Methodology for dealing with irradiation uncertainty in the design of power-to-power energy systems

The objective of this work is to enhance the capabilities of an existing optimization framework for the design of hybrid renewable energy systems, in particular power-to-hydrogen (PtH) and power-to-power (PtP) applications, by addressing the uncertainty introduced by the input parameters. The goal is to overcome the current evaluation of optimized design using only one reference year, which limits the robustness of the framework outcome concerning actual future weather conditions. First, the different levels of uncertainty are analysed, and a classification structure is developed. By proposing a method that employs k-means clustering and descriptive stochastics to expose key characteristics in monthly and daily resolution, it is possible to determine a limited number of scenarios for design optimization. These scenarios show improved robustness and lead to increased reliability in the design outcome when applied to a case study located in northern Italy. Despite keeping similar performances, the findings show that the cost of electricity decreased by 5% with the employment of one critical aspect. Specifically, the case scenario that contains the 'worst period' of a solar time series generated a lower cost with respect to the case scenario that considers the global worst year. The analysis further suggests not using typical meteorological years for a robust design, due to its insufficient capacity to capture necessary behaviour patterns. By examining the uncertainties it is gained valuable knowledge that enables to contextualize the designs more accurately and make better-informed decisions.

Questa tesi ha come scopo quello di migliorare le capacità e potenzialità di uno schema di ottimizzazione esistente, per il dimensionamento di un sistema energetico ibrido rinnovabile, in particolare per applicazioni power-to-hydrogen (P2H) e power-to-power (P2P). L’obiettivo è andare oltre l’attuale stima del sistema ottimizzato, usando esclusivamente un singolo anno di riferimento, che limiti la robustezza del risultato solamente alle previsioni meteo future. Innanzitutto, i diversi livelli di incertezza sono stati analizzati ed è stata creata una classificazione degli stessi. Il modello proposto impiega il k-means clustering e una descrizione stocastica, per evidenziare le caratteristiche chiave con una risoluzione mensile e giornaliera e per determinare un numero limitato di scenari per l’ottimizzazione. Questi scenari mostrano una robustezza maggiore, e di conseguenza i risultati per il caso studio nel nord Italia siano più affidabili. I risultati dimostrano che, nonostante siano ottenute le stesse performance, il costo dell’elettricità si riduce del 5% adottando un aspetto critico in particolare. Nello specifico, lo scenario in cui viene inclusa la settimana peggiore per l’irradianza ha generato un costo più basso se confrontato con lo scenario in cui viene considerato un intero anno con condizioni particolarmente sfavorevoli di irradianza. Inoltre, le analisi suggeriscono di non utilizzare l’anno meteorologico tipico nel contesto del dimensionamento robusto. La rilevanza di questo lavoro risiede nell’elaborazione approfondita dell’incertezza, la quale fornisce essenziali interpretazioni dei risultati.