dc.contributor.advisor | Arce Rubio, Alicia | es |
dc.contributor.advisor | Bordons Alba, Carlos | es |
dc.creator | Aguilar Guisado, Juan | es |
dc.date.accessioned | 2022-10-20T11:28:22Z | |
dc.date.available | 2022-10-20T11:28:22Z | |
dc.date.issued | 2022-07-07 | |
dc.identifier.citation | Aguilar Guisado, J. (2022). Stochastic Model Predictive Control and Machine Learning for the Participation of Virtual Power Plants in Simultaneous Energy Markets. (Tesis Doctoral Inédita). Universidad de Sevilla, Sevilla. | |
dc.identifier.uri | https://hdl.handle.net/11441/138189 | |
dc.description.abstract | The emergence of distributed energy resources in the electricity system involves new scenarios in which domestic consumers (end-users) can be aggregated to participate in energy markets, acting as prosumers. Every prosumer is considered to work as an individual energy node, which has its own renewable generation source, its controllable and non-controllable energy loads, or even its own individual tariffs to trade. The nodes can build aggregations which are managed by a system operator.
The participation in energy markets is not trivial for individual prosumers due to different aspects such as the technical requirements which must be satisfied, or the need to trade with a minimum volume of energy. These requirements can be solved by the definition of aggregated participations.
In this context, the aggregators handle the difficult task of coordinating and stabilizing the prosumers' operations, not only at an individual level, but also at a system level, so that the set of energy nodes behaves as a single entity with respect to the market. The system operators can act as a trading-distributing company, or only as a trading one. For this reason, the optimization model must consider not only aggregated tariffs, but also individual tariffs to allow individual billing for each energy node. The energy node must have the required technical and legal competences, as well as the necessary equipment to manage their participation in energy markets or to delegate it to the system operator. This aggregation, according to business rules and not only to physical locations, is known as virtual power plant.
The optimization of the aggregated participation in the different energy markets requires the introduction of the concept of dynamic storage virtualization. Therefore, every energy node in the system under study will have a battery installed to store excess energy. This dynamic virtualization defines logical partitions in the storage system to allow its use for different purposes. As an example, two different partitions can be defined: one for the aggregated participation in the day-ahead market, and the other one for the demand-response program.
There are several criteria which must be considered when defining the participation strategy. A risky strategy will report more benefits in terms of trading; however, this strategy will also be more likely to get penalties for not meeting the contract due to uncertainties or operation errors. On the other hand, a conservative strategy would result worse economically in terms of trading, but it will reduce these potential penalties. The inclusion of dynamic intent profiles allows to set risky bids when there exist a potential low error of forecast in terms of generation, load or failures; and conservative bids otherwise.
The system operator is the agent who decides how much energy will be reserved to trade, how much to energy node self consumption, how much to demand-response program participation etc. The large number of variables and states makes this problem too complex to be solved by classical methods, especially considering the fact that slight differences in wrong decisions would imply important economic issues in the short term.
The concept of dynamic storage virtualization has been studied and implemented to allow the simultaneous participation in multiple energy markets. The simultaneous participations can be optimized considering the objective of potential profits, potential risks or even a combination of both considering more advanced criteria related to the system operator's know-how.
Day-ahead bidding algorithms, demand-response program participation optimization and a penalty-reduction operation control algorithm have been developed. A stochastic layer has been defined and implemented to improve the robustness inherent to forecast-dependent systems. This layer has been developed with chance-constraints, which includes the possibility of combining an intelligent agent based on a encoder-decoder arquitecture built with neural networks composed of gated recurrent units.
The formulation and the implementation allow a total decouplement among all the algorithms without any dependency among them. Nevertheless, they are completely engaged because the individual execution of each one considers both the current scenario and the selected strategy. This makes possible a wider and better context definition and a more real and accurate situation awareness.
In addition to the relevant simulation runs, the platform has also been tested on a real system composed of 40 energy nodes during one year in the German island of Borkum. This experience allowed the extraction of very satisfactory conclusions about the deployment of the platform in real environments. | es |
dc.description.abstract | La irrupción de los sistemas de generación distribuidos en los sistemas eléctricos dan
lugar a nuevos escenarios donde los consumidores domésticos (usuarios finales)
pueden participar en los mercados de energía actuando como prosumidores. Cada prosumidor
es considerado como un nodo de energía con su propia fuente de generación de
energía renovable, sus cargas controlables y no controlables e incluso sus propias tarifas.
Los nodos pueden formar agregaciones que serán gestionadas por un agente denominado
operador del sistema.
La participación en los mercados energéticos no es trivial, bien sea por requerimientos
técnicos de instalación o debido a la necesidad de cubrir un volumen mínimo de energía por
transacción, que cada nodo debe cumplir individualmente. Estas limitaciones hacen casi
imposible la participación individual, pero pueden ser salvadas mediante participaciones
agregadas.
El agregador llevará a cabo la ardua tarea de coordinar y estabilizar las operaciones de los
nodos de energía, tanto individualmente como a nivel de sistema, para que todo el conjunto
se comporte como una unidad con respecto al mercado. Las entidades que gestionan
el sistema pueden ser meras comercializadoras, o distribuidoras y comercializadoras
simultáneamente. Por este motivo, el modelo de optimización sobre el que basarán sus
decisiones deberá considerar, además de las tarifas agregadas, otras individuales para
permitir facturaciones independientes. Los nodos deberán tener autonomía legal y técnica,
así como el equipamiento necesario y suficiente para poder gestionar, o delegar en el
operador del sistema, su participación en los mercados de energía. Esta agregación
atendiendo a reglas de negocio y no solamente a restricciones de localización física es lo
que se conoce como Virtual Power Plant.
La optimización de la participación agregada en los mercados, desde el punto de
vista técnico y económico, requiere de la introducción del concepto de virtualización
dinámica del almacenamiento, para lo que será indispensable que los nodos pertenecientes
al sistema bajo estudio consten de una batería para almacenar la energía sobrante. Esta
virtualización dinámica definirá particiones lógicas en el sistema de almacenamiento para
dedicar diferentes porcentajes de la energía almacenada para propósitos distintos. Como
ejemplo, se podría hacer una virtualización en dos particiones lógicas diferentes: una de demand-response. Así, el sistema podría operar y satisfacer ambos mercados de
manera simultánea con el mismo grid y el mismo almacenamiento. El potencial de estas
particiones lógicas es que se pueden definir de manera dinámica, dependiendo del contexto
de ejecución y del estado, tanto de la red, como de cada uno de los nodos a nivel individual.
Para establecer una estrategia de participación se pueden considerar apuestas arriesgadas
que reportarán más beneficios en términos de compra-venta, pero también posibles
penalizaciones por no poder cumplir con el contrato. Por el contrario, una estrategia
conservadora podría resultar menos beneficiosa económicamente en dichos términos de
compra-venta, pero reducirá las penalizaciones. La inclusión del concepto de perfiles de
intención dinámicos permitirá hacer pujas que sean arriesgadas, cuando existan errores de
predicción potencialmente pequeños en términos de generación, consumo o fallos; y pujas
más conservadoras en caso contrario.
El operador del sistema es el agente que definirá cuánta energía utiliza para comercializar,
cuánta para asegurar autoconsumo, cuánta desea tener disponible para participar en el
programa de demand-response etc. El gran número de variables y de situaciones posibles
hacen que este problema sea muy costoso y complejo de resolver mediante métodos
clásicos, sobre todo teniendo en cuenta que pequeñas variaciones en la toma de decisiones
pueden tener grandes implicaciones económicas incluso a corto plazo.
En esta tesis se ha investigado en el concepto de virtualización dinámica del almacenamiento
para permitir una participación simultánea en múltiples mercados. La estrategia
de optimización definida permite participaciones simultáneas en diferentes mercados que
pueden ser controladas con el objetivo de optimizar el beneficio potencial, el riesgo potencial,
o incluso una combinación mixta de ambas en base a otros criterios más avanzados
marcados por el know-how del operador del sistema.
Se han desarrollado algoritmos de optimización para el mercado del day-ahead, para la
participación en el programa de demand-response y un algoritmo de control para reducir
las penalizaciones durante la operación mediante modelos de control predictivo. Se ha
realizado la definición e implementación de un componente estocástico para hacer el
sistema más robusto frente a la incertidumbre inherente a estos sistemas en los que hay
tanto peso de una componente de tipo forecasing. La formulación de esta capa se ha
realizado mediante chance-constraints, que incluye la posibilidad de combinar diferentes
componentes para mejorar la precisión de la optimización. Para el caso de uso presentado
se ha elegido la combinación de métodos estadísticos por probabilidad junto a un agente
inteligente basado en una arquitectura de codificador-decodificador construida con redes
neuronales compuestas de Gated Recurrent Units.
La formulación y la implementación utilizada permiten que, aunque todos los algoritmos
estén completamente desacoplados y no presenten dependencias entre ellos, todos se actual como la estrategia seleccionada. Esto permite la definición de un contexto mucho
más amplio en la ejecución de las optimizaciones y una toma de decisiones más consciente,
real y ajustada a la situación que condiciona al proceso.
Además de las pertinentes pruebas de simulación, parte de la herramienta ha sido
probada en un sistema real compuesto por 40 nodos domésticos, convenientemente equipados,
durante un año en una infraestructura implantada en la isla alemana de Borkum. Esta
experiencia ha permitido extraer conclusiones muy interesantes sobre la implantación de
la plataforma en entornos reales. | es |
dc.format | application/pdf | es |
dc.format.extent | 149 p. | es |
dc.language.iso | eng | es |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Internacional | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.title | Stochastic Model Predictive Control and Machine Learning for the Participation of Virtual Power Plants in Simultaneous Energy Markets | es |
dc.type | info:eu-repo/semantics/doctoralThesis | es |
dcterms.identifier | https://ror.org/03yxnpp24 | |
dc.type.version | info:eu-repo/semantics/publishedVersion | es |
dc.rights.accessRights | info:eu-repo/semantics/openAccess | es |
dc.contributor.affiliation | Universidad de Sevilla. Departamento de Ingeniería de Sistemas y Automática | es |
dc.publication.endPage | 125 | es |