordt dan berekend. De belangrijkste gebruikte metriek is de piekbelasting op het distributienet.
De piekbelasting
voor de externe stroomproducent is 30% lager wanneer de PowerMatcher wordt gebruikt, en het profiel van deze belasting is veel gladder en vlakker. Voor het verkrijgen van deze resultaten werden metingen uitgevoerd in een periode van 24 uur: over het totale energieverbruik in de wijk, de totale elektriciteitsproductie, de hoeveelheid stroom toegevoerd vanuit de externe leverancier, en de elektronische marktprijs. In maart 2010 werd een veldtest van het INTEGRAL project [21] gestart met de PowerMatcher technologie.
Dit project vond plaats in de buurt van de stad Groningen in Nederland in de
zogenaamde PowerMatching stad [52]. Het voorziet in een live demonstratie van het concept van een slim energienetwerk op grotere schaal met ongeveer 50 knopen aangesloten op het ICT netwerk. Met behulp van een PowerMatcher cluster gebeurt de co¨ordinatie en optimalisatie van de productie van energie en de vraag naar energie in realtime. Tientallen huishoudens en hun apparaten met duurzame energiebronnen zoals PV zonnepanelen, windturbines, micro-WKK, en opslageenheden waren aangesloten. De eerste veldtest had betrekking op de vermindering van het onevenwicht veroorzaakt door een windturbine. Dit onevenwicht wordt veroorzaakt door het verschil tussen het voorspelde vermogen (24 uur vooruit) en het gerealiseerde vermogen. Uit de eerste resultaten bleek
2.3 Multi-agent systemen
20
dat tijdens een twee weken durende meetperiode, de PowerMatching City cluster in staat was om het onevenwicht van een 15 kW windturbine te verminderen met 58 %. Voor- en nadelen + Flexibiliteit. Co¨ordinatie tussen de vele kleine agenten met lokale informatie en intelligentie, eerder dan e´ e´ n enkel punt van controle zoals het gecentraliseerd model. + Logarithmische complexiteit. Door samenvoeging van de vraagfuncties van de individuele agenten in een binaire boom met behulp van het CoTree algoritme [51], wordt de computationele complexiteit van het markt-algoritme O(lg a), waar a het aantal agenten voorstelt. + Field tests aan de gang. Er gebeuren field tests op realistische omgevingen. Voor meer informatie zie de resultatensectie van dit onderdeel. - Schaalbaarheid bij toenemend aantal deelnemers. Als het aantal deelnemers verhoogt (d.w.z een grotere wijk, of een groter distributienetwerk), is het algoritme sterk afhankelijk van de wortelknoop, de veilingmeester agent, die de evenwichtsprijs berekent. Dit genereert een single point of failure. Als de wortelknoop faalt of uitvalt, zal het hele systeem niet meer functioneren. - Beperkte informatie uitgewisseld tussen agenten. De enige informatie doorgegeven aan de agenten is de huidige prijs, en de enige informatie die door de agent verstuurd wordt zijn de huidige biedingen. Dit is vrij weinig informatie. Er bestaan andere oplossingen, waar meer gegevens worden doorgegeven (bv. netbeperkingen of informatie over de energiemix) waardoor de agenten meer intelligente beslissingen kunnen nemen en na verloop van tijd leren uit hun omgeving (zie volgende paragraaf ).
2.3.4
Een agent gebaseerd marktplatform voor slimme energienetwerken
Aanpak Het artikel [53] van Siemens introduceert een uiterst flexibel marktplatform voor de co¨ordinatie van energieagenten met eigenbelang die de energieleveranciers, klanten en producenten voorstellen. Effici¨ente co¨ordinatie tussen de agenten wordt gerealiseerd door middel van een marktmechanisme, en agenten implementeren elk een biedingsstrategie op basis van hun beleid (dit beleid vertegenwoordigt voorkeuren van de gebruiker of de beperkingen van het apparaat). Dit artikel definieert een architectuur voor agenten en een marktmechanisme. Dat marktmechanisme kan verschillende marktstructuren ondersteunen (zoals een hi¨erarchische structuur gebruikt in PowerMatcher). Een proof of concept implementatie wordt gegeven in het marktplatform D’ACCORD. Een belangrijk verschil met PowerMatcher is dat de architectuur de redenering van de agent ondersteunt op basis van de marktstatus, het milieu en de staat van de agent. Bovendien wordt het beleid
2.3 Multi-agent systemen
21
van de agent in rekening gebracht. Van deze variabelen wordt een set van aanvaardbare strategie¨en opgemaakt en ge¨evalueerd via een nutsfunctie. Deze strategie wordt uiteindelijk uitgevoerd en de bijbehorende biedingen worden verstuurd naar de markt. Het redeneerproces van de agent is samengevat in 2.6.
Figuur 2.6: Biedingsproces volgens strategie framework beschreven in [53].
Net als PowerMatcher, maakt deze aanpak gebruik van een centrale marktplaats waar agenten biedingen naar sturen. De onderzoekers defini¨eren hun eigen taal om te communiceren met de centrale markt. In de marktknoop wordt een tweezijdig marktmechanisme of exchange uitgevoerd. De veiling implementeert een Vickrey-Clark-Groves mechanisme (uit de speltheorie, zie [54]) om de prijzen te berekenen. Het hierboven beschreven raamwerk wordt uitgevoerd in een marktplatform genaamd D’ACCORD, dat ook voorziet in een plug-in mechanisme en communicatieinfrastructuur voor agenten die energieverbruikers en leveranciers zijn. D’ACCORD is een lichtgewicht gedistribueerd onderhandelingsplatform voorzien van een .NET gebaseerde communicatie- en onderhandelingsinfrastructuur naar software agenten die fungeren als deelnemers in de onderhandelingen. Evaluaties hebben aangetoond dat voor middelgrote distributienetwerken met ongeveer 500 agenten en markt clearing intervallen van 5 seconden een enkele D’ACCORD knoop voldoende is (dit is waar het markt platform draait, agenten communiceren met deze knoop).
Meer complexe netwerkstructuren
zoals hi¨erarchische structuren worden eveneens ondersteund. Het deploymentsdiagram van de D’ACCORD knooppunten wordt weergegeven in 2.7. Agenten kunnen direct worden ingezet op een van de knooppunten en / of als webservices die de interactie en interface van de onderhandelingen implementeren in het D’ACCORD framework.
2.3 Multi-agent systemen
22
Figuur 2.7: Deployment diagram van D’ACCORD nodes [53].
Figuur 2.8: Een overzicht van een agent implementatie in D’ACCORD [53]. Metrieken om de aanpak en de resultaten te evalueren Aangezien het artikel zich richt op het bieden van een zeer flexibel strategisch raamwerk, zijn de prestaties nog niet ge¨evalueerd. De metrieken die de onderzoekers zullen hanteren bij toekomstige tests zijn de piekbelasting op het elektriciteitsnetwerk en de effici¨entie van het slim energienetwerk vergeleken met bestaande elektriciteitsnetwerken. De onderzoekers geven aan dat de performantie van het algoritme sterk afhangt van de beschreven situatie en de gekozen strategie¨en. Voor- en nadelen + Agent architectuur ondersteunt redeneringen. + D’ACCORD knoop deployment is schaalbaar. Het deploymentsdiagram is zeer schaalbaar in termen van het aantal D’ACCORD knooppunten, het aantal rechtstreeks ingezette agenten en het aantal webservice agenten die interageren met een D’ACCORD knooppunt. - Geen gemeten performantie, dus het is onduidelijk hoe goed het algoritme zal werken bij een groot aantal agenten.
2.3 Multi-agent systemen
23
- De communicatie naar de centrale markt gebeurt in een zelf ontwikkelde taal, die geen standaardtaal is.
2.3.5
Dezent: realtime multi-agent ondersteuning voor gedecentraliseerd beheer van elektrische stroomvoorziening
Aanpak Dezent [55] is een project van de Universiteit van Dortmund gewijd aan gedecentraliseerd en adaptief beheer van elektrische energie door middel van een gedistribueerde realtime multi-agent architectuur. Net als PowerMatcher wordt Dezent gerealiseerd als een hi¨erarchisch georganiseerd multi-agent systeem dat een veiling implementeert op basis van een marktmechanisme. De agent architectuur wordt weergegeven in figuur 2.9. De manier waarop de veiling gebeurt is echter totaal anders dan in PowerMatcher. Er zijn verschillende rondes van onderhandelingen tussen producenten, consumenten en een balancing group manager (BGM). Het algoritme probeert om zo veel mogelijk vraag en aanbod van consumenten en producenten onder e´ e´ n BGM te balanceren, te beginnen bij de onderkant van de boomstructuur. Als een evenwicht niet kan gevonden worden voor alle processen in een groep, dan zullen de onderhandelingen worden uitgebreid tot andere groepen op hetzelfde niveau of hoger, onder de controle van de hogere BGM. Tijdens elke onderhandelingsperiode sturen consumenten biedingen voor de hoeveelheden energie die ze nodig hebben en producenten bieden tarieven aan om energie te verkopen. Aangezien de besturing van Dezent gericht is op een realtime co¨ordinatie van vraag en aanbod van elektriciteit, is een ander groot verschil met de aanpak van PowerMatcher de tijdsdimensie van de veilingen. Het Dezent algoritme houdt ook rekening met onvoorspelbare vragen van de consument of problemen bij de producent. Speciale voorzorgen zijn genomen om beveiliging te voorzien tegen kwaadwillige gebruikers die profiteren van de verspreiding van informatie en controle. Bijvoorbeeld: een consument zou kunnen proberen om een grote hoeveelheid energie te kopen tegen een matige prijs, om vervolgens naar een producent om te schakelen en deze energie te verkopen tegen een hogere prijs. Dezent levert een wiskundig bewijs dat er geen kwaadwillige gebruikers kunnen profiteren van het systeem.
2.3 Multi-agent systemen
24
Figuur 2.9: Dezent agent topologie: links weergegeven is de hi¨erarchische agent structuur met producenten, consumenten en ‘balancing group managers’.
Rechts is het corresponderende
elektriciteitsnetwerk weergegeven [56]. Metrieken om de aanpak en de resultaten te evalueren De prestaties van het algoritme werden getest in simulaties met een toenemende hoeveelheid agenten op de volgende metrieken: het aantal ontevreden agenten, de duur van de onderhandelingen over cycli en doorlooptijd van een cyclus van 10 rondes. Tests werden uitgevoerd met tot 4000 agenten (50 % producenten, 50 % consumenten). Voor een groep die bestaat uit een duizend huishoudens, een normale grootte voor kleine stedelijke nederzettingen, is de doorlooptijd van een cyclus ver onder de 10 ms. Andere resultaten tonen aan dat een zeer groot aantal agenten afgewerkt zijn binnen een onderhandelingsperiode van 2 cycli. Daarnaast beschouwt het artikel de elektriciteitskosten voor consumenten als metriek. Er wordt aangetoond dat klanten minder hoeven te betalen bij het gebruik van Dezent in vergelijking met huidige oplossingen. Tenslotte zijn er ook tests aan de gang op realistische omgevingen in het Duitse energienetwerk. Hier wordt de nadruk gelegd op hoe het algoritme kan omgaan met onvoorziene omstandigheden. Voor- en nadelen + Flexibiliteit en schaalbaarheid. Hoge flexibiliteit en schaalbaarheid van het voorgestelde gedistribueerd algoritme. Het is heel interessant om te zien hoe de marktgebaseerde benadering is uitgevoerd zonder een centrale (wortel) knoop die het marktevenwicht berekent. Zolang de BGMs operationeel zijn is het systeem volledig fout tolerant om storingen van de energieleveranciers op te vangen. + realtime co¨ordinatie van vraag en aanbod. + Beveiliging tegen kwaadwillige gebruikers. Onder gedecentraliseerd beheer zijn enkele scenario’s
2.3 Multi-agent systemen
25
denkbaar waar kwaadwillige gebruikers profiteren van de verspreiding van informatie en controle. Dezent is beveiligd tegen zo’n aanvallen. + De modellering van een agent is uitgebreid.
Een actor kan gemodelleerd worden als een
producent en consument tezelfdertijd. - Redelijk complexe formuleringen, en geen micro-economische theorie als achtergrond. In tegenstelling tot de PowerMatcher, die een theoretische achtergrond heeft, is het DEZENT algoritme vrij experimenteel. - Het algoritme heeft veel parameters die geoptimaliseerd moeten worden.
2.3.6
Agent gebaseerd controle raamwerk voor DERs in een micro grid
Aanpak In het artikel [57] wordt een agent gebaseerd controle raamwerk voor micro grids gepresenteerd. Een micro grid is een afgesloten residenti¨ele omgeving die volledig autonoom kan werken. Deze maakt geen gebruik van een marktgerichte aanpak, maar het is een voorbeeld van het gebruik van een multi-agent systeem voor andere doeleinden in slimme elektriciteitsnetwerken. Types van agenten zijn gedefinieerd voor de verschillende gedistribueerde energiebronnen (DER) in het micro grid. In het voorgestelde raamwerk, wordt elke energiebron en belasting in het micro grid voorgesteld als een autonome agent die voorziet in een gemeenschappelijke communicatie-interface voor alle verschillende onderdelen in het systeem. De agent architectuur is weergegeven in figuur 2.10.
Figuur 2.10: Agent structuur in micro grid management uit [57]. Een belangrijke ontwerpbeslissing is hoe de co¨ordinatiestrategie gekozen wordt voor de informatie uitwisseling, zodat voldaan wordt aan de energievereisten van het systeem. Dit artikel kiest voor contract gebaseerde communicatie omwille van zijn eenvoud. Alle discussies tussen agenten worden gestart door een verzoekende instantie die de andere agenten vraagt een contract voor de levering
2.3 Multi-agent systemen
26
van een aantal grondstoffen voor te stellen. Daarna kiest de verzoekende agent het contract dat een bepaald doel bereikt, zoals het minimaliseren van de totale kosten. De agenten registreren bij een directory service en kunnen daar hun capaciteiten bekend maken. Met behulp van een directory service hoeven agenten zich niet bewust te zijn van de andere agenten. Bijvoorbeeld, een consumptie agent gaat op zoek naar de nodige middelen geregistreerd in de directory wanneer hij een contract wil afsluiten. Voor- en nadelen + Co¨ordinatie op basis van contracten, wat de berekeningen verdeelt over het netwerk. - Er is slechts een eenvoudig co¨ordinatiemechanisme voorgesteld. Geen mogelijkheden voorzien om te onderhandelen.
2.3.7
Compute Power Market: naar een markt ge¨ orienteerd slim energienetwerk
Aanpak We zullen de multi-agent benadering bespreken in een ander aanverwant vakdomein, namelijk grid computing. In het artikel [58] wordt een markt-gebaseerde oplossing gegeven voor het beheer van resources en job scheduling in grid computing. Dit systeem, genaamd Compute Power Market (CPM), stelt een gedecentraliseerde berekeningsplaats voor met meerdere markten erin verwerkt, en daarnaast zijn er consumenten en producenten (in dit geval zijn de resources gelijk aan computationele rekenkracht). Net als in de oplossingen hierboven beschreven, zijn er tal van consumenten en producenten, verspreid over een omgeving, die communiceren met een markt. Het is interessant om te zien hoe deze oplossing verschillende markten gebruikt die met elkaar kunnen communiceren. De doelstelling van de producenten is om hun winst te verhogen en dit doen ze door veel aan te rekenen voor hun resource, of door rijke klanten aan te trekken net als in de echte marktwerking. Daarnaast is de doelstelling van de consumenten om hun toepassingen uit te voeren met minimale kosten. De systeemarchitectuur is weergegeven in figuur 2.11. De onderdelen bestaan uit: een reeks van gedecentraliseerde markten, resource agenten en brokers. De drie belangrijkste entiteiten zijn: een markt, een consument van resources en een producent van resources. De markt werkt op de volgende eenvoudige manier: de consumenten en aanbieders kondigen hun wens aan om rekenkracht te kopen of te verkopen op de markt. Consumenten en aanbieders moeten zich registreren bij de markt. Daarna krijgen ze elk een agent toegewezen van de markt, respectievelijk een market resource agent voor de consumenten en een market resource broker voor de aanbieders. Het doel van de resource agent is om de markt de meest actuele gegevens van de onderliggende consumerende entiteit te leveren. Daarnaast kan hij ook jobs aanvaarden en opstarten. De resource broker aan de andere kant is in
2.3 Multi-agent systemen
27
staat om informatie te ontvangen van de markt en zoekt hiermee een geschikte provider. De CPM kan bestaan uit een aantal markten, elk met hun eigen consumenten en producenten. Dit bevordert decentralisatie van controle en voegt stabiliteit toe aan CPM [58].
Figuur 2.11: Een overzicht van de Compute Power Market [58].
Nu we beknopt de agenten besproken hebben in het systeem, zullen we ons richten op de architectuur van e´ e´ n markt. Dit is het meest interessante deel voor ons onderzoek, omdat we kunnen zien hoe consumenten en aanbieders worden beheerd, hoe de markten worden gecontroleerd en hoe de verschillende markten kunnen interageren. De architectuur van een markt is weergegeven in figuur 2.12.
Figuur 2.12: De architectuur van e´ e´ n markt in de Compute Power Market [58].
Een markt in CPM fungeert als bemiddelaar tussen consumenten en aanbieders. De belangrijkste diensten die zij levert zijn: het bijhouden van informatie over providers (en updaten van deze informatie), waardoor providers en consumenten kunnen registreren en een agent ontvangen, alsook interactie met andere markten. De componenten uit de marktarchitectuur zijn: • Markt entry index: een database met informatie over de aanbieders en consumenten geregistreerd op deze markt. Een entry bevat een beschrijving van de agent en de vereisten ervan.
2.3 Multi-agent systemen
28
Informatie over andere markten (locatie, mogelijkheden, ...) wordt ook opgeslagen in deze index. • Markt controle: dit is het intelligentiecentrum van de markt. Het kan de markt controleren door het delegeren van verzoeken naar de juiste componenten. Het kan ook toezien op het marktgedrag en voorspellen welke markt het beste past bij de voorkeuren van inkomende verzoeken.
De besturingseenheid kan ook informatie synchroniseren tussen de markten
onderling. • Communicatie: verantwoordelijk voor het vertalen van binnenkomende aanvragen met behulp van verschillende netwerktechnologie¨en. Deze verzoeken worden vervolgens verstuurd naar de markt controle-eenheid. Sommige ondersteunde technologie¨en zijn sockets en Remote Method Invocation (RMI). • Provider and consument: deze onderdelen zijn verantwoordelijk voor het bijhouden van de gedownloade agenten (resource agent en resource broker) en ze zorgen ervoor dat de desbetreffende gegevens in de markt-index worden ingevoegd en up-to-date zijn. Voor- en nadelen + Ondersteuning van meerdere markten. De CPM architectuur maakt gebruik van verschillende markten in plaats van een centrale markt. Dit is een goed idee voor een gedistribueerde oplossing voor grid computing, maar het artikel laat veel details weg over hoe de communicatie tussen de markten zal gebeuren. Het is onduidelijk of de markten kunnen samenwerken, welke informatie ze kunnen uitwisselen en hoe een evenwicht in een aantal markten kan worden bereikt. + Elke markt heeft een controle-eenheid die intelligentie bevat voor die markt. - Geen hi¨erarchie van agenten en niet schaalbaar. De architectuur bespreekt geen hi¨erarchie van agenten. Bovendien communiceren alle providers rechtstreeks met markt #i. Dit is geen schaalbare oplossing.
Er zijn geen resultaten beschikbaar van dit artikel. Voor ons onderzoek is dit geen probleem, omdat vooral het idee achter deze aanpak van belang was.
2.3 Multi-agent systemen
2.3.8
29
Conclusies multi-agent systemen voor elektriciteitsnetwerken
De voordelen van het gebruik van multi-agent systemen om een elektriciteitsnet met DER te modelleren zijn hoge flexibiliteit en eenvoudige modellering (een goede manier om de complexiteit te verminderen). Schaalbaarheid is een belangrijke factor in multi-agent systemen voor energietechniek en is afhankelijk van het type van de agent architectuur dat wordt gebruikt in het systeem. In deze rubriek bespreken we verschillende benaderingen van het gebruik van multi-agent systemen in smart grids. Het PowerMatcher concept [14] introduceert een veelbelovende multi-agent benadering van residentieel energiebeheer. Het is gebaseerd op de micro-economische theorie van vraag en aanbod van elektriciteit en is gekoppeld aan een elektronische markt. Agenten controleren elektronische apparaten die stroom nodig hebben en kunnen bieden op de markt met behulp van elektronische prijzen. Er zijn verschillende soorten van agenten met elk hun eigen biedstrategie. De agentstructuur is hi¨erarchisch, maar er is een centrale wortel belast met de uitvoering van de elektronische marktplaats. In simulatie realiseert dit concept 30 % reductie in piekperiodes op een testscenario zoals hierboven beschreven. Momenteel (in 2010) loopt er een veldproef aan het ondergaan in Nederland om de praktische werking in een smart grid-omgeving te onderzoeken. Het Dezent project [56], net als PowerMatcher, maakt gebruik van een hi¨erarchisch georganiseerd multi-agent-systeem dat een veiling implementeert op basis van het marktmechanisme. Het zorgt voor hoge schaalbaarheid, omdat er geen centrale markt is in dit gedistribueerde algoritme. Door gebruik te maken van het concept van balancing group managers, wordt realtime co¨ordinatie van vraag en aanbod van agenten gegroepeerd onder e´ e´ n balancing group manager gedaan. Indien geen overeenkomst kan worden gevonden, wordt het aantal agenten uitgebreid door een niveau te stijgen in de agent hi¨erarchie. Dezent houdt veiligheid in het achterhoofd, maar vereist een complexe formulering in vergelijking met PowerMatcher. Simulatieresultaten werden uitgevoerd voor maximaal 4000 agenten om de hoge schaalbaarheid die kan worden bereikt te benadrukken. Voor een scenario met 1000 huishoudens is de doorlooptijd van een cyclus in het algoritme minder dan 10ms. Andere oplossingen zoals [53] hebben aangetoond dat het mogelijk is om intelligentie toe te voegen aan agenten om betere beslissingen te nemen (betere biedstrategie¨en). We hebben ook gesproken over andere oplossingen [58, 57] in het residentieel energiebeheer die werken met een contract gebaseerd mechanisme in plaats van een markt gebaseerd systeem.
2.4 Conclusies literatuurstudie
2.4
30
Conclusies literatuurstudie
In dit hoofdstuk besproken we dat de evolutie naar een intelligent energienetwerk onvermijdelijk is. Slimme energienetwerken laten integratie van hernieuwbare energiebronnen toe en voorzien de technische mogelijkheden om ze effici¨ent te gebruiken. Daarnaast voorzien ze ook een betere opvolging van meterstanden via slimme meters, en houden ze rekening met beveiligingsaspecten van het netwerk. Ze moeten toelaten om in de toekomst energie te besparen, kosten te verlagen en de betrouwbaarheid en transparantie te verhogen van het energienetwerk. Noodzakelijk voor het invoeren van intelligentie in het energienetwerk zijn ICT oplossingen. We hebben de twee meest gebruikte ICT technieken toegelicht voor energiebeheer in een slim energienetwerk: een gecentraliseerde aanpak en een gedecentraliseerde aanpak. We geloven dat het gedecentraliseerd model, in het bijzonder de MAS aanpak het meeste kans op slagen heeft, dankzij het inherent gedistribueerd karakter en de lage complexiteit van dit model. Er is reeds veel onderzoek verricht op MAS voor energiebeheer. We besproken hiervoor vier belangrijke werken, alsook een werk dat MAS gebruikt in het domein van grid computing. We kunnen besluiten dat het potentieel groot is om vraag en aanbod in energieverbruik beter te balanceren dan vandaag mits keuze van een goeie architectuur en het onderliggend syteem. Dit hoofdstuk bevestigt dat verder onderzoek gerechtvaardigd is.
ANALYSE EN ARCHITECTUUR
31
Hoofdstuk 3
Analyse en architectuur In dit hoofdstuk brengen we de probleemstelling samen met de literatuurstudie en analyseren we hoe we het voorgestelde algoritme kunnen aanpakken. We beginnen hierbij met de identificatie van de belangrijkste doelen van het algoritme. Daarna stellen we een vereistenanalyse op, zowel op functioneel niveau als op kwaliteitsniveau. Ten slotte stellen we een architectuur voor die voldoet aan de opgesomde vereisten uit de analyse. Deze architectuur wordt dan verder uitgewerkt in het volgend hoofdstuk.
3.1
Doelen van het algoritme
1. Stem de elektriciteitsvraag af op de elektriciteitsproductie in een gegeven elektriciteitsnetwerk. We beschouwen in het bijzonder een aandeel tot 50% hernieuwbare elektriciteitsproductie in de productmix om de toekomstige elektriciteitsnetwerken te simuleren. Waarom? Het gebruik van hernieuwbare bronnen in het netwerk zo optimaal mogelijk maken. We kunnen hiervoor de vraag afstemmen op de fluctuerende productie van hernieuwbare energiebronnen [4]. Dit lost gedeeltelijk het probleem op van onevenwicht op de elektriciteitsmarkt, zoals onevenwicht in sectie 2.1.4. Om stroomuitval te voorkomen in een bepaald elektriciteitsnetwerk, mag de totale vraag naar elektriciteit niet hoger zijn dan het totale aanbod aan elektriciteit. Een situatie waarin stroomuitval voorkomt is bv. een hittegolf, wanneer het grootschalige gebruik van airconditioners en ventilatoren de vraag naar elektriciteit aanzienlijk verhoogt, tot boven de voorspelde pieken [59]. Hoe? In een marktgebaseerde benadering met een virtuele marktplaats communiceren alle actoren in het systeem met deze markt. Actoren die elektriciteitsproducerende componenten aansturen, communiceren hun huidige beschikbare aanbod naar de markt. De consumerende actoren die een elektriciteitsverbruikend toestel aansturen, communiceren
3.1 Doelen van het algoritme
32
hoeveel ze bereid zijn te betalen voor bepaalde hoeveelheden elektriciteit op basis van een bepaalde biedingscurve (meer details volgen in sectie 4). Vervolgens neemt de virtuele marktplaats deze gegevens als input, doet een berekening in realtime, en geeft als output een virtuele marktevenwichtsprijs. Daarna stuurt de marktplaats deze virtuele prijs terug naar specifieke agenten (enkel de agenten die controleerbaar zijn, hierover meer in sectie 4). Uit deze informatie kunnen die specifieke agenten nu via een lokale strategie bepalen of ze elektriciteit zullen aanschaffen, en dus hun onderliggend toestel zullen aanschakelen. Met deze aanpak kunnen we in feite de vraag naar elektriciteit zodanig aanpassen dat deze overeenkomt met de realtime beschikbare elektriciteitsproductie. Deze aanpak heeft een nadeel, namelijk de schaalbaarheid van de centrale marktplaats als het aantal agenten toeneemt, omdat alle berichten van en naar deze centrale plaats worden gestuurd. Als het aantal agenten toeneemt in het MAS, wat zeker denkbaar is in een wijk met tal van huizen (we denken bijvoorbeeld aan een wijk met 10 000 huizen, en elk huis heeft verschillende agenten), wordt schaalbaarheid belangrijk, want de centrale marktplaats moet een groot aantal berichten kunnen verwerken. Een alternatieve oplossing bestaat: puur gedistribueerde agenten die enkel met elkaar communiceren zonder centrale marktplaats. Dit gebeurt op een zodanige wijze dat het globaal systeemdoel nog steeds bereikt wordt. Zo’n oplossing wordt voorgesteld in [60], maar vertoont gebreken op het vlak van beveiliging (kwaadaardige aanvallen op heel het systeem zijn zeer moeilijk op te sporen door het puur gedistribueerde ontwerp [60]). Een oplossing met centrale marktplaats biedt voordelen op het beveiligingsvlak, zoals aangetoond in het DEZENT project uit sectie 2.3.5. Beveiliging is een cruciaal punt in slimme energienetwerken, zoals aangehaald in [17]. 2. In een residentieel elektriciteitsnetwerk bevindt er zich een generator die elektriciteit kan opwekken via traditionele energiebronnen zoals diesel. Het doel van ons algoritme zal naast doel 1, ook bestaan uit het reduceren van de piekbelasting op deze generator terwijl het productieverloop niet te grillig is (liefst zo vlak mogelijk). Reductie in piekbelasting betekent minder nood aan traditionele energiebronnen, wat dus een daling in uitbatingskosten betekent voor de energieleverancier [61]. Een stijging in piekvraag kan een uitbreiding van het elektriciteitsnetwerk vereisen, en dit is een dure investering. Bovendien is het gunstig om een vlak productieverloop te hebben, om de effici¨entie op de generator te verhogen [61]. In de literatuur vinden we voor de PowerMatcher technologie uit sectie 2.3.3 een piekbelasting daling van 30% voor een specifiek scenario die zij opstellen [14]. Ons doel zal zijn om dit resultaat na te streven en mogelijk te verbeteren, door een gelijkaardig scenario te simuleren en de resultaten te vergelijken in sectie 7.1. Waarom? Energieleveranciers moeten tegenwoordig een schatting maken van de vraag naar elektriciteit voor de volgende dag zodanig dat aan de behoeften van hun klanten voldaan
3.1 Doelen van het algoritme
33
wordt. Aangezien de vraag naar elektriciteit fluctueert volgens de tijd van de dag, en zelfs de tijd van het jaar, bestaat tegenwoordig 20% van de productiecapaciteit puur om pieken in de vraag op te vangen [2]. In de Verenigde Staten bijvoorbeeld, genereren elektriciteitscentrales onder normale omstandigheden 15% meer productie dan de verwachte piekbelasting [59]. Als de piekbelasting van de elektriciteitsvraag stijgt in het netwerk, dan is het mogelijk dat uitbreidingen in het net nodig zijn, wat zware investeringen met zich meebrengt. Door de piek te reduceren kunnen deze kosten vermeden of uitgesteld worden. Hoe? Het voorgestelde algoritme zal werken in een elektriciteitsnetwerk met hernieuwbare energiebronnen (PV zonne-energie, wind, warmtekrachtkoppeling (WKK)) die elektriciteit opwekken. Vanwege het stochastische karakter van de productie van deze hernieuwbare energiebronnen, kunnen we er niet zeker van zijn dat er hernieuwbare energieproductie beschikbaar is tijdens de piekvraag. Daarom zullen we opslag van elekticiteit introduceren, met als objectief om elektriciteit te kopen tijdens lage piekvraag, en te verkopen tijdens hoge piekvraag. Dankzij het marktmechanisme kunnen toestellen in realtime inspelen op de aanwezige elektriciteitsproductie. Dit zal gebeuren d.m.v. een fictieve marktprijs die gecommuniceerd wordt naar de agenten. De agenten die hun belasting kunnen verschuiven, gebruiken dan een objectief op basis van deze marktprijs (bv. een minimumprijs ligt).
enkel kopen als de prijs onder
Vanuit onze literatuurstudie in sectie 2.1.5 weten we welke
huishoudelijke apparaten het meeste piekverbruik hebben. 3. In tegenstelling tot de bestaande MAS systemen voor energiebeheer besproken in sectie 2.3, gaan we ons differenti¨eren op enkele vlakken. Ten eerste willen we meer metadata doorsturen tussen de agenten en de centrale marktplaats. Een belangrijke parameter die we wensen door te sturen van de centrale marktplaats naar de agenten is hoeveel hernieuwbare energie (in %) er in de huidige productmix aanwezig is. Hierdoor kan een agent een strategie uitwerken op basis van het aandeel hernieuwbare energie dat beschikbaar is. Daarnaast zijn idee¨en denkbaar waar er meerdere marktuitkomsten mogelijk zijn. Dit zou inhouden dat er meerdere prijzen beschikbaar zijn, volgens het percentage hernieuwbare energie die in de huidige realtime productmix zit. Dit zou een agent toelaten om een strategie te hanteren waarbij de consument bereid is om voor groene energie een surplus te betalen. Waarom? Zoals reeds vermeld is dit een punt waar wij ons willen differenti¨eren van bestaande onderzoeken uit de literatuur (sectie 2.3). We denken dat er potentieel aanwezig is om in de bestaande MAS voor energiebeheer slimme strategie¨en uit te werken door extra metadata uit te wisselen. Daarnaast laat dit toe om aan de eindgebruiker afgeleide gegevens weer te geven, net omdat er meer informatie beschikbaar is. Zo zouden we kunnen weergeven
3.1 Doelen van het algoritme
34
hoeveel percentage van de geconsumeerde energie per dag uit groene energiebronnen geproduceerd werd. Hoe? In het marktgebaseerd MAS concept worden er berichten uitgewisseld tussen de agenten en de centrale marktplaats. De agenten sturen biedingen om weer te geven hoeveel ze bereid zijn te betalen (in het geval van een consument) of te ontvangen (in het geval van een producent) voor hoeveelheden elektriciteit. De centrale marktplaats stuurt daarna een prijs terug naar de agenten. We willen dit communicatiemechanisme uitbreiden. Naast een bieding, laten we ook toe om allerhande metadata uit te wisselen. De belangrijkste parameter hierbij is meegeven hoe ‘groen’ een productiebron is (in %), bv. een windturbine heeft 100% groenestroom productie. De centrale marktplaats kan met deze extra metadata berekeningen doen, zoals het gemiddelde aandeel groene energieproductie in de huidige productmix (op een tijdstip t, in realtime). 4. Het algoritme kan in een beperkte mate leren uit beslissingen uit het verleden. In eerste instantie denken we hierbij aan een geschiedenis van virtuele marktprijzen die bijgehouden wordt. Daaruit kunnen we afgeleide gegevens berekenen, zoals de gemiddelde prijs uit een bepaald tijdsvenster in het verleden. Hierdoor verwachten we dat agenten accuratere beslissingen zullen kunnen nemen om de globale effici¨entie van het MAS te verhogen. Dit bespreken we in sectie 7.2. Waarom? Alweer wensen we ons te differenti¨eren tegenover bestaand onderzoek. Wij proberen te onderzoeken of informatie uit het verleden kan aangewend worden om betere prestaties te behalen van het MAS. Met prestaties bedoelen we een verbetering in de beoogde metrieken zoals kort aangehaald in sectie 1.3 en dat in detail besproken wordt in sectie 5.2. Daarnaast denken wij dat dit toelaat om nieuwe strategie¨en te bedenken voor agenten op basis van bv. de gemiddelde prijs uit het verleden (in een opgegeven tijdsinterval). Hoe? In de centrale marktplaats zullen we alle uitkomsten van marktveilingen, de evenwichtsprijzen, opslaan. Uit deze geschiedenis kunnen we vervolgens afgeleide gegevens berekenen. We denken hierbij o.a. aan de minimale of maximale prijs uit de geschiedenis en de gemiddelde prijs uit de geschiedenis. Dit wordt onderzocht in sectie 7.2.
3.2 Vereistenanalyse
3.2
35
Vereistenanalyse
Nu we de doelen van ons algoritme hebben ge¨ıdentificeerd, bespreken we in deze sectie de vereisten analyse. Dit bestaat uit twee luiken: de functionele vereisten en de niet-functionele vereisten of kwaliteitsattributen. Dit is overeenkomstig met de richtlijnen voor het opstellen van een software architecuur uit [62].
3.2.1
Functionele vereisten
• Vorm een MAS van interagerende agenten in een hi¨erarchisch gedistribueerd systeem • Stem de elektriciteitsvraag af op de elektriciteitsproductie in een gegeven elektriciteitsnetwerk • Meet de piekbelasting op de generator in het residentieel elektriciteitsnetwerk. Ontwikkel een techniek om de piekbelasting te reduceren. • Voer lastenverschuivingen uit d.m.v. he algoritme op slimme toestellen in het netwerk • Wissel informatie uit over de oorsprong van de elektriciteit: hoeveel procent hernieuwbare energie is er in de huidige productmix aanwezig. Een agent kan op basis van deze informatie een intelligente strategie gebruiken die de performantie van het globale systeem verbetert (in termen van de vooropgestelde metrieken) • Bouw de mogelijkheid in om aan de eindgebruiker weer te geven hoeveel procent groene energie hij aangeschaft heeft gedurende zijn totale dagconsumptie • Gebruik gegevens uit het verleden om de agenten slimmere beslissingen te laten maken
3.2.2
Niet-functionele vereisten
De belangrijkste niet-functionele vereisten • Schaalbaarheid: het systeem moet uitbreidbaar zijn om toe te laten dat een groot aantal agenten (grootorde van een duizendtal agenten) kan deelnemen zonder in te boeten aan de beoogde werking van het systeem • Performantie: de tijd om het marktevenwicht te berekenen in de centrale marktplaats mag niet langer duren dan 30s. Dit is nodig om te voorzien aan een per 15-minuten interval van berichtenwisseling. We hebben immers een tweerichtingsverkeer nodig, wat snel kan oplopen tot 2 × 5min [33] met een buffer van 4,5min • Performantie: een agent kan zijn bod opstellen in 100ms. Dit is nodig om te voorzien aan de vorige performantie vereiste, alsook aan een groot aantal agenten, en aan de tijd die nodig is om een bericht te sturen over een netwerk (wat kan snel oplopen tot 5min [33])
3.3 Architectuur
36
Andere niet-functionele vereisten om rekening mee te houden in de architectuur • Beschikbaarheid: een elektrische stroomuitval mag niet te wijten zijn aan een ICT faling • Beschikbaarheid: wanneer een interne bron, een agent faalt, wordt er een bericht weggeschreven en wordt de uitbater van het netwerk gecontacteerd • Beschikbaarheid: wanneer een interne bron, de communicatielijn, faalt (gedetecteerd met een time-out response van een agent), blijft het systeem operationeel. Indien van toepassing, wordt overgeschakeld op een reserve lijn, zoniet functioneert het systeem zonder de agenten achter de verbroken communicatielijn • Beveiliging : bepaalde voorzorgen moeten genomen worden tegen kwaadwillende gebruikers die valse berichten sturen naar de agenten
3.3
Architectuur
We tonen in deze sectie grafisch de vooropgestelde architectuur die voldoet aan de vereisten uit de vorige sectie. We beginnen met een globaal overzicht van het systeem in zijn omgeving, gevolgd door een architectuur op agent niveau en ten slotte tonen we een sequentiediagram dat de interacties tussen de actoren in het syteem weergeeft.
3.3.1
Globale architectuur: het systeem met de verschillende actoren
We tonen een globale architectuur in figuur 3.1. We zien een centrale markt die communiceert met verschillende agenten (in huishoudens, maar ook losstaand zoals een windturbine). Daarnaast zijn de drie belangrijkste actoren voor het systeem weergegeven: de eindgebruiker, de systeembeheerder en de elektriciteitsleverancier. Globale architectuur: het systeem met de verschillende actoren
Preferenties
Agenten in huishouden
Toon statistieken
Stuur bod
Aankopen stroom Centrale markt
Marktuitkomst
Extern stroomnet Stroom
Eindgebruiker Stuur bod Marktuitkomst
Configureer Vertaling virtuele prijs - echte prijs
Agenten in omgeving (bv. windturbine)
Systeembeheerder Elektriciteitsleverancier
Figuur 3.1: De architectuur van het systeem met de actoren die interageren met het systeem.
3.3 Architectuur
3.3.2
37
De architectuur op agent niveau
Hierna volgt een meer gedetailleerde bespreking van het MAS. We opteren voor een hi¨erarchische architectuur, omdat schaalbaarheid van cruciaal belang is. We identificeren de volgende agenten, afgeleid uit de literatuur van sectie 2.3: • een consumptieagent: beheert een consumerend toestel, dat ofwel een vaste werking heeft, ofwel een verschuifbare werking vertoont (i.e. de agent kan het toestel aan- of uitschakelen volgens een bepaalde strategie). Stuurt consumptiebiedingen naar een aggregatieagent, of rechtstreeks naar de markt • een productieagent: beheert een producerende component, zoals een zonne-paneel, een windturbine of een generator. Stuurt productiebiedingen naar een aggregatieagent, of rechtstreeks naar de markt • een opslagagent: beheert een component voor elektrische opslag. Kan elektriciteit kopen of verkopen volgens een bepaalde strategie. Stuurt zowel consumptie- als productiebiedingen naar gelang er gekocht of verkocht wordt • een aggregatieagent: kan biedingen van verschillende consumptie- en productieagenten samennemen tot e´ e´ n geaggregeerd bod.
Stuurt dit geaggregeerd bod vervolgens door naar een
aggregatieagent of het markt center, afhankelijk van de hi¨erarchie
In figuur 3.2 tonen we een hi¨erarchische boomstructuur van aggregatieagenten bij een groot aantal huishoudens in het slim energienetwerk.
In de bladeren van deze boom zitten verschillende
huishoudens vervat en elk huis bevat e´ e´ n aggregatieagent, zoals weergegeven in figuur 3.3. In figuur 3.3 zien we hoe een huishouden bestaat uit verschillende consumptie- en productieagenten. Deze agenten sturen hun biedingen rechtstreeks naar een aggregatieagent in het huis. Zo’n aggregatieagent zou kunnen draaien op een HEM toestel in het huishouden. De aggregatieagent van het huishouden communiceert met de volgende aggregatieagent in de topologie, en zo komt het bod uiteindelijk tot bij de markt. Zoals weergegeven is het ook mogelijk dat een consumptie-, productie-, of opslagagent rechtstreeks met de markt communiceert, maar voor schaalbaarheid verkiezen we de aanpak met een hi¨erarchische structuur van aggregatieagenten. Het markt center berekent de evenwichtsprijs en stuurt een bericht terug naar de agenten via de hi¨erarchische structuur. Meer details over de berichtenwisseling is te vinden in de volgende subsectie.
3.3 Architectuur
38
Architectuur bij een heel groot aantal huishoudens
Markt center
Aggregator Agent
Aggregator Agent
Aggregator Agent
Aggregator Agent
Aggregator Agent
Huishouden Huishouden Huishouden Huishouden Huishouden Huishouden Huishouden
Huishouden Huishouden Huishouden Huishouden
Huishouden Huishouden Huishouden Huishouden Huishouden
Figuur 3.2: De conceptuele hi¨erarchische topologie bij een groot aantal huishoudens.
Architectuur op moduleniveau
Markt center
Aggregator Agent
Productie Agent
Huishouden
Opslag Agent
Aggregator Agent
Huishouden
Home Energy Management Box
Huishouden Huishouden
Aggregator Agent Huishouden
Consumptie Agent Productie Agent Consumptie Agent
Consumptie Agent
Figuur 3.3: De hi¨erarchische architectuur van het MAS met 1 huishouden volledig uitgewerkt en enkele andere huishoudens conceptueel voorgesteld.
3.3 Architectuur
3.3.3
39
Interacties tussen de componenten: sequentiediagrammen
In figuur 3.4 tonen we hoe de communicatie verloopt tussen de consumptieagent (een productieagent is volledig analoog), de aggregatieagent en het markt center. In dit diagram veronderstellen we dat de topologie bestaat uit het markt center rechtstreeks verbonden is met een huishouden. Dit is puur om de voorstelling leesbaar te maken. We kunnen tussen de aggregatieagent en het markt center nog enkele aggregratie agenten plaatsen voor de schaalbaarheid, de interface blijft hetzelfde.
Sequentiediagram: registratie, bieding, en evenwichtsprijs
registratie
bieding
markt interval
Figuur 3.4: Een sequentiediagram dat toont hoe een consumptieagent zich registreert, een bieding maakt en verstuurt. Daarnaast is de werking van het markt center ge¨ıllustreerd.
TOELICHTING MARKTALGORITME
40
Hoofdstuk 4
Toelichting marktalgoritme In dit hoofdstuk wordt een beschrijving gegeven van het marktalgoritme dat ontwikkeld werd in deze masterproef. We starten met een bespreking van de verschillende componenten in het Multi-Agent Systeem (MAS), zoals reeds ge¨ıntroduceerd in de architectuur. Daarna bespreken we beknopt welke berichten uitgewisseld worden tussen de componenten. Het belangrijkste deel van dit hoofdstuk zal vervolgens gaan over het algoritme zelf, de gedachten erachter en de implementatie ervan. We eindigen met een toelichting over de klassen die ontwikkeld zijn.
4.1
Componenten in het algoritme
We tonen de verschillende componenten uit het algoritme schematisch in figuur 4.1. Dit bouwt verder op onze architectuur uit sectie 3.3.2. We tonen het overzicht van de verschillende componenten in het slimme energienetwerk in figuur 4.1(a). We zien het markt center centraal, dat biedingen ontvangt van verschillende componenten: slimme huizen in het netwerk, producerende agenten zoals windturbines in het netwerk en opslagcomponenten in het netwerk. Het markt center verwerkt deze informatie, doet daarop een bewerking en stuurt informatie terug (de marktevenwichtsprijs en metadata, dit is besproken in sectie 4.2) naar de besproken componenten in het netwerk. Hierna gaan we inzoomen op e´ e´ n slim huis in het netwerk in figuur 4.1(b). De verschillende soorten agenten in een huis zijn weergegeven: een aggregator, consumerende, producerende en lastverschuivende agenten. We bespreken vervolgens de doelstelling van deze soorten agenten hieronder.
4.1 Componenten in het algoritme
(a) Visueel de interagerende componenten in het MAS
41
(b) De verschillende types agenten in een huis
Figuur 4.1: Visueel de componenten uit het marktalgoritme. Links zien we het markt center met enkele agenten die biedingen sturen naar het markt center: verbonden huizen, een windturbine en een opslagcomponent. Rechts zien we verschillende agenten in een huis. Hieronder volgt een korte toelichting bij elke soort agent uit het multi-agent systeem (MAS). Meer details over biedingen en prijzen worden gegeven in de sectie 4.3.1. • Markt center: ontvangt biedingen van allerhande soorten agenten uit het MAS om het kwartier (dit tijdsinterval is aanpasbaar). Berekent marktevenwichtsprijs via bepaald algoritme. Stuurt uitkomst van berekening terug naar de agenten. • Producerende agent: stelt een component voor die energie produceert in het slim energienetwerk, bv. een windturbine of zonnepaneel. Maakt een bod per kwartier dat weergeeft tegen welke prijs het zijn energie wenst te verkopen. • Consumerende agent: stelt een component voor die een vaste consumptie heeft waarover het algoritme geen controle heeft, bv. een koelkast, diepvries of computer in het huishouden. Stuurt een bod op energie dat weergeeft hoeveel het bereid is te betalen voor energie. • Lastenverschuivende agent: stelt een component voor met een verschuifbare werking, dus een toestel dat het algoritme kan aanschakelen in een bepaald tijdsinterval. Het toestel biedt op energie en kan beslissen aan de hand van de marktevenwichtsprijs van het markt center of het al dan niet aanschakelt op een bepaald ogenblik t.
4.2 Interactie tussen de componenten
42
• Opslagagent: stelt een opslagcomponent voor energie voor. Kan zowel energie kopen als verkopen door te handelen als producerende agent of consumerende agent in het markt center. Het kan dus twee soorten biedingen opstellen, een consumptie- en een productiebod. • Aggregerende agent: kan biedingen van verschillende agenten samennemen tot e´ e´ n bod. Dit is nodig om het aantal uitgewisselde berichten te beperken in het netwerk.
4.2
Interactie tussen de componenten
We bespreken hier kort de berichten die over het ICT netwerk gestuurd worden. We hebben erop toegezien dat de berichtuitwisseling uniform is tussen de verschillende soorten agenten en het markt center. Een schematisch overzicht van de berichtuitwisseling is al getoond in het analysehoofdstuk in figuur 3.4. Voor de berichtuitwisseling tussen agenten en het markt center defini¨eren we twee soorten berichten: S TUUR B OD en S TUUR S AMENGESTELD B OD. • S TUUR B OD: een agent verstuurt zijn bod naar het markt center. Voor consumerende agenten en lastverschuivende agenten bevat dit bericht als inhoud een consumptiebod. Voor producerende of opslagagenten is dit een productiebod. Meer uitleg over een bod volgt in sectie 4.3.1. • S TUUR S AMENGESTELD B OD: dit bestaat uit een geaggregeerd of samengesteld bod. Dit wordt verstuurd door een aggregerende agent, die biedingen samenneemt van verschillende andere agenten. Dit soort bericht bevat twee elementen: een consumptiebod en een productiebod.
De berichtuitwisseling in de omgekeerde richting, van het markt center naar de agenten is er slechts e´ e´ n soort bericht: de M ARKT U ITKOMST. Dit bericht bevat e´ e´ n object die we MarktUitkomst noemen. Dit bevat allerhande informatie over het resultaat van de berekening in het markt center op een tijdstip t (veel meer dan de marktevenwichtsprijs alleen). Dit wordt toegelicht in sectie 4.3.2.
4.3 Het algoritme
4.3 4.3.1
43
Het algoritme Algemeen
Het algoritme gebruikt biedingen en prijzen, deze worden hier toegelicht. Een bod wordt uitgevoerd door een agent in het MAS. Zo’n bod geeft weer welke prijs de agent bereid is te betalen voor energie, in het geval van een consument. Bij een producent spreken we van de prijs die een agent bereid is te ontvangen voor energie. Het markt center voert een veiling uit op basis van de biedingen die het ontvangt. Energie is het verhandeld goed in deze veiling. We maken een onderscheid tussen een bod voor een producent (een productiebod) en een consument (een consumptiebod). Dit laat ons toe om bij het bod ook nog randinformatie mee te sturen naar de veiling. In ons algoritme hebben we dit beperkt tot een extra getal bij elk producerend bod, dat weergeeft hoeveel procent hernieuwbare energie deze producent aanbiedt. Bv. een windturbine zal 100% hernieuwbare energie uitsturen, maar een opslagcomponent kan naast hernieuwbare energie ook traditionele vormen van energie opslaan (dus misschien is zijn bron van energie slechts 50% hernieuwbaar). Als we spreken over prijzen, dan moeten we opmerken dat het hier steeds gaat om virtuele prijzen die slechts intern gebruikt worden in het systeem. Zoals aangegeven in onze architectuur (figuur 3.1), zou het mogelijk zijn om deze virtuele prijzen om te zetten naar werkelijke energieprijzen (in Euro), mits enige overeenkomst met een elektriciteitsleverancier. Om concreet een bod op te stellen is het nodig een bepaalde beperkingen op de prijs in de markt te leggen. Zo defini¨eren we een minimumprijs, een maximumprijs en een prijsschaal. Hiervoor laten we ons inspireren uit reeds gevoerd onderzoek [51], waar de basis van elektronische markten wordt besproken. We kiezen om een minimumprijs van 0 in te voeren, en laten de maximumprijs en prijsschaal variabel. In eerste instantie kiezen we voor een maximumprijs van 10 en een prijsschaal van 1. Dit wil zeggen dat de prijs aanwezig in een bod tussen 0 en 10 ligt. De prijs kan enkel wijzigen met stappen van 1. Hierdoor bekomen we 11 mogelijke prijzen die de gebruiker kan bieden. Al de bekomen resultaten zijn gevoerd met deze prijsschaal, maar we merken opnieuw op dat deze prijsschaal volledig instelbaar is. Daarom voeren we een studie uit op deze prijsschaal in sectie 7.3.
4.3.2
In het markt center
In het markt center zit de hoofdlogica van het algoritme vervat. Het markt center ontvangt biedingen van diverse slimme agenten in het netwerk. Vervolgens voegt het deze biedingen samen en via basisprincipes uit de micro-economie (zie verder) wordt de optimale marktevenwichtsprijs bepaald. Deze prijs wordt bepaald door alle consumptiebiedingen (de vraag) en alle productiebiedingen
4.3 Het algoritme
44
(het aanbod) te beschouwen waar vraag gelijk wordt aan aanbod (zie verder).
Dit wordt de
marktevenwichtsprijs genoemd. Ten slotte wordt deze prijs teruggestuurd naar specifieke slimme agenten in het netwerk. Hieronder volgt de pseudo-code om de werking toe te lichten. Samengevat kunnen we de functionaliteit in het markt center als volgt weergeven. 1 f o r ( m a r k t u i t v o e r i n g s t i j d t = 0 ; t <= DURATIE ;
t += MARKT INTERVAL ) {
Doe a g g r e g a t i e van consumptie en productiebiedingen Bereken de m a r k t e v e n w i c h t s p r i j s aan de hand van het geaggregeerde productie en consumptiebod S l a de uitkomst op Stuur de m a r k t e v e n w i c h t s p r i j s door naar de v e r a n t w o o r d e l i j k e agenten V e r w i j d e r de ontvangen biedingen
6
} Listing 4.1: In kort het algoritme in het markt center.
Nu bespreken we in meer detail het algoritme in het markt center. MAX PRICE = 1 0 ;
// De v i r t u e l e m a r k t p r i j s i s maximaal d i t i n s t e l b a a r g e t a l
PRICE SCALE = 1 ; // De s c h a a l voor de v i r t u e l e m a r k t p r i j s (1= 0 , 1 , 2 , . . . ; 10= 0 , 1 0 , 2 0 , . . . ) 3 NR PRICE POINTS = ( MAX PRICE / PRICE SCALE ) + 1 ; // Het a a n t a l punten in de p r i j s d i m e n s i e
DURATION = 1 4 4 0 ; // We simuleren 1 dag , wat overeenkomt met 1440 minuten MARKET INTERVAL = 1 5 ; // Voer het marktalgoritme u i t e l k e 15 minuten
f o r ( m a r k t u i t v o e r i n g s t i j d t = 0 ; t <= DURATIE ; t += MARKT INTERVAL ) { 8
l i s t
producerBids = getProducerBids ( ) ; l i s t consumerbids = getConsumerBids ( ) ; ProducerBid ∗ aggregatedProducerBid = new ProducerBid ( ) ; ConsumerBid∗ aggregatedConsumerBid = new ConsumerBid ( ) ;
13
// Aggregeer a l l e producerende biedingen beschikbaar op t i j d s t i p t f o r ( i n t p r i c e = 0 ; p r i c e < NR PRICE POINTS ; p r i c e ++) { f o r ( ProducerBid ∗ pBid : producerBids ) { double temp = aggregatedProducerBid−>getValue ( p r i c e ) +pBid−>getValue ( p r i c e ) ; aggregatedProducerBid−>s e t V a l u e ( p r i c e , temp ) ; }
18
} // Aggregeer de parameter \% hernieuwbare productie v i a de gemiddelde waarde double totalRenewable = 0 ; f o r ( ProducerBid ∗ pBid : producerBids ) { totalRenewable += pBid−>getPercentageRenewable ( ) ;
23
} aggregatedProducerBid−>setPercentageRenewable ( totalRenewable / producerBids . s i z e ( ) ) ;
28
// Aggregeer a l l e consumerende biedingen beschikbaar op t i j d s t i p t
4.3 Het algoritme
45
f o r ( i n t p r i c e = 0 ; p r i c e < NR PRICE POINTS ; p r i c e ++) { f o r ( ConsumerBid∗ cBid : consumerBids ) { double temp = aggregatedConsumerBid−>getValue ( p r i c e ) +cBid−>getValue ( p r i c e ) ; aggregatedConsumerBid−>s e t V a l u e ( p r i c e , temp ) ; }
33
} // Maak een r i j van a l l e p r i j s p u n t e n ( d i t i s de x−as , de y−as i s het vermogen in Watt ) double [ ] p r i c e P o i n t s = double [ NR PRICE POINTS ] ; f o r ( i n t i = 0 ; i < NR PRICE POINTS ; i ++) { pricePoints [ i ] = i ;
38
}
// Bereken de m a r k t e v e n w i c h t s p r i j s v i a een methode naar keuze double e q P r i c e = f i n d E Q P r i c e L i n e a r I n t e r p o l a t i o n ( p r i c e p o i n t s , aggregatedProducerBid−>getBid ( ) , aggregatedConsumerBid−>getBid ( ) , NR PRICE POINTS ) ; // C r e e r een o b j e c t met de r e s u l t a t e n , d i t i s een l i s t <MarketOutcomeUnit> die momenteel
43
s l e c h t s 1 o b j e c t bevat // Waarbij 1 MarketOutcomeUnit bevat : t i j d , p r i j s , %renewable MarketOutcome∗ outcome = new MarketOutcome ( t , eqPrice , aggregatedProducerBid−> getPercentRenewable ( ) ) ; // Voeg de uitkomst toe aan de g e s c h i e d e n i s ( l i s t <MarketOutcome∗>) h i s t o r y . addElement ( outcome ) 48
i f ( aggregation ) { // Stuur de uitkomst naar a l l e aggregerende agenten in het netwerk , // Die op hun beurt de uitkomst doorsturen naar de l a s t v e r s c h u i v e n d e− en opslagagenten Verstuur uitkomst en g e s c h i e d e n i s naar a l l e aggregerende agenten in het ICT netwerk } else {
53
// Verstuur de uitkomst r e c h t s t r e e k s naar de l a s t v e r s c h u i v e n d e− en opslagagenten Verstuur uitkomst naar a l l e
l a s t v e r s c h u i v e n d e − en opslagagenten in het ICT netwerk
} // V e r w i j d e r a l l e ontvangen biedingen in het markt c e n t e r clearProducerBids ( ) ;
58
clearConsumerBids ( ) ; } Listing 4.2: Het algoritme in het markt center.
De marktevenwichtsprijs kan op een eenvoudige manier berekend worden via basisprincipes uit de micro-economie [50]. Dit lichten we hier beknopt toe.
4.3 Het algoritme
46
Figuur 4.2: Prijsvorming bij eindproducten: markten en marktvormen [50].
Een markt is de confrontatie van totale vraag en totaal aanbod, waaruit een ruilproces en prijsvorming volgt. Er bestaan verschillende soorten markten op basis van zogenaamde marktvormen. Dit slaat op de verhoudingen tussen de diverse partijen op de markt en is van belang want de marktmacht bepaalt in sterke mate hoe de prijsvorming tot stand komt. Het zogenaamde referentiepunt voor marktvormen heet volkomen concurrentie. Volkomen concurrentie is het meest ideale scenario voor een marktvorm. In een markt met volkomen concurrentie wordt het aanbodgedrag weergegeven door de aanbodcurve en het vraaggedrag weergegeven door de vraagcurve. Bijgevolg kan de markt in dit geval van volkomen concurrentie voorgesteld worden door vraag- en aanbodscurven. Uit de wet van vraag en aanbod weten we dat door de marktwerking de gevraagde en aangeboden hoeveelheden aan elkaar gelijk gemaakt worden. In dit geval zeggen we dat de markt in evenwicht is. Grafisch vinden we dit evenwicht in het snijpunt van vraag- en aanbodcurven, zoals weergegeven in figuur 4.3. We veronderstellen in eerste instantie lineaire vraag- en aanbodscurven in ons algoritme, maar deze kunnen ook een compleet andere vorm hebben.
Figuur 4.3: Volkomen concurrentie: een grafische voorstelling van het marktevenwicht bij volkomen concurrentie. De vraagcurve V en de aanbodscurve A snijden in het evenwicht (XE , pE ), met XE de aangeboden hoeveelheid en pE de prijs [50].
4.3 Het algoritme
47
In het algoritme gebruiken we lineaire vraag- en aanbodcurven, maar dit kan zonder problemen uitgebreid worden naar complexere curven. Mathematisch kunnen we de lineaire vraag- en aanbodcurven als volgt modelleren: Vraagcurve: XV = a − b · p,
a, b > 0.
Aanbodcurve: XA = β · p − α,
α, β > 0.
Marktevenwicht vinden we door het volgend stelsel op te lossen: XV = a − b · p XA = β · p − α X = X A V
a, b > 0 α, β > 0
(4.1)
Dit stelsel oplossen geeft de volgende oplossing:
a+α b+β a·β−b·α ⇔ XE = b+β ⇔ pE =
Dit principe hebben we ge¨ımplementeerd in het markt center. Nadat de biedingen van agenten geaggregeerd zijn, houden we twee datasets over: e´ e´ n voor de totale vraag naar energie en e´ e´ n voor het totale aanbod aan energie. Dit is opgeslagen in de vorm van (prijs, hoeveelheid energie (in Watt)) koppels. Om nu de vraag- en aanbodcurven af te leiden, maken we gebruik van lineaire regressie analyse. Deze techniek zoekt de best passende rechte door een gegeven aantal punten (in een tweedimensionale ruimte), in dit geval de (prijs, vraag) en (prijs, aanbod) koppels. We hebben een bestaande implementatie gebruikt op basis van de kleinste kwadratenmethode [63]. We kiezen voor de methode van lineaire regressie omdat deze methode het voordeel heeft ten opzichte van bv. lineaire interpolatie dat het toelaat zeer effici¨ent het snijpunt van beide curven te bepalen. Naast de lineaire vraag- en aanbodcurven hebben we een experiment gevoerd met een kwadratische curve.
We bleven echter de lineaire regressie gebruiken.
Het gaf niet onmiddellijk een grote
verandering in de finale resultaten, maar de component met een kwadratische biedingscurve kon meer invloed uitoefenen op de marktevenwichtsprijs. Verder onderzoek zou kunnen uitwijzen of het de moeite loont om complexe curves te gebruiken.
4.3 Het algoritme
48
De pseudo-code van de marktevenwichtberekening wordt hieronder weergegeven. Hierin stelt linReg de functionaliteit van lineaire regressie voor, namelijk de best passende rechte zoeken y = a + b ∗ x, en de coeffici¨enten a en b teruggeven. double f i n d E Q P r i c e L i n e a r R e g r e s s i o n ( p r i j s p u n t e n , aanbod punten , vraag punten , NR PRICE POINTS ) { // Gebruik l i n e a i r e r e g r e s s i e om de b e s t passende r e c h t e t e vinden door de vraag punten en de aanbod punten // X vraag = a − b∗p double a , b = l i n R e g ( p r i j s p u n t e n , vraag punten ) ; // X aanbod = beta ∗p − a l f a
5
double a l f a , beta = l i n R e g ( p r i j s p u n t e n , aanbod punten ) ; // Zoek het s n i j p u n t van de vraag− en aanbodrechten , wat t r i v i a a l i s omdat d i t
2D curven
zijn double e q P r i c e = ( a + a l f a ) / ( b + beta ) ; return eqPrice ; 10 }
Listing 4.3: Het marktevenwicht bepalen via het snijput van twee lineare rechten bepaald door lineaire regressie.
4.3.3
Logica in de agenten
Naast het markt center, werkt er ook een deel van het algoritme op de overige agenten (producerende agenten, consumerende agenten, lastenverschuivende agenten, en opslagagenten). Deze worden hieronder besproken. Producerende agenten Een producerende agent stelt een productiebod op. Dit bod bestaat uit een aantal (prijs, energie) koppels die aangeven dat de agent voor prijs x bereid is y energie te verkopen. Daarnaast voegen we aan dit bod de hoeveelheid percentage hernieuwbare energie toe die deze bron levert. Concreet bouwen we dit productiebod op gebruik makend van een discreet aantal punten uit een trapfunctie zoals weergegeven in figuur 4.4. Het achterliggend idee van het productiebod is dat de agent bij voorkeur zijn energie pas verkoopt vanaf een bepaalde minimumprijs. Dit verklaart waarom we kiezen voor een trapfunctie; we verkopen niets tot de minimumprijs bereikt is waarvoor we bereid zijn energie te verkopen.
4.3 Het algoritme
49
Figuur 4.4: Een grafische voorstelling van een productiebod uit het marktalgoritme.
Hieronder geven we de implementatie van de service logica weer in de producerende agent, en hoe een producerend bod wordt opgesteld. MESSAGE INTERVAL = 1 5 ; BID TYPE = LINEAR ; // Do s e r v i c e l o g i c and send a bid to the market or a g g r e g a t o r agent every MESSAGE INTERVAL time f o r ( t i j d t = 0 ; t < DUURTIJD ; t += MESSAGE INTERVAL ) { ProducerBid ∗ bid = new ProducerBid ( percentageRenewable ) ;
5
// Maak het bod , z i e volgende codeblok voor u i t w e r k i n g bool sendOk = makeBid ( bid , t , BID TYPE ) ; // Stuur het bod naar het markt center , ev entue el v i a een a g g r e g a t o r i f ( sendOk ) { sendProductionBid ( bid ) ;
10
} } Listing 4.4: De service logica in een producerende agent.
i n t f i r s t S t e p = MAX PRICE / (2∗ PRICE SCALE ) ; // De huidige productie van het t o e s t e l waar deze s e r v i c e werkt 3 double supply = getPower ( ) ;
ProducerBid ∗ bid ; // Maak t r a p f u n c t i e in twee niveau ’ s f o r ( i n t i = 0 ; i < f i r s t S t e p ; i ++) { bid−>s e t V a l u e ( i , 0 ) ; 8 }
f o r ( i n t i = f i r s t S t e p ; i < NR PRICE POINTS ; i ++) { bid−>s e t V a l u e ( i , supply ) ; } Listing 4.5: MAKE B ID: een lineair bod maken in een producerende agent.
4.3 Het algoritme
50
Consumerende agenten Een consumerende agent stelt een consumptiebod op. Dit bod bestaat uit een aantal (prijs, energie) koppels die aangeven dat de agent voor prijs x bereid is y energie te kopen. Concreet bouwen we dit bod op gebruik makend van een discreet aantal punten uit een trapfunctie zoals weergegeven in figuur 4.5. Het achterliggend idee van het consumptiebod is dat hoe duurder de prijs wordt, hoe minder de consument bereid is om energie aan te kopen. Dit hebben we ge¨ımplementeerd in een trapfunctie bestaande uit drie niveaus.
Figuur 4.5: Een grafische voorstelling van een consumptiebod uit het marktalgoritme.
Hieronder geven we de implementatie van de service logica weer in de consumerende agent, en hoe een consumerend bod wordt opgesteld. MESSAGE INTERVAL = 1 5 ; BID TYPE = LINEAR ;
4 // Voer de s e r i v c e l o g i c a u i t e l k i n t e r v a l
f o r ( t i j d t = 0 ; t < DUURTIJD ; t += MESSAGE INTERVAL ) { ConsumerBid∗ bid = new ConsumerBid ( ) ; bool sendOk = makeBid ( bid , t , BID TYPE ) ; // Stuur het bod naar het markt center , ev entue el v i a een a g g r e g a t o r i f ( sendOk ) {
9
sendConsumptionBid ( bid ) ; } } Listing 4.6: De service logica in een consumerende agent.
4.3 Het algoritme
51
i n t f i r s t S t e p = ( MAX PRICE ∗ 0 . 5 ) / PRICE SCALE ; i n t secondStep = ( MAX PRICE ∗ 0 . 7 ) / PRICE SCALE ; 3 // De gevraagde consumptie van het t o e s t e l waar de d i e n s t d r a a i t
double demand = getPower ( ) ; ConsumerBid∗ bid ; // Maak het bod in een t r a p f u n c t i e bestaande u i t d r i e niveau ’ s f o r ( i n t i = 0 ; i < f i r s t S t e p ; i ++) { bid−>s e t V a l u e ( i , demand ) ;
8
} f o r ( i n t i = f i r s t S t e p ; i < secondStep ; i ++) { bid−>s e t V a l u e ( i , demand/ 2 ) ; } 13 f o r ( i n t
i = secondStep ; i < NR PRICE POINTS ; i ++) {
bid−>s e t V a l u e ( i , 0 ) ; } Listing 4.7: MAKE B ID: een lineair bod maken in een consumerende agent.
Lastenverschuivende agenten Dit is een speciaal type consumerende agent, waar we controle hebben op het tijdstip van consumptie. Dit is bv. een warmteboiler in een huis, die we kunnen aanschakelen op het tijdstip dat het algoritme dit het best acht. Om de agent zo realistisch mogelijk te maken hebben we rekening gehouden met enkele beperkingen: • minimum starttijd: vanaf welk tijdstip mag het toestel consumeren? • maximum starttijd: hoe laat mag het toestel ten laatste beginnen te consumeren? • totale duurtijd van de consumptie. • stapgrootte van de verschuiving: hoeveel tijdslots na elkaar moet het toestel aangeschakeld blijven? • kans om te starten: dit is een probabilistisch element dat bepaalt of het toestel mag starten of niet (als de kans groter is dan een drempel).
Dit is nodig om te zorgen dat niet alle
lastenverschuivende agenten in het netwerk op hetzelfde ogenblik werken.
Aangezien dit een consumerende agent is, gebeurt het sturen van een consumerend bod in de methode SEND C ONSUMPTION B ID () naar het markt center (via een aggregerend agent) op een analoge manier als in 4.3.3. We lichten hier de pseudo-code toe van de lastenverschuivende agent. We starten met algemene service logica in de agent toe te lichten en gaan nadien de onderdelen in detail bespreken.
4.3 Het algoritme
52
Telkens als de lastenverschuivende agent een marktuitkomst ontvangt van het markt center, zal de onderstaande service logica uitgevoerd worden. Daarin bepaalt de agent of het toestel dat het bestuurt aangeschakeld of uitgeschakeld moet worden. De agent maakt en stuurt een consumptiebod wanneer de resterende duurtijd van het toestel groter dan nul is. BID TYPE = LINEAR ; bool s h e d u a l i n g S t a r t e d = f a l s e ; counter = 0 ; interval = 15; 5 // S t e l t de d u u r t i j d van het onderliggend t o e s t e l voor
duration = getDeviceDuration ( ) ; // De drempel voor hoeveel % groene e n e r g i e er in de productmix moet z i t t e n voor een t o e s t e l aanschakelt greenLogic = 0 . 5
10 A l s we een MarketOutcome ontvangen van het markt c e n t e r op t i j d s t i p t , doe de volgende l o g i c a :
Bepaal de dynamische p r i j s d r e m p e l A l s het t o e s t e l nog moet werken , s t u u r een consumptiebod voor het volgend t i j d s t i p t +15 Bepaal o f het t o e s t e l kan aangeschakeld worden Schakel het t o e s t e l aan o f u i t , op b a s i s van de v o r i g e stap Listing 4.8: De service logica in een lastenverschuivende agent.
Om te bepalen of een toestel mag aangeschakeld worden, gebruiken we een systeem met drempels (thresholds). We gebruiken een prijsdrempel, een drempel voor percentage groene energie in de productmix en een probabiliteitsdrempel die alle drie samen bepalen of een toestel mag aangeschakeld worden. tijdseenheid.
We vergelijken telkens zo’n drempel met een waarde die verschilt per
Bijvoorbeeld de prijsdrempel vergelijken we met de marktevenwichtsprijs.
marktevenwichtsprijs 4.2 en de prijsdrempel 5, dan is de prijsvoorwaarde vervuld.
Is de
Hieronder
bespreken we de prijsdrempel. Deze is speciaal omdat we een zogenaamd dynamisch karakter hebben ingebouwd. Dit houdt in dat de prijsdrempel varieert afhankelijk van de tijd tot de deadline van dit toestel. Hoe dichter de tijd nadert tot de deadline waarop het toestel ten laatste mag starten, hoe hoger we de drempel zullen laten komen, zodanig dat het toestel zeker start. We implementeren dit via een exponentiele functie 0, 8 · M AX P RICE · 0, 99(deadline−t) . Daarnaast hebben we verschillende strategie¨en bedacht om de prijsdrempel te bepalen op basis van informatie uit het verleden. We gebruiken namelijk de gegevens van prijzen uit het verleden om op een slimme manier een drempel te bepalen voor het heden. We hebben vier strategie¨en: geen prijsgeschiedenis gebruiken, de helft van de gemiddelde waarde van de prijzen uit de geschiedenis, 30% van het verschil tussen de grootste en kleinste waarde uit de prijsgeschiedenis en ten slotte 30% van de gemiddelde prijs plus twee keer de standaardafwijking op de prijs uit geschiedenis. Dit wordt in meer detail besproken in sectie 7.2. Hieronder volgt nu de pseudo-code om de dynamische prijsdrempel te bepalen.
4.3 Het algoritme
53
1 // A . Bepaal de p r i j s d r e m p e l
switch ( h i s t o r y S t r a t e g y ) { case MarketHistory : : NONE: // We hebben een derempel di e 30% van de maximum mogelijke p r i j s bedraagt t h r e s h o l d = ( MAX PRICE ∗ 0 . 3 ) / PRICE SCALE ; // Dynamisch element in de drempel : a l s de deadline voor het s t a r t e n van het t o e s t e l
6
nadert en het t o e s t e l i s nog n i e t k l a a r met werken , verhoog van e x p o n e n t i e e l de drempel (100min van de d e a l i n e voegen we 20% toe en 10min van de deadline 80%) t h r e s h o l d += ( ( 0 . 8 ∗ MAX PRICE ) / PRICE SCALE ) ∗ 0 . 9 9 ˆ ( maximumStartTime − t ) ; break ;
case MarketHistory : : AVERAGE : // Gebruik a l s drempel ( 0 . 5 ∗ g e m i d d e l d e m a r k t p r i j s )
11
avg = h i s t o r y −>g e t A v e r a g e P r i c e ( historyWindow ) ; max = h i s t o r y −>getMaxPrice ( historyWindow ) ; FACTOR = 0 . 5 ; // Threshold = average metriek , behalve a l s g e s c h i e d e n i s l e e g ( avg ==0) , v a l dan t e r u g op MarketHistory : : NONE t h r e s h o l d = avg ! = 0? avg ∗ FACTOR : ( MAX PRICE ∗ 0 . 3 ) / PRICE SCALE ;
16
t h r e s h o l d += ( 0 . 8 ∗ max) ∗ pow ( 0 . 9 9 , ( maximumStartTime − time ) ) ; break ;
case MarketHistory : : MINMAX: // Gebruik a l s drempel 0 . 3 ∗ ( m a x p r i j s g e s c h i e d e n i s − m a x p r i j s g e s c h i e d e n i s )
21
minmax = h i s t o r y −>getMaxiMin ( 0 . 3 , historyWindow ) ; max = h i s t o r y −>getMaxPrice ( historyWindow ) ; // Threshold = minmax metriek , behalve a l s g e s c h i e d e n i s l e e g ( minmax==0) , v a l dan t e r u g op MarketHistory : : NONE t h r e s h o l d = minmax ! = 0? minmax : ( MAX PRICE ∗ 0 . 3 ) / PRICE SCALE ; t h r e s h o l d += ( 0 . 8 ∗ max) ∗ pow ( 0 . 9 9 , ( maximumStartTime − time ) ) ;
26
break ;
case MarketHistory : : TWOSIGMA: // Gebruik a l s drempel 0 . 3 ∗ ( avg +2∗ s t d a f w ) twosigma = h i s t o r y −>get2Sigma ( historyWindow ) ;
31
max = h i s t o r y −>getMaxPrice ( historyWindow ) ; double FACTOR = 0 . 3 ; // Threshold = 2sigma metriek , behalve a l s g e s c h i e d e n i s l e e g ( twosigma ==0) , v a l dan t e r u g op MarketHistory : : NONE t h r e s h o l d = twosigma ! = 0? twosigma ∗ FACTOR : ( MAX PRICE ∗ 0 . 3 ) / PRICE SCALE ; t h r e s h o l d += ( 0 . 8 ∗ max) ∗ pow ( 0 . 9 9 , ( maximumStartTime − time ) ) ;
36
break ; } Listing 4.9: Bepaal de dynamische prijsdrempel in de lastenverschuivende agent.
4.3 Het algoritme
54
Hieronder bespreken we de logica die bepaalt of de agent het toestel dat het bestuurt aan- of uitschakelt. Enkele eisen waaraan de staat van het toestel moet voldoen voor het mag worden aangeschakeld zijn: de resterende duurtijd van het toestel is > 0, de huidige tijd is binnen de toegelaten tijdsspanne waarin het toestel mag werken en het toestel voldoet aan alle drie de drempels (de prijsdrempel, de drempel voor percentage groene energie en de probabiliteitsdrempel). De huidige marktevenwichtsprijs moet lager zijn dan de prijsdrempel voor het toestel mag aanschakelen. Het achterliggend idee is dat we enkel een toestel willen aanschakelen als er in het vorig tijdslot veel productie of weinig consumptie was (wat leidt tot een lage prijs). De drempel voor percentage groene energie hebben we ge¨ıntroduceerd met het idee om slechts een toestel aan te schakelen als er minstens de drempelwaarde voor percentage hernieuwbare energie is in de huidige productmix. Hierdoor bevoordelen we hernieuwbare energieproductie, waardoor we als resultaat nuttiger gebruik van de fluctucerende hernieuwbare productie beoogen. De probabiliteitsdrempel werd ingevoerd om te zorgen dat niet alle verschuifbare lasten van eenzelfde type op hetzelfde ogenblik t aanschakelen. Dit leidt immers tot een gigantische piek in de consumptie, wat niet wenselijk is. We tonen nu de pseudo-code voor de lastenverschuivingen. p r i c e = outcome−>getEQPrice ( ) ; 2
percentageGreen = outcome−>getPercentageRenewable ( ) ;
i f ( duration < 0 ) { stopDevice ( ) ; // Stop het t o e s t e l a l s het k l a a r i s de d u u r t i j d afgelopen i s } else { 7
// Stuur een consumptiebod voor deze agent voor het volgend t i j d s l o t sendConsumptionBid ( ) ;
// A l s het t o e s t e l nog n i e t g e s t a r t i s , kan het enkel s t a r t e n a l s de p r i j s onder de p r i j s d r e m p e l i s , het percent hernieuwbaar boven de drempel greenLogic i s , en de t i j d in het i n t e r v a l z i t waarin het t o e s t e l mag s t a r t e n i f ( ! s c h e d u a l i n g S t a r t e d && p r i c e <= t h r e s h o l d && percentageGreen >= greenLogic && ( ( time >= minimumStartTime && time <= rangeEnd && time <= maximumStartTime ) | |
12
( time >= minimumStartTime && time >= r a n g e R e s t a r t && time <= maximumStartTime ) ) ) {
// Laat het t o e s t e l s t a r t e n a l s een w i l l e k e u r i g e kans ‘ random ’ boven een probabiliteitsdrempel is double random = uniform ( 0 , 1 ) ; i f ( random >= p r o b a b i l i t y T h r e s h o l d ) {
17
plannedStartTime = time ; schedualingStarted = true ; startDevice ( ) ; counter ++; duration −= ( i n t e r v a l ) ;
22
} }
4.3 Het algoritme
55
// A l s het t o e s t e l a l g e s t a r t i s , l a a t het dan lopen voor minstens ‘ s h i f t S t e p S i z e ’ a a n t a l i n t e r v a l l e n , maar stop a l s de p r i j s boven de drempel gaat e l s e i f ( s c h e d u a l i n g S t a r t e d && time >= plannedStartTime ) { duration −= ( i n t e r v a l ) ;
27
// Stop het t o e s t e l a l s de p r i j s d r e m p e l overschreden wordt i f ( p r i c e > t h r e s h o l d && counter >= s h i f t S t e p S i z e ) { stopDevice ( ) ; schedualingStarted = f a l s e ; counter = 0 ;
32
} e l s e { // b l i j f consumeren t o t ’ s h i f t S t e p S i z e ’ a a n t a l i n t e r v a l l e n z i j n b e r e i k t en de p r i j s n i e t boven de drempel gaat plannedStartTime = time ; counter ++; } }
37
} Listing 4.10: De verschuivingslogica in een lastenverschuivende agent.
Opslagagenten Een opslagagent is een combinatie van een consumerende en producerende agent. Het achterliggend idee is dat energie lokaal kan opgeslagen worden (bv. in een batterij) om slim benut te worden als er een tekort aan energieaanbod is. We hebben bijgevolg de service logica zo gekozen dat de agent energie aankoopt als de prijs goedkoop is, en verkoopt als de prijs hoog genoeg is. Er zijn twee drempels die bepalen wanneer er gekocht of verkocht wordt. Als de prijs onder de aankoopdrempel gaat, wordt energie aangekocht (tot de opslag vol is). Als de prijs boven de verkoopsdrempel gaat, zal energie verkocht worden (tot de opslag leeg is). double p r i c e = outcome−>g e t P r i c e ( ) ; 2
SimpleBattery ∗ s t o r a g e = device−>g e t B a t t e r y ( ) ; i n t e r v a l = 1 5 ; // Het huidig s i m u l a t i e i n t e r v a l , per 15min
i f ( p r i c e <= buyThreshold && ! device−>i s F u l l ( ) ) { // Koop opslag a l s de p r i j s onder de koopdrempel v a l t en de opslag nog n i e t v o l i s 7
t h i s −>device−>s e t P o w e r S t o r a g e S t a t e ( PowerStorage : : CHARGING) ; s to r ag e−>charge ( s to r ag e−>getDefaultChargePower ( ) , i n t e r v a l ) ; sendConsumptionBid ( ) ; } e l s e i f ( p r i c e >= s e l l T h r e s h o l d && ! device−>isEmpty ( ) ) { // Verkoop opslag a l s de p r i j s boven de v e r k o o p s p r i j s i s en de opslag n i e t l e e g i s
12
t h i s −>device−>s e t P o w e r S t o r a g e S t a t e ( PowerStorage : : DISCHARGING) ; s to r ag e−>d i s c h a r g e ( s to r ag e−>getDefaultChargePower ( ) , i n t e r v a l ) ; sendProductionBid ( ) ; } else { // Een ’ i d l e s t a t e ’ waar er geen opslag gekocht o f verkocht wordt
4.4 Implementatie in simulator
56
t h i s −>device−>s e t P o w e r S t o r a g e S t a t e ( PowerStorage : : IDLE ) ;
17
} Listing 4.11: De service logica in een opslagagent.
Aggregerende agenten Consumerende agenten en producerende agenten kunnen zich registreren bij een aggregerende agent en vervolgens hun biedingen per tijdsinterval naar die agent sturen. De aggregerende agent wacht tot alle biedingen zijn ontvangen en voert vervolgens de aggregatielogica uit om alle biedingen samen te voegen tot e´ e´ n productiebod en e´ e´ n consumptiebod. Ten slotte worden deze twee biedingen samengevoegd in e´ e´ n netwerkbericht en wordt dit bericht over het ICT netwerk doorgestuurd naar het markt center of naar een andere aggregerende agent. Op een analoge wijze gebeurt het doorsturen van de marktprijs van het markt center naar de verantwoordelijke agenten via een aggregerende agent. Een aggregerende agent kan het markt center ontlasten door de aggregatielogica decentraal uit te voeren. Het doel is om zo weinig mogelijk berichten te moeten ontvangen in het markt center, zodanig dat ons systeem ook schaalbaar is naar een grote hoeveelheid agenten. In onze scenario’s gaan we per huis een aggregerende agent configureren. Zoals aangegeven in de architectuur in sectie 3.3.2 is het ook mogelijk om de aggregatie door te trekken naar verschillende niveau’s. Per huis worden de consumptiebiedingen en productiebiedingen samengevoegd tot e´ e´ n geaggregeerd bod (1 voor productie en 1 voor consumptie). Dit wordt vervolgens doorgestuurd naar het markt center. Op deze manier kunnen we al drastisch het aantal ontvangen berichten in het markt center reduceren, want zonder aggregatie zou het markt center zelf elk bod ontvangen. Een studie van de invloed op het aantal berichten met en zonder aggregatie wordt besproken in sectie 7.5.
4.4
Implementatie in simulator
In deze laatste sectie geven we een beknopt overzicht van de gemaakte klassen en de relatie met de componenten uitgelegd in dit hoofdstuk. Dit is hieronder weergegeven in tabel 4.1.
MarketCenter
Core
Agents
Map
Stelt de data voor die opgeslagen wordt in de marktuitkomst geschiedenis Configuratie van o.a. prijsschalen
MarketHistory
Config
Tabel 4.1: Toelichting bij de ge¨ımplementeerde klassen.
Stelt een marktuitkomst voor (wrapper object met prijs, gemiddeld % groen, tijd, · · · )
Default implementatie van IBidReceiver
DefaultBidReceiver
MarketOutcome
Interface om biedingen te ontvangen (aggregator en markt center)
IBidReceiver
Implementatie markt center
Stelt een productiebod voor
ProducerBid
MarketService
Stelt een consumptiebod voor
ConsumerBid
Implemenatie opslagagent
MarketStorageAgent
Superklasse voor ConsumerBid en ProducerBid
Implementatie lastenverschuivende agent
MarketShiftableDeviceAgent
Bid
Implementatie producerende agent
MarketGeneratorAgent
Samenvoegen biedingen
Implementatie consumerende agent
MarketConsumptionAgent
Aggregator
Implementatie aggregerende agent
Omschrijving
MarketAggregatorAgent
Klassenaam
4.4 Implementatie in simulator 57
SIMULATIE
58
Hoofdstuk 5
Simulatie In dit hoofdstuk bespreken we ten eerste welke simulator we gebruiken in ons onderzoek en wat de voordelen ervan zijn. Ten tweede bespreken we de metrieken die in het volgende hoofdstuk gehanteerd worden. De metrieken bepalen hoe we onze scenario’s evalueren, en komen bij elk scenario in het volgend hoofdstuk terug. Ten slotte bespreken we welke toestellen we gebruiken in onze scenario’s, en hoe deze gesimuleerd zijn.
5.1
Smart grid simulator
Introductie Ons onderzoek is ontwikkeld in de Smart grid simulator van de onderzoeksgroep IBCN, Universiteit Gent [64, 65]. Deze simulator is gebouwd in C++ bovenop de open-source simulator OMNeT++ [66]. OMNeT++ is een discrete-event simulator die hoofdzakelijk gebruikt wordt voor het modelleren van communicatienetwerken en gedistribueerde systemen. Het doel van deze simulator is om onderzoek naar slimme energienetwerken te versnellen. De vier belangrijkste doelstellingen van deze simulator zijn: • Een omgeving aanbieden die toelaat om controle algoritmen voor energiebeheer en hun software architecturen te onderzoeken • De gebruiker toelaten om de impact van communicatievereisten op de performantie van controle algoritmen te onderzoeken • Toelaten om de impact van de ontwikkelde algoritmen te toetsen op het elektriciteitsnet, d.m.v berekeningen op het elektriciteitsniveau • De omgeving is flexibel en modulair, zodanig dat meerdere scenario’s snel configureerbaar zijn
5.1 Smart grid simulator
59
Het OMNeT++ model maakt gebruikt van modules die communiceren door berichten uit te wisselen. De smart grid simulator maakt gebruik van de verbindingen tussen modules om de topologie van het elektriciteitsnet en het communicatienetwerk na te bootsen. Knopen in de topologie bestaan uit communicatieknopen (bv. routers) en elektriciteitsknopen (bv. generatoren, slimme meters en slimme toestellen). De smart grid simulatieomgeving is ontworpen in een gelaagde architectuur, die te zien is in figuur 5.1. Het bestaat uit drie lagen: de applicatielaag, de middelware laag en de support laag. • De applicatielaag bestaat uit applicaties of diensten op een hoog abstractieniveau. Bv. diensten voor slimme meters, controle algoritmen voor energiebeheer. • De middelware laag wordt gebruikt door de applicatielaag en heeft als doel generieke functionaliteit voor services aan te bieden. Zo wordt het ontwikkelen van een dienst op de applicatielaag vergemakkelijkt. Dit is bv. diensten voor service discovery en service management. • De supportlaag bestaat uit elektrische- en netwerkcomponenten die ondersteunde functies aanbieden aan de lagen erboven. Bv. transmissielijn implementaties, elektrische topologie¨en, communicatienetwerk model, . . .
Figuur 5.1: De drie lagen architectuur van de simulatieomgeving [64].
Operationele aspecten Hier lichten we kort toe welke componenten er worden gebruikt en extra ontwikkeld kunnen worden op de smart grid simulator. Hieronder geven we een conceptueel overzicht weer van de input- en outputcomponenten voor de simulator.
5.1 Smart grid simulator
60
Figuur 5.2: Een conceptueel overzicht van de input en output van de smart grid simulator [3].
We lichten het operationele aspect toe van de simulator.
Dit houdt in welke componenten er
ontwikkeld kunnen worden, hoe de simulatie kan uitgevoerd worden en hoe we de resultaten nadien kunnen verwerken. 1. Ontwikkeling en configuratie Er kunnen op elke laag uit de voorgestelde architectuur klassen aangemaakt worden die een bepaalde interface implementeren. Zo hebben we bijvoorbeeld interfaces voor een ICT service of voor een consumerend toestel. Om vervolgens een scenario te ontwikkelen bouwen we een topologie op via de OMNeT++ Network Description Language (NED), en kunnen we de modules in zo’n topologie configureren via OMNeT++ configuratie files (.ini). 2. Uitvoeringsomgeving Simulaties kunnen gebeuren via een grafische gebruikers interface (GUI), wat handig is voor demonstraties of debugging. Er is ook mogelijkheid om de simulaties op te starten via een command-line interface, zodanig dat er bepaalde scripts kunnen geschreven worden om de simulaties te automatiseren. 3. Resultaatverwerking De resultaatverwerkende mogelijkheden van de simulator vallen terug op het OMNeT++ framework. Hiertoe behoren grafische visualisaties van resultaten, en logging van aparte componenten in open formaten (zoals het CSV formaat). Voor geavanceerde resultaatverwerking is het aangeraden externe scriptingtalen te gebruiken zoals Python.
5.2 Simulaties en metrieken
5.2
61
Simulaties en metrieken
In de simulator kunnen we een bepaald scenario opstellen en vervolgens laten afspelen. Dit scenario neemt als input gegevens over het elektriciteitsverbruik op elk gesimuleerd tijdstip (bv. per 15 minuten gedurende e´ e´ n dag), de basislasten in huis. Daarnaast hebben we als input verschuifbare lasten die kunnen werken binnen bepaalde tijdsintervallen, alsook inputs voor de productie- en opslagelementen in de omgeving (bv. windsnelheid, grootte van de opslag, e.d.). Na afloop van de simulatie krijgen we als resultaat gegevens over het werkelijk elektriciteitsverbruik. De output bevat dus zowel de basislasten, de geplande werking van de verschuifbare lasten en de productieprofielen van de productie- en opslagcomponenten in de omgeving. Om de invloed van het marktalgoritme te evalueren, zullen we voor elk scenario twee versies maken: een referentie scenario (of ‘business-asusual’) waar er geen energiebeheer aanwezig is, d.w.z. de verschuifbare lasten krijgen een vast tijdstip toegekend waarop ze moeten starten. Een tweede scenario is het marktalgoritme scenario waar het marktalgoritme zorgt voor het energiebeheer in de buurt. Het resultaat van een simulatie bevat heel veel gegevens en dit is niet praktisch om de performantie van het marktalgoritme te meten. We hebben nood aan enkele metrieken, die ons een maatstaf geven om te weten hoeveel verbetering, of verslechtering er optreedt als we het marktalgoritme scenario vergelijken met het referentie scenario. Hieronder volgt nu een bespreking van de metrieken die we gebruiken in ons onderzoek. Hierbij gebruiken we de volgende interpretatie: negatieve waarden stellen productie voor, en positieve waarden stellen de consumptie voor. Metriek 1 (Geleverde energie generator P (kWh)) We sommeren de belasting op de generator, waarbij we enkel de negatieve waarden in rekening brengen (negatief stelt productie voor, positief consumptie). Een positieve belasting op de generator bestaat niet, maar is een interpretatie die wij geven aan elektriciteit uitsturen op het extern net bij overproductie. Hoe lager deze metriek, hoe minder energie we moeten toevoeren aan het systeem en dat is voordeliger, want we benutten de lokale productie. P | belasting (<0) per slot in kW| 4 slots per uur
= geleverde energie generator (kWh)
Metriek 2 (Verbetering van de geleverde energie generator P & (%)) Vergelijken we metriek 1 in het referentie scenario met het marktalgoritme scenario, hoeveel procentuele verbetering krijgen we dan? M etriek1markt −M etriek1ref M etriek1markt
Metriek 3 (Totaal verspilde energie generator (kWh)) We sommeren over de positieve waarden van de generator, namelijk de elektriciteit die uitgestuurd wordt op het extern net bij overproductie. P
belasting (>0) per slot in kW 4 slots per uur
= totaal verspilde energie generator (kWh)
5.2 Simulaties en metrieken
62
Metriek 4 (Verbetering van verspilling energie generator (%)) Vergelijken we metriek 3 in het referentie scenario met het marktalgoritme scenario, hoeveel procentuele verbetering krijgen we dan? M etriek3markt −M etriek3ref M etriek3markt
Metriek 5 (Nuttig gebruikte hernieuwbare energie (kWh)) Met deze metriek willen we onderzoeken hoeveel van de hernieuwbare energieproductie er lokaal gebruikt wordt. Aan de hand van de verspilde energie, berekend in metriek 3 kunnen we dit als volgt berekenen: |hernieuwbare productie|−verspilling |hernieuwbare productie|
= nuttige gebruikte hernieuwbare energie (kWh)
Metriek 6 (Verbetering nuttig gebruikte hernieuwbare energie (%)) Vergelijken we metriek 5 in het referentie scenario met het marktalgoritme scenario, hoeveel procentuele verbetering krijgen we dan? M etriek5markt −M etriek5ref M etriek5markt
Metriek 7 (Piekbelasting op de generator Pmax (kW)) Als we de belasting van de generator bekijken, wat is dan de piek in de productie? Dit is de minimale waarde die de belasting van de generator aanneemt, want de negatieve waarden stellen de productie voor. |min(belasting generator)| = Pmax (kW) Metriek 8 (Verbetering piekbelasting op de generator Pmax & (%)) Vergelijken we metriek 7 in het referentie scenario met het marktalgoritme scenario, hoeveel procentuele verbetering krijgen we dan? M etriek7markt −M etriek7ref M etriek7markt
Metriek 9 (Verbetering standaardafwijking belasting op de generator σ(P ) & (%)) We beschouwen de standaardafwijking op de belasting van de generator (σ(P )). Dit geeft een indicatie hoe vlak de belastingscurve is, en is van belang voor de elektriciteitsleveranciers. Het is effici¨enter om een vlakke belasting te hebben op de generator: dit vereist minder kosten voor de elektriciteitsleveranciers en levert een stabielere frequentie op de generator. σ(belasting generator)markt −σ(belasting generator)ref σ(belasting generator)markt
Metriek 10 (Communicatiemetriek (# berichten)) Aantal communicatieberichten verzonden en ontvangen in het markt center.
De doelstelling is om de schaalbaarheid van het markt center te
onderzoeken. We willen nagaan of het algoritme nog goed functioneert als het aantal huizen verhoogt, en dus ook het aantal berichten die binnenkomen in het markt center. ingaande berichten + uitgaande berichten = totaal aantal berichten in markt center
5.3 Toestellen
5.3 5.3.1
63
Toestellen Basislasten in huis
Het elektriciteitsverbruik binnenshuis wordt gekarakteriseerd door een aantal kleine lasten zoals verlichting, frigo’s, en kleine elektronica met sluimerverbruik. Deze toestellen zullen wij voorstellen als zogenaamde basislasten in een huis. We vinden twee soorten gegevens over zo’n basislasten: het Synthetisch Last Profiel (SLP) van de VREG en echte gemeten gegevens van Vlaamse Instelling voor Technologisch Onderzoek (VITO). Dit bespreken we nu in de volgende subsecties. SLP SLP staat voor ‘synthetisch lastprofiel’ [67]. Het SLP is een curve of cijfertabel die per kwartier of per uur van een volledig jaar het relatieve verbruik weergeeft voor een bepaald type van elektriciteitsverbruiker. Omdat de meeste elektriciteitsklanten niet continu gemeten worden, zijn SLPs nodig om in te schatten hoeveel energie een klant in een bepaalde periode verbruikt. Zo kan het opgemeten jaarverbruik verspreid worden over de betreffende periode. Voor onze simulatie gebruiken we de SLP profielen van 2010 [68] voor een bepaalde dag, 2 december 2010 en het S21 verbruiksprofiel. Deze dag werd gekozen omdat dit een typische winterdag is waar het verbruik een interessant verloop heeft: er zijn pieken in de curve rond de middag en ’s avonds. Het S21 verbruiksprofiel [67] komt overeen met een huishoudelijke verbruiker met een nacht-dagverhouding < 1,3 en wordt ook toegekend aan alle mensen met een enkelvoudige meter. In figuur 5.3 is de gebruikte SLP weergegeven.
Figuur 5.3: Basis synthetisch lastprofiel gebruikt in de simulatie (02/12/2010 S21 profiel).
5.3 Toestellen
64
We zien dat het SLP een vrij uitgemiddeld verloop vertoont. Om onze simulatie realistisch te maken, hebben we niet elk huis dezelfde basislast gegeven. We bouwden 4 variaties op het SLP profiel, door voor elke waarde x op de curve willekeurig een factor ±(0, 5% · x) op te tellen (het teken werd ook willekeurig bepaald). E´en zo’n variatieprofiel is weergegeven in figuur 5.4.
Figuur 5.4: Het SLP met een afgeleid profiel waarin lichte variatie is ingebouwd op het SLP profiel (variatie van grootorde 10−6 boven of onder het basisprofiel). Echte huisdata van VITO Naast het SLP bestaan ook echte meetdata van toestellen in huis. We hebben dankzij VITO metingen uit vijf verschillende huizen kunnen gebruiken. Deze data zijn veel realistischer, en vertonen een grilliger (minder uitgemiddeld) verloop. Op figuur 5.5 is het profiel van e´ e´ n huis te zien.
Figuur 5.5: De basislast op basis van metingen uit woningen door VITO, 1 van de 5 profielen gebruikt in dit onderzoek.
5.3 Toestellen
5.3.2
65
Lastverschuivende toestellen in huis
Naast basislasten in huis bestaan er ook zware lasten, dit zijn toestellen die een hoog vermogen vragen of over een lange tijd werken. Deze toestellen stellen wij voor in onze simulatie door een lastverschuivend toestel. In onze simulatie gebruiken we vijf soorten toestellen met een verschuifbare last. Dit houdt in dat we de werking kunnen uitstellen tot een gunstig tijdstip. De toestellen zijn weergegeven in tabel 5.1, met hun overeenkomstig vermogen en duurtijd zoals toegelicht in sectie 2.1.5. Om de simulatie realistisch te houden, hebben we een bepaald tijdsinterval per toestel gedefinieerd waarin het toestel mag starten met werken. Dit is weergegeven in tabel 5.2. De implementatie van zo’n lastverschuivend toestel is toegelicht in sectie 4.3.3. Toestel
Vermogen
Duurtijd
Droogkast
4 kW
100min
Wasmachine
2,5 kW
50min
Waterboiler
3 kW
70min
Vaatwas
2,5 kW
140min
PHEV
4 kW
240min
Tabel 5.1: Verschuifbare lasten die gebruikt worden. Het vermogen en de duurtijd van elk toestel wordt weergegeven [36, 37, 35, 38]. De toestellen stellen nieuwe apparaten van bouwjaar 2010 voor, en de PHEV is een Chevrolet Volt zoals toegelicht in [38].
Toestel
Start REF
Start MARKT
Verklaring
Droogkast
22u
[0u-16u]
Klaar als je thuis komt
Wasmachine
21u
[0u-17u30]
Klaar als je thuis komt
Waterboiler
7u
[0u-7u10]
Klaar voor een douche ’s ochtends
Vaatwas
19u
[0u-7u] en [20u-24u]
Vullen na het avondmaal
PHEV
18u
[0u-8u] en [18u-24u]
Werkschema 9 to 5, opladen thuis
Tabel 5.2: Verschuifbare lasten die gebruikt worden. De starttijden in het referentie scenario en het marktalgoritme scenario worden weergegeven. In de scenario’s waar het marktalgoritme werkt is er een bepaald tijdsinterval waarin het toestel mag aanschakelen. We vermelden de verklaring voor de respectievelijke tijdsintervallen.
5.3.3
Opslagelementen voor de opslag van energie
In bepaalde simulaties gebruiken we een opslagelement in de omgeving. Dit stelt een batterij voor waarin er tijdelijk elektriciteit kan opgeslagen worden. We beschouwen een batterij met capaciteit
5.4 Configuratie van de scenario’s
66
van 16kW h, die kan opladen of ontladen aan 4.6kW . In de literatuur vinden we studies van speciale natrium-zwavel (N aS) batterijen ontwikkeld door Tokyo Electric Power Company (TEPCO) met een capaciteit van 2M W [69], gebruikt voor de vermindering van de piekbelasting of balancering van de totale belasting. We kiezen voor een opslagcapaciteit van 16kW h, want dit stemt overeen met een typische batterij in een elektrisch voertuig [38], en voor onze scenario’s met 30 huizen is dit een realistische hoeveelheid opslag.
5.4
Configuratie van de scenario’s
Het evalueren van ons algoritme zal gebeuren op verschillende scenario’s in het volgend hoofdstuk. De simulaties kennen verschillende parameters, enerzijds van de simulatieomgeving (zoals de duur van de simulatie), maar anderzijds ook parameters van ons algoritme. In deze sectie bespreken we welke parameters er in elk scenario terugkeren. Simulatieparameters: • simulatietijd = 1440 min (24 uur) • simulatieschaal = 15min • agenten sturen berichten om de 15min • er is een marktveiling om de 16min (15min + 1 min als buffer) • er worden berichten van agenten geaggregeerd per huis Parameters voor verschuifbare lasten: • lineaire biedingscurve • prijsdrempel = 30% van maximumprijs en de drempel is dynamisch, d.w.z. hij kan door een strategie verhoogd/verlaagd worden at run-time. • step size = 3 (bepaald uit experimenten, dit verhindert een grillige lastenverschuiving) • probabiliteitsdrempel = 0.2 (uit parameteroptimalisatie) • groene logica drempel = 0.5 (zie sectie 7.4) • geschiedenis strategie = gemiddelde (zie sectie 7.2)
SCENARIO’S EN RESULTATEN
67
Hoofdstuk 6
Scenario’s en resultaten In dit hoofdstuk bespreken we vier scenario’s en de bijhorende experimenten. Voor elk scenario geven we een korte introductie, een business case waarin we toelichten wat het doel is van het scenario en leggen we de link met de realiteit. We bespreken ook de wiskundige modellering die gebruikt wordt in het scenario, de experimentele opstelling en we tonen en verklaren de resultaten van het scenario. We beginnen met een scenario met enkel windenergie als hernieuwbare energiebron in de omgeving. Daarna bestuderen we het scenario van enkel zonne-energie als hernieuwbare energiebron. Vervolgens bekijken we het geval waarin er windenergie beschikbaar is in combinatie met opslagmogelijkheden voor energie. Ten slotte bespreken we een scenario met zowel windenergie, zonne-energie, als opslag van energie in het slim energienetwerk.
6.1 6.1.1
Windenergie scenario Introductie
Wereldwijd wordt het theoretisch potentieel voor windenergie op land geschat op 6 maal het wereldelektriciteitsgebruik van 96P W h/jaar (gebaseerd op windturbinetechniek en elektriciteitsverbruik van 2001) [70].
Windenergie biedt allerhande voordelen [71] zoals vermindering van het
gebruik van fossiele brandstoffen, duurzaamheid, en de mogelijkheid om lokaal energie op te wekken. Daarnaast zijn er talloze nadelen [71] zoals o.a. de hoge kosten, zeer fluctuerende productie (de windsnelheid is moeilijk in te schatten), en allerhande plaatsingsproblemen (geluidsoverlast, slagschaduw, hinder voor vogels en vleermuizen, . . . ). Windenergie wint aan populariteit en dat is te zien in de actualiteit.
6.1 Windenergie scenario
68
Vlaams minister van Energie Freya Van den Bossche (SP.A) pleit ervoor om tegen 2020 ruim 300 windmolens bij te bouwen in Vlaanderen. Ze wil daarvoor de procedures vereenvoudigen en versnellen. Volgens de minister bestaat er in Vlaanderen een groot draagvlak voor windenergie. [72]
De Europese Unie en ook Vlaanderen hebben zich ge¨engageerd om in 2020 respectievelijk 20% en 13% hernieuwbare energie te realiseren. Hiervan is het potentieel aandeel van groenestroom uit windenergie 27% voor Vlaanderen tegen 2020. [73]
Electrawinds organiseert offici¨ele opening van het windturbinepark met 7 windturbines in Maldegem op 8 april 2011. Het gaat om een investering van 23 miljoen euro die jaarlijks voor een groenestroomproductie zorgt van 35 miljoen kW h. Dat komt overeen met het elektrisch jaarverbruik van 10.000 gezinnen. In vergelijking met de klassieke (fossiele) energieproductie zal het windpark in Maldegem de uitstoot van CO2 jaarlijks verminderen met 22.750 ton. [74]
Wanneer een elektrische auto volledig zou worden gevoed door windenergie, zou men per jaar ongeveer 2 ton CO2 besparen. [75]
6.1.2
Business case
De integratie van windturbines in het elektriciteitsnet brengt enkele moeilijkheden met zich mee [76]. Mede dankzij het fluctuerende karakter van de windproductie, is er steeds nood aan conventionele energiecentrales (bv. gascentrales of kerncentrales). Daarnaast kan het voorkomen dat de windsnelheid te hoog of te laag wordt voor de windturbine. In dat geval valt de windproductie abrupt stil en kan er een snelstartende gasturbine ingezet worden om de daling op te vangen. In deze case zullen we illustreren wat het marktalgoritme (zoals uitgelegd in hoofdstuk 4.3.2) kan bereiken door toestellen slim aan te schakelen op basis van een realtime strategie die de marktevenwichtsprijs en het percentage groene energie in rekening brengt. Als resultaat wensen we minder extern toegevoerde energie van de generator, een verhoging van de gebruikte windenergie (anders zou die op het net gestuurd worden) en een piekbelasting die gelijk blijft of een daling vertoont. We meten hiervoor de invloed op een externe generator (bv. een snelstartende gasturbine), de hoeveelheid nuttig gebruikte windenergie, alsook de invloed op de piekbelasting van de generator.
6.1 Windenergie scenario
6.1.3
69
Wiskundig model voor een windturbine
Een windturbine zet kinetische energie van lucht (d.i. wind) om in elektriciteit. In deze studie zullen we een model nodig hebben om de productie van een windturbine na te bootsen. Het model bevat twee invoercomponenten: de windsnelheid op elk gesimuleerd tijdstip, en een vermogenscurve van een echte windturbine. Hierdoor is het belangrijk de karakteristieken van een windturbine te bestuderen. Een windturbine heeft de volgende belangrijkste karakteristieken: • cut-in windsnelheid vcut in : de minimale windsnelheid die nodig is voor energieproductie door de windturbine • cut-out windsnelheid vcut out : als de windsnelheid deze limiet overschrijdt, zal een veiligheidssysteem de turbine afremmen en valt de productie stil • maximaal vermogen Pmax vermogen : het maximale vermogen van de windturbine • windsnelheid waar maximaal vermogen start vmax vermogen Een vermogenscurve van een windturbine geeft het vermogen weer bij een opgegeven windsnelheid (voor een standaardwaarde van de dichtheid van de lucht) [77]. Een vermogenscurve van een 1.5MW windturbine met cut-out snelheid van 25m/s is weergegeven in figuur 6.1. We illustreren de hierboven vermeldde karakteristieken op deze figuur. Als de windsnelheid lager is dan vcut in is het vermogen P = 0. Is de windsnelheid tussen vcut in en vmax vermogen , dan stijgt het vermogen van de windturbine volgens een rampfunctie tot Pmax vermogen . Tussen vmax vermogen en vcut out is het vermogen nu constant gelijk aan Pmax vermogen . Ten slotte zien we dat zodra de windsnelheid hoger is dan vcut out , de windturbine uit veiligheid wordt afgeremd en het geleverd vermogen terugvalt op nul, P = 0.
Figuur 6.1: Een productiecurve voor een 1.5MW windturbine [78].
6.1 Windenergie scenario
70
In onze simulatie maken we gebruik van een Gamesa G52-850kW windturbine [79] met karakteristieken Pmax vermogen = 850kW , vcut in = 4m/s, vcut out = 25m/s, vmax vermogen = 14m/s. We kiezen voor deze windturbine omwille van drie redenen: ten eerste is het een windturbine gemaakt voor optimale performantie in omgevingen met middelmatige wind, wat geschikt zou zijn voor Vlaanderen. Ten tweede zijn er wereldwijd reeds 7700 windturbines van dit model ge¨ınstalleerd, het is dus realistisch om dit als voorbeeld te nemen. Ten slotte is er uitgebreide documentatie te vinden van de producent Gamesa [80]. Het wiskundig model voor deze windturbine halen we uit de literatuur [42, 77] en is hieronder weergegeven. We merken op dat het maximaal vermogen van 850kW voor bepaalde scenario’s niet geschikt zal zijn, omdat we geen grote overproductie wensen en we per scenario het aantal huishoudens defini¨eren. Daarom bouwen wij bijkomstig de mogelijkheid in om het maximaal vermogen te herschalen om optimaal te passen bij het beschreven scenario. Zo kunnen we een windturbine van bv. 100kW simuleren. De vermogenscurve van de windturbine kan gemodelleerd worden door een stuksgewijze derdegraads polynomiale functie, zoals weergegeven op figuur 6.2 en vergelijking 6.1. Het is aangetoond dat de functie de werkelijke productiecurve van de G52 windturbine benadert met een goodness of fit R2 = 0.9985. De goodness of fit of determinatieco¨effici¨ent is een statistische metriek die weergeeft hoe goed een regressiecurve echte datapunten benadert [81]. Een waarde R2 = 1 betekent dat de regressiecurve perfect past op de datapunten. We kunnen besluiten dat het wiskundig model voldoende accuraat is. Het wiskundig model ziet er als volgt uit: P =0 P = av 3 + bv 2 + cv + d P = Pmax vermogen P = 0
v < vcut in vcut in < v < vmax vermogen
(6.1)
vmax power < v < vcut out v > vcut out
Waar de specifieke parameters a, b, c, d voor deze windturbine de volgende waarden aannemen: a = −1.4478 b = 38.747 c= d =
−224.33 381.39
(6.2)
6.1 Windenergie scenario
71
Figuur 6.2: Het voorgestelde model voor de Gamesa G52-850kW windturbine [42].
Om ons model te vervolledigen, hebben we gegevens nodig over de windsnelheid. Hiervoor gebruiken we de website [82]. Daar vinden we voor bepaalde locaties in Belgi¨e de gemeten windsnelheid in m/s om het uur. We kiezen hieruit twee windprofielen: een winderige dag in Oostende (query: 26/12/2010, Oostende (airport), Wind), en een dag met minder wind in Oostende (query: 02/12/2010, Oostende (airport), Wind). Dit werd zo gekozen om twee scenario’s te kunnen defini¨eren waarin we de invloed van de invoercomponent windsnelheid bestuderen op de performantie van het marktalgoritme. Aangezien onze simulatie loopt in stappen van 15 minuten, en de gegevens slechts per uur beschikbaar zijn, gebruiken we lineaire interpolatie om de windsnelheid per 15 minuten te verkrijgen. Hieronder geven we de twee profielen weer.
(a) Evolutie van de windsnelheid op een winderige dag, (b) Evolutie van de windsnelheid op een dag met minder 26/12/2010 te Oostende luchthaven.
wind, 02/12/2010 te Oostende luchthaven.
Figuur 6.3: Evolutie van de windsnelheid gedurende 24 uur, op een winderige dag en op een dag met minder wind.
6.1 Windenergie scenario
6.1.4
72
Experimentele opstelling
In het windenergie scenario gaan we onderzoeken hoe goed het algoritme lastenverschuivingen kan uitvoeren (op consumerende toestellen met een verschuifbare last) in een omgeving met als enige productiebronnen een windturbine en een generator. We proberen dus de lasten te verschuiven om overeen te komen met de flucterende productie van de windturbine en op deze manier de hernieuwbare energie uit de windturbine zo veel mogelijk te benutten. Opbouw slim energienetwerk • 30 huizen verbonden op een busverbinding in een slim energienetwerk. Elk huis bevat de volgende consumerende toestellen: – Een vast profiel dat het basisverbruik voorstelt; dit is voorgesteld door een SLP of gegevens uit echte metingen door VITO, zie sectie 5.3.1 voor meer informatie – 4 toestellen met een verschuifbare energievraag, zoals toegelicht in sectie 5.3, tabel 5.1. Dit betreft een droogkast (4 kW voor 100min), een wasmachine (2,5 kW voor 50min), een waterboiler (3 kW voor 70min), een vaatwas (2,5 kW voor 140min) en in 30% van de huizen is er ook een elektrisch voertuig (PHEV) Chevrolet Volt (4 kW voor 240min). De 30% PHEV uitrolling is in overeenstemming met [38]. De starttijden in het referentie scenario liggen vast, terwijl er in het marktalgoritme scenario een tijdsinterval bepaald is waarin het toestel mag aanschakelen (zie tabel 5.2). • Er zijn geen producerende toestellen in huis in dit scenario • 1 windturbine van type Gamesa G52, met Pmax vermogen = 200kW . Dit is zo gekozen om in theorie aan 80% van de piekvraag te kunnen voldoen (200 kW van de totale 250 kW piekvraag), met in het achterhoofd een buurt van de toekomst die grotendeels autonoom energie zou kunnen leveren. In de praktijk is het maximaal vermogen van de windturbine echter nauwelijks beschikbaar door fluctuaties in de windsnelheid. • 1 generator die externe energie kan toeleveren als er onvoldoende windproductie is • 1 co¨ordinator in de omgeving die het marktalgoritme uitvoert, zoals uitgelegd in sectie 4.3.2 De productiebronnen en hun verhoudingen in het totaal vermogen van het systeem zijn hieronder weergegeven. Dit verschilt van de resulterende productmix, die we pas zien na het experiment, maar het geeft een indicatie van de verhoudingen van productiebronnen in de experimentele opstelling.
6.1 Windenergie scenario
73
Energiebron
Vermogen (kW)
% aandeel in totaal vermogen
Windturbine
200
44%
Generator
250
56%
Tabel 6.1: De De samenstelling van de energiebronnen voor het windenergie scenario. Grafische weergave van de topologie in de simulator In figuur 6.4 wordt de topologie van het slim energienetwerk in dit scenario grafisch weergegeven. Het marktalgoritme draait in de co¨ordinator markt center zoals uitgelegd in sectie 4.3.2. Het ICT netwerk is weergegeven met volle lijnen, en verbindt de co¨ordinator met een router, die op zijn beurt verbonden is met 30 huishoudens, de windturbine en de generator. Het elektriciteitsnetwerk is weergegeven met stippellijnen en verbindt de 30 huizen via een busverbinding. De windturbine is gekoppeld aan het elektriciteitsnetwerk via een sterverbinding die de generator en de busverbinding verbindt. De generator is via een extra transformator verbonden op deze sterverbinding, zodanig dat we metingen kunnen doen op het elektriciteitsverbruik van de generator (en de piekbelasting onderzoeken). De componenten links in de figuur zijn deel van de simulatieomgeving en stellen geen componenten voor van het slim energienetwerk. De configuratiemodule laat toe parameters over alle modules heen te defini¨eren, en de power simulator laat toe het elektriciteitsnetwerk te simuleren.
Figuur 6.4: De topologie van het wind scenario in de smart grid simulator. Volle lijnen geven het ICT netwerk weer, en stippellijnen geven het elektriciteitsnetwerk weer. De drie modules links behoren niet tot het slim energienetwerk, maar tot de simulatieomgeving.
6.1 Windenergie scenario
6.1.5
74
Resultaten
Geval veel wind Hieronder tonen we de resultaten als we het windenergie scenario simuleren op een winderige dag (de windsnelheid uit figuur 6.3(a)). De resultaten zijn weergegeven in tabel 6.2 en tabel 6.3. We maken steeds een vergelijking tussen de resultaten met marktalgoritme en zonder marktalgoritme (‘businessas-usual’ of referentie scenario). We maken gebruik van de metrieken besproken in 5.2. In tabel 6.2 tonen we de geleverde energie op de generator (P ), de verbetering van de geleverde energie op de generator (in %) in het marktalgoritme scenario tegenover het referentie scenario, de piekbelasting (Pmax ) op de generator, de daling van de piekbelasting op de generator als we het marktalgoritme gebruiken en de daling van de standaardafwijking (σ(P )) op de productiecurve van de generator. In tabel 6.3 tonen we afgeleide metrieken, dit is de daling van de verspilde energie op de generator en de stijging van nuttig gebruikte hernieuwbare energie dankzij het marktalgoritme. De resultaten zijn verkregen uit het gemiddelde van 100 simulaties. We tonen ook het resultaat van een typische simulatie met VITO basislasten (meest realistisch, want bestaat uit echte metingen) in de figuren 6.5(a), 6.5(b). In die figuren geven we weer wat de totale consumptie, de totale productie en de belasting op de generator is voor de gesimuleerde dag. De eerste figuur geeft weer wat er gebeurt in het referentie scenario, en de tweede figuur toont de simulatie als het marktalgoritme actief is. Daarnaast geven we in figuur 6.6(b) weer wat het verschil in generatorprofiel is voor het referentie scenario en het marktalgoritme scenario. P (kWh)
P &
Pmax (kW)
Pmax &
σ(P ) &
SLP
766,33
-
240,95
-
-
VITO
767,35
-
237,04
-
-
SLP
426,86
44,30%
130,84
45,70%
27,64%
VITO
514,79
32,91%
117,11
50,59%
18,81%
Business-as-usual
Marktalgoritme
Tabel 6.2: Resultaten voor het wind scenario met veel wind (gemiddelde waarden van 100 simulaties), metrieken op de generator. Verspilling energie generator &
Nuttig gebruikte hernieuwbare energie %
SLP
20,83% (217 kWh)
51,99% (29% → 44%)
VITO
14,53% (161 kWh)
47,48% (23% → 35%)
Marktalgoritme
Tabel 6.3: Resultaten voor het wind scenario met veel wind (gemiddelde waarden van 100 simulaties), afgeleide metrieken.
6.1 Windenergie scenario
75
We zullen nu de resultaten verklaren voor het geval dat we VITO basislasten gebruiken, omdat dit het meest realistisch scenario is (gebaseerd op echte real-life metingen, terwijl SLP basislasten bestaan uit gemiddelde verbruiksgegevens). De resultaten van een simulatie met SLP basislasten is weergegeven in appendix B.1.1. We starten met het verklaren van de 32% daling in geleverde energie op de generator (P &). Het generatorprofiel is te zien op figuren 6.5(a) en 6.5(b) als de volle donkere lijn. In figuur 6.6(b) is een vergelijking tussen het generatorprofiel in het referentie scenario en het marktalgoritme scenario weergegeven. De geleverde energie op de generator is de som van alle waarden die onder nul gaan (want negatieve waarden stellen productie voor). Het valt onmiddellijk op dat de curve tussen 18:00 en 24:00 voor het marktalgoritme scenario in figuur 6.5(b) hogere waarden bevat dan het referentie scenario in figuur 6.5(a), wat minder geleverde energie betekent in dat tijdslot. We kunnen dit verklaren door te kijken naar de totale consumptie, de lichte stippellijn in de twee figuren. In het referentie scenario in figuur 6.5(a) wordt er veel geconsumeerd tussen 18:00 en 24:00. Dit zijn de 4 toestellen met een verschuifbare energievraag uit 5.2 die in het referentie scenario een vaste starttijd hebben gekregen. De elektrische wagen (in 30% van de huizen) start met opladen om 18u, de vaatwas start om 19u, de wasmachine start om 21u en de droogkast start om 22u. Daarnaast is er ook een waterboiler die om 7u start in het referentie scenario, daardoor zijn er een groot aantal toestellen aangeschakeld op dat tijdstip. Dit resulteert in een piek in de vraag naar energie.
(a) Referentie scenario
(b) Marktalgoritme scenario
Figuur 6.5: Het resultaat van een typische simulatie voor het windenergie scenario, in het geval er veel wind is en er VITO basislasten in huis zijn. Kijken we vervolgens naar de consumptie in marktalgoritme geval, dan zien we een wijziging in het consumptieprofiel, want hier hebben de toestellen geen vaste starttijd meer, maar enkel een deadline, waardoor het algoritme het gebruik in de tijd kan verschuiven. Het marktalgoritme verschuift de lasten op basis van de virtuele marktprijs en de deadlines, met als doel de toestellen aan te schakelen als de virtuele marktprijs ‘goedkoop’ is (onder de helft van de gemiddele marktprijs tot nu toe) en
6.1 Windenergie scenario
76
er minstens 50% hernieuwbare energie in de realtime productmix is, wat hier het geval is als er windenergie beschikbaar is. De evolutie van de marktprijs is te zien in figuur 6.6(a). Concreet kunnen we afleiden dat de waterboiler tussen 5:00 en 7:00 werkt i.p.v. 7:00-8:30, de droogkast en de wasmachine tussen 10:30 en 13:30 werken i.p.v. 21:00-22:30 en 22:00-22:50 respectievelijk, de vaatwas tussen 21:30 en 24:00 i.p.v. 19:00-21:30, en het elektrisch voertuig tussen 19:00 en 24:00 i.p.v. 18:0022:00. De toestellen worden dan aangeschakeld omdat op die ogenblikken de marktprijs onder de drempel van 50% van de gemiddelde marktprijs tot dan toe valt, en er minstens 50% hernieuwbare energie in de productmix is. We zien twee pieken in het consumptieprofiel om 10:30 en 11:30, wat zich vertaalt in twee pieken in het generatorprofiel omdat er niet genoeg windenergie is om te voldoen aan de totale consumptie op dat ogenblik. Deze pieken stellen de consumptie van de droogkasten en de wasmachines voor. Om 10:30 is er weinig consumptie en veel windenergie (50 kW) beschikbaar. Hierdoor is de marktevenwichtsprijs 2, wat een lage waarde is en onder de prijsdrempel valt van de wasmachines en droogkasten. Deze toestellen zullen nu aanschakelen voor minimaal de volgende drie slots, maar niet allemaal tezelfdertijd want we hebben een probabiliteitselement ingevoerd die gelijke soorten toestellen probeert te spreiden in de tijd. Dit werd zo gekozen om een gigantische piek in de consumptie te vermijden die zou ontstaan als alle wasmachines uit elk huishouden tezelfdertijd zouden draaien. Doordat enkele wasmachines en droogkasten aan het draaien zijn tussen 10:30 en 11:00 zal de marktevenwichtsprijs stijgen. Dit verklaart waarom we om 11:15 een daling van de consumptie zien, de marktevenwichtsprijs is te hoog voor de prijsdrempels van de toestellen, dus stoppen de toestellen met hun uitvoering. Om 11:30 is de marktevenwichtsprijs weer gezakt, door de geringe consumptie en opnieuw veel windenergie, waardoor de wasmachines en droogkasten aanslaan. We merken op dat onze verschuivende techniek steeds handelt op de realtime vraag en aanbod van energie, en de lastverschuivende agent zal controleren of de marktevenwichtsprijs onder een bepaalde dynamisch vari¨erende drempel valt. Op de grafiek zien we dat een verschuiving tussen 14:00 en 16:00 de beschikbare windenergie nuttiger zou gebruiken. Aangezien ons algoritme geen voorspellingen gebruikt om de toekomstige windenergie in te schatten en het enkel realtime vraag en aanbod in rekening brengt, kiest het om reeds de consumptie vroeger te verschuiven rond 10:30. We zien wel soms schommelingen in de consumptie- en generatorcurve in het marktalgoritme scenario. Dit kan verklaard worden door de strategie in een lastverschuivende agent, die zegt dat een toestel minstens 3 tijdsslots na elkaar moet werken ongeacht de prijs. Daarna wordt opnieuw ge¨evalueerd of de prijs voldoet aan de drempelwaarden (de helft van de gemiddelde marktprijs tot nu toe), indien de prijs niet voldoet dan wordt het toestel stopgezet. Dit verklaart de pieken in het consumptieprofiel. De waterboiler wordt verschoven tussen 5:00 en 7:00 omdat de deadline nadert voor het toestel.
Niet alle waterboilers schakelen op hetzelfde ogenblik aan door het probabiliteitselement,
dit verklaart de spreiding tussen 5:00 en 7:00.
Het is eigenaardig dat het marktalgoritme de
waterboilers niet verschuift tussen 0:00 en 1:00, want er is dan een grote piek aan windenergie en de
6.1 Windenergie scenario
77
marktevenwichtsprijs is bijgevolg zeer laag. We vermoeden dat dit te wijten is aan de initialisatiefase van de simulatie, waardoor niet alle communicatiemechanismen (o.a. de registratie van agenten bij aggregators) correct zijn opgesteld. Dit zouden we kunnen nagaan door een simulatie van meerdere dagen uit te voeren. De andere types toestellen worden na 18:00 aangeschakeld, omdat dan pas hun deadline begint te naderen en hun drempelwaarden om aan te schakelen dus verhogen (de marktevenwichtsprijs schommelt rond 6).
(a) Marktevenwichtsprijs
Figuur 6.6:
(b) Verschil in generatorcurve
De evolutie van de marktsevenwichtsprijs in het marktalgoritme scenario en de
vergelijking tussen de generatorcurven in het referentie- en marktalgoritme scenario. De daling in piekbelasting van de generatorcurve kunnen we aflezen uit figuur 6.5(a) en 6.5(b). In het referentie scenario bedraagt de maximale waarde op de generatorcurve 237kW , in het marktalgoritme is dit slechts 117kW (in de grafiek is dit negatief weergegeven). Dit geeft een daling van 50, 59%. De daling in de standaardafwijking van de generatorcurve kunnen we grafisch interpreteren als een vlakkere curve (i.e. een curve met minder fluctuaties), met waarden die dichter rond de gemiddelde waarde schommelen. De afgeleide metrieken uit tabel 6.3 lichten we ten slotte nog kort toe. De verspilde energie op de generator is de geproduceerde hernieuwbare energie die niet in de omgeving kan benut worden en op een extern net uitgestuurd wordt. Grafisch is dit te zien op de generatorcurve voor alle waarden groter dan nul. Op figuur 6.6(b) zien we het verschil van de generatorcurve in het referentie scenario en het marktalgoritme scenario. We zien grafisch dat er in het marktalgoritme scenario (de stippellijn in figuur 6.6(b)) minder energie verspild wordt. Geval matige wind Hieronder tonen we de resultaten als we het windenergie scenario simuleren op een dag met matige wind (de windsnelheid uit figuur 6.3(b)). In dit onderdeel bespreken we vooral de verschillen met de resultaten hierboven.
6.1 Windenergie scenario
78
P (kWh)
P &
Pmax (kW)
Pmax &
σ(P ) &
SLP
953,67
-
246,96
-
-
VITO
944,27
-
243,05
-
-
SLP
940,57
1,37%
124,95
49,40%
19,48%
VITO
803,53
14,90%
121,58
49,98%
30,87%
Business-as-usual
Marktalgoritme
Tabel 6.4: Resultaten voor het wind scenario met weinig wind (gemiddelde waarden van 100 simulaties), metrieken op de generator. Marktalgoritme SLP VITO
Verspilling energie generator &
Nuttig gebruikte hernieuwbare energie %
3,55% (6 kWh)
2,67 % (57% → 59%)
23,76% (55 kWh)
34,52% (41% → 55%)
Tabel 6.5: Resultaten voor het wind scenario met weinig wind (gemiddelde waarden van 100 simulaties), afgeleide metrieken. We zien in de bovenstaande tabellen dat de resultaten verschillen met het geval van veel wind uit tabellen 6.2 en 6.3. Daarom bespreken we hier de verschilpunten. Observaties: 1. Pmatig wind > Pveel wind . De geleverde energie van de generator in het geval matige wind is hoger dan het geval veel wind. Dit komt omdat er minder windproductie is, waardoor de generator meer energie moet toeleveren in het netwerk. Het verschil in generatorprofiel tussen laag wind en hoog wind voor VITO basislasten is te zien in figuur 6.9. 2. De nuttig gebruikte energie in het referentie scenario bij matige wind is hoger dan het equivalent bij veel wind (bv. voor VITO: 41% vs. 23%). De windproductie is immers lager in het geval van matige wind, waardoor er minder overproductie optreedt. 3. Zowel bij matige wind als veel wind is er een sterke piekreductie van 50% op de generator, alsook een daling in standaardafwijking. Dit is dankzij onze lastenverschuivende techniek op basis van de marktevenwichtsprijs. 4. Bij matig wind is het verschil tussen de resultaten bij SLP en VITO basislasten groter dan bij veel wind. Dit verklaren we nader hieronder. 5. De daling in geleverde energie op de generator (P &) is lager bij het geval matige wind tegenover het geval veel wind. We kunnen dit toewijzen aan het verschil in profiel van de windproductie. Bij matige wind zien we een vlak profiel, bij veel wind is er meer fluctuatie in het productieprofiel.
6.1 Windenergie scenario
79
Als er meer fluctuatie is, kunnen we effici¨enter onze lastenverschuivingen uitvoeren, wat leidt tot grotere dalingen in geleverde energie op de generator.
(a) Referentie scenario
(b) Marktalgoritme scenario
Figuur 6.7: Het resultaat van een typische simulatie voor het windenergie scenario, in het geval er matige wind is en er VITO basislasten in huis zijn. Aanschakelen toestellen Wind
Droogkast
Wasmachine
Waterboiler
Vaatwas
PHEV
Veel
10:30-13:00
10:30-14:00
5:00-7:00
21:15-24:00
19:00-24:00
Matig
12:30-16:00
16:15-17:30
5:45-8:00
21:15-24:00
19:00-24:00
Tabel 6.6: Het verschil in aanschakeling van de verschuifbare lasten bij matige wind en bij hoge wind. Verklaringen: 1. Vergelijken we de tijden van uitvoering van de verschuifbare lasten in tabel 6.6, dan valt op dat de toestellen later aanschakelen. Over het algemeen starten de toestellen dichter bij hun deadline, omdat de marktevenwichtsprijs in het geval matige wind gemiddeld hoger ligt (5,3 vs. 4,6) wegens minder windproductie en een gelijke hoeveelheid consumptie. Hierdoor hebben we nood aan de dynamische prijsdrempel, die de prijsdrempel exponentieel verhoogt naarmate de deadline nadert. 2. We zien een verschil in resultaten bij SLP tegenover VITO basislasten. Het resultaat van een simulatie met lage wind en SLP basislasten is te vinden in bijlage B.1.1. De SLP basislasten vertonen een uitgemiddeld profiel (zie figuur 5.3) met pieken om 6:00, 11:00 en 17:00-20:00. Hierdoor start de waterboiler pas om 7:00, na de piek in consumptie van basislasten (leidt tot een lagere marktevenwichtsprijs). De droogkast en wasmachine werken pas rond 14:0016:00 wegens dezelfde reden, het SLP basislastprofiel vertoont dan een vlak profiel, de marktevenwichtsprijs is gunstig om dan de verschuifbare toestellen te starten. Het profiel van een
6.1 Windenergie scenario
80
VITO basislast bevat meer fluctuaties met grote pieken, zoals te zien is in figuur 5.5. De VITO basislasten bevatten naast de grote pieken ook meer dals, i.e. tijden waar er weinig consumptie is. Dit laat effici¨ente verschuivingen toe van de extra lasten in deze dals, wat de betere resultaten van VITO basislasten verklaart tegenover SLP basislasten.
(a) Marktevenwichtsprijs
(b) Verschil in generatorcurve
Figuur 6.8: Het resultaat van een typische simulatie voor het windenergie scenario, in het geval er matige wind is en er VITO basislasten in huis zijn.
Figuur 6.9: Wind scenario laag wind vs. hoog wind (VITO). We kunnen concluderen dat desondanks de matige wind, het marktalgoritme nut heeft. Er is ten eerste de sterke reductie in piekbelasting (50%), wat gunstig is voor de elektriciteitsleverancier en de uitbater van het elektriciteitsnetwerk (zie sectie 3.1). Ten tweede is er een stijging van het nuttig gebruik van hernieuwbare energie, wat leidt tot minder elektriciteit die uitgezonden wordt op het MV-netwerk. Ten slotte is er een verbetering van de geleverde energie op de generator, afhankelijk van de hoeveelheid aanwezige wind (tussen 1% en 44%).
6.2 Zonne-energie scenario
6.2
81
Zonne-energie scenario
6.2.1
Introductie
In dit scenario zullen we zonne-energie invoeren in de vorm van zonnepanelen (ook PV-panelen genaamd) bij een huis. Zonne-energie kent een sterke opmars in Vlaanderen [9], mede dankzij de maatregelen van de overheid (belastingsvermindering en groenestroomcertificaten [83]). We geven twee citaten die het belang van zonne-energie in Vlaanderen aantonen.
Uit een studie van het Internationaal Energieagentschap blijkt dat het technisch potentieel voor zonne-energie in Vlaanderen 30 % van de stroombehoefte bedraagt. Dat is de bovengrens, ervan uitgaande dat we alle geschikte dakoppervlakte met zonnepanelen zouden bedekken.
Ook het
potentieel van windenergie is bijzonder groot, gesteld dat het stroomnet wordt gemoderniseerd om de wisselende aanvoer van energie op te vangen. Bij het netbeheer in een slim net kan je de wisselende productie op het wisselende verbruik afstemmen. We moeten nu beginnen met de modernisering van het net, iets dat behalve kosten ook veel baten zal meebrengen. [84]
Statistisch is er in het dicht bebouwde Vlaanderen een dakoppervlakte van 18m2 per inwoner geschikt voor zonnepanelen. Het gaat om platte industriedaken en goed ge¨orienteerde hellende daken. Daarnaast is er nog eens 6m2 geveloppervlakte per inwoner beschikbaar. Dat zijn de cijfers die een studie van het Internationaal Energieagentschap IEA berekent voor West-Europese landen, op basis van een detailstudie van enkele steden. Met die oppervlakte kunnen effici¨ente zonnepanelen ongeveer 30% van het totale stroomverbruik produceren. [85]
6.2.2
Business case
In Vlaanderen is het potentieel voor zonne-energie groot, tot 30% van de totale stroombehoefte [84]. De laatste jaren hebben veel gezinnen thuis een installatie met zonnepanelen geplaatst [9] dankzij de subsidies van de overheid [83]. Kenmerkend aan zonne-energie is dat de piek in de productie vooral rond de middag plaatsvindt, wanneer er veel zonlicht is. Idealiter zou de consumptie van de gezinnen op hetzelfde tijdstip een piek vertonen, waardoor de lokaal opgewekte zonne-energie nuttig gebruikt wordt. In ons huidig leefpatroon is dit niet het geval, want uit studies [36] is gebleken dat er vooral ’s ochtends en ’s avonds pieken in de huishoudelijk consumptie zijn. Doordat de lokale productie nauwelijks lokaal wordt geconsumeerd wordt de overproductie op het elektrisch netwerk gestuurd. Dit kan leiden tot grote spanningsfluctuaties in het net [16], wat niet gunstig is voor de distributiebeheerder. Een oplossing zou zijn om de gezinnen te sensibiliseren om hun toestellen, zoals een vaatwas, rond de middag aan te schakelen. Dit vergt echter veel inspanningen van de gebruiker
6.2 Zonne-energie scenario
82
en we denken dat een automatisch controlesysteem meer potentieel heeft om te slagen. Het doel van dit scenario is om aan te tonen dat ons marktalgoritme in staat is de piek in consumptie te verschuiven naar de piek in zonne-energieproductie. Dit levert een voordeel voor de gezinnen die hun toestellen niet hoeven aan te gaan schakelen volgens de hoeveelheid zonlicht op een bepaalde dag. Het levert eveneens een voordeel voor de distributiebeheerders omdat de overproductie uit zonneenergie wordt verminderd, waardoor er minder energie zal terugstromen in het netwerk. Concreet wensen we dus als resultaat van de simulatie een stijging van de nuttig gebruikte zonneenergie en een daling van de verspilde energie op de generator (= de hoeveelheid energie die uitgestuurd wordt op het MV-netwerk).
6.2.3
Wiskundig model voor een zonnepaneel
Tegenwoordig bestaat een PV-systeem [86] uit een rooster van fotovolata¨ısche cellen (dit levert gelijkstroom), gekoppeld aan een inverter (zet gelijkstroom om in wisselstroom) en dit is gekoppeld aan de meterkast in huis (achter de elektriciteitsmeter).
Deze componenten zijn schematisch
weergegeven in figuur 6.10. Voor gezinnen in West-Europa wordt anno 2011 typisch een installatie geplaatst (afhankelijk van de gebruikte technologie) bestaande uit 12 tot 24 modules met een oppervlakte van 12 - 40 m2 . Deze levert een typisch vermogen van 2 - 3 kWp [86].
Figuur 6.10: Schematisch overzicht van een typische PV-installatie bij consumenten [86, 87].
6.2 Zonne-energie scenario
83
Het wiskundig model voor de productie van een zonnepaneel vinden we in [88]. De output van een zonnepaneel PP V wordt als volgt berekend:
PP V = A · I · η,
(6.3)
waar A de totale oppervlakte van het PV-paneel is (in m2 ), I zonnestraling of irradiantie (in W/m2 ) en η de omzettingseffici¨entie van het PV-paneel is (in procent). De effici¨entie van het paneel bestaat voornamelijk uit drie factoren [88]: de PV-module effici¨entie, de temperatuurafhankelijkheid en de omzettingseffici¨entie van gelijkstroom naar wisselstroom (o.a. verliezen door bekabeling). Voor de eenvoud zullen we in deze studie veronderstellen dat de installatie 100% effici¨ent is, dus dat η = 1. De zonnestraling of irradiantie [89] is een term die gebruikt wordt om aan te geven hoeveel zonneenergie er valt op een oppervlak per tijdseenheid. De eenheid van irradiantie is dus W/m2 . Voor onze studie maken we gebruik van globale irradiantie [89]. Globale irradiantie op een plat vlak op aarde bestaat uit de som van drie componenten: directe irradiantie (straling die rechtsteeks invalt op het oppervlak), diffuse irradiantie (verspreide straling die de grond raakt) en gereflecteerde irradiantie. Eglobaal = Edirect + Edif f + Eref lectie . De inclinatie (de hellingsgraad) van de PV installatie heeft een invloed op de irradiantie. Voor onze studie nemen we een helling van 35◦ en een ori¨entatie gericht naar het zuiden. Gegevens over irradiantie zijn te vinden in de volgende bronnen: • Photovoltaic Geographical Information System (PVGIS) [90]: een interactieve dienst van de Europese Commissie die toelaat om maandelijkse en dagelijkse irradiantiegegevens te krijgen op basis van een locatie in Europa. Dit zijn gemiddelde gegevens komende van allerhande onderliggende databanken. • Solar radiation Data (SoDa) dienst [91]: deze dienst biedt gratis toegang tot irradiantiegegevens van de HelioClim [92] databanken (gegevens van 1985-2005). Het is mogelijk om gegevens per maand, week, dag, uur of minuut te krijgen. • PV logging in Vlaanderen [93]: toont in realtime de opbrengst van aangesloten PV-systemen in Vlaanderen.
We halen onze gemiddelde globale irradiantiegegevens van het PVGIS systeem in [90]. In deze databank kunnen we een locatie in Europa kiezen en een bepaalde maand. We krijgen dan de gemiddelde globale irradiantie per kwartier gedurende 1 dag (bevat het maandgemiddelde van bewolkte en klare dagen). We kiezen de maanden juni en december in Gent en Lissabon om het bestcase en worst-case scenario te hebben van zonne-energie productie in Europa. Enerzijds hebben we Portugal een warm land, in de zomer en de winter en anderzijds een land met een gematigder
6.2 Zonne-energie scenario
84
klimaat, Belgi¨e. Aangezien er in de zomer veel meer zonlicht is dan in de winter, zal de productie van het zonnepaneel in de zomer hoger zijn en tevens over een grotere tijdsspanne verspreid zijn. De resulterende irradiantiegegevens zijn weergegeven in figuur 6.11.
(a) Lissabon.
(b) Gent.
Figuur 6.11: Evolutie van de globale irradiantie over de tijd van de dag heen, op basis van databank [90]. Het resultaat van het gebruik van de irradiantiegegevens voor Lissabon in december op een oppervlak van 8 m2 levert een installatie van 4 kWp op.
Het productieprofiel dat we daaruit krijgen is
weergegeven in figuur 6.12. We kiezen voor december omdat dit overeenstemt met onze consumptieprofielen uit sectie 5.3.1. De locatie Lissabon werd gekozen omdat het resulterende productieprofiel een typisch verloop vertoont voor een zonnepaneel (een piek rond de middag en de productie is beperkt van 8 uur tot 18 uur).
Figuur 6.12:
Het resulterende productieprofiel voor een 4kWp zonnepaneel, op basis van
irradiantiegegevens van Lissabon december.
6.2 Zonne-energie scenario
6.2.4
85
Experimentele opstelling
• 30 huizen verbonden op een busverbinding in een slim energienetwerk Elk huis bevat de volgende consumerende toestellen: – Een vast profiel dat het basisverbruik voorstelt; dit is voorgesteld door een SLP of gegevens uit echte metingen door VITO, zie sectie 5.3.1 voor meer informatie – 4 toestellen met een verschuifbare energievraag, zoals toegelicht in sectie 5.3, tabel 5.1. Dit betreft een droogkast (4 kW voor 100min), een wasmachine (2,5 kW voor 50min), een waterboiler (3 kW voor 70min), een vaatwas (2,5 kW voor 140min) en in 30% van de huizen is er ook een elektrisch voertuig (PHEV) Chevrolet Volt (4 kW voor 240min). De 30% PHEV uitrolling is in overeenstemming met [38]. De starttijden in het referentie scenario liggen vast, terwijl er in het marktalgoritme scenario een tijdsinterval bepaald is waarin het toestel mag aanschakelen (zie tabel 5.2). In 50% van de huizen is er een producerende component in huis: – Een PV-paneel van 4 kWp bij 50% van de huizen, dus in 15 huishoudens • 1 generator die externe energie kan toeleveren als er onvoldoende windproductie is • 1 co¨ordinator in de omgeving die het marktalgoritme uitvoert, zoals uitgelegd in sectie 4.3.2 De productiebronnen en hun verhoudingen in het totaal vermogen van het systeem zijn hieronder weergegeven. Dit verschilt van de resulterende productmix, die we pas zien na het experiment, maar het geeft een indicatie van de verhoudingen van productiebronnen in de experimentele opstelling. Energiebron
Vermogen (kW)
% aandeel in totaal vermogen
Zonnepanelen
60
20%
Generator
250
80%
Tabel 6.7: De samenstelling van de energiebronnen voor het zonne-energie scenario. Grafische weergave van de topologie in de simulator In figuur 6.13 wordt de topologie van het slim energienetwerk in dit scenario grafisch weergegeven. Het marktalgoritme draait in de co¨ordinator markt center zoals uitgelegd in sectie 4.3.2. Het ICT netwerk is weergegeven met volle lijnen, en verbindt de co¨ordinator met een router, die op zijn beurt verbonden is met 30 huishoudens, en de generator. Het elektriciteitsnetwerk is weergegeven met stippellijnen en verbindt de 30 huizen via een busverbinding. De generator is via een extra transformator verbonden op de busverbinding, zodanig dat we metingen kunnen doen op het elektriciteitsverbruik van de generator (en de piekbelasting onderzoeken).
6.2 Zonne-energie scenario
86
De componenten links in de figuur zijn deel van de simulatieomgeving en stellen geen componenten voor van het slim energienetwerk. De configuratiemodule laat toe parameters over alle modules heen te defini¨eren, en de power simulator laat toe het elektriciteitsnetwerk te simuleren.
Figuur 6.13: De topologie van het zonne-energie scenario in de smart grid simulator. Volle lijnen geven het ICT netwerk weer en stippellijnen geven het elektriciteitsnetwerk weer. De drie modules links behoren niet tot het slim energienetwerk, maar tot de simulatieomgeving.
6.2.5
Resultaten
Hieronder tonen we de resultaten als we het zonne-energie scenario simuleren met de irradiantiegegevens uit Lissabon in de winter (irradiantiegegevens uit figuur 6.11(a)). De resultaten zijn weergegeven in tabel 6.8 en tabel 6.9. We maken steeds een vergelijking tussen de resultaten met marktalgoritme en zonder marktalgoritme (‘business-as-usual’ of referentie scenario). We maken gebruik van de metrieken besproken in 5.2. In tabel 6.8 tonen we de geleverde energie op de generator (P ), de verbetering van de geleverde energie op de generator (in %) in het marktalgoritme scenario tegenover het referentie scenario, de piekbelasting (Pmax ) op de generator, de daling van de piekbelasting op de generator als we het marktalgoritme gebruiken en de daling van de standaardafwijking (σ(P )) op de productiecurve van de generator. In tabel 6.9 tonen we afgeleide metrieken, zijnde de daling van de verspilde energie op de generator en de stijging van nuttig gebruikte hernieuwbare energie dankzij het marktalgoritme. De resultaten zijn verkregen uit het gemiddelde van 100 simulaties.
6.2 Zonne-energie scenario
87
P (kWh)
P &
Pmax (kW)
Pmax &
σ(P ) &
SLP
1050,92
-
250,41
-
-
VITO
1020,33
-
233,75
-
-
SLP
813,36
22,61%
133,97
46,50%
29,65%
VITO
824,79
19,12%
128,51
43,99%
29,48%
Business-as-usual
Marktalgoritme
Tabel 6.8: Resultaten voor het zonne-energie scenario (gemiddelde waarden van 100 simulaties), metrieken op de generator. Verspilling energie generator &
Nuttig gebruikte hernieuwbare energie %
SLP
40,85% (107 kWh)
83,89% (33% → 61%)
VITO
45,26% (141 kWh)
196,22% (19% → 55%)
Marktalgoritme
Tabel 6.9: Resultaten voor het zonne-energie scenario (gemiddelde waarden van 100 simulaties), afgeleide metrieken. We tonen ook het resultaat van een typische simulatie met VITO basislasten (meest realistisch, want bestaat uit echte metingen) in de figuren 6.14, 6.15. In die figuren geven we weer wat de totale consumptie, de totale productie en de belasting op de generator is voor de gesimuleerde dag. De eerste figuur geeft weer wat er gebeurt in het referentie scenario en de tweede figuur toont de simulatie als het marktalgoritme actief is. Daarnaast geven we in figuur 6.15(b) weer wat het verschil in generatorprofiel is voor het referentie scenario en het marktalgoritme scenario. Om de figuren te begeleiden hebben we in tabel 6.10 een oplijsting gemaakt van de verschuifbare toestellen en hun starttijden in het referentie scenario en het marktalgoritme scenario. Dit zal onze observaties en verklaringen vergemakkelijken. Aanschakelen toestellen Scenario
Droogkast
Wasmachine
Waterboiler
Vaatwas
PHEV
Ref
22:00-23:40
21:00-21:50
7:00-8:10
19:00-21:20
18:00-22:00
Markt
11:00-14:45
11:00-17:30
6:45-8:00
20:30-23:30
18:45-24:00
Tabel 6.10: Het verschil in aanschakeling van de verschuifbare lasten in het referentie scenario en in het marktalgoritme scenario.
6.2 Zonne-energie scenario
(a) Referentie scenario
88
(b) Marktalgoritme scenario
Figuur 6.14: Het resultaat van een typische simulatie voor het zonne-energie scenario met VITO basislasten in huis. Observaties: 1. We merken vooreerst op dat er meer energie moet geleverd worden door de generator (P ) dan in het wind scenario met veel wind (referentie scenario’s: 766 kWh vs. 1050 kWh). Dit is te wijten aan de lagere hoeveelheid productie van zonne-energie, 388 kWh, tegenover de 1444 kWh productie aan wind energie in het wind scenario (met veel wind). Daarnaast is de productie aan zonne-energie beperkt over een tijdsspanne van 9 uur (8:00-17:00), terwijl wind-energie over de hele dag heen fluctueert. 2. Eveneens merken we op dat de daling in geleverde energie op de generator (P &) ongeveer de helft lager is dan bij het wind scenario. Dit is opnieuw grotendeels te wijten aan het beperkt tijdsvenster waarin de hernieuwbare zonneproductie aanwezig is. 3. De piekreductie en standaardafwijking op het generatorprofiel blijven drastisch verminderd met 50% dankzij de slimme lastenverschuivingen. 4. Bekijken we de metriek die de verspilde energie weergeeft, dan presteert het marktalgoritme bijzonder sterk in dit scenario. Dit resultaat is te zien in figuur 6.15(b). 5. We zien zeer goede resultaten bij de stijging in nuttig gebruikte hernieuwbare energie. We kunnen dit verklaren door te kijken naar het verschil in consumptieprofiel in figuren 6.14(a) en 6.14(b). Er zijn verschillende lastenverschuivingen gebeurt in het tijdsslot 8:00-17:00, wanneer er veel productie van zonne-energie is. In de marktevenwichtsprijs zien we sterke fluctuaties in dit tijdsinterval. Er is veel productie van zonne-energie, dus de prijs zal laag zijn als er weinig consumptie is. Telkens als er een last verschoven wordt naar een tijdsslot zal de prijs sterk stijgen. We merken op dat het scenario met SLP basislasten reeds in het referentiegeval 33% van de zonne-energie productie benut. Bij VITO basislasten in het referentie scenario is dit slechts
6.2 Zonne-energie scenario
89
19%. We kunnen dit verklaren door de grotere hoeveelheid consumptie die het SLP profiel heeft tijdens het tijdslot van zonne-energie productie. De VITO basislasten vertonen eerder weinig consumptie afgewisseld met grote pieken.
(a) Marktevenwichtsprijs
(b) Verschil in generatorcurve
Figuur 6.15: Het resultaat van een typische simulatie voor het zonne-energie scenario met VITO basislasten in huis (vervolg). Verklaringen: 1. Bekijken we enkele interessante toestellen, dan merken we op dat de waterboiler vroeger start in het marktalgoritme scenario in vergelijking met het referentie scenario. In het marktalgoritme scenario werkt er een dynamische prijsdrempel die dichter bij de deadline van het toestel hogere marktevenwichtsprijzen zal toelaten om het toestel te starten. 2. De droogkast en het wasmachine starten reeds vanaf 11 uur, hier is de marktevenwichtsprijs laag door de grote hoeveelheid zonne-energie. Telkens een deel van de lasten verschoven worden, zal de consumptie in het volgend tijdslot sterk stijgen, waardoor de marktevenwichtsprijs ook zal stijgen. Dit verhindert dat er grote lasten in het volgend tijdslot zullen worden verschoven. 3. Er is een grote piek in de marktevenwichtsprijs rond 17:00. Dit gaat zelfs boven de maximumprijs, maar dat kan geen kwaad. Dit komt omdat er plots geen hernieuwbare productie meer is, maar de consumptie blijft aanwezig. Over het algemeen is de gemiddelde marktevenwichtsprijs 6, wat hoger is dan bij het wind scenario. Er is namelijk minder hernieuwbare energieproductie, maar als die aanwezig is, daalt de prijs drastisch.
6.3 Scenario met opslagelementen
6.3 6.3.1
90
Scenario met opslagelementen Introductie
In dit scenario gebruiken we windenergie in combinatie met opslag van energie in de vorm van batterijen. In een park van windturbines kunnen batterijen dienst doen om energie op te slaan tijdens periodes van hoge wind maar lage vraag naar energie [94]. De opgeslagen energie kan dan ontladen worden tijdens periodes van piekvraag. Naast de mogelijkheid om energie te verschuiven in de tijd, kunnen batterijen gebruikt worden bij het stabiliseren van de geleverde stroom in een windpark tijdens fluctuaties in de wind. Een veldtest werd uitgevoerd in Japan [69] waarbij een 500 kW windturbine gekoppeld werd aan een 400 kW natrium-zwavel (N aS) batterij. De resultaten van deze opstelling over een periode van drie minuten is weergegeven in figuur 6.16. Het systeem van batterijen kan een ontladingsen opladingskracht van 400 kW leveren om stabiliteit te brengen in het netwerk. In de figuur zien we de fluctuerende windproductie die gestabiliseerd wordt door het opladen van een batterij bij overproductie of ontladen van de batterij bij onderproductie. Op deze manier krijgen we een vlakke curve voor de totale geleverde stroom van het systeem.
Figuur 6.16: Windenergie productie van een 500 kW windturbine balanceren met een 400 kW NaS (natrium-zwavel) batterij [69].
Dezelfde technologie werd gebruikt in de Verenigde Staten in 2008 [95]. De opstelling bestond uit verschillende 50 kW NaS batterijen met een totaal vermogen om 7.2 MWh energie op te slaan (ontladings/opladings kracht van 1 MW). Wanneer deze opslag volledig opgeladen werd kon het stroom leveren aan 500 huizen gedurerende 7 uur, wat toelaat de fluctuaties in windproductie af te stemmen op de vraag naar energie.
6.3 Scenario met opslagelementen
6.3.2
91
Business case
In dit scenario wensen we de piekbelasting op de generator te reduceren (peak shaving ) door lastenverschuivingen uit te voeren in een slim energienetwerk met windenergie in combinatie met opslag van energie. De opslag van energie dient om fluctuaties in de windproductie tijdelijk op te vangen. Dit is een goedkopere en duurzamere methode dan wat er tegenwoordig gebruikt wordt. De fluctuatie uit windenergie wordt nu hoofdzakelijk opgevangen door de productie van traditionele energiecentrales te herschalen [94]. Die oplossing vereist het verbranden van brandstof en het aanleggen van een buffer om extra capaciteit te voorzien. Nu is deze oplossing nog betaalbaar, maar als het aandeel hernieuwbare productie stijgt in de totale productmix, dan zal de kostprijs van deze methode sterk stijgen. Opslag van energie biedt potentieel om goedkoper te zijn, alsook een echte bron van hernieuwbare energie te zijn. Wij zullen nog hoofdzakelijk flucuaties in de windproductie opvangen door de consumptie te verschuiven, maar daarnaast ook toelaten dat tijdelijk energie kan opgeslagen worden. Naast de reductie van de piekbelasting, wensen we ook de geleverde energie op de generator te verminderen door energie uit de opslag te ontladen tijdens periodes met weinig windproductie. We vervangen dus een deel van de last van de generator door een hernieuwbare vorm van energie, namelijk opgeslagen energie uit de windproductie.
Het plaatsen van opslagelementen zal
investeringen eisen van de energieleverancier of de distributiebeheerder, maar brengt besparingen in operationele kosten met zich mee waardoor het op termijn terugbetaald kan worden.
6.3.3
Wiskundig model voor een opslagcomponent
We modelleren de opslagcomponent als een vereenvoudigde batterij. Dit model heeft de volgende parameters: de maximale capaciteit van de batterij CAP M AX in Wh en het laadvermogen in W (hoeveel vermogen de batterij kan leveren bij het ontladen of opladen). Dit model bevat twee operaties: het ontladen en het opladen van de batterij. We zorgen ervoor dat de capaciteit van de batterij op elk ogenblik tussen [0, CAP M AX] is. De opslagcomponent kan zich dus slechts in drie toestanden bevinden: aan het opladen, aan het ontladen of stationair. In dit scenario kiezen we voor een batterij met CAP M AX = 16kW h en laadvermogen 4.6kW h, omdat dit overeenstemt met een typische batterij uit een PHEV. Deze batterijen zijn tegenwoordig beschikbaar, vrij rendabel en betaalbaar. In de lijn met het onderzoek uit de introductie [69] hebben we ook dit scenario met 30 huizen getest met een grotere opslagcapaciteit van 80kW h en een laadvermogen van 15kW .
6.3 Scenario met opslagelementen
6.3.4
92
Experimentele opstelling
• 30 huizen verbonden op een busverbinding in een slim energienetwerk Elk huis bevat de volgende consumerende toestellen: – Een vast profiel dat het basisverbruik voorstelt; dit is voorgesteld door een SLP of gegevens uit echte metingen door VITO, zie sectie 5.3.1 voor meer informatie – 4 toestellen met een verschuifbare energievraag, zoals toegelicht in sectie 5.3, tabel 5.1. Dit betreft een droogkast (4 kW voor 100min), een wasmachine (2,5 kW voor 50min), een waterboiler (3 kW voor 70min), een vaatwas (2,5 kW voor 140min) en in 30% van de huizen is er ook een elektrisch voertuig (PHEV) Chevrolet Volt (4 kW voor 240min). De 30% PHEV uitrolling is in overeenstemming met [38]. De starttijden in het referentie scenario liggen vast, terwijl er in het marktalgoritme scenario een tijdsinterval bepaald is waarin het toestel mag aanschakelen (zie tabel 5.2). • Er zijn geen producerende toestellen in huis in dit scenario • 1 windturbine van type Gamesa G52, met Pmax vermogen = 200kW (en geval veel wind) • 1 generator die externe energie kan toeleveren als er onvoldoende windproductie is • Een opslagcomponent van 16 kWh in de omgeving met laadvermogen van 4.6 kW, zoals toegelicht in sectie 5.3.3 • 1 co¨ordinator in de omgeving die het marktalgoritme uitvoert, zoals uitgelegd in sectie 4.3.2 De productiebronnen en hun verhoudingen in het totaal vermogen van het systeem zijn hieronder weergegeven. Dit verschilt van de resulterende productmix, die we pas zien na het experiment, maar het geeft een indicatie van de verhoudingen van productiebronnen in de experimentele opstelling. Energiebron
Vermogen (kW)
% aandeel in totaal vermogen
Windturbine
200
44%
Generator
250
55%
Opslag
4,6
1%
Tabel 6.11: De samenstelling van de energiebronnen voor het opslag scenario. Grafische weergave van de topologie in de simulator In figuur 6.17 wordt de topologie van het slim energienetwerk in dit scenario grafisch weergegeven. Het marktalgoritme draait in de co¨ordinator markt center zoals uitgelegd in sectie 4.3.2. Het ICT netwerk is weergegeven met volle lijnen, en verbindt de co¨ordinator met een router, die op zijn beurt verbonden is met 30 huishoudens, en de generator. Het elektriciteitsnetwerk is weergegeven
6.3 Scenario met opslagelementen
93
met stippellijnen en verbindt de 30 huizen via een busverbinding. De generator is via een extra transformator verbonden op de busverbinding, zodanig dat we metingen kunnen doen op het elektriciteitsverbruik van de generator (en de piekbelasting onderzoeken). De componenten links in de figuur zijn deel van de simulatieomgeving en stellen geen componenten voor van het slim energienetwerk. De configuratiemodule laat toe parameters over alle modules heen te defini¨eren, en de power simulator laat toe het elektriciteitsnetwerk te simuleren.
Figuur 6.17: De topologie van het opslag scenario in de smart grid simulator. Volle lijnen geven het ICT netwerk weer, en stippellijnen geven het elektriciteitsnetwerk weer. De drie modules links behoren niet tot het slim energienetwerk, maar tot de simulatieomgeving.
6.3.5
Resultaten
Hieronder tonen we de resultaten als we het opslag scenario simuleren. De resultaten zijn weergegeven in tabel 6.12 en tabel 6.13. We maken steeds een vergelijking tussen de resultaten met marktalgoritme en zonder marktalgoritme (‘business-as-usual’ of referentie scenario). We maken gebruik van de metrieken besproken in 5.2. In tabel 6.12 tonen we de geleverde energie op de generator (P ), de verbetering van de geleverde energie op de generator (in %) in het marktalgoritme scenario tegenover het referentie scenario, de piekbelasting (Pmax ) op de generator, de daling van de piekbelasting op de generator als we het marktalgoritme gebruiken en de daling van de standaardafwijking (σ(P )) op de productiecurve van de generator. In tabel 6.13 tonen we afgeleide metrieken, zijnde de daling van de verspilde energie op de generator en de stijging van nuttig gebruikte hernieuwbare energie dankzij het marktalgoritme. De resultaten zijn verkregen uit het gemiddelde van 100 simulaties.
6.3 Scenario met opslagelementen
94
P (kWh)
P &
Pmax (kW)
Pmax &
σ(P ) &
SLP
760,29
-
239,80
-
-
VITO
760,73
-
235,89
-
-
SLP
418,02
45,02%
129,79
45,88%
27,80%
VITO
479,16
37,01%
117,40
50,23%
20,66%
Business-as-usual
Marktalgoritme
Tabel 6.12: Resultaten voor het opslag scenario (gemiddelde waarden van 100 simulaties), metrieken op de generator. Verspilling energie generator &
Nuttig gebruikte hernieuwbare energie %
SLP
20,80% (210 kWh)
50,88% (29% → 44%)
VITO
13,85% (146 kWh)
44,24% (24% → 34%)
Marktalgoritme
Tabel 6.13: Resultaten voor het opslag scenario (gemiddelde waarden van 100 simulaties), afgeleide metrieken. Observaties en verklaringen: 1. In vergelijking met het wind scenario met veel wind krijgen we weinig verschil in de resultaten. Zowel de daling in piekbelasting (Pmax &), de standaardafwijking op het generatorprofiel (σ(P ) &) en de nuttig gebruikte hernieuwbare energie vertonen gelijkaarde resultaten. Dit kan verklaard worden door de gelijkaardige aanschakeling van de verschuifbare lasten, weergegeven in tabel 6.14. Enkel de geleverde energie op de generator (P &) levert een verdere daling van 2% voor SLP basislasten en 10% voor VITO basislasten tegenover het wind scenario. Dit laatste kunnen we toewijzen aan de opslagcomponent die de generator ontlast van zijn taak. Dit zien we in figuur 6.18, waar de stippellijn het generatorprofiel van het opslag scenario voorstelt. Deze curve ligt dichter bij nul dus er is minder energie nodig van de generator.
Aanschakelen toestellen Scenario
Droogkast
Wasmachine
Waterboiler
Vaatwas
PHEV
Opslag
10:30-13:30
10:30-13:45
5:15-7:15
21:15-24:00
19:15-24:00
Wind (veel)
10:30-13:00
10:30-14:00
5:00-7:00
21:15-24:00
19:00-24:00
Tabel 6.14: Het verschil in aanschakeling van de verschuifbare lasten in het opslag scenario en het wind scenario (met veel wind). 2. Kijken we naar het resultaat van een typische simulatie in figuur 6.19, dan zien we een gelijkaardig verloop als in het wind scenario. We kunnen dit verklaren door de kleine capaciteit
6.3 Scenario met opslagelementen
95
Figuur 6.18: Het verschil in generatorprofiel bij het opslagscenario (VITO) en het wind scenario (VITO, veel wind). van de opslageenheid, die slechts een kleine bijdrage heeft tot het systeem.
De grootste
verbetringen komen dus van de intelligente lastenverschuivingen. We hebben ook een test uitgevoerd met een opslageenheid met een grotere capaciteit, 80kW h en kwamen gelijkaardige resultaten uit. Het is pas als we het laadvermogen sterk laten toenemen, bv. 100kW dat we een verslechting zien in de piekbelasting van de generator. Dit kan verklaard worden door de eenvoudige prijsdrempels die nu zijn ge¨ımplementeerd voor de opslagcomponent. We kunnen in verder onderzoek slimmere dynamische drempels ontwikkelen speciaal voor de opslagcomponent.
(a) Referentie scenario
(b) Marktalgoritme scenario
Figuur 6.19: Het resultaat van een typische simulatie voor het opslag scenario met VITO basislasten in huis.
6.3 Scenario met opslagelementen
96
3. We hebben twee figuren weergegeven om het gedrag van de opslagcomponent te bestuderen. In figuur 6.20(a) is de belasting van de batterij weergegeven, waarbij positieve waarden het ontladen van de batterij voorstellen en negatieve waarden het opladen van de batterij voorstellen. In figuur 6.20(b) tonen we de evolutie van de energie in de batterij voor. We zien vooral oplading bij grote overproductie van wind, namelijk tussen 13:00 en 16:00, omdat daar de marktevenwichtsprijs onder de aankoopdrempel (40% van de maximumprijs, hier 4) ligt van de opslagcomponent (de marktevenwichtsprijs is te zien in figuur 6.21). Tussen 16:00 en 18:00 is de opslageenheid vol, dus kan er geen bijkomstige hoeveelheid energie opgeslagen worden, nochtans is de marktevenwichtsprijs nog steeds onder de aankoopdrempel. Er is vooral ontlading van de batterij tussen 5:00 en 8:00, alsook tussen 18:00 en 22:00. Op die tijdstippen is er weinig windproductie en veel consumptie, dus de marktevenwichtsprijs valt boven de verkoopsdrempel van de opslageenheid (60% van de maximumprijs, hier 6) en er wordt energie verkocht op het systeem.
(a) De belasting van de batterij (opladen en ontladen)
(b) De evolutie van de opgeslagen energie in de batterij
gedurdende de simulatie
Figuur 6.20:
De opslagcomponent voor een typische simulatie met VITO basislasten in het
marktalgoritme scenario.
Figuur 6.21: De marktevenwichtsprijs in het marktalgoritme geval van het opslag scenario.
6.4 Complete buurt omgeving scenario
6.4
97
Complete buurt omgeving scenario
6.4.1
Business case
In dit scenario brengen we alle elementen uit de voorgaande scenario’s samen. We hebben dus een slim energienetwerk met als hernieuwbare energiebronnen een windturbine, zonnepanelen en opslag van energie. Daarnaast hebben we opnieuw de basislasten, de verschuifbare lasten, en een generator in het netwerk. We wensen als resultaat een sterke daling van de geleverde energie op de generator, omdat er nu verschillende hernieuwbare bronnen aanwezig zijn. De verschuifbare lasten zouden nu optimaal moeten kunnen worden geplaatst. Samengaand met de voorgaande doelstelling willen we een stijging in nuttig gebruikte hernieuwbare energie, om de kracht van ons algoritme aan te tonen. Als bijwerking van het algoritme willen we een daling in piekbelasting op de generator zien, alsook een vlakkere productiecurve op de generator.
6.4.2
Experimentele opstelling
• 30 huizen verbonden op een busverbinding in een slim energienetwerk Elk huis bevat de volgende consumerende toestellen: – Een vast profiel dat het basisverbruik voorstelt; dit is voorgesteld door een SLP of gegevens uit echte metingen door VITO, zie sectie 5.3.1 voor meer informatie – 4 toestellen met een verschuifbare energievraag, zoals toegelicht in sectie 5.3, tabel 5.1. Dit betreft een droogkast (4 kW voor 100min), een wasmachine (2,5 kW voor 50min), een waterboiler (3 kW voor 70min), een vaatwas (2,5 kW voor 140min) en in 30% van de huizen is er ook een elektrisch voertuig (PHEV) Chevrolet Volt (4 kW voor 240min). De 30% PHEV uitrolling is in overeenstemming met [38]. De starttijden in het referentie scenario liggen vast, terwijl er in het marktalgoritme scenario een tijdsinterval bepaald is waarin het toestel mag aanschakelen (zie tabel 5.2). In 50% van de huizen is er een producerende component in huis: – Een PV-paneel van 1 kWp bij 50% van de huizen, dus in 15 huishoudens • 1 windturbine van type Gamesa G52, met Pmax vermogen = 150kW • 1 generator die externe energie kan aanleveren als er onvoldoende hernieuwbare energie is • Een opslagcomponent van 16 kWh in de omgeving, zoals toegelicht in sectie 5.3.3 • 1 co¨ordinator in de omgeving die het marktalgoritme uitvoert, zoals uitgelegd in sectie 4.3.2
6.4 Complete buurt omgeving scenario
98
De productiebronnen en hun verhoudingen in het totaal vermogen van het systeem zijn hieronder weergegeven. Dit verschilt van de resulterende productmix, die we pas zien na het experiment, maar het geeft een indicatie van de verhoudingen van productiebronnen in de experimentele opstelling. Energiebron
Vermogen (kW)
% aandeel in totaal vermogen
Windturbine
150
35%
Zonnepanelen
15
4%
Generator
250
60%
Opslag
4,6
1%
Tabel 6.15: De samenstelling van de energiebronnen voor het buurtomgeving scenario. Grafische weergave van de topologie in de simulator In figuur 6.22 wordt de topologie van het slim energienetwerk in dit scenario grafisch weergegeven. Het marktalgoritme draait in de co¨ordinator markt center zoals uitgelegd in sectie 4.3.2. Het ICT netwerk is weergegeven met volle lijnen, en verbindt de co¨ordinator met een router, die op zijn beurt verbonden is met 30 huishoudens, de windturbine en de generator. Het elektriciteitsnetwerk is weergegeven met stippellijnen en verbindt de 30 huizen via een busverbinding. De windturbine is gekoppeld aan het elektriciteitsnetwerk via een sterverbinding die de generator en de busverbinding verbindt. De generator is via een extra transformator verbonden op deze sterverbinding, zodanig dat we metingen kunnen doen op het elektriciteitsverbruik van de generator (en de piekbelasting onderzoeken). De componenten links in de figuur zijn deel van de simulatieomgeving en stellen geen componenten voor van het slim energienetwerk. De configuratiemodule laat toe parameters over alle modules heen te defini¨eren, en de power simulator laat toe het elektriciteitsnetwerk te simuleren.
Figuur 6.22: De topologie van het buurtomgeving scenario in de smart grid simulator. Volle lijnen geven het ICT netwerk weer, en stippellijnen geven het elektriciteitsnetwerk weer. De drie modules links behoren niet tot het slim energienetwerk, maar tot de simulatieomgeving.
6.4 Complete buurt omgeving scenario
6.4.3
99
Resultaten
Hieronder tonen we de resultaten als we het buurtomgeving scenario simuleren met als parameters: veel wind, de irradiantiegegevens uit Lissabon in de winter en dezelfde opslagconfiguratie als in het opslag scenario. De resultaten zijn weergegeven in tabel 6.16 en tabel 6.17. We maken steeds een vergelijking tussen de resultaten met marktalgoritme en zonder marktalgoritme (‘business-as-usual’ of referentie scenario). We maken gebruik van de metrieken besproken in 5.2. In tabel 6.16 tonen we de geleverde energie op de generator (P ), de verbetering van de geleverde energie op de generator (in %) in het marktalgoritme scenario tegenover het referentie scenario, de piekbelasting (Pmax ) op de generator, de daling van de piekbelasting op de generator als we het marktalgoritme gebruiken en de daling van de standaardafwijking (σ(P )) op de productiecurve van de generator. In tabel 6.17 tonen we afgeleide metrieken, zijnde de daling van de verspilde energie op de generator en de stijging van nuttig gebruikte hernieuwbare energie dankzij het marktalgoritme. De resultaten zijn verkregen uit het gemiddelde van 100 simulaties. P (kWh)
P &
Pmax (kW)
Pmax &
σ(P ) &
SLP
805,58
-
242,30
-
-
VITO
807,37
-
238,62
-
-
SLP
524,64
34,87%
130,18
46,27%
29,68%
VITO
518,99
35,73%
123,65
48,18%
23,48%
Business-as-usual
Marktalgoritme
Tabel 6.16: Resultaten voor de complete buurtomgeving scenario (gemiddelde waarden van 100 simulaties), metrieken op de generator. Verspilling energie generator &
Nuttig gebruikte hernieuwbare energie %
SLP
29,20% (243 kWh)
85,04% (26% → 48%)
VITO
19,80% (176 kWh)
86,58% (18% → 35%)
Marktalgoritme
Tabel 6.17: Resultaten voor de complete buurtomgeving scenario (gemiddelde waarden van 100 simulaties), afgeleide metrieken. Observaties en verklaringen: 1. In het algemeen krijgen we behoorlijke resultaten. We zien een combinatie van de beste elementen uit alle voorgaande scenario’s. Zoals alle voorgaande scenario’s krijgen we een halvering in de piekbelasting op de generator ((P ) &). Uit het opslagscenario (de windturbine met opslagelement) krijgen we een daling van de geleverde energie op de generator (P &) van 35%. Uit het zonne-energie scenario krijgen we een afgevlakte productiecurve op de generator
6.4 Complete buurt omgeving scenario
100
(σ(P ) & van 24%-30%). Daarnaast hebben we een percentage nuttig gebruikte hernieuwbare energie in het marktalgoritme geval van 35% voor VITO basislasten, wat een combinatie is van de resultaten uit het opslag- en het zonne-energie scenario. We hebben in dit scenario de grootste daling in verspilde energie op de generator. Aanschakelen toestellen Scenario
Droogkast
Wasmachine
Waterboiler
Vaatwas
PHEV
Ref
22:00-23:40
21:00-21:50
7:00-8:10
19:00-21:20
18:00-22:00
Markt
10:45-16:00
10:45-16:15
5:30-8:15
21:15-24:00
19:30-24:00
Tabel 6.18: Het verschil in aanschakeling van de verschuifbare lasten bij het referentie scenario en het marktalgoritme scenario.
2. Bestuderen we de aanschakeling van toestellen, dan valt het op dat de droogkast en wasmachine over een langere periode verschoven worden (een tijdspanne van 7 uur, tussen 10:45 en 16:15) dan in de voorgaande scenario’s. Dit kunnen we verklaren door de invloed van de zonneenergie, die energie produceert tussen 8:00 en 17:00 (zie zonne-energie scenario voor meer toelichtingen). Dit in combinatie met de windturbine zorgt ervoor dat er grote pieken in consumptie te zien zijn op figuur 6.23(b) rond 11:00 en 13:00. Een gelijkaardig gedrag zien we voor de waterboiler die tot 8:15 werkt, wat langer is dan in het wind scenario of het opslag scenario, dit dankzij de zonne-energie die begin te produceren rond 8:00.
(a) Referentie scenario
(b) Marktalgoritme scenario
Figuur 6.23: Het resultaat van een typische simulatie voor het complete buurtomgeving scenario met VITO basislasten in huis.
6.4 Complete buurt omgeving scenario
101
3. In figuur 6.24(b) is het verloop van de energie in de opslagcomponent weergegeven over de tijd van de dag heen. Het gedrag verschilt kenmerkelijk van het opslag scenario. We lichten dit hier even toe. Er wordt energie aangekocht tijdens de perioden 0:00-1:00 en 3:00-5:30 omdat er een overproductie aan wind is in combinatie met weinig consumtie. Daarnaast zien aankoop van energie om 9:30-10:30 omdat er dan overproductie van zowel zonne-energie als windenergie is. Ten slotte wordt er nog aangekocht om 15:00-17:00 wegens de overproductie aan zonneenergie en weinig consumptie. Energie wordt verkocht tussen 1:00-2:00 door het ontbreken van hernieuwbare productie om de consumptie van de basislasten te voorzien. Tijdens de periodes 5:30-7:30 en 10:30-11:30 wordt er energie verkocht wegens de hoge piek aan consumptie, ook al is er hernieuwbare productie aanwezig. Ten slotte in de periode van 18:00-24:00 wordt er energie verkocht omdat de hernieuwbare productie vermindert of wegvalt.
(a) De belasting van de batterij (opladen en ontladen)
(b) De evolutie van de opgeslagen energie in de batterij
gedurdende de simulatie
Figuur 6.24:
De opslagcomponent voor een typische simulatie met VITO basislasten in het
marktalgoritme scenario.
4. Als we kijken naar de productiecurve voor de totale hernieuwbare energie, dan merken we op dat deze overwegend gedomineerd wordt door het productieprofiel van de windturbine. Dit komt door het groot aandeel van windenergie (63%) in de resulterende productmix, tegenover slechts 6% voor zonne-energie en 2% voor de opslagcomponent.
6.4 Complete buurt omgeving scenario
(a) Marktevenwichtsprijs
Figuur 6.25:
102
(b) Verschil in generatorcurve
Het vervolg van het resultaat van een typische simulatie voor het complete
buurtomgeving scenario met VITO basislasten in huis.
GEAVANCEERDE TESTS
103
Hoofdstuk 7
Geavanceerde tests In dit hoofdstuk bespreken we enkele geavanceerde tests. We beginnen met een scenario dat ons marktalgoritme vergelijkt met een belangrijk werk uit de literatuur, PowerMatcher [14]. Daarna voeren we drie parameterstudies uit: een evaluatie van de verschillende strategie¨en voor de slimme prijsdrempel in de lastenverschuivende agent, een invloed van de prijsschalen in het algoritme en een invloed van de parameter over de hoeveelheid groene energie in de productmix op de resultaten. We sluiten dit hoofdstuk af met een studie van de schaalbaarheid van onze topologie, zoals vooropgesteld in de doelstellingen van ons onderzoek.
7.1 7.1.1
PowerMatcher scenario Introductie
In deze sectie voeren we een vergelijkende studie uit om ons algoritme te vergelijken met de bestaande literatuur. We kiezen ervoor om het meest beschreven alternatief uit de literatuur, PowerMatcher [14], te gebruiken als maatstaf voor onze implementatie. We gebruiken het scenario uit artikel [14] en proberen een gelijkaardig scenario op te stellen volgens de beschrijving in het artikel. Vervolgens bespreken we de resultaten.
7.1.2
Experimentele opstelling
In het artikel [14] van PowerMatcher wordt een scenario beschreven met 40 huizen verbonden op 1 busverbinding. Er zijn 20 warmtepompen (consumptie), 20 micro-WKK’s (productie), 40 verschuifbare lasten in de vorm van wasmachines (consumptie), PV-panelen (hernieuwbare productie), kleine schaal windturbines (hernieuwbare productie), en een generator. Wij vertalen dit in een scenario die de bovenstaande opstelling probeert te benaderen:
7.1 PowerMatcher scenario
104
• 40 huizen verbonden op een busverbinding in een slim energienetwerk Elk huis bevat de volgende consumerende toestellen: – Een vast profiel dat het basisverbruik voorstelt; dit is voorgesteld door een SLP of gegevens uit echte metingen door VITO, zie sectie 5.3.1 voor meer informatie – 2 toestellen met een verschuifbare energievraag, zoals toegelicht in sectie 5.3, tabel 5.1. Dit betreft een wasmachine (2,5 kW voor 50min) en een waterboiler (3 kW voor 70min). De starttijden in het referentie scenario liggen vast, terwijl er in het marktalgoritme scenario een tijdsinterval bepaald is waarin het toestel mag aanschakelen (zie tabel 5.2). In 50% van de huizen is er een producerende component in huis: – Een PV-paneel van 0,5 kWp bij 50% van de huizen, dus in 20 huishoudens • 1 windturbine van type Gamesa G52, met Pmax vermogen = 50kW • 1 generator die externe energie kan aanleveren als er onvoldoende windproductie is • Een opslagcomponent van 16 kWh in de omgeving, zoals toegelicht in sectie 5.3.3 • 1 co¨ordinator in de omgeving die het marktalgoritme uitvoert, zoals uitgelegd in sectie 4.3.2 De productiebronnen en hun verhoudingen in het totaal vermogen van het systeem zijn hieronder weergegeven. Dit verschilt van de resulterende productmix, die we pas zien na het experiment, maar het geeft een indicatie van de verhoudingen van productiebronnen in de experimentele opstelling. Energiebron
Vermogen (kW)
% aandeel in totaal vermogen
Windturbine
50
23%
Zonnepanelen
10
5%
Generator
150
70%
Opslag
4,6
2%
Tabel 7.1: De samenstelling van de energiebronnen voor het PowerMatcher scenario.
7.1.3
Resultaten
In het artikel [14] van PowerMatcher worden de volgende resultaten vermeld: • daling van de piekbelasting op de generator van 30% (hiervan is 50% uit vermindering van de consumptie, 37% uit batterij ontlading en 13% uit verhoging hernieuwbare productiebronnen) • daling van de standaardafwijking op de generator van 50%
7.1 PowerMatcher scenario
105
Als resultaat van het hierboven beschreven scenario op onze implementatie vinden we de onderstaande resultaten. P (kWh)
P &
Pmax (kW)
Pmax &
σ(P ) &
SLP
467,24
-
131,70
-
-
VITO
462,89
-
143,04
-
-
SLP
438,29
6,19%
129,50
1,67%
17,57%
VITO
373,75
19,30%
121,52
15,04%
24,81%
Business-as-usual
Marktalgoritme
Tabel 7.2: Resultaten voor het PowerMatcher scenario (gemiddelde waarden van 100 simulaties), metrieken op de generator. Verspilling energie generator &
Nuttig gebruikte hernieuwbare energie %
SLP
16,72% (26 kWh)
12,65% (57% → 64%)
VITO
27,54% (65 kWh)
61,71% (31% → 49%)
Marktalgoritme
Tabel 7.3: Resultaten voor het PowerMatcher scenario (gemiddelde waarden van 100 simulaties), afgeleide metrieken. Aanschakelen toestellen Scenario
Wasmachine
Waterboiler
Ref
21:00-21:50
7:00-8:10
Markt
14:15-17:30
6:30-8:15
Tabel 7.4: Het verschil in aanschakeling van de verschuifbare lasten bij het referentie scenario en het marktalgoritme scenario. We merken ten eerste op dat we ons scenario zo goed mogelijk hebben proberen af te stemmen op dat van PowerMatcher, maar toch ontbreekt er veel informatie. We geven hieronder een lijst van de ontbrekende informatie. • Geen informatie over het vermogen van de hernieuwbare energiebronnen, of hun aandeel in de productmix. Uit de resulterende grafiek in het artikel kunnen we schatten dat er slechts ongeveer 20% van de totale productie uit hernieuwbare bronnen komt. • Geen informatie over het vermogen van de toestellen gebruikt in de simulatie. • Ontbrekende informatie over de starttijden van verschuifbare lasten in het referentiegeval. • Ontbrekende informatie over de deadlines en tijdsintervallen voor de verschuifbare lasten in het marktalgoritme geval.
7.1 PowerMatcher scenario
106
Observaties en verklaringen: 1. Als we de twee resultaten van PowerMatcher vergelijken met ons marktalgoritme met VITO basislasten, dan zien we de volgende observaties: de piekbelasting op de generator daalt bij ons slechts 15% tegenover 30% bij PowerMatcher en de standaardafwijking op de generator daalt bij ons slechts 25% tegenover 50% bij PowerMatcher. We kunnen dit verklaren als volgt: • De daling in piekbelasting op de generator is bij ons niet zo groot als bij PowerMatcher, omdat de piek in consumptie door de waterboiler moeilijk te verschuiven is in ons scenario. In figuur 7.1(b) zien we dat de waterboiler werkt tussen 6:30 en 8:15 in het marktalgoritme geval (de lichte stippellijn), tegenover tussen 7:00 en 8:10 in het referentiegeval. Er is immers weinig hernieuwbare productie (in onze simulatie) tussen 1:00 en 8:00 (de volle stippellijn), waardoor de marktevenwichtsprijs gemiddeld 5 is, te hoog voor de lastenverschuiving van de waterboiler. De toestellen schakelen dan slechts aan dichter bij de deadline, als de dynamische prijsdrempel ervoor zorgt dat het toestel mag werken tegen hogere prijzen zodanig dat de deadline van starten om 7:00 gehaald kan worden. • PowerMatcher kent een sterke vermindering in de standaardafwijking op de productiecurve van de generator (50%). Onze resultaten tonen slechts een daling van 25% in dit scenario. Het valt ons op dat de PowerMatcher technologie deze standaardafwijkingreductie als doelstelling ingebakken heeft, terwijl dat bij ons niet het geval is. In ons marktalgoritme leggen wij de focus op het nuttig gebruik van hernieuwbare energieproductie en het verlagen van de energie op de generator. De reductie in standaardafwijking op de generator is niet opgenomen in de strategie van de agenten in ons marktalgoritme, waardoor het eerder als een bijkomstig resultaat kan worden beschouwd. We merken op dat er door het gebruik van de prijsstrategie ‘2SIGMA’ meer nadruk gelegd wordt op gelijkaardige doelstellingen als PowerMatcher (zie sectie 7.2 en tabel B.2). In dat geval krijgen we als resultaat een daling van de standaardafwijking van 54% en een reductie in piekbelasting van 40%. 2. We merken op dat we voor het marktalgoritme geval met VITO basislasten goede resultaten krijgen voor belangrijke metrieken in ons algoritme: een daling van de gebruikte energie op de generator van 19%, 28% minder verspilde energie op de generator en 50% van de hernieuwbare energieproductie wordt in de lokale omgeving nuttig gebruikt. 3. Ten slotte kunnen we nog opmerken dat in ons scenario er in elk huis een waterboiler is om het huishouden van warm water te voorzien. In het PowerMatcher artikel maken ze gebruik van 20 waterboilers en de overige 20 huizen hebben een micro-WKK installatie. Deze toestellen zorgen voor de opwekking van warmte en elektriciteit, er is dus minder consumptie nodig in dat scenario.
7.2 Evaluatie van een slimme prijsdrempel gebruik makend van historische data
107
4. Het is ook interessant om op te merken dat de marktevenwichtsprijs in hun scenario varieert tussen 7 en 10. In ons scenario varieert de prijs tussen 3 en 9.
(a) Referentie scenario
(b) Marktalgoritme scenario
(c) Marktevenwichtsprijs
(d) Verschil in generatorcurve
Figuur 7.1: Het resultaat van een typische simulatie voor het PowerMatcher scenario met VITO basislasten in huis.
7.2
Evaluatie van een slimme prijsdrempel gebruik makend van historische data
In deze sectie bespreken we hoe we historische data hebben ge¨ıncorporeerd in ons algoritme. We bespreken de verschillende keuzes die gemaakt werden, het achterliggend idee voor de beslissingen en resultaten van een vergelijkende studie tussen de vier ontwikkelde strategie¨en. Het achterliggend idee bij het gebruik van historische gegevens is: door gegevens uit het verleden op te slaan, willen we intelligentere keuzes maken in het heden. Om dit idee te vertalen naar ons marktalgoritme hebben we gekozen om de marktevenwichtsprijs op te slaan bij elke veiling. Hieruit is het mogelijk om afgeleide gegevens te berekenen zoals de gemiddelde marktevenwichtsprijs uit een periode in het verleden. We gaan vervolgens die gegevens doorsturen naar een lastverschuivende
7.2 Evaluatie van een slimme prijsdrempel gebruik makend van historische data
108
agent in het marktalgoritme. Die agent kan deze gegevens gebruiken om een prijsdrempel te bepalen die een effici¨entere lastenverschuiving veroorzaakt. Ons doel is hier telkens een ‘goedkoop’ tijdstip te identificeren in de agent, die vervolgens zijn last op dit ogenblik kan aanschakelen. Aangezien ‘een goedkope prijs’ vaag is, hebben we vier verschillende manieren bedacht om dit te herkennen. We hebben vier strategie¨en ge¨ımplementeerd om historische data te gebruiken om de prijsdrempels intelligent aan te passen in de lastverschuivende agenten: • NONE Gebruik geen geschiedenis. We herkennen een ‘een goedkope prijs’ als zijnde alle waarden onder 30% van de maximumprijs. Formule =
(F ACT OR×M AX P RIJS) , P RICE SCALE
waarbij FACTOR=0,3.
• AVERAGE Gebruik de marktevenwichtsprijs uit een periode uit het verleden. Bepaal hieruit de gemiddelde waarde in die periode. Dit levert ons de gemiddelde marktevenwichtsprijs. Nemen we hiervan een factor, bv. de helft, dan defini¨eren we alle waarden onder die drempel als goedkoop. Formule = average × F ACT OR, met FACTOR=0,5. • MINMAX Neem de grootste marktevenwichtsprijs (max) en de kleinste marktevenwichtsprijs (min) uit de geschiedenis. Dit geeft het werkelijk bereik waarin de marktevenwichtsprijs schommelt. Als we van dit bereik een percentage nemen, bv. 30%, dan kunnen we prijzen onder die drempel defini¨eren als ‘goedkoop’. Formule = (max − min) × F ACT OR • 2SIGMA We gebruiken een 2-sigma betrouwbaarheidsinterval uit de statistiek, dat een 90% betrouwbaarheid geeft. Dit berekenen we door twee keer de standaardafwijking (op de marktevenwichtsprijs) op te tellen bij de gemiddelde waarde van de marktevenwichtsprijs. Opnieuw defini¨eren we waarden onder 30% van dit interval als ‘goedkope prijzen’. Formule = (average + 2 · σ) × F ACT OR We voeren een evaluatie uit van deze vier strategie¨en op ons marktalgoritme. Hiervoor laten we de vier besproken scenario’s uit hoofdstuk 6 lopen met de vier verschillende strategie¨en en bespreken we de resultaten. De uitgebreide resultaten zijn te vinden in bijlage B.2 in tabel B.1 en tabel B.2. We vatten de resultaten samen in de onderstaande tabel 7.5. We gebruiken gemiddelde waarden voor alle scenario’s met drie afwegingen: globaal (alle metrieken zijn even belangrijk, dus neem het gemiddelde van alle metrieken), hernieuwbaar (gemiddelde van metriek voor nuttig gebruikte hernieuwbare energie en
7.3 Invloed van prijsschalen in het algoritme
109
metriek voor verspilling generator) en generator (gemiddelde van metriek voor energie generator en piekbelasting op generator). Globaal
Hernieuwbaar
Generator
VITO
SLP
VITO
SLP
VITO
SLP
NONE
34%
34%
43%
32%
31%
38%
AVERAGE
41%
41%
52%
46%
40%
42%
MINMAX
44%
41%
52%
43%
43%
42%
2SIGMA
47%
42%
51%
32%
52%
56%
Tabel 7.5: Een evaluatie van de verschillende prijsgeschiedenis strategie¨en. Gemiddelde waarden voor alle scenario’s, met drie afwegingen: globaal (alle metrieken zijn even belangrijk), hernieuwbaar (metriek voor nuttig gebruikte hernieuwbare energie en metriek voor verspilling generator), generator (metriek voor energie generator en piekbelasting op generator). De resultaten tonen dat het zeker de moeite loont om geschiedenis in rekening te brengen, want de ‘NONE’ strategie presteert slechter dan de andere drie strategie¨en. De ‘AVERAGE’ strategie geeft globaal gezien 20% betere resultaten, bij ‘MINMAX’ is dit 29% en bij ‘2SIGMA’ 39%. Voor de keuze tussen de andere drie strategie¨en is een afweging nodig. We kunnen besluiten dat de strategie ‘2SIGMA’ het beste presteert globaal gezien.
Indien we
als doelstelling wensen het optimaal gebruik van de hernieuwbare energiebronnen in een slim energienetwerk, kiezen we de strategie ‘AVERAGE’. Wensen we als doelstelling de grootste reductie in toegeleverde energie en piekbelasting op de generator, dan kiezen we de strategie ‘2SIGMA’. Aangezien we in deze studie een groot belang hechten aan het nuttig gebruiken van hernieuwbare energiebronnen, hebben we gekozen om al onze scenario’s te laten lopen met de ‘AVERAGE’ strategie.
7.3
Invloed van prijsschalen in het algoritme
Parameters die aanpasbaar zijn in het marktalgoritme: MAX PRICE en PRICE SCALE. Dit zijn parameters die bepalen hoe een bod eruit ziet. Een bod bevat namelijk
M AX P RICE P RICE SCALE
+ 1 aantal
waarden. Voor elke prijs van 0 tot MAX PRICE in stappen van PRICE SCALE wordt er een hoeveelheid energie opgeslagen die de agent bereid is te betalen voor deze prijs. De PRICE SCALE parameter bepaalt dus de schaal van de prijs in een bod, bv. schaal=1 ⇒ prijs=0,1,2,. . . MAX PRICE; schaal=10 ⇒ prijs=0,10,20,. . . MAX PRICE. We hebben drie tests uitgevoerd op alle scenario’s. Eerst lieten we de prijs lopen van [0,10] met incrementatie van 1, daarna lieten we de prijs lopen van [0,100] met incrementatie van 10 en vervolgens lieten we de prijs lopen van [0,10] met incrementatie van 0,1.
7.4 Evaluatie van een lastenverschuivende strategie op basis van extra randinformatie
110
De resultaten luiden als volgt: prijsschaal 0-100 met incrementatie van 10 geeft dezelfde resultaten als prijschaal 0-10 met incrementatie van 1. De prijsschaal 0-10 met incrementatie van 0.1 introduceert een verhoging van de piekconsumptie tot 70%, terwijl dit bij 0-10 met incrementatie 1 een reductie van rond de 40-50% is. We hebben ervoor gekozen de prijsschaal van [0,10] met een incrementatie van 1 te gebruiken voor het opstellen van biedingen. Dit was gebaseerd op idee¨en uit PowerMatcher, maar we hebben geen informatie over de exacte beperkingen op de prijzen in hun algoritme.
7.4
Evaluatie van een lastenverschuivende strategie op basis van extra randinformatie
In ons algoritme wordt er extra metadata doorgestuurd van de agenten naar het markt center. We hebben hiervoor een idee ge¨ımplementeerd die de realtime productmix doorspeelt aan de lastenverschuivende agenten in het slim energienetwerk. Dit is mogelijk door elke producerende agent een parameter te geven die aangeeft hoeveel van zijn productie uit hernieuwbare oorsprong komt. Vervolgens wordt deze informatie doorgegeven aan het markt center, dat dan op elke veiling de gemiddelde waarde van de hoeveelheid hernieuwbare energie in de productmix berekent. Deze parameter noemen we % groene energie. We onderzoeken of deze informatie nuttig aangewend kan worden in een lastenverschuivende agent. Hiermee bedoelen we nagaan of het mogelijk is om betere resultaten te krijgen als we deze informatie in acht nemen bij het bepalen van de verschuiving van de last. Om dit te bestuderen hebben we een drempel gemaakt voor % groene energie in de lastverschuivende agent. Met andere woorden de agent mag pas zijn toestel aanschakelen als de huidige % groene energie (ontvangen van het markt center) groter is dan een vooraf ingestelde waarde (de drempel). We kunnen nu een parameterstudie uitvoeren voor deze drempel. Door de drempel voor % groene energie te laten vari¨eren tussen 0 en 1 met incrementaties van 0,1 is het mogelijk een optimale waarde te bepalen van deze drempel. Het resultaat voor het buurt scenario is weergegeven in figuur 7.2. We hebben een analoge studie gedaan voor de andere scenario’s. Vervolgens hebben we de beste parameter gekozen over alle scenario’s heen, en dit bleek de waarde 0,5 te zijn. Dit is ook de waarde die we gebruikt hebben voor alle scenario’s in het vorig hoofdstuk.
7.5 Schaalbaarheidstest
111
Figuur 7.2: De resultaten van een parameterstudie voor % groen bij het buurt scenario. We nemen de gemiddelde waarde voor alle metrieken over zowel het SLP als VITO geval.
7.5
Schaalbaarheidstest
De scenario’s besproken in hoofdstuk 6 zijn uitgevoerd met aggregatieagenten, d.w.z. alle consumerende en producerende agenten in een huis sturen hun biedingen naar een aggregatieagent, die neemt de biedingen samen en stuurt het geaggregeerd bod door naar de volgende aggregatieagent tot de bieding de marktplaats bereikt. In onze code is er een parameter die toelaat om biedingen van agenten ook rechtstreeks naar de marktplaats te sturen. We voeren tests uit met deze parameter, waarbij we de resultaten vergelijken met en zonder aggregatieagenten. We meten vervolgens het aantal ontvangen en uitgestuurde berichten in de marktplaats. Dit laat ons toe om de schaalbaarheid van onze architectuur met aggregatieagenten te evalueren. We kiezen om in het wind scenario een test te doen waarbij we eerst de aggregerende agenten gebruiken om berichten samen te nemen, en daarna alle agenten rechtstreeks hun berichten te laten sturen naar het markt center (geen aggregatie). We gebruiken als metriek het totaal aantal ontvangen en verstuurde ICT berichten in het markt center. Het resultaat is weergegeven in tabel 7.6. Het aantal berichten met aggregerende agenten is 58% lager dan zonder aggregatie. We kunnen concluderen dat het zeker de moeite loont voor de schaalbaarheid van de architectuur om aggregerende agenten te gebruiken.
Wind
Aggregatie (#berichten)
Geen aggregatie (#berichten)
Verschil (%)
8986
15419
58%
Tabel 7.6: Resultaten schaalbaarheidstest.
CONCLUSIES EN VERDER ONDERZOEK
112
Hoofdstuk 8
Conclusies en verder onderzoek In dit hoofdstuk sluiten we deze scriptie af met de conclusies van het onderzoek. We zullen een antwoord formuleren op de onderzoeksvragen gesteld in het begin van dit boek. Vervolgens bespreken we enkele idee¨en voor verder onderzoek.
8.1
Conclusies
In deze masterproef werd een gedistribueerd algoritme ontworpen voor residentieel energiebeheer in slimme energienetwerken. We maakten gebruik van een marktgebaseerde Multi-Agent Systeem (MAS) waar agenten bieden voor energie op een centrale markt. In deze markt gebeuren veilingen voor energie die resulteren in een marktevenwichtsprijs volgens de wet van vraag en aanbod. We kunnen hernieuwbare energiebronnen en opslag van energie gemakkelijk modelleren als een agent in dit systeem. Zo is het mogelijk om vraag en aanbod naar energie op elkaar af te stemmen in het slim energienetwerk. We hebben vier scenario’s uitgewerkt en de resultaten beschreven voor verschillende metrieken. De resultaten tonen aan dat het marktalgoritme toelaat om de benodigde energie op een generator in het netwerk aanzienlijk te verminderen. Door het slim verschuiven van lasten naar periodes met hernieuwbare energieproductie kunnen we de generator ontlasten. Dit kan kosten besparen voor de elektriciteitsleverancier. Daarnaast zien we een drastische daling van piekbelasting op de generator, wat positief is voor de netwerkbeheerder. In de architectuur van het ontworpen systeem is rekening gehouden met schaalbaarheid om een groot aantal huizen in het energienetwerk te ondersteunen. Uit tests blijkt dat onze architectuur het aantal berichten kan beperken op de meest kwetsbare plaats in het netwerk, de centrale marktplaats. We brachten nieuwe idee¨en aan in vergelijking met bestaande studies. We hebben aangetoond dat het doorsturen van informatie over de realtime productmix kan bijdragen tot een verbetering van de resultaten.
Daarnaast hebben we historische prijsgegevens in de markt opgeslagen en
8.2 Verder onderzoek
113
gebruikt om effici¨enter lastenverschuivingen uit te voeren. Het introduceren van strategie¨en op basis van prijsgeschiedenis leidde tot bijkomstige verbeteringen. Ten slotte kunnen we dankzij deze prijsstrategie¨en een onderscheid maken in doelstellingen: de ene strategie leidt tot het optimaliseren van de hernieuwbare energiebronnen en de andere strategie leidt tot het optimaliseren van de benodigde specificaties van de generatoren in het energienetwerk.
8.2
Verder onderzoek
Ten eerste zijn er uitbreidingen mogelijk in het marktalgoritme. We denken hierbij aan complexere biedingscurves die enerzijds dynamischer zijn en anderzijds een niet-lineaire vorm hebben zoals bv. een rechthoekige hyperbolische vorm gekend uit de economie (elasticiteit). Door het gebruik van complexere biedingscurves zal het ook nodig zijn om het marktevenwicht van een veiling op een andere manier te zoeken. We kunnen dus de techniek van lineaire regressie vervangen door een techniek uit de numerieke analyse die de oplossing vindt van een stelsel van vergelijkingen (van de curves). Daarnaast zouden we het model voor de lastenverschuivende agent kunnen uitbreiden om rekening te houden met cycli in toestellen. Dit komt voor bij bv. een wasmachine. Ten tweede zijn er uitbreidingen mogelijk op de uitgevoerde scenario’s. Door het gebruik van de simulator is het opstellen van nieuwe scenario’s een gemakkelijke taak. Mogelijke nieuwe scenario’s zijn: opslag van energie in huis in plaats van slechts e´ e´ n opslag in de omgeving, een groot park van zonnepanelen aangesloten in de buurt en scenario’s gebaseerd op veldtesten die in realistische omgevingen plaatsvinden. We kunnen ook onze scenario’s laten uitvoeren over verschillende dagen en daarbij kijken wat de beste strategie is om bv.
om te gaan met fluctuerende hernieuwbare
energieproductie. Ten slotte zijn er verschillende elektrische aspecten die we in deze studie verwaarloosd hebben. Zo kunnen we rekening houden met bv. capaciteitsbeperkingen op de elektriciteitslijnen, verliezen op de elektriciteitslijnen en verliezen die ontstaan door overspanning van zonnepanelen [16]. Om te eindigen geven we een voorsmaak van de mogelijke toekomst voor energiebeheer. Op de de jaarlijkse conferentie van Google in mei 2011 werd ‘Android@Home’ ge¨ıntroduceerd [96]. Deze technologie zou toelaten om alle toestellen in huis te besturen via het Google Android besturingssysteem, wat het ontwikkelen van applicaties die toestellen in huis aansturen zeer gemakkelijk zou maken. Met behulp van deze technologie zou het algoritme ontwikkeld in deze deze studie kunnen ge¨ımplementeerd worden in een echte thuisomgeving.
VOLLEDIGE PSEUDO-CODE
Bijlage A
Volledige pseudo-code Samengevat kunnen we de functionaliteit in het markt center als volgt weergeven. f o r ( m a r k t u i t v o e r i n g s t i j d t = 0 ; t <= DURATIE ; t += MARKT INTERVAL ) { Doe a g g r e g a t i e van consumptie en productie biedingen
2
Bereken de m a r k t e v e n w i c h t s p r i j s aan de hand van het geaggregeerde productie en consumptie bod S l a de uitkomst op Stuur de m a r k t e v e n w i c h t s p r i j s door naar de v e r a n t w o o r d e l i j k e agenten V e r w i j d e r de ontvangen biedingen 7 }
Listing A.1: In kort het algoritme in het markt center.
Nu bespreken we in meer detail het algoritme in het markt center. MAX PRICE = 1 0 ;
// De v i r t u e l e m a r k t p r i j s i s maximaal d i t i n s t e l b a a r g e t a l
PRICE SCALE = 1 ; // De s c h a a l voor de v i r t u e l e m a r k t p r i j s (1= 0 , 1 , 2 , . . . ; 10= 0 , 1 0 , 2 0 , . . . ) 3 NR PRICE POINTS = ( MAX PRICE / PRICE SCALE ) + 1 ; // Het a a n t a l punten in de p r i j s d i m e n s i e
DURATION = 1 4 4 0 ; // We simuleren 1 dag , wat overeenkomt met 1440 minuten MARKET INTERVAL = 1 5 ; // Voer het marktalgoritme u i t e l k e 15 minuten
f o r ( m a r k t u i t v o e r i n g s t i j d t = 0 ; t <= DURATIE ; t += MARKT INTERVAL ) { 8
l i s t producerBids = getProducerBids ( ) ; l i s t consumerbids = getConsumerBids ( ) ; ProducerBid ∗ aggregatedProducerBid = new ProducerBid ( ) ; ConsumerBid∗ aggregatedConsumerBid = new ConsumerBid ( ) ;
13
// Aggregeer a l l e producerende biedingen beschikbaar op t i j d s t i p t f o r ( i n t p r i c e = 0 ; p r i c e < NR PRICE POINTS ; p r i c e ++) { f o r ( ProducerBid ∗ pBid : producerBids ) { double temp = aggregatedProducerBid−>getValue ( p r i c e ) +pBid−>getValue ( p r i c e ) ;
114
VOLLEDIGE PSEUDO-CODE
115
aggregatedProducerBid−>s e t V a l u e ( p r i c e , temp ) ; }
18
} // Aggregeer de parameter \% hernieuwbare productie v i a de gemiddelde waarde double totalRenewable = 0 ; f o r ( ProducerBid ∗ pBid : producerBids ) { totalRenewable += pBid−>getPercentageRenewable ( ) ;
23
} aggregatedProducerBid−>setPercentageRenewable ( totalRenewable / producerBids . s i z e ( ) ) ; // Aggregeer a l l e consumerende biedingen beschikbaar op t i j d s t i p t f o r ( i n t p r i c e = 0 ; p r i c e < NR PRICE POINTS ; p r i c e ++) { f o r ( ConsumerBid∗ cBid : consumerBids ) {
28
double temp = aggregatedConsumerBid−>getValue ( p r i c e ) +cBid−>getValue ( p r i c e ) ; aggregatedConsumerBid−>s e t V a l u e ( p r i c e , temp ) ; } } 33
// Maak een r i j van a l l e p r i j s p u n t e n ( d i t i s de x−as , de y−as i s het vermogen in Watt ) double [ ] p r i c e P o i n t s = double [ NR PRICE POINTS ] ; f o r ( i n t i = 0 ; i < NR PRICE POINTS ; i ++) { pricePoints [ i ] = i ; }
38
// Bereken de m a r k t e v e n w i c h t s p r i j s v i a een methode naar keuze double e q P r i c e = f i n d E Q P r i c e L i n e a r I n t e r p o l a t i o n ( p r i c e p o i n t s , aggregatedProducerBid−>getBid ( ) , aggregatedConsumerBid−>getBid ( ) , NR PRICE POINTS ) ; // C r e e r een o b j e c t met de r e s u l t a t e n , d i t i s een l i s t <MarketOutcomeUnit> die momenteel s l e c h t s 1 o b j e c t bevat // Waarbij 1 MarketOutcomeUnit bevat : t i j d , p r i j s , %renewable 43
MarketOutcome∗ outcome = new MarketOutcome ( t , eqPrice , aggregatedProducerBid−> getPercentRenewable ( ) ) ; // Voeg de uitkomst toe aan de g e s c h i e d e n i s ( l i s t <MarketOutcome∗>) h i s t o r y . addElement ( outcome )
i f ( aggregation ) { // Stuur de uitkomst naar a l l e aggregerende agenten in het netwerk ,
48
// Die op hun beurt de uitkomst doorsturen naar de l a s t v e r s c h u i v e n d e− en opslag agenten Verstuur uitkomst en g e s c h i e d e n i s naar a l l e aggregerende agenten in het ICT netwerk } else { // Verstuur de uitkomst r e c h t s t r e e k s naar de l a s t v e r s c h u i v e n d e− en opslag agenten Verstuur uitkomst naar a l l e
53
l a s t v e r s c h u i v e n d e − en opslag agenten in het ICT netwerk
} // V e r w i j d e r a l l e ontvangen biedingen in het markt c e n t e r clearProducerBids ( ) ; clearConsumerBids ( ) ; 58 }
VOLLEDIGE PSEUDO-CODE
116
Listing A.2: Het algoritme in het markt center.
double f i n d E Q P r i c e L i n e a r R e g r e s s i o n ( p r i j s p u n t e n , aanbod punten , vraag punten , NR PRICE POINTS ) { // Gebruik l i n e a i r e r e g r e s s i e om de b e s t passende r e c h t e t e vinden door de vraag punten en
2
de aanbod punten // X vraag = a − b∗p double a , b = l i n R e g ( p r i j s p u n t e n , vraag punten ) ; // X aanbod = beta ∗p − a l f a double a l f a , beta = l i n R e g ( p r i j s p u n t e n , aanbod punten ) ; // Zoek het s n i j p u n t van de vraag− en aanbodrechten , wat t r i v i a a l i s omdat d i t
7
2D curven
zijn double e q P r i c e = ( a + a l f a ) / ( b + beta ) ; return eqPrice ; } Listing A.3: Het marktevenwicht bepalen via het snijput van twee lineare rechten bepaald door lineaire regressie.
MESSAGE INTERVAL = 1 5 ; BID TYPE = LINEAR ; // Do s e r v i c e l o g i c and send a bid to the market or a g g r e g a t o r agent every MESSAGE INTERVAL time f o r ( t i j d t = 0 ; t < DUURTIJD ; t += MESSAGE INTERVAL ) { ProducerBid ∗ bid = new ProducerBid ( percentageRenewable ) ;
5
// Maak het bod bool sendOk = makeBid ( bid , t , BID TYPE ) ; // Stuur het bod naar het markt center , ev entue el v i a een a g g r e g a t o r i f ( sendOk ) { sendProductionBid ( bid ) ;
10
} } Listing A.4: De service logica in een producerende agent.
i n t f i r s t S t e p = MAX PRICE / (2∗ PRICE SCALE ) ; // De huidige productie van het t o e s t e l waar deze s e r v i c e werkt 3 double supply = getPower ( ) ;
ProducerBid ∗ bid ; // Maak t r a p f u n c t i e in twee niveau ’ s f o r ( i n t i = 0 ; i < f i r s t S t e p ; i ++) { bid−>s e t V a l u e ( i , 0 ) ; 8 }
f o r ( i n t i = f i r s t S t e p ; i < NR PRICE POINTS ; i ++) { bid−>s e t V a l u e ( i , supply ) ; }
VOLLEDIGE PSEUDO-CODE
117
Listing A.5: Een lineair bod maken in een producerende agent.
MESSAGE INTERVAL = 1 5 ; BID TYPE = LINEAR ;
4 // Voer de s e r i v c e l o g i c a u i t e l k i n t e r v a l
f o r ( t i j d t = 0 ; t < DUURTIJD ; t += MESSAGE INTERVAL ) { ConsumerBid∗ bid = new ConsumerBid ( ) ; bool sendOk = makeBid ( bid , t , BID TYPE ) ; // Stuur het bod naar het markt center , ev entue el v i a een a g g r e g a t o r i f ( sendOk ) {
9
sendConsumptionBid ( bid ) ; } } Listing A.6: De service logica in een consumerende agent.
i n t f i r s t S t e p = ( MAX PRICE ∗ 0 . 5 ) / PRICE SCALE ; i n t secondStep = ( MAX PRICE ∗ 0 . 7 ) / PRICE SCALE ; 3 // De gevraagde consumptie van het t o e s t e l waar de d i e n s t d r a a i t
double demand = getPower ( ) ; ConsumerBid∗ bid ; // Maak het bod in een t r a p f u n c t i e bestaande u i t d r i e niveau ’ s f o r ( i n t i = 0 ; i < f i r s t S t e p ; i ++) { bid−>s e t V a l u e ( i , demand ) ;
8
} f o r ( i n t i = f i r s t S t e p ; i < secondStep ; i ++) { bid−>s e t V a l u e ( i , demand/ 2 ) ; } 13 f o r ( i n t
i = secondStep ; i < NR PRICE POINTS ; i ++) {
bid−>s e t V a l u e ( i , 0 ) ; } Listing A.7: Een lineair bod maken in een consumerende agent.
BID TYPE = LINEAR ; bool s h e d u a l i n g S t a r t e d = f a l s e ; counter = 0 ; interval = 15; 5 // S t e l t de d u u r t i j d van het onderliggend t o e s t e l voor
duration = getDeviceDuration ( ) ; // De drempel voor hoeveel % groene e n e r g i e er in de productmix moet z i t t e n voor een t o e s t e l aanschakelt greenLogic = 0 . 5
VOLLEDIGE PSEUDO-CODE
118
10 A l s we een MarketOutcome ontvangen van het markt c e n t e r op t i j d s t i p t , doe de volgende l o g i c a :
// A . Bepaal de p r i j s d r e m p e l switch ( h i s t o r y S t r a t e g y ) { case MarketHistory : : NONE: // We hebben een derempel di e 30% van de maximum mogelijke p r i j s bedraagt
15
t h r e s h o l d = ( MAX PRICE ∗ 0 . 3 ) / PRICE SCALE ; // Dynamisch element in de drempel : a l s de deadline voor het s t a r t e n van het t o e s t e l nadert en het t o e s t e l i s nog n i e t k l a a r met werken , verhoog van e x p o n e n t i e e l de drempel (100min van de d e a l i n e voegen we 20% toe en 10min van de deadline 80%) t h r e s h o l d += ( ( 0 . 8 ∗ MAX PRICE ) / PRICE SCALE ) ∗ 0 . 9 9 ˆ ( maximumStartTime − t ) ; break ; 20
case MarketHistory : : AVERAGE : // Gebruik a l s drempel ( 0 . 5 ∗ g e m i d d e l d e m a r k t p r i j s ) avg = h i s t o r y −>g e t A v e r a g e P r i c e ( historyWindow ) ; max = h i s t o r y −>getMaxPrice ( historyWindow ) ; FACTOR = 0 . 5 ;
25
// Threshold = average metriek , behalve a l s g e s c h i e d e n i s l e e g ( avg ==0) , v a l dan t e r u g op MarketHistory : : NONE t h r e s h o l d = avg ! = 0? avg ∗ FACTOR : ( MAX PRICE ∗ 0 . 3 ) / PRICE SCALE ; t h r e s h o l d += ( 0 . 8 ∗ max) ∗ pow ( 0 . 9 9 , ( maximumStartTime − time ) ) ; break ; 30
case MarketHistory : : MINMAX: // Gebruik a l s drempel 0 . 3 ∗ ( m a x p r i j s g e s c h i e d e n i s − m a x p r i j s g e s c h i e d e n i s ) minmax = h i s t o r y −>getMaxiMin ( 0 . 3 , historyWindow ) ; max = h i s t o r y −>getMaxPrice ( historyWindow ) ; // Threshold = minmax metriek , behalve a l s g e s c h i e d e n i s l e e g ( minmax==0) , v a l dan t e r u g
35
op MarketHistory : : NONE t h r e s h o l d = minmax ! = 0? minmax : ( MAX PRICE ∗ 0 . 3 ) / PRICE SCALE ; t h r e s h o l d += ( 0 . 8 ∗ max) ∗ pow ( 0 . 9 9 , ( maximumStartTime − time ) ) ; break ;
40
case MarketHistory : : TWOSIGMA: // Gebruik a l s drempel 0 . 3 ∗ ( avg +2∗ s t d a f w ) twosigma = h i s t o r y −>get2Sigma ( historyWindow ) ; max = h i s t o r y −>getMaxPrice ( historyWindow ) ; double FACTOR = 0 . 3 ;
45
// Threshold = 2sigma metriek , behalve a l s g e s c h i e d e n i s l e e g ( twosigma ==0) , v a l dan t e r u g op MarketHistory : : NONE t h r e s h o l d = twosigma ! = 0? twosigma ∗ FACTOR : ( MAX PRICE ∗ 0 . 3 ) / PRICE SCALE ; t h r e s h o l d += ( 0 . 8 ∗ max) ∗ pow ( 0 . 9 9 , ( maximumStartTime − time ) ) ; break ; 50
}
VOLLEDIGE PSEUDO-CODE
119
// B . S t a r t s h i f t i n g l o g i c a p r i c e = outcome−>getEQPrice ( ) ; percentageGreen = outcome−>getPercentageRenewable ( ) ; 55
i f ( duration < 0 ) { stopDevice ( ) ; // Stop het t o e s t e l a l s het k l a a r i s de d u u r t i j d afgelopen i s } else { // Stuur een consumptie bod voor deze agent sendConsumptionBid ( ) ;
60
// A l s het t o e s t e l nog n i e t g e s t a r t i s , kan het enkel s t a r t e n a l s de p r i j s onder de p r i j s d r e m p e l i s , het percent hernieuwbaar boven de drempel greenLogic i s , en de t i j d in het i n t e r v a l z i t waarin het t o e s t e l mag s t a r t e n i f ( ! s c h e d u a l i n g S t a r t e d && p r i c e <= t h r e s h o l d && percentageGreen >= greenLogic && ( ( time >= minimumStartTime && time <= rangeEnd && time <= maximumStartTime ) | | ( time >= minimumStartTime && time >= r a n g e R e s t a r t && time <= maximumStartTime ) ) ) {
65
// Laat het t o e s t e l s t a r t e n a l s een w i l l e k e u r i g e kans ‘ random ’ boven een probabiliteitsdrempel is double random = uniform ( 0 , 1 ) ; i f ( random >= p r o b a b i l i t y T h r e s h o l d ) { plannedStartTime = time ;
70
schedualingStarted = true ; startDevice ( ) ; counter ++; duration −= ( i n t e r v a l ) ; }
75
} // A l s het t o e s t e l a l g e s t a r t i s , l a a t het dan lopen voor minstens ‘ s h i f t S t e p S i z e ’ a a n t a l i n t e r v a l l e n , maar stop a l s de p r i j s boven de drempel gaat e l s e i f ( s c h e d u a l i n g S t a r t e d && time >= plannedStartTime ) { duration −= ( i n t e r v a l ) ; // Stop het t o e s t e l a l s de p r i j s d r e m p e l overschreden wordt
80
i f ( p r i c e > t h r e s h o l d && counter >= s h i f t S t e p S i z e ) { stopDevice ( ) ; schedualingStarted = f a l s e ; counter = 0 ; } e l s e { // b l i j f consumeren t o t ’ s h i f t S t e p S i z e ’ a a n t a l i n t e r v a l l e n z i j n b e r e i k t en de
85
p r i j s n i e t boven de drempel gaat plannedStartTime = time ; counter ++; } } 90
}
VOLLEDIGE PSEUDO-CODE
Listing A.8: De service logica in een lastenverschuivende agent.
double p r i c e = outcome−>g e t P r i c e ( ) ; SimpleBattery ∗ s t o r a g e = device−>g e t B a t t e r y ( ) ; i n t e r v a l = 1 5 ; // Het huidig s i m u l a t i e i n t e r v a l , per 15min
5
i f ( p r i c e <= buyThreshold && ! device−>i s F u l l ( ) ) { // Koop opslag a l s de p r i j s onder de koopdrempel v a l t en de opslag nog n i e t v o l i s t h i s −>device−>s e t P o w e r S t o r a g e S t a t e ( PowerStorage : : CHARGING) ; s to r ag e−>charge ( s to r ag e−>getDefaultChargePower ( ) , i n t e r v a l ) ; sendConsumptionBid ( ) ;
10
} e l s e i f ( p r i c e >= s e l l T h r e s h o l d && ! device−>isEmpty ( ) ) { // Verkoop opslag a l s de p r i j s boven de v e r k o o p s p r i j s i s en de opslag n i e t l e e g i s t h i s −>device−>s e t P o w e r S t o r a g e S t a t e ( PowerStorage : : DISCHARGING) ; s to r ag e−>d i s c h a r g e ( s to r ag e−>getDefaultChargePower ( ) , i n t e r v a l ) ; sendProductionBid ( ) ;
15
} else { // Een ’ i d l e s t a t e ’ waar er geen opslag gekocht o f verkocht wordt t h i s −>device−>s e t P o w e r S t o r a g e S t a t e ( PowerStorage : : IDLE ) ; } Listing A.9: De service logica in een opslagagent.
120
EXTRA RESULTATEN
121
Bijlage B
Extra resultaten B.1 B.1.1
Resultaten voor SLP basislasten Wind scenario
Geval veel wind Hieronder zijn de grafieken weergegeven van een typische simulatie van het wind-energie scenario (veel wind) met SLP basislasten.
B.1 Resultaten voor SLP basislasten
122
(a) Referentie scenario
(b) Marktalgoritme scenario
(c) Marktevenwichtsprijs
(d) Verschil in generatorcurve
Figuur B.1: Het resultaat van een typische simulatie voor het windenergie scenario, in het geval er veel wind is en er SLP basislasten in huis zijn.
B.1 Resultaten voor SLP basislasten
123
Geval matige wind
(a) Marktalgoritme scenario
(b) Verschil in generatorcurve
(c) Verschil generatorprofiel SLP vs VITO
Figuur B.2: Het resultaat van een typische simulatie voor het windenergie scenario, in het geval er matige wind is en er SLP basislasten in huis zijn.
B.2 Resultaten prijsgeschiedenis
B.2
124
Resultaten prijsgeschiedenis P &
Pmax &
σ(P ) &
Versp. &
Nuttig gebruik %
NONE
40%
36%
13%
8%
25%
AVERAGE
29%
48%
17%
14%
45%
MINMAX
63%
39%
31%
12%
41%
2SIGMA
60%
57%
28%
7%
24%
NONE
20%
48%
32%
45%
197%
AVERAGE
19%
47%
27%
38%
165%
MINMAX
33%
48%
35%
45%
198%
2SIGMA
22%
48%
31%
48%
209%
NONE
43%
10%
20%
11%
31%
AVERAGE
37%
51%
21%
14%
40%
MINMAX
53%
40%
28%
14%
43%
2SIGMA
45%
55%
23%
13%
40%
NONE
42%
10%
17%
5%
25%
AVERAGE
35%
50%
24%
18%
79%
MINMAX
57%
7%
24%
11%
50%
2SIGMA
67%
61%
36%
12%
53%
NONE
30%
-16%
19%
16%
35%
AVERAGE
19%
15%
25%
28%
62%
MINMAX
36%
-16%
22%
16%
36%
2SIGMA
24%
23%
27%
24%
54%
VITO WIND (hoog)
ZON
OPSLAG
BUURT
POWERMATCHER
Tabel B.1: Resultaten van de verschillende strategie¨en voor prijsgeschiedenis voor VITO basislasten.
B.2 Resultaten prijsgeschiedenis
125
P &
Pmax &
σ(P ) &
Versp. &
Nuttig gebruik %
NONE
52%
32%
27%
11%
28%
AVERAGE
46%
46%
28%
21%
53%
MINMAX
60%
32%
32%
15%
37%
2SIGMA
69%
61%
37%
14%
35%
NONE
20%
46%
29%
40%
82%
AVERAGE
21%
46%
30%
46%
94%
MINMAX
32%
46%
34%
54%
109%
2SIGMA
19%
46%
33%
39%
79%
NONE
44%
31%
24%
13%
30%
AVERAGE
46%
46%
28%
20%
46%
MINMAX
50%
31%
29%
18%
40%
2SIGMA
64%
46%
35%
14%
32%
NONE
60%
20%
30%
14%
41%
AVERAGE
34%
47%
28%
23%
68%
MINMAX
67%
20%
35%
18%
51%
2SIGMA
75%
64%
44%
11%
31%
NONE
39%
-6%
36%
35%
27%
AVERAGE
11%
2%
19%
19%
15%
MINMAX
-1%
-5%
12%
18%
14%
2SIGMA
48%
40%
54%
15%
12%
SLP WIND (hoog)
ZON
OPSLAG
BUURT
Powermatcher
Tabel B.2: Resultaten van de verschillende strategie¨en voor prijsgeschiedenis voor SLP basislasten.
BIBLIOGRAFIE
126
Bibliografie [1] ECN. TNO neemt activiteiten over van ECN. [Online]. Available: http://www.ecn.nl/nl/nieuws/ item/date/2011/04/12/tno-neemt-activiteiten-over-van-ecn/ [2] H. Farhangi, “The path of the smart grid,” IEEE Power and Energy Magazine, vol. 8, no. 1, pp. 18–28, 2010. [Online]. Available: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber= 5357331 [3] C. Develder, W. Haerick, K. Mets, and F. De Turck, “Smart Grids and the role of ICT,” in Proc. IEEE Smart Grid Comms Workshop, at IEEE Int. Conf. on Commun. (ICC 2010), 2010. [4] A. Ipakchi and F. Albuyeh, “Grid of the future,” Power and Energy Magazine, IEEE, vol. 7, no. 2, pp. 52 –62, mar. 2009. [5] Smart Substation EU, “An Intelligent MV/LV Distribution Station that maintains power quality and reliability in an economic way.” [Online]. Available: http://www.smartsubstation.eu [6] European Commission. European SmartGrids Technology Platform: Vision and Strategy for Europe’s Electricity Network for the Future. [Online]. Available: http://www.smartgrids.eu/ documents/vision.pdf [7] J. Houghton, “Global warming,” Reports on Progress in Physics, vol. 68, no. 6, p. 1343, 2005. [Online]. Available: http://stacks.iop.org/0034-4885/68/i=6/a=R02 [8] European Commission. (2010, March) Europe 2020: a strategy for smart, sustainable and inclusive growth. [Online]. Available: http://ec.europa.eu/eu2020/pdf/1 NL ACT part1 v1.pdf [9] DeTijd.
Is
investeren
in
zonnepanelen
nog
zinvol?
http://www.tijd.be/dossier/
energieproduceren/Is investeren in zonnepalen nog zinvol-.9040327-2680.art. [10] German Federal Ministry of Economics and Technology (BMWi). (2009) E-Energy - Smart Grids made in Germany. [Online]. Available: http://www.e-energy.de/ [11] Vlaams Smart Grids Platform (VSGP). Smart Grid Flanders. [Online]. Available: //www.smartgridsflanders.be/
http:
BIBLIOGRAFIE
127
[12] Smarthouse-Smartgrid Consortium. (2009) The SmartHouse/SmartGrid Vision. [Online]. Available: http://www.smarthouse-smartgrid.eu [13] J. W. Audun Botterud. (2010) Wind power forecasting and electricity market operations. [Online]. Available:
http://www.usaee.org/usaee2009/submissions/OnlineProceedings/Botterud etal
paper.pdf [14] J. K. Kok, C. J. Warmer, and I. G. Kamphuis, “PowerMatcher: Multiagent Control in the Electricity Infrastructure,” in Proceedings of the 4th international joint conference on Autonomous Agents and Multiagent Systems, New York, NY, USA, 2005, pp. 75–82. [Online]. Available: www.powermatcher.net [15] F. Zhong, “Distributed demand response and user adaptation in smart grids,” CoRR, vol. abs/1007.5425, 2010. [16] J. Ringelstein. (2010, November) Decentralized Energy Management for Smart Houses - A building block for future’s smart grid. 6th Japan-Germany Industry Forum, Tokio. [Online]. Available: http://www.smarthouse-smartgrid.eu/fileadmin/templateSHSG/docs/publications/ JGIF2010 Tokio RJ.pdf [17] R. Bell, “In SMART Grid Security, the Details MATTER.” POWERGRID International, vol. 15, no. 4, pp. 18 – 22, 2010. [Online]. Available: http://search.ebscohost.com/login.aspx?direct=true&db= buh&AN=49190152&site=ehost-live [18] H.-P. Siderius and A. Dijkstra, “Smart metering for households: Cost and benefits for the netherlands,” in Energy efficiency in domestic appliances and lighting, ser. Proceedings of the 4th international conference EEDAL’06, vol. 4, 2006, pp. 207–218. [Online]. Available: http://sunbird. jrc.it/energyefficiency/pdf/EEDAL06/EEDAL06%20Proceedings-Volume1.pdf#page=217 [19] A. Harris, “Smart grid thinking.” Engineering & Technology (17509637), vol. 4, no. 9, pp. 46 – 49, 2009. [Online]. Available: http://search.ebscohost.com/login.aspx?direct=true&db=buh&AN= 42642461&site=ehost-live [20] CRISP. (2006) EU Project CRISP (distributed intelligence in CRitical Infrastructures for Sustainable Power). [Online]. Available: http://www.crisp.ecn.nl/ [21] Integrated ICT-platform based Distributed Control in Electricity Grids (EU project INTEGRAL). [Online]. Available: http://www.integral-eu.com [22] The United States Government. The Recovery Act. [Online]. Available: http://www.recovery.gov/ About/Pages/The Act.aspx [23] National Institute of Standards and Technology (NIST). Smart Grid Homepage. [Online]. Available: http://www.nist.gov/smartgrid/
BIBLIOGRAFIE
128
[24] U.S. Energy Information Administration (EIA). International Energy Outlook 2010. [Online]. Available: http://www.eia.doe.gov/oiaf/ieo/world.html [25] Vlaams Energieagentschap (VEA). Groene energie. [Online]. Available:
http://www.
energiesparen.be/milieuvriendelijke [26] P. M. Vitousek, “Beyond global warming: Ecology and global change,” Ecology, vol. 75, no. 7, pp. 1861–1876, 1994. [Online]. Available: http://www.esajournals.org/doi/abs/10.2307/1941591 [27] TED: Ideas worth spreading. Bill Gates on energy: Innovating to zero! [Online]. Available: http://www.ted.com/talks/lang/eng/bill gates.html [28] K. Kok, M. Scheepers, and R. Kamphuis, “Intelligence in electricity networks for embedding renewables and distributed generation,” Intelligent Infrastructures, 2009. [29] T. Ackermann, G. Andersson, and L. Sder, “Distributed generation: a definition,” Electric Power Systems Research, vol. 57, no. 3, pp. 195 – 204, 2001. [Online]. Available:
http:
//www.sciencedirect.com/science/article/pii/S0378779601001018 [30] Het Nieuwsblad. Electrabel: Nucleaire taks kan groene investeringen in gevaar brengen. [Online]. Available: http://www.nieuwsblad.be/article/detail.aspx?articleid=DMF20110511 019 [31] M. Liserre, T. Sauter, and J. Hung, “Future energy systems: Integrating renewable energy sources into the smart power grid through industrial electronics,” Industrial Electronics Magazine, IEEE, vol. 4, no. 1, pp. 18 –37, mar. 2010. [32] Vlaamse Regulator van de Elektriciteits- en Gasmarkt (VREG). Energiemarkt - wie doet wat? [Online]. Available: http://www.vreg.be/wie-doet-wat [33] G. Deconinck, “An evaluation of two-way communication means for advanced metering in Flanders (Belgium),” in IEEE Int. Instrumentation and Measurement Technology Conf. (I2MTC-2008), may. 2008, pp. 900–905. [Online]. Available: http://www.esat.kuleuven.be/electa/ publications/fulltexts/pub 1781.pdf [34] Eandis. Eandis bouwt aan eerste slim energienetwerk in Vlaanderen. [Online]. Available: http: //www.emis.vito.be/nieuwsbericht/eandis-bouwt-aan-eerste-slim-energienetwerk-vlaanderen [35] Eandis, “Eandis magazine, p.9,” November 2010. [36] K. Sernhed, “Whats on the Top?
Household Load Patterns and Peak Load Problems,” in
Energy efficiency in domestic appliances and lighting, ser. Proceedings of the 4th international conference EEDAL’06, vol. 4.
Lund University, Department of Energy Sciences, 2006, pp.
219–231. [Online]. Available: http://sunbird.jrc.it/energyefficiency/pdf/EEDAL06/EEDAL06% 20Proceedings-Volume1.pdf#page=229
BIBLIOGRAFIE
129
[37] X. Jiang, S. Dawson-Haggerty, P. Dutta, and D. Culler, “Design and implementation of a high-fidelity ac metering network,” in IPSN ’09: Proceedings of the 2009 International Conference on Information Processing in Sensor Networks.
Washington, DC, USA: IEEE Computer
Society, 2009, pp. 253–264. [Online]. Available: http://buzzing.cs.berkeley.edu/∼xjiang/papers/ jiang09acme.pdf [38] K. Mets, T. Verschueren, W. Haerick, C. Develder, and F. De Turck, “Optimizing smart energy control strategies for plug-in hybrid electric vehicle charging,” in IEEE/IFIP Network Operations and Management Symposium Workshop (NOMSW). IEEE, 2010, pp. 293–299. [Online]. Available: http://dx.doi.org/10.1109/NOMSW.2010.5486561 [39] I. Koutsopoulos and L. Tassiulas, “Control and optimization meet the smart power grid scheduling of power demands for optimal energy management,” CoRR, vol. abs/1008.3614, 2010. [Online]. Available: http://arxiv.org/PS cache/arxiv/pdf/1008/1008.3614v1.pdf [40] W. L. Winston, Operations Research. Applications and Algorithms, 4th ed.
Brooks/Cole, 2004.
[Online]. Available: http://www.amazon.com/exec/obidos/redirect?tag=citeulike07-20&path= ASIN/0534380581 [41] M.
Pinedo,
[Online].
Scheduling:
Available:
theory,
algorithms,
and
systems.
Springer,
2008.
http://books.google.be/books?id=EkpDak9kEs0C&dq=production+
planning+algorithm&lr=&source=gbs similarbooks s&cad=1 [42] A. Niinisto and P. Wirtanen, “Simulation of the management of a micro grid with wind, solar and gas generators,” Master’s thesis, Aalto University school of science and technology, October 2009. [Online]. Available: http://www.sal.tkk.fi/publications/pdf-files/tnii09.pdf [43] K. Kok, G. Venekamp, and P. Macdougall, “Market-based Control in Decentralized Electrical Power Systems,” in First International Workshop on Agent Technologies for Energy Systems (ATES 2010) at the ninth Conference on Autonomous Agents and Multiagent Systems AAMAS, 2010. [44] S. D. J. Mcarthur, E. M. Davidson, V. M. Catterson, A. L. Dimeas, N. D. Hatziargyriou, F. Ponci, and T. Funabashi, “Multi-agent systems for power engineering applications: Part i: Concepts, approaches, and technical challenges,” Power Systems, IEEE Transactions on, vol. 22, no. 4, pp. 1743–1752, 2007. [Online]. Available: http://dx.doi.org/10.1109/TPWRS.2007.908471 [45] M. Wooldridge, “Intelligent agents,” in Multiagent Systems A Modern Approach to Distributed Artificial Intelligence, G. Weiss, Ed.
MIT Press, 2000, pp. 27–77.
[46] K. Kok, “Multi-agent coordination in the electricity grid, from concept towards market introduction,” in Proceedings of the 9th International Conference on Autonomous Agents and Multiagent Systems: Industry track, ser. AAMAS ’10.
Richland, SC: International Foundation
BIBLIOGRAFIE
130
for Autonomous Agents and Multiagent Systems, 2010, pp. 1681–1688. [Online]. Available: http://portal.acm.org/citation.cfm?id=1838194.1838196 [47] Integrated ICT-platform based Distributed Control in Electricity Grids (EU project Integral). (2008) Deliverable 2.2: Guidelines for practical algorithm implementation. [Online]. Available: http://www.integral-eu.com/fileadmin/user upload/downloads/Deliverables/D2.2 final.pdf [48] Jtten, G., A. Weidlich, L. Filipova-Neumann, A. Schuller, “Assessment of flexible demand response business cases in the smart grid,” in 21st International Conference on Electricity Distribution CIRED, Frankfurt, 2011. [Online]. Available: http://www.smarthouse-smartgrid.eu/ [49] Energy Research centre of the Netherlands (ECN), the Flemish Institute for Technological Research (VITO) . PowerMatcher website. [Online]. Available: http://www.powermatcher.net [50] E. Omey, “Cursus Micro-economie, Universiteit Gent,” 2008. [51] F. Ygge, “Market-oriented programming and its application to power load management,” Ph.D. dissertation, Lund University, 1998. [52] PowerMatching city. [Online]. Available: http://www.PowerMatchingCity.nl [53] S. Lamparter, S. Becher, and J.-G. Fischer, “An agent-based market platform for smart grids,” in AAMAS ’10: Proceedings of the 9th International Conference on Autonomous Agents and Multiagent Systems.
Richland, SC: International Foundation for Autonomous Agents and
Multiagent Systems, 2010, pp. 1689–1696. [Online]. Available: http://portal.acm.org/citation. cfm?id=1838197&dl=GUIDE&coll=GUIDE&CFID=110553011&CFTOKEN=88443868 [54] L. Makowski and J. M. Ostroy, “Vickrey-Clarke-Groves mechanisms and perfect competition,” Journal of Economic Theory, vol. 42, no. 2, pp. 244–261, August 1987. [Online]. Available: http://ideas.repec.org/a/eee/jetheo/v42y1987i2p244-261.html [55] H. F. Wedde, S. Lehnhoff, E. Handschin, and O. Krause, “Real-time multi-agent support for decentralized management of electric power,” Real-Time Systems, Euromicro Conference on, vol. 0, pp. 43–51, 2006. [56] TU Dortmund. Real-time multi-agent support for decentralized management of electric power. [Online]. Available: http://ls3-www.cs.uni-dortmund.de/en/projekte/arbeitsgruppen/dezent/ index.html [57] Z. Jiang, “Agent-based control framework for distributed energy resources microgrids,” in IAT ’06: Proceedings of the IEEE/WIC/ACM international conference on Intelligent Agent Technology. Washington, DC, USA: IEEE Computer Society, 2006, pp. 646–652.
BIBLIOGRAFIE
131
[58] R. Buyya and S. Vazhkudai, “Compute power market: Towards a market-oriented grid,” in In The First IEEE/ACM International Symposium on Cluster Computing and the Grid (CCGrid 2001). IEEE Computer Society Press, 2001, pp. 574–581. [59] P. Mazza. The Smart Energy Network: Electrical Power for the 21st Century. [Online]. Available: http://gridwise.pnnl.gov/docs/mazza.pdf [60] T. Rigole, K. Vanthournout, and G. Deconinck, “Distributed control systems for electric power applications,” in 2nd International Workshop on Networked Control Systems, 2006. [Online]. Available: http://www.esat.kuleuven.be/electa/publications/fulltexts/pub 1626.pdf [61] Cogeneration
&
electricity
demand,
[Online].
Available:
On-site a
power negawatt
production. network
(2006, in
October)
action
in
Managing the
US.
http://www.cospp.com/articles/print/volume-7/issue-5/features/
managing-electricity-demand-a-lsquonegawatt-networkrsquo-in-action-in-the-us.html [62] L. Bass, P. Clements, and R. Kazman, Software Architecture in Practice (2nd Edition), 2nd ed. Addison-Wesley Professional, Apr. 2003. [Online]. Available: http://www.amazon.com/exec/ obidos/redirect?tag=citeulike07-20&path=ASIN/0321154959 [63] D. Swaim, “Linear Regression, C++ For Scientists and Engineers,” 1998. [Online]. Available: http://david.swaim.com/cpp/linreg.htm [64] K. Mets, T. Verschueren, and C. Develder, “Integrated simulation of power and communication networks for smart grid applications (to be presented at camad 2011),” in IEEE Computer Aided Modeling Analysis and Design of Communication Links and Networks (CAMAD), 2011. [65] K. Mets, W. Haerick, and C. Develder, “A simulator for the control network of smart grid architectures,” in i-SUP 2010 : Innovation for Sustainable Production, Proceedings, 2010, pp. 50– 54. [66] A. Varga and R. Hornig, “An overview of the OMNeT++ simulation environment,” in Simutools ’08: Proceedings of the 1st international conference on Simulation tools and techniques for communications, networks and systems & workshops.
ICST (Institute for Computer Sciences,
Social-Informatics and Telecommunications Engineering), 2008, pp. 1–10. [Online]. Available: http://www.omnetpp.org/doc/workshop2008/omnetpp40-paper.pdf [67] Vlaamse Regulator van de Elektriciteits- en Gasmarkt (VREG). (2011) Verbruiksprofielen. [Online]. Available: http://www.vreg.be/verbruiksprofielen-0 [68] ——.
(2009)
De
verbruiksprofielen
van
huishoudelijke
elektriciteitsverbruikers voor het jaar 2009. [Online]. Available: documenten/technische%20reglementen/80134.XLS
en
niet-huishoudelijke
http://www.vreg.be/vreg/
BIBLIOGRAFIE
132
[69] K. Tanaka. Recent sodium sulfur battery applications in Japan. Tokyo electric power company (TEPCO). [Online]. Available: http://www.bpa.gov/Energy/n/tech/energyweb/docs/Energy% 20Storage/NGK-Paper.PDF [70] M. Hoogwijk, “Over het mondiale en regionale potentieel van hernieuwbare energiebronnen,” Ph.D. dissertation, Universiteit Utrecht, 2004. [Online]. Available:
http://www.pbl.nl/en/
publications/2004/On the global and regional potential of renewable energy sources [71] Nederlands
Ministerie
van
(VROM). Duurzame energie:
Volkshuisvesting,
Ruimtelijke
Ordening
windenergie. [Online]. Available:
en
Milieubeheer
http://www.rijksoverheid.
nl/onderwerpen/duurzame-energie/windenergie [72] Vlaamse Radio- en Televisieomroep (VRT). 300 windmolens extra in Vlaanderen tegen 2020. [Online]. Available: http://www.deredactie.be/cm/vrtnieuws/binnenland/1.1003346 [73] Vlaams Agentschap Ondernemen (VLAO). Technologie-fiche: windenergie voor bedrijven. [Online]. Available: http://www.vlao.be/images sub/pdf/energie/AO Windenergie.pdf [74] Electrawinds NV/SA Oostende Belgium. (2011, April) Persbericht Electrawinds: Windturbinepark Maldegem volledig operationeel. [Online]. Available: http://www.electrawinds.be/electrawinds powered by nature-electrawinds artikels.asp?taal=nl&paginaID=623&artikelID=16420 [75] KU Leuven Metaforum. (2011, Maart) Personenmobiliteit in Vlaanderen. [Online]. Available: http://www.kuleuven.be/metaforum/docs/pdf/wg 7 n.pdf [76] F. Kreuger, Waar staan we met windenergie?, TU Delft, Ed.
Quantes Rijswijk, 2005.
[Online]. Available: http://web.archive.org/web/20070928040807/http://www.stichting-han.nl/ Commentaren/energie/Wind+Kreuger+1+&+2.doc [77] F. A. Mohamed, “Microgrid modelling and online management,” Ph.D. dissertation, Helsinki University of Technology, Espoo, Finland, 2008. [Online]. Available: http://lib.tkk.fi/Diss/2008/ isbn9789512292356/ [78] T. Ackermann, Wind Power in Power Systems. [79] Gamesa Available:
Corp.
(2011,
February)
Wiley, 2005. Gamesa
G52-850kW
brochure.
[Online].
http://www.gamesacorp.com/recursos/doc/productos-servicios/aerogeneradores/
catalogo-gamesa/gamesa-g5x-catalogue-eng.pdf [80] ——. Gamesa G52-850 KW website. [Online]. Available:
http://www.gamesa.es/en/
products-and-services/gamesa-g52-850-kw-en.html [81] N. Draper and H. Smith, Applied Regression Analysis.
Wiley-Interscience, 1998.
BIBLIOGRAFIE
133
[82] FreeMeteo.com. Belgium Weather Forecast - Hourly weather history for Oostende (airport), Belgium, Thursday 2 Dec 2010, Wind. [Online]. Available: http://freemeteo.com/default.asp? pid=20&gid=2797656&la=1&sid=64070&lc=3&ndate=02/12/2010 [83] Vlaamse Regulator van de Elektriciteits- en Gasmarkt (VREG), “Marktrapport - de vlaamse energiemarkt in 2009,” Vlaamse Regulator van de Elektriciteits- en Gasmarkt (VREG), 2010. [Online]. Available: http://www.vreg.be/vreg/documenten/rapporten/RAPP-2010-3.pdf [84] Jobat. (2011, Mei) Kiezen we voor wind- of zonne-energie?
[Online]. Available:
http:
//content.jobat.be/nl/artikels/kiezen-we-voor-wind-of-zonne-energie [85] Organisatie Duurzame Energie (ODE). (2011, Mei) Potentieel zonne-energie. [Online]. Available: http://www.ode.be/zonnestroom/de-cijfers/potentieel [86] GH SOLAR: Belgische fabrikant van zonnepanelen. Een typische PV configuratie. [Online]. Available: http://www.ghsolar.be/NL/typische-PV-configuratie-systeem.htm [87] Miracle Moon. Hoe werken zonnepanelen? [Online]. Available: http://www.miracle-moon.nl/ shop/zonnepanelen/ [88] J. V. Paatero and P. D. Lund, “Effects of large-scale photovoltaic power integration on electricity distribution networks,” Renewable Energy, vol. 32, no. 2, pp. 216 – 234, 2007. [Online]. Available: http://www.sciencedirect.com/science/article/pii/S0960148106000425 [89] European Commission, Joint Research Centre. Solar radiation and GIS. [Online]. Available: http://re.jrc.ec.europa.eu/pvgis/solres/solmod1.htm [90] ——. Photovoltaic Geographical Information System (PVGIS). [Online]. Available:
http:
//re.jrc.ec.europa.eu/pvgis/apps4/pvest.php [91] SoDa Service. Solar radiation data (SoDa): Time Series of Solar Radiation Data. [Online]. Available: http://www.soda-is.com/eng/services/services radiation free eng.php [92] Centre Energ´etique et Proc´ed´es, Ecole des Mines de Paris. HelioClim: providing information on Solar Radiation. [Online]. Available: http://www.helioclim.net/ [93] SunElec. Realtime PV datalogging - Belgi¨e. [Online]. Available: http://www.pvlogging.be/ [94] K. Stahlkopf, “Taking Wind Mainstream,” IEEE Spectrum, vol. 6, 2006. [Online]. Available: http://spectrum.ieee.org/energy/renewables/taking-wind-mainstream/ [95] BusinessGreen Staff, “Xcel Energy to trial wind power storage system,” BusinessGreen, vol.
3,
2008.
[Online].
Available:
xcel-energy-trial-wind-power-storage
http://www.businessgreen.com/bg/news/1803577/
BIBLIOGRAFIE
[96] eMeter
134
Corp.
Google
Android@Home.
[Online].
enters Available:
home
energy
management
market
with
http://www.emeter.com/smart-grid-watch/2011/
google-enters-home-energy-management-market-with-androidhome/
LIJST VAN FIGUREN
135
Lijst van figuren 1.1 Overzicht slim energienetwerk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2
1.2 Buurt van de toekomst . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2
1.3 Slimme huizen in een slim energienetwerk . . . . . . . . . . . . . . . . . . . . . . . . . .
4
2.1 Elektriciteitsverbruik wereldwijd en het aandeel van hernieuwbare energie. . . . . . . .
10
2.2 Overzicht van de Belgische elektriciteitsmarkt . . . . . . . . . . . . . . . . . . . . . . . . .
12
2.3 Slimme meters: situatieschets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14
2.4 PowerMatcher achtergrond . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
18
2.5 PowerMatcher topologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
19
2.6 D’Accord biedingsproces . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21
2.7 D’Accord deployment diagram . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
22
2.8 D’Accord implementatie van een slimme agent . . . . . . . . . . . . . . . . . . . . . . . .
22
2.9 Dezent topologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
24
2.10 Microgrid management artikel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
25
2.11 Compute Power Market: overzicht . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
27
2.12 Compute Power Market: architectuur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
27
3.1 Globale architectuur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
36
3.2 Conceptuele topologie bij een groot aantal huishoudens . . . . . . . . . . . . . . . . . .
38
3.3 Hi¨erarchische architectuur van het MAS . . . . . . . . . . . . . . . . . . . . . . . . . . . .
38
3.4 Sequentiediagram: werking biedingen . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
39
4.1 Het marktalgoritme visueel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
41
4.2 Prijsvorming bij eindproducten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
46
4.3 Volkomen concurrentie grafisch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
46
4.4 Een grafische voorstelling van een productiebod uit het marktalgoritme. . . . . . . . . .
49
4.5 Een grafische voorstelling van een consumptiebod uit het marktalgoritme. . . . . . . . .
50
5.1 De drie lagen architectuur van de simulatieomgeving [64]. . . . . . . . . . . . . . . . . .
59
LIJST VAN FIGUREN
136
5.2 Overzicht smart grid simulator . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
60
5.3 SLP grafisch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
63
5.4 Afgeleid SLP grafisch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
64
5.5 VITO profiel grafisch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
64
6.1 Productiecurve windturbine 1.5MW . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
69
6.2 Model Gamesa G52 windturbine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
71
6.3 Windsnelheid evolutie op twee dagen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
71
6.4 Topologie wind scenario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
73
6.5 Wind scenario (winderig) resultaten voor VITO basislasten . . . . . . . . . . . . . . . . .
75
6.6 Wind scenario (winderig) resultaten voor VITO basislasten (deel 2)
. . . . . . . . . . . .
77
6.7 Wind scenario (laag wind) resultaten voor VITO basislasten . . . . . . . . . . . . . . . . .
79
6.8 Wind scenario (laag wind) resultaten voor VITO basislasten (deel 2) . . . . . . . . . . . .
80
6.9 Wind scenario laag wind vs. hoog wind (VITO) . . . . . . . . . . . . . . . . . . . . . . . .
80
6.10 Schematisch overzicht van een typische PV-installatie bij consumenten. . . . . . . . . .
82
6.11 Irradiantie gegevens grafisch. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
84
6.12 PV-paneel productieprofiel voor 4kWp paneel . . . . . . . . . . . . . . . . . . . . . . . . .
84
6.13 Topologie zonne-energie scenario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
86
6.14 Zonne-energie scenario resultaten voor VITO basislasten . . . . . . . . . . . . . . . . . .
88
6.15 Zonne-energie scenario resultaten voor VITO basislasten (deel 2) . . . . . . . . . . . . .
89
6.16 Windenergie balanceren met een batterij . . . . . . . . . . . . . . . . . . . . . . . . . . .
90
6.17 Topologie opslag scenario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
93
6.18 Opslag scenario verschil generatorprofiel met wind scenario . . . . . . . . . . . . . . . .
95
6.19 Opslag scenario resultaten voor VITO basislasten . . . . . . . . . . . . . . . . . . . . . . .
95
6.20 Opslag scenario batterij resultaten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
96
6.21 Opslag scenario resultaat: marktevenwichtsprijs . . . . . . . . . . . . . . . . . . . . . . .
96
6.22 Topologie buurtomgeving scenario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
98
6.23 Complete buurt omgeving resultaten voor VITO basislasten . . . . . . . . . . . . . . . . . 100 6.24 Buurtomgeving scenario batterij resultaten . . . . . . . . . . . . . . . . . . . . . . . . . . 101 6.25 Complete buurt omgeving resultaten voor VITO basislasten (deel 2) . . . . . . . . . . . . 102 7.1 PowerMatcher scenario resultaten voor VITO basislasten . . . . . . . . . . . . . . . . . . 107 7.2 Parameterstudie procent groene energie voor buurt scenario . . . . . . . . . . . . . . . . 111 B.1 Wind scenario (winderig) resultaten voor SLP basislasten . . . . . . . . . . . . . . . . . . 122 B.2 Wind scenario (matige wind) resultaten voor SLP basislasten . . . . . . . . . . . . . . . . 123
LIJST VAN TABELLEN
137
Lijst van tabellen 2.1 Elektriciteitsverbruik toestellen in huis . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
15
4.1 Toelichting bij de ge¨ımplementeerde klassen. . . . . . . . . . . . . . . . . . . . . . . . . .
57
5.1 Verschuifbare lasten gebruikt in de scenario’s . . . . . . . . . . . . . . . . . . . . . . . . .
65
5.2 Starttijden van verschuifbare lasten in de marktalgoritme scenario’s . . . . . . . . . . . .
65
6.1 De De samenstelling van de energiebronnen voor het windenergie scenario. . . . . . . .
73
6.2 Wind scenario (winderig): resultaten metrieken . . . . . . . . . . . . . . . . . . . . . . . .
74
6.3 Wind scenario (winderig): resultaten afgeleide metrieken . . . . . . . . . . . . . . . . . .
74
6.4 Wind scenario (laag wind): resultaten metrieken . . . . . . . . . . . . . . . . . . . . . . .
78
6.5 Wind scenario (laag wind): resultaten afgeleide metrieken
. . . . . . . . . . . . . . . . .
78
6.6 Wind laag vs. hoog aanschakeling toestellen . . . . . . . . . . . . . . . . . . . . . . . . . .
79
6.7 De samenstelling van de energiebronnen voor het zonne-energie scenario. . . . . . . . .
85
6.8 Zonne-energie scenario: resultaten metrieken . . . . . . . . . . . . . . . . . . . . . . . .
87
6.9 Zonne-energie scenario: resultaten afgeleide metrieken . . . . . . . . . . . . . . . . . . .
87
6.10 Zonne-energie scenario aanschakeling toestellen . . . . . . . . . . . . . . . . . . . . . . .
87
6.11 De samenstelling van de energiebronnen voor het opslag scenario. . . . . . . . . . . . .
92
6.12 Opslag scenario: resultaten metrieken . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
94
6.13 Opslag scenario: resultaten afgeleide metrieken
. . . . . . . . . . . . . . . . . . . . . . .
94
6.14 Opslag scenario aanschakeling toestellen . . . . . . . . . . . . . . . . . . . . . . . . . . .
94
6.15 De samenstelling van de energiebronnen voor het buurtomgeving scenario. . . . . . . .
98
6.16 Buurtomgeving scenario: resultaten metrieken . . . . . . . . . . . . . . . . . . . . . . . .
99
6.17 Buurtomgeving scenario: resultaten afgeleide metrieken . . . . . . . . . . . . . . . . . .
99
6.18 Buurtomgeving scenario aanschakeling toestellen . . . . . . . . . . . . . . . . . . . . . . 100 7.1 De samenstelling van de energiebronnen voor het PowerMatcher scenario. . . . . . . . . 104 7.2 PowerMatcher scenario: resultaten metrieken . . . . . . . . . . . . . . . . . . . . . . . . . 105 7.3 PowerMatcher scenario: resultaten afgeleide metrieken . . . . . . . . . . . . . . . . . . . 105
LIJST VAN TABELLEN
138
7.4 PowerMatcher scenario aanschakeling toestellen . . . . . . . . . . . . . . . . . . . . . . . 105 7.5 Een evaluatie van de verschillende prijsgeschiedenis strategie¨en . . . . . . . . . . . . . . 109 7.6 Resultaten schaalbaarheidstest. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 B.1 Resultaten van de verschillende strategie¨en voor prijsgeschiedenis voor VITO basislasten.124 B.2 Resultaten van de verschillende strategie¨en voor prijsgeschiedenis voor SLP basislasten. 125