Finding the right data qualities and clustering indicators for time series aggregation in energy system models with high shares of renewables

Renewable technologies are expected to have a higher contribution to power generation in near future. The stochastic behavior of renewable energy sources (e.g., wind and solar) can increase the risk of intermittency in the operation of power generators which somehow leads to the mismatch between supply and demand in the electric network. The inclusion of multiple renewable energy sources can increase the operational complexity of the large-scale energy systems due to the uncertainty in the forecast of each of these energy sources. In this work, Mixed Integer Linear Programming (MILP) is used to develop an operational optimization model for the energy system that is composed of different renewable energy sources (i.e. wind and solar), several intermediate units that are in charge to undertake the conversion of commodities from one form to the other(i.e. fuel cell and electrolyzer) together with energy storage systems (i.e. electrical batteries and hydrogen storage). The objective of the optimization is to minimize the total operational annual cost that is supposed to respect a set of constraints (i.e. energy balance in different subsystems). Considering the similarities between adjacent time-steps in the time-series data, the segmentation technique that is based on hierarchical clustering is served for the pursuit of reducing the dimensionality of input variables for the optimization problem. In addition, the main statistical indicators (e.g., root mean square error and mean absolute error) are evaluated for the input time-series. In addition, this research study examines the interaction between the segmentation window size and the computational time of the optimization problem that indicated the segmentation technique can substantially reduce the optimization time. Furthermore, the impact of the aforementioned statistical indicators on the variation of the total annual cost is discussed.

Si prevede che le tecnologie rinnovabili forniranno un contributo maggiore alla produzione di energia nel prossimo futuro. Il comportamento stocastico delle fonti energetiche rinnovabili (es. Eolico e solare) può aumentare il rischio di intermittenza nel funzionamento dei generatori di energia che in qualche modo porta al disallineamento tra domanda e offerta nella rete elettrica. L'inclusione di più fonti energetiche rinnovabili può aumentare la complessità operativa dei sistemi energetici su larga scala a causa dell'incertezza nella previsione di ciascuna di queste fonti energetiche. In questo lavoro, MILP (Mixed Integer Linear Programming) viene utilizzato per sviluppare un modello di ottimizzazione operativa per il sistema energetico composto da diverse fonti di energia rinnovabile (es. Eolica e solare), diverse unità intermedie che hanno il compito di intraprendere la conversione di merci da una forma all'altra (es. cella a combustibile ed elettrolizzatore) insieme a sistemi di accumulo di energia (es. batterie elettriche e accumulo di idrogeno). L'obiettivo dell'ottimizzazione è ridurre al minimo il costo annuale operativo totale che si suppone rispetti una serie di vincoli (es. Bilancio energetico in diversi sottosistemi). Considerando le somiglianze tra fasi temporali adiacenti nei dati delle serie temporali, la tecnica di segmentazione che si basa sul clustering gerarchico è servita per cercare di ridurre la dimensionalità delle variabili di input per il problema di ottimizzazione. Inoltre, i principali indicatori statistici (ad esempio, errore quadratico medio radicale e errore assoluto medio) vengono valutati per le serie temporali di input. Inoltre, questo studio di ricerca esamina l'interazione tra la dimensione della finestra di segmentazione e il tempo di calcolo del problema di ottimizzazione che ha indicato che la tecnica di segmentazione può ridurre sostanzialmente il tempo di ottimizzazione. Inoltre, viene discusso l'impatto dei suddetti indicatori statistici sulla variazione del costo totale annuo.