Renewable energy has been increasingly integrated into power systems as a result of the effort to reduce CO2 emissions and build a future power grid economically feasible and environmentally sustainable. Particularly, according to the Blue Map scenario for power supply, electricity generation from renewable energy provides a share of 22% of global electricity generation in 2050, which grows almost threefold compared to the Baseline scenario. Along with this growing share of renewable technologies, greater interest has been attracted to the use of Energy Storage Systems (ESSs) due to the variable nature of most renewable energy sources. ESSs can accommodate renewable generation in time-shifting its energy to match demand and avoid power curtailment. They can also be used to mitigate transmission congestion and hedge forecast errors, etc. In this context, appropriate siting and sizing of storage systems is of importance not only for power system operation but also for economic consideration. The integration of wind energy into power systems creates challenges for system planning concerning the variable and uncertain nature of wind. Deterministic approaches can not explicitly capture this uncertainty source, hence can not provide the right decision. In this work, the planning problem of ESSs under uncertainty is investigated. Two approaches, namely combined Genetic Algorithm (GA) and cumulant-based probabilistic approach and two-stage stochastic approach, for incorporating wind and load uncertainty into ESS planning problems are proposed. In the first approach, optimal siting and sizing of ESSs is carried out based on a 2-step algorithm: first, ESS locations and expected value of ESS capacities are determined based on the combined GA and deterministic Optimal Power Flow (OPF) model; then in the second step, probabilistic assessment is performed on the obtained ESS locations and capacities. In the second approach, a two-stage stochastic OPF model is formulated with the goal of minimizing ESS capital cost in the first stage and system operational cost in the second stage. A multi-period AC OPF model is adopted for both approaches. The full AC OPF model can capture realistic physical power flows of the system better than a DC OPF; it is also more accurate and reliable when issues such as congestion and voltage constraints are concerned. Also, the multi-period formulation can explicitly take into account inter-temporal constraints relevant to the storage devices. A methodology to identify candidate ESS locations is also proposed. The best candidate locations for ESSs is determined based on the Lagrangian multipliers, a byproduct of the OPF. A sensitivity analysis is performed, using this methodology, to assess the impacts of ESS locations on system operation parameters such as production cost, wind curtailment and marginal prices. In this case, two applications of the ESSs are considered, including time-shifting wind generation and mitigating transmission congestion. A final procedure for optimal siting and sizing of ESSs under uncertainty is then proposed. The first and necessary step in this procedure is preliminarily identifying candidate ESS locations. This helps reduce system size and make the planning problems tractable. Then, either the combined GA and Probabilistic Optimal Power Flow (POPF) approach or two-stage stochastic programming approach can be adopted for optimal planning of the ESSs considering wind and load uncertainties. Applicability of this procedure is demonstrated with a case study and a complete comparison on solutions of the combined GA and cumulant-based POPF approach and the two-stage stochastic programming approach is provided.

L'energia rinnovabile ha avuto una sempre crescente integrazione nel sistema elettrico in conseguenza degli sforzi per ridurre le emissioni di CO2 e nell’ottica di costruire una rete elettrica del futuro economicamente fattibile e sostenibile per l'ambiente. In particolare, secondo lo scenario BLUE Map, la produzione da fonti rinnovabili raggiungerà il 22% della produzione mondiale nel 2050, triplicando quasi lo scenario di base. In parallelo all’aumento della quota delle tecnologie rinnovabili, maggiore interesse hanno ricevuto anche i sistemi di accumulo, naturale complemento dell’aleatorietà della maggior parte delle fonti di energia rinnovabili. I sistemi di accumulo sono in grado, insieme alla generazione da fonti rinnovabili, di soddisfare la domanda ed evitare riduzioni di potenza. Possono anche essere utilizzati per attenuare le congestioni di rete e gli errori di previsione ecc… In questo contesto, l’appropriato posizionamento e dimensionamento dei sistemi di accumulo è importante non solo per il funzionamento del sistema elettrico ma anche per ragioni economiche. L'integrazione dell'energia eolica nel sistema elettrico crea sfide per la pianificazione del sistema legati alla natura variabile ed incerta del vento. Approcci deterministici non sono in grado di catturare in modo esplicito questa fonte di incertezza e non sono quindi utilizzabili allo scopo. Nella tesi è trattato il problema della pianificazione dei sistemi di accumulo in condizioni di incertezza. Sono proposti due approcci per considerare l’incertezza del vento nel problema di pianificazione dei sistemi di accumulo: la combinazione di algoritmi genetici (GA) e approccio probabilistico e l’approccio stocastico su due fasi. Nel primo caso, l’ubicazione ottimale e il dimensionamento dei sistemi di accumulo è effettuata sulla base di un algoritmo sviluppato su due fasi: la prima, in cui viene definita la posizione dei sistemi di accumulo e il valore atteso della capacità utilizzando un modello deterministico di power flow ottimo (OPF) combinato con GA; nella seconda fase viene eseguita la valutazione probabilistica delle posizioni e delle capacità ottenute. Nel secondo approccio, è utilizzato un modello stocastico OPF su due fasi con l'obiettivo di ridurre al minimo il costo capitale dei sistemi di accumulo nella prima fase e i costi operativi nella seconda. Un modello AC OPF multi-periodo è utilizzato per entrambi gli approcci. Il modello completo AC OPF è in grado di catturare meglio i veri flussi di potenza rispetto ad un OPF DC; è anche più preciso ed affidabile in presenza di problemi di congestioni e di tensione. Inoltre, la formulazione multi-periodo può esplicitamente tener conto dei vincoli intertemporali relativi ai dispositivi di accumulo. Nella tesi è anche proposta una metodologia per identificare le posizioni candidate per i sistemi di accumulo. Le posizioni dei candidati per i sistemi di accumulo sono determinate sulla base dei moltiplicatori di Lagrange, un sottoprodotto dell’OPF. Viene eseguita un’analisi di sensitività per valutare gli impatti delle posizioni dei sistemi di accumulo sui parametri di funzionamento del sistema: costi di produzione, riduzione del vento e prezzi marginali. In questo caso sono considerate due possibili utilizzi dei sistemi di accumulo: il “time-shifting” della produzione di energia eolica e la mitigazioni delle congestioni di rete. Viene proposta una procedura finale per l'ubicazione ottimale e il dimensionamento dei sistemi di accumulo in condizioni di incertezza. Il primo passo della procedura consiste nell’identificare preliminarmente le posizioni candidate per i sistemi di accumulo. Questo aiuta a ridurre le dimensioni del problema e a rendere la pianificazione trattabile. Quindi, entrambi gli approcci proposti possono essere utilizzati per la pianificazione ottimale dei sistemi di accumulo considerando incertezze sul vento e sul carico. L’applicabilità di questa procedura è dimostrata con un caso studio confrontando le due metodologie proposte.

Optimal planning of energy storage systems considering uncertainty

NGUYEN, NHI THI AI

Abstract

Renewable energy has been increasingly integrated into power systems as a result of the effort to reduce CO2 emissions and build a future power grid economically feasible and environmentally sustainable. Particularly, according to the Blue Map scenario for power supply, electricity generation from renewable energy provides a share of 22% of global electricity generation in 2050, which grows almost threefold compared to the Baseline scenario. Along with this growing share of renewable technologies, greater interest has been attracted to the use of Energy Storage Systems (ESSs) due to the variable nature of most renewable energy sources. ESSs can accommodate renewable generation in time-shifting its energy to match demand and avoid power curtailment. They can also be used to mitigate transmission congestion and hedge forecast errors, etc. In this context, appropriate siting and sizing of storage systems is of importance not only for power system operation but also for economic consideration. The integration of wind energy into power systems creates challenges for system planning concerning the variable and uncertain nature of wind. Deterministic approaches can not explicitly capture this uncertainty source, hence can not provide the right decision. In this work, the planning problem of ESSs under uncertainty is investigated. Two approaches, namely combined Genetic Algorithm (GA) and cumulant-based probabilistic approach and two-stage stochastic approach, for incorporating wind and load uncertainty into ESS planning problems are proposed. In the first approach, optimal siting and sizing of ESSs is carried out based on a 2-step algorithm: first, ESS locations and expected value of ESS capacities are determined based on the combined GA and deterministic Optimal Power Flow (OPF) model; then in the second step, probabilistic assessment is performed on the obtained ESS locations and capacities. In the second approach, a two-stage stochastic OPF model is formulated with the goal of minimizing ESS capital cost in the first stage and system operational cost in the second stage. A multi-period AC OPF model is adopted for both approaches. The full AC OPF model can capture realistic physical power flows of the system better than a DC OPF; it is also more accurate and reliable when issues such as congestion and voltage constraints are concerned. Also, the multi-period formulation can explicitly take into account inter-temporal constraints relevant to the storage devices. A methodology to identify candidate ESS locations is also proposed. The best candidate locations for ESSs is determined based on the Lagrangian multipliers, a byproduct of the OPF. A sensitivity analysis is performed, using this methodology, to assess the impacts of ESS locations on system operation parameters such as production cost, wind curtailment and marginal prices. In this case, two applications of the ESSs are considered, including time-shifting wind generation and mitigating transmission congestion. A final procedure for optimal siting and sizing of ESSs under uncertainty is then proposed. The first and necessary step in this procedure is preliminarily identifying candidate ESS locations. This helps reduce system size and make the planning problems tractable. Then, either the combined GA and Probabilistic Optimal Power Flow (POPF) approach or two-stage stochastic programming approach can be adopted for optimal planning of the ESSs considering wind and load uncertainties. Applicability of this procedure is demonstrated with a case study and a complete comparison on solutions of the combined GA and cumulant-based POPF approach and the two-stage stochastic programming approach is provided.
D'ANTONA, GABRIELE
BOVO, CRISTIAN
16-dic-2016
L'energia rinnovabile ha avuto una sempre crescente integrazione nel sistema elettrico in conseguenza degli sforzi per ridurre le emissioni di CO2 e nell’ottica di costruire una rete elettrica del futuro economicamente fattibile e sostenibile per l'ambiente. In particolare, secondo lo scenario BLUE Map, la produzione da fonti rinnovabili raggiungerà il 22% della produzione mondiale nel 2050, triplicando quasi lo scenario di base. In parallelo all’aumento della quota delle tecnologie rinnovabili, maggiore interesse hanno ricevuto anche i sistemi di accumulo, naturale complemento dell’aleatorietà della maggior parte delle fonti di energia rinnovabili. I sistemi di accumulo sono in grado, insieme alla generazione da fonti rinnovabili, di soddisfare la domanda ed evitare riduzioni di potenza. Possono anche essere utilizzati per attenuare le congestioni di rete e gli errori di previsione ecc… In questo contesto, l’appropriato posizionamento e dimensionamento dei sistemi di accumulo è importante non solo per il funzionamento del sistema elettrico ma anche per ragioni economiche. L'integrazione dell'energia eolica nel sistema elettrico crea sfide per la pianificazione del sistema legati alla natura variabile ed incerta del vento. Approcci deterministici non sono in grado di catturare in modo esplicito questa fonte di incertezza e non sono quindi utilizzabili allo scopo. Nella tesi è trattato il problema della pianificazione dei sistemi di accumulo in condizioni di incertezza. Sono proposti due approcci per considerare l’incertezza del vento nel problema di pianificazione dei sistemi di accumulo: la combinazione di algoritmi genetici (GA) e approccio probabilistico e l’approccio stocastico su due fasi. Nel primo caso, l’ubicazione ottimale e il dimensionamento dei sistemi di accumulo è effettuata sulla base di un algoritmo sviluppato su due fasi: la prima, in cui viene definita la posizione dei sistemi di accumulo e il valore atteso della capacità utilizzando un modello deterministico di power flow ottimo (OPF) combinato con GA; nella seconda fase viene eseguita la valutazione probabilistica delle posizioni e delle capacità ottenute. Nel secondo approccio, è utilizzato un modello stocastico OPF su due fasi con l'obiettivo di ridurre al minimo il costo capitale dei sistemi di accumulo nella prima fase e i costi operativi nella seconda. Un modello AC OPF multi-periodo è utilizzato per entrambi gli approcci. Il modello completo AC OPF è in grado di catturare meglio i veri flussi di potenza rispetto ad un OPF DC; è anche più preciso ed affidabile in presenza di problemi di congestioni e di tensione. Inoltre, la formulazione multi-periodo può esplicitamente tener conto dei vincoli intertemporali relativi ai dispositivi di accumulo. Nella tesi è anche proposta una metodologia per identificare le posizioni candidate per i sistemi di accumulo. Le posizioni dei candidati per i sistemi di accumulo sono determinate sulla base dei moltiplicatori di Lagrange, un sottoprodotto dell’OPF. Viene eseguita un’analisi di sensitività per valutare gli impatti delle posizioni dei sistemi di accumulo sui parametri di funzionamento del sistema: costi di produzione, riduzione del vento e prezzi marginali. In questo caso sono considerate due possibili utilizzi dei sistemi di accumulo: il “time-shifting” della produzione di energia eolica e la mitigazioni delle congestioni di rete. Viene proposta una procedura finale per l'ubicazione ottimale e il dimensionamento dei sistemi di accumulo in condizioni di incertezza. Il primo passo della procedura consiste nell’identificare preliminarmente le posizioni candidate per i sistemi di accumulo. Questo aiuta a ridurre le dimensioni del problema e a rendere la pianificazione trattabile. Quindi, entrambi gli approcci proposti possono essere utilizzati per la pianificazione ottimale dei sistemi di accumulo considerando incertezze sul vento e sul carico. L’applicabilità di questa procedura è dimostrata con un caso studio confrontando le due metodologie proposte.
Tesi di dottorato
File allegati
File Dimensione Formato  
2016_12_PhD_Nguyen.pdf

Open Access dal 26/11/2017

Descrizione: Thesis text
Dimensione 4.7 MB
Formato Adobe PDF
4.7 MB Adobe PDF Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/126941