The influence of the sequence of typical periods on cost optimal energy system design with a high share of renewable energies

The models required to plan economically viable energy systems with a high share of re-newable energy sources and energy storage, tend to have high computational complexity in order to accurately represent the intermittent energy sources and the daily as well as the seasonal storage systems. When using temporal aggregation to reduce the complexity, maintaining the chronological order of the typical periods is crucial for the proper modeling of seasonal storage systems. This thesis uses Mixed Integer Linear Programming (MILP) to model the energy systems and hierarchical aggregation for temporal clustering and aims at studying the influence of the sequence and the number of typical days. The sequence of typical days generated from the 20 years of input time series reveals the need to consider multiple years of data for the accurate modeling of such energy systems. Moreover, the error that would occur due to the loss of information when not considering multiple years of data is much higher when compared to the error of clustering itself. This claim is validated by the newly synthesized sequences from the original sequence of typical days using long short term memory recurrent neural network architecture.

I modelli richiesti per pianificare sistemi energetici economicamente sostenibili con un'alta percentuale di fonti energetiche rinnovabili e di accumulo di energia, tendono ad avere un'elevata complessità computazionale al fine di rappresentare con precisione le fonti energetiche inter-mittenti e i sistemi di accumulo giornaliero e stagionale. Quando si utilizza l'aggregazione temporale per ridurre la complessità, mantenere l'ordine cronologico dei periodi tipici è cruciale per la corretta modellizzazione dei sistemi di stoccaggio stagionali. Questa tesi utilizza la programmazione lineare intera mista (MILP) per modellare i sistemi energetici e l'aggregazione gerarchica per il raggruppamento temporale, e mira a studiare l'influenza della sequenza e il numero di giorni tipici. La sequenza di giorni tipici generati dai 20 anni di serie temporali di input rivela la necessità di considerare più anni di dati per la modellazione accurata di tali sistemi energetici. Inoltre, l'errore che si verificherebbe a causa della perdita di informazioni, se non si considerano più anni di dati, è molto più elevato rispetto all'errore del clustering stesso. Questa affermazione è convalidata dalle sequenze appena sintetizzate a partire dalla sequenza origi-nale dei giorni tipici usando l'architettura di rete neurale ricorrente a lungo termine della memoria.