Stokastisk korttidsmodell = SHARM Motivasjon Modell Tilrettelegging for bruk Eksempel Michael Belsnes 1 Motivasjon (1) ENERGI21 programmet Balansekraft som 1 av 6 satsninger RENERGI som har sponset utvikling av en stokastisk korttidsmodell RENERGI LOGO 2 1
Motivasjon (2) Energi21 Balansekraft EnergiX Nevner spesielt vannkraftens rolle Balansetjenester Lagring EnergiX figuren 3 Motivasjon (3) Energi21 Balansekraft EnergiX Balansekraft Lagering Nyhetsglimt: Hydro 2012 i Bilbao 1300 deltakere fra 80 land Uansett tema var det et emne som stadig dukket opp. Hvilken rolle skal vannkraften ha i forhold til Europas 202020 mål +++ Mødte mange spørsmål om Norge som bateri for Europa Bilde fra Bilbao 4 2
Motivasjon (4) Energi21 Balansekraft EnergiX Balansekraft Lagering Hydro 2012 i Bilbao 1300 deltakere fra 80 land Hvilken rolle skal vannkraften ha i forhold til Europas 202020 mål +++ Vannkraften er så langt den eneste realistiske store lagringsmulighet for energi. Skandinavia sitter på brorparten av kapasitet i EU. Status in 2050 according to EWEA 5 Modellen Jobbet med og funnet et modell konsept som vi har tro på. Konseptet er: stokastisk suksessiv lineær programmering (SSLP) Potensial til å bli like rikt på detaljer som SHOP A B C D 6 3
SSLP: Stochastic Successive Linear Programing Illustrated 7 Metoden basere seg på å sette opp et stokastisk tre p 4,8 p i,j = 0,5 8 Et tre kan se vilkårlig ut og inneholde informasjon om forskjellige stokastiske variabler. En forgrening kan ha 1 n grener og treet trenger ikk være symetrisk Høyt tilsig 1 p 1,2 p 1,3 Lavt tilsig 2 3 p 2,4 p 2,5 p 3,6 p 3,7 4 5 6 p 4,9 p 5,10 p 5,11 p 6,12 p 6,13 9 10 11 12 13. men det blir fort stort det er en ulempe 7 p 7,14 p 7,15 14 15 Period 1 Period 2 Period 3 Period 4 time 8 4
Utfordring i forhold til dimensjonalitet Det blir fort store treer å regne på Det er da en mye større modell en dagens SHOP som skal løses. Jobbet med å få ned størrelsen på modellen under forutsetning om at modellen skal se samme usikkerhet Implementert en rutine for å reduser antall grener i treet Utviklet en metode for evaluere kvaliteten på den valgte reduksjon 9 Trekonstruksjon og scenarioreduksjon 1. Trekonstruksjon: Inn: Et sett scenarier for tilsig og/eller pris (ensembleprognoser, Monte Carlo simulering fra statistisk modell) Ut: Et scenariotre på en form som kan brukes i stokastisk optimeringsmodell Inn: Ut: 2. Scenarioreduksjon: Inn: Et stort scenariotre som gir for tunge beregninger Ut: Et scenariotre av redusert størrelse som gir god tilnærming til fullt tre 10 5
Pris og tilsig: Kombinert usikkerhet 11 Evaluere kvalitet på reduksjonen: Metode: Beregne optimal profitt basert på beslutninger tatt basert på redusert tre, men der en bruker sann fordeling gitt av fullt tre Redusert (sub )tre Fullt (sub )tre 12 6
Eksempel: Optimal reduksjon av tilsigsscenarier Ensemble prognose Scenariotre Redusert tre Konstruksjon Konstruksjon Reduksjon 13 Effekten av å redusere treet på optimal løsning Beregne optimal profitt basert på beslutninger tatt basert på redusert tre, men der en bruker sann fordeling gitt av fullt tre Fullt tre: Redusert tre: Eksempel: Ett magasin modell Initialfylling 80 % Stokastisk tilsig keur Ant. noder: 14 7
Oversikt over trinn i stokastisk korttidsmodellering Stokastiske variabler Tilsig: Ensemble prognoser fra hydrologisk modell, evt. kombinert med statistisk modell Spotpris: Prisprognose fra brukere kombinert med brukerspesifiserte anslag for usikkerhet eller statistisk modell Scenariotre Generering av scenariotrær fra ensemble prognoser eller scenarier fra statistisk modell, eller eksplisitt spesifisert fra brukere. Reduksjon av størrelsen på treet Optimering Kjøre stokastisk modell med redusert scenario tre Maksimerer forventet profitt Resultatpresentasjon Presentasjon og tolking av resultater fra stokastisk optimeringsmodell 15 Tilrettelegging for testing av prototyp Trinn i prosessen Generering av scenarier for tilsig og pris Verktøy Input fra brukeren Konvertering til xml format Excel ark Trekonstruksjon og evt reduksjon Trekonstruksjon og reduksjonsmodul: C program Stokastisk optimering Optimeringsmodul: C++ program Resultatbearbeiding og tolking Under arbeid, interaksjon med brukerne 16 8
Excel ark for konvertering til xml format 17 Excel ark for oppgaveflyt 18 9
Resultat fra en enkel testkjøring 10 Mm2 Timesoppløsning Vannverdifunksjon med 100 steg Startmagasin 70 % Pris 15 Eur/MWh Marginal verdi av lagret vann er lik pris ved 83 % fylling. Tilsig 1. døgn, deterministisk (kjent tilsig på 2 GWh /døgn) Tilsig 2. 4. døgn, stokastisk (50 % 0, 50 % 4GWh /døgn) 125 MW Ɛ=1 kwh/m3 19 Testkjøringer Stokastisk tilsig lik forventningsverdi 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Stokastisk tre 4 perioder a 24 timer Første periode deterministisk 2. 4 periode stokastisk, overgangssannsynlighet 50 % 20 10
Akkumulert tilsig 1. døgn deterministisk (kjent tilsig) 2. 4. døgn Stokastisk tilsig (50 % 0 50 % 4GWh /døgn) Magasinutvikling for 8 scenarier 21 Scenario med høyt tilsig periode 2, 3 og 4. Sluttmagasin 98,6 % Sum produksjon 11171 MWh Scenario med høyt tilsig periode 2 og 3. Sum produksjon 8777 MWh Sluttmagasin 82,5 % 22 11
Sum produksjon 8171 MWh Sluttmagasin 88,5 % Sum produksjon 5171 MWh Sluttmagasin 78,4 % 23 Sum produksjon 8075 MWh Sluttmagasin 89,5 % Sum produksjon 5075 MWh Sluttmagasin 79,4 % 24 12
Sum produksjon 4833 MWh Sluttmagasin 81,8 % Scenario med 0 tilsig periode 2, 3 og 4. Sum produksjon 2171 MWh Sluttmagasin 68,3 % 25 Oppsumering av økonomi i testen Stokastisk: Maksimerer forventet inntekt Deterministisk sim: Løser for en og en node utover i treet.stokastisk 2,3% bedre enn deterministisk sim Flom: Ikke flom med stokastisk modell. Flom for scen 1, 3 og 5 med deterministisk sim. Stokastisk Deterministisk sim Sum 100207 89798 salgsinntekter Verdi av 229413 232349 sluttmagasin Sum 329620 322147 26 13
Stokastisk Scenario med høyt tilsig periode 2, 3 og 4. Sum produksjon 11171 MWh Sluttmagasin 98,6 % Deterministisk sim Sum produksjon 9007 MWh Sluttmagasin 101,9 % Deterministisk scen Sum produksjon 12000 MWh Sluttmagasin 90,5 % 27 Økonomisk resultat for ulike kjøringer for C1 Økonomisk resultat Stokastisk Deterministisk scen Deterministisk sim Scen 1 417592 420499 386612 Scen 2 360730 363494 347420 Scen 3 360394 361371 354314 Scen 4 300142 302784 300388 Scen 5 360304 360722 354304 Scen 6 300358 302786 300378 Scen 7 300577 300748 300378 Scen 8 236856 240715 233386 Total (gj.snitt) 329619 331640 322147 28 14
Konklusjon Flom : Unngår flom med stokastisk modell Deterministisk sim : Flom i enkelte scenarier Pris /vv Siste periode: Produserer når vv lavere enn pris. 4 av 8 scenarier har sluttmagasin i området rundt der marginal vv er lik pris 7 av 8 scenarier har høyere sluttmagasin enn startmagasin. Spotpris er lavere enn marginal verdi av lagret vann for magasinnivå under 83 % 29 Avsluttning av "Optimal utilization of wind and water" Gjennomført test hos brukerne men har ikke fått entydig resultat i forhold til å kunne si at oprasjonalisering av SHARM har positiv nytteverdi. Noen årsaker kan være: Utfordrende å sette opp modell for SHARM og det er store menger data både inn og ut av modellen. Dagens prognoseverktøy klarer ikke å representere usikkerheten godt nok Testet på dagens system med dagens forhold De testresultat vi har å forholde oss til er fra Statkraft sine tester som viste liten økonomisk gevinst men bedre planer. SINTEF sine tester som er laget for å få frem en forskjel 30 15
Veien videre Styringsgruppen har søkt IPN prosjekt med Statkraft i spissen for å få gjennomført en mer realistisk test i industrien enn det som kompetanseprosjektet klarte. Innholdet i søknaden kan illustreres med: 31 Piet Hein "Det er vanskelig å spå spesielt om fremtiden Takk for oppmerksomheten 32 16