Development and comparison of time series aggregation methods for the design optimization of Aggregated Energy Systems

The optimization of Aggregated Energy Systems (AES) design requires a high temporal resolution to effectively capture demand, generation, and weather-driven dynamics. However, this level of detail results in large-scale models with excessive computation times. To overcome this challenge, this thesis investigates temporal series aggregation (TSA) methods aimed at reducing temporal complexity without compromising accuracy. Four novel TSA algorithms are introduced, operating at the level of time-step aggregation rather than clustering entire periods. Unlike conventional typical-day or averaging approaches, the proposed methods preserve chronological order and retain real data values, enabling a more accurate representation of storage operation, ramping constraints, extreme events, and cross-profile interactions. An evaluation framework based on a priori performance metrics is developed to benchmark the algorithms in terms of accuracy, distribution, correlation preservation, and computational efficiency. The methods are systematically applied to multiple case studies with different temporal resolutions and profile sets, enabling a robust comparative analysis. Results show that MILP-based formulations offer the most reliable balance between accuracy and robustness, while RDP achieves substantial computational efficiency at the cost of reduced fidelity in extreme-value preservation. Gradient-based methods demonstrate limited robustness, and Exhaustive search guarantees optimality but is computationally impractical. Overall, this work delivers a systematic evaluation of TSA algorithms for AES modeling, highlighting their respective strengths and limitations and providing insights into their applicability for energy system planning.

L’ottimizzazione dei Sistemi Energetici Aggregati (AES) richiede un’elevata risoluzione temporale per rappresentare in modo accurato i profili di domanda, generazione e le dinamiche influenzate dalle condizioni meteorologiche. Tuttavia, questo livello di dettaglio comporta modelli di grande scala con tempi di calcolo eccessivi. Per affrontare tale sfida, questa tesi analizza metodi di aggregazione delle serie temporali (TSA) finalizzati a ridurre la complessità temporale senza compromettere l’accuratezza. Vengono introdotti quattro nuovi algoritmi di TSA, che operano direttamente a livello di aggregazione dei singoli passi temporali anziché tramite la clusterizzazione di interi periodi. A differenza degli approcci convenzionali basati su giornate tipiche o medie, i metodi proposti preservano l’ordine cronologico e mantengono i valori reali dei dati, consentendo una rappresentazione più fedele del funzionamento degli accumuli, dei vincoli di variazione, degli eventi estremi e delle interazioni tra profili. È stato sviluppato un framework di valutazione basato su indicatori di prestazione a priori per confrontare gli algoritmi in termini di accuratezza, distribuzione, preservazione delle correlazioni ed efficienza computazionale. I metodi sono stati applicati in modo sistematico a diversi casi di studio, caratterizzati da differenti risoluzioni temporali e insiemi di profili, al fine di condurre un’analisi comparativa robusta. I risultati mostrano che le formulazioni MILP rappresentano la soluzione più affidabile in termini di accuratezza e robustezza, mentre l’algoritmo RDP garantisce una notevole efficienza computazionale a scapito della fedeltà nella conservazione dei valori estremi. Gli algoritmi basati sul gradiente evidenziano una robustezza limitata, mentre la Ricerca esaustiva assicura l’ottimalità ma risulta impraticabile dal punto di vista computazionale. Nel complesso, questo lavoro fornisce una valutazione sistematica degli algoritmi di TSA per la modellazione degli AES, mettendo in luce i punti di forza e le limitazioni di ciascun approccio e offrendo spunti per la loro applicabilità nella pianificazione dei sistemi energetici.