E-Book, Deutsch, 278 Seiten, eBook
Lehnhoff Dezentrales vernetztes Energiemanagement
2010
ISBN: 978-3-8348-9658-2
Verlag: Vieweg & Teubner
Format: PDF
Kopierschutz: 1 - PDF Watermark
Ein Ansatz auf Basis eines verteilten adaptiven Realzeit-Multiagentensystems
E-Book, Deutsch, 278 Seiten, eBook
ISBN: 978-3-8348-9658-2
Verlag: Vieweg & Teubner
Format: PDF
Kopierschutz: 1 - PDF Watermark
Sebastian Lehnhoff entwickelt ein Energiemanagementsystem für dezentrale und vorrangig regenerative Energieumwandlungsanlagen unter verteilter Kontrolle, das den Reserveleistungsbedarf reduziert und vorhandene Effizienzpotenziale stärker nutzt.
Prof. Dr. Sebastian Lehnhoff ist Juniorprofessor für Energieinformatik am OFFIS - Institut für Informatik in Oldenburg.
Zielgruppe
Research
Autoren/Hrsg.
Weitere Infos & Material
1;Danksagung;6
2;Zusammenfassung;8
3;Inhaltsverzeichnis;9
4;Abkürzungen;11
5;Tabellenverzeichnis;12
6;Abbildungsverzeichnis;14
7;1 Einleitung;19
7.1;1.1 Motivation;19
7.2;1.2 Zielsetzung;21
7.3;1.3 Verwandte Arbeiten;26
7.3.1;1.3.1 Virtuelle Kraftwerke;27
7.3.2;1.3.2 Dynamische Energiemarktmodelle durch Softwareagenten;28
7.3.3;1.3.3 Multiagentensysteme in praktischen Anwendungen;30
7.3.4;1.3.4 Betriebssicherheit in Energienetzen;30
7.3.5;1.3.5 Eigene Vorarbeiten;31
7.4;1.4 Aufbau und Gliederung der Arbeit;32
8;2 Das europäische Energieversorgungssystem;35
8.1;2.1 Stand der Technik;35
8.1.1;2.1.1 Das Energieversorgungssystem;35
8.1.2;2.1.2 Frequenzregelung;45
8.1.3;2.1.3 Reserveleistungsarten;46
8.1.3.1;Primärregelung;46
8.1.3.2;Sekundärregelung;47
8.1.3.3;Tertiärregelung;47
8.2;2.2 Energiewirtschaftliche Entwicklung;48
8.3;2.3 Herausforderungen an eine verteilte Regelung dezentraler Energieumwandlungsanlagen;52
9;3 Verteilte Verhandlungen in einem dezentralen Agentensystem;55
9.1;3.1 Agentenmodell;56
9.2;3.2 Verhandlungsarchitektur;59
9.3;3.3 Preisbildung;63
9.4;3.4 Anpassen von Geboten und Angeboten;67
9.4.1;3.4.1 Verhandlungspreis;75
9.4.2;3.4.2 Excessive Bargaining;77
9.4.2.1;Problemstellung;77
9.4.2.2;Kommentar;78
9.4.3;3.4.3 Sicherheit gegenüber bösartigem Verhalten;82
9.5;3.5 Modellsimulationen zum Einfluss der similarity und der Preisrahmengröße;85
9.6;3.6 Kommunikation über Ticket Distributoren;89
9.7;3.7 Komplexität und Skalierbarkeit des Verhandlungsalgorithmus;91
9.7.1;3.7.1 Die Prozeduren des DEZENT-Algorithmus;94
10;4 Dezentrales Netzmanagement;104
10.1;4.1 Bedingte Konsumenten/Produzenten;105
10.1.1;4.1.1 Fallstudie 1: dynamisch geregelter Kühlschrank;107
10.1.2;4.1.2 Fallstudie 2: dynamisch geregelte Wassertherme;109
10.1.3;4.1.3 Fallstudie 3: Kraft-Wärme-gekoppeltes Blockheizkraftwerk;110
10.1.4;4.1.4 Fallstudie 4: elektrische Speicher;111
10.1.5;4.1.5 Fazit aus den Fallstudien;112
10.2;4.2 Peak Demand and Supply Management in DEZENT;114
10.2.1;4.2.1 Modellsimulationen des Peak Demand and Supply Managements in DEZENT;118
10.2.1.1;Allgemeiner Ein.uss der identi.zierten Parameter;118
10.2.1.2;Einfluss innerhalb eines 0,4 kV-Bilanzkreises mit realistischem Lastprofil;124
10.3;4.3 Virtuelle Konsumenten/Produzenten;128
10.3.1;4.3.1 Das Newton-Raphson-Verfahren zur Lastfiussberechnung;129
10.3.1.1;Anwendung auf elektrische Energieübertragungsnetze;130
10.3.1.2;Rechnung an einem Beispielnetz;136
10.4;4.4 Komplexität und Skalierbarkeit des erweiterten Verhandlungsalgorithmus;140
10.4.1;4.4.1 Die Prozeduren des erweiterten DEZENT-Algorithmus;142
11;5 Verteiltes Lernen;145
11.1;5.1 Reinforcement Learning;146
11.2;5.2 Kooperatives Lernen in DEZENT;147
11.2.1;5.2.1 Strategic Preferences;150
11.2.1.1;Der DECOLEARN-Algorithmus;151
11.3;5.3 Modellsimulation des DECOLEARN-Algorithmus;153
11.4;5.4 Komplexität und Skalierbarkeit von DECOLEARN;159
12;6 Experimentelle Untersuchungen;161
12.1;6.1 Qualitätsmerkmale und Systemparameter in DEZENT;164
12.2;6.2 Experimentelle Vorgehensweise;165
12.2.1;Erzeugen realistischer Eingabeinstanzen für Permutation Flow-Shop Scheduling Probleme;166
12.2.2;Erzeugen realistischer Eingabeinstanzen für DEZENT;168
12.3;6.3 Erzeugen einer Klasse realitätsnaher Konfigurationen;169
12.4;6.4 Aufbau des experimentellen Beispielnetzes;175
12.5;6.5 Experimentelle Untersuchung von DEZENT ohne Peak Management;182
12.5.1;6.5.1 Beobachtungszeitraum T1 (0:00 Uhr – 6:00 Uhr) ohne Peak Management;185
12.5.2;6.5.2 Beobachtungszeitraum T2 (7:30 Uhr – 15:20 Uhr) ohne Peak Management;188
12.5.3;6.5.3 Beobachtungszeitraum T3 (15:50 Uhr – 21:20 Uhr) ohne Peak Management;192
12.5.4;6.5.4 Beobachtungszeitraum T4 (11:30 Uhr – 12:30 Uhr) ohne Peak Management;195
12.5.5;6.5.5 Beobachtungszeitraum T5 (21:20 Uhr – 22:00 Uhr) ohne Peak Management;198
12.6;6.6 Experimentelle Untersuchung von DEZENT mit Peak Management;201
12.6.1;6.6.1 Beobachtungszeitraum T1 (0:00 Uhr – 6:00 Uhr) mit Peak Management;204
12.6.2;6.6.2 Beobachtungszeitraum T2 (7:30 Uhr – 15:20 Uhr) mit Peak Management;207
12.6.3;6.6.3 Beobachtungszeitraum T3 (15:50 Uhr – 21:20 Uhr) mit Peak Management;209
12.6.4;6.6.4 Beobachtungszeitraum T4 (11:30 Uhr – 12:30 Uhr) mit Peak Management;211
12.6.5;6.6.5 Beobachtungszeitraum T5 (21:20 Uhr – 22:00 Uhr) mit Peak Management;213
12.7;6.7 Zusammenfassung der fallstudienhaften Untersuchung;215
13;7 Dezentrale Betriebsführung;221
13.1;7.1 Leitungsüberlastungen durch veränderte Versorgungskonfigurationen;223
13.2;7.2 Spannungsprofil in einem strahlenförmigen Netz;226
13.3;7.3 Herkömmliche Verfahren zur Bewertung von Betriebszuständen;229
13.3.1;7.3.1 Bewertung von Spannungszuständen;229
13.3.2;7.3.2 Bewertung von Leitungsströmen;230
13.3.3;7.3.3 Konvergenz des Newton-Raphson-Verfahrens;230
13.4;7.4 Stable State Recognition;232
13.4.1;7.4.1 Erzeugen der Teilmengen zur Vermeidung von Spannungsbandverletzungen im Raum komplexer Knotenleistungen;233
13.4.2;7.4.2 Erzeugen der Teilmenge zur Vermeidung von Leitungsüberlastungen im Raum komplexer Leistungsvektoren;236
13.4.3;7.4.3 Kombination zulässiger Spannungs- und Stromvektoren im Raum komplexer Knotenleistungen;238
13.4.4;7.4.4 On-line Bewertung von Betriebspunkten;238
13.4.4.1;Bewertung eines Betriebspunktes mittels Linearer Programmierung;240
13.4.4.2;Bewertung eines Betriebspunktes mittels H-Polytopen;241
13.4.4.3;Der QuickHull-Algorithmus zur Berechnung konvexer Hüllen;243
13.4.4.4;Kürzester Weg zurück in den Raum zulässiger Betriebsgrenzen;249
13.4.5;7.4.5 Integration der Stable State Recognition in DEZENT;252
14;8 Fazit und Ausblick;256
14.1;8.1 Fazit;256
14.2;8.2 Ausblick;259
15;A Anhang;264
15.1;A.1 Lastgangkurven Einzelhaushalte;264
15.2;A.2 Lastgangkurve Photovoltaik;267
15.3;A.3 Lastgangkurve Windkraft;268
16;Literaturverzeichnis;269
Das europäische Energieversorgungssystem.- Verteilte Verhandlungen in einem dezentralen Agentensystem.- Dezentrales Netzmanagement.- Verteiltes Lernen.- Experimentelle Untersuchungen.- Dezentrale Betriebsführung.- Fazit und Ausblick.
6 Experimentelle Untersuchungen (S. 145-146)
In den vorangegangenen Kapiteln wurde das DEZENT-Agentensystem modelliert (Kapitel 3.1), der Verhandlungsalgorithmus (Kapitel 3.2) entwickelt und sukzessiv um die Komponenten der Bedingten Agenten (Kapitel 4.1) und des verteilten Lernens (Kapitel 5) erweitert. Das erste formulierte Hauptziel (siehe Kapitel 1.2) von DEZENT ist, dass die erzielten Preise für Konsumenten und Produzenten günstiger sind, als unter zentralem Management in einem konventionellen Versorgungssystem (siehe Kapitel 2.1).
Die zweite wichtige Anforderung an das DEZENT-System ist, dass die entwickelten Prozesse für die Kommunikation, Koordination, Adaption und Stabilität (siehe Kapitel 1.4) die harten Echtzeitanforderungen in DEZENT erfüllen, d.h. hier, innerhalb einer Verhandlungsperiode von 500 ms Länge abgeschlossen sind. Zur Erfüllung des ersten Zieles wurden in Kapitel 3.3 enge Preisrahmen für die Verhandlungen eingeführt, da die Kosten für regenerative Energieerzeugung im bottom-up-Management deutlich niedriger liegen als Kosten für fossile Energieumwandlungsanlagen. Innerhalb dieser begrenzten Preisrahmen soll es Betreibern regenerativer Energieumwandlungsanlagen möglich sein, neben den Kosten für Abschreibung und Wartung der dezentralen Anlagen in angemessenem Rahmen Gewinn zu erwirtschaften.
Da Produzenten gleichzeitig Konsumenten sind (und umgekehrt), wird hiermit erreicht, dass Gewinne und Verluste weder einseitig verteilt sind noch extrem akkumuliert werden. In Abwesenheit von großen reinen Erzeugern (Großkraftwerken) sind die Preisrahmen ökonomisch akzeptabel, da einerseits die Selbstversorgung im Vordergrund steht und andererseits die Preisrahmen für top-down-Versorger (langfristige Einsatzplanung, Transport von fossilen Ressourcen und zentral erzeugter Energie) nicht lohnend sind. Beim Weiterreichen unbefriedigter Agenten auf höhere Verhandlungsebenen werden die festen Preisrahmen enger.
Hierdurch und in Kombination mit der Gestalt der Verhandlungskurven kann erwartet werden, dass die günstigsten Verträge zwischen Konsumenten und Produzenten stets auf der untersten Verhandlungsebene erzielt werden (siehe Kapitel 3.4.1). Dieser Anreiz für einen bevorzugt lokalen Ausgleich reduziert Transportwege und minimiert Verlustleistungen, wodurch die Gesamtversorgung insgesamt ef?zienter wird. Verträge werden zwischen Agenten mit „ähnlichen“ Geboten und Angeboten geschlossen. Der Energiepreis des geschlossenen Vertrags wird als das arithmetische Mittel aus dem „ähnlichen“ Gebot-Angebot-Paar berechnet.
Damit hierbei nicht Energiepreise verhandelt werden, die zu stark von individuellen Preisvorstellungen abweichen, wurde ein gültiger Ähnlichkeitsbereich – eine sog. similarity – de?niert, in dem Verträge zwischen unterschiedlich hohen Geboten und Angeboten geschlossen werden. Die Annäherung eines Konsumenten-Produzenten-Paares ?ndet auf Basis ihrer Verhandlungsparameter – ihrer „Strategien“ – statt. Diese Strategien werden von Periode zu Periode auf Basis von verteilten Lernprozeduren angepasst. Der Erfolg des Lernalgorithmus hängt dabei von demWechsel zwischen Erforschen neuer Strategien (Exploration) und dem Ausnutzen von Wissen über bewährte Strategien (Exploitation) ab.
