MONTE CARLO SIMULERINGER FOR BEREGNING AV LASTFLYT I NETT MED STOKASTISK VARIASJON AV LAST OG PRODUKSJON Av Erling Tønne, NTE Nett Jan A. Foosnæs, NTE Nett Kjell Sand, NTNU Rune Paulsen, NTE Nett Sammendrag Andelen av energieffektive og effektkrevende apparater, regulerbare belastninger og produksjon fra fornybare energikilder tilknyttet distribusjonsnettet er økende. Dette medfører at belastningen av nettet blir mer varierende og uforutsigbar enn tidligere. Bruk av individuelle probabilistiske modeller av belastninger og produksjoner, fremfor standard deterministiske modeller som i dag, vil gi bedre kvalitet på nettberegningene og løsninger kan velges ut fra risikovurderinger fremfor dagens «fit-and-forget» tilnærming. Dette betyr reduserte kostnader for nettselskapene ved at nettkapasiteten kan utnyttes bedre og at enkelte investeringer kan utsettes i tid. Det stimulerer også til utbygging av mer fornybar produksjon pga mulige reduserte kostnader for tilknytting til nettet. 1. BAKGRUNN Energisektoren står for cirka to tredjedeler av det totale utslipp av drivhusgasser i verden [1] og spiller derfor en avgjørende rolle i hvordan verdenssamfunnet skal klare å nå miljømålsettingene som er satt. Dette har ført til økt fokus på omlegging fra bruk av fossilt brensel til fornybare energikilder og energi-effektivisering. Fornybare energikilder (RES) er av to grunner sett på som det mest bærekraftige alternativet til fossilt brensel: De er i prinsippet karbon-frie. Det er ikke noe direkte utslipp av CO 2 ved bruk av RES, bortsett fra ved bruk av biomasse. Resursene er fornybare og forsvinner ikke over tid. 1
Ettersom det er flere muligheter for å produsere fornybar elektrisitet enn ikke-elektrisk energi, vil bidraget fra RES til bekjempelse av klimaendringene være avhengig av i hvor stor grad energibruk kan elektrifiseres, f.eks. ved bruk av elektriske biler. Produksjon fra fornybare energikilder som f.eks. sol og vind, er uregulert og vil variere med styrken på hhv. solinnstrålingen og vinden. Tilknytning av distribuert produksjon (DG) fra fornybare energikilder i mellom- og lavspenning distribusjonsnett, vil medføre at lastflyten i nettet vil variere mer i både størrelse og retning enn før. Disse nettene er dimensjonert for å forsyne sluttbrukere med elektrisitet, dvs. effektflyt i en retning fra overliggende nett og ut til den enkelte sluttbruker. Tilknytning av DG vil derfor ofte gi utfordringer i forhold til relevern og spenningskvalitet. Fokus på energi-effektivisering og utvikling av nye energieffektive og ofte effektkrevende elektriske apparater, vil øke behovet for tilgjengelig effekt mens energiforbruket forblir uforandret eller reduseres. Dette betyr også at belastningsvariasjonene vil øke i omfang (størrelse og hyppighet). Eksempler på slike belastninger er elektriske biler, varmepumper, induksjonstopper og direkteoppvarming av vann. Også laststyring av enten enkelte belastninger hver for seg (DR) eller av mange belastninger samlet (DSM) vil påvirke belastningsvariasjonene i nettet. Det samme gjelder med styring av produksjon. Store deler av lavspenningsnettet i Norge er bygd som et 230 V IT nett med isolert nullpunkt og har en impedans større enn referanseimpedansen definert av IEC. Høy impedans betyr at nettet er svakt og at bruk av vanlige elektriske apparater kan påvirke spenningskvaliteten i nærområdet. Når variasjonene i belastninger og produksjon tilknyttet nettet øker, vil dette ha negativ innvirkning på leveringskvaliteten. Med økende maksimaleffekt og stor variasjon i belastning og produksjon, er det økt usikkerhet mht. hva den totale belastningen i nettet er til enhver tid sammenlignet med hvordan det har vært tidligere. Dimensjonering av nettet etter «fit-and-forget» prinsippet vil medføre at nettkapasiteten blir enda dårligere utnyttet enn tidligere og kostnadene med utvidelser og forsterkninger av nettet blir unødvendig store. Det er derfor interessant å se etter nye metoder for å modellere belastninger og produksjoner samt å andre kriterier for dimensjonering av nettet. Med innføringen av smarte målere (AMS) i Norge fra 1.1.2019 og økt bruk av automatikk og smarte løsninger i nettet, får netteiere tilgang til 2
mye mer data om nettet i tillegg til nye muligheter for å bruke last og produksjonsstyring som alternativ til tradisjonell nettforsterkning. Denne artikkelen er basert på et PhD-arbeid [2] med hovedmålsetting å bidra til en forbedret planleggingsmetodikk tilpasset fremtidens aktive mellom- og lavspenning distribusjonsnett. Metoder for modellering av belastninger og produksjon basert på nye data fra smarte målere er spesielt vektlagt. 2. PLANLEGGINGSMETODIKK Det norske distribusjonsnettet har tradisjonelt vært dimensjonert etter et «Fit-and-forget» prinsipp. Dvs. at nettet skal tåle enhver belastning som kan oppstå uten å bli overbelastet. Behov for økt overføringskapasitet har blitt løst med forsterkning av nettet. I praksis har to belastningstilfeller blitt undersøkt: Maksimal belastning uten lokal produksjon Minimal belastning med maksimal produksjon Med økende maksimaleffekt og større variasjon i både belastning og produksjon, vil en fortsettelse av dette prinsippet medføre at nettet blir dårligere utnyttet enn i dag. Sammen med ordningen om innkreving av anleggsbidrag ( 17-5 i Forskrift om kontroll av nettvirksomhet [3]) vil prinsippet også virke som en barriere for utvikling og tilknytting av ny fornybar produksjon. I [2] foreslås det derfor at planleggingen i fremtiden baseres på sannsynlighetsvurderinger og at alternativer til nettforsterkning vurderes først når nettkapasiteten er begrensende. Figur 1 viser metodikken skjematisk fremstilt. Grønne bokser i figuren angir endringer fra dagens metodikk: Belastninger og produksjoner modelleres probabilistisk, dvs. modellene inneholder kumulative fordelingsfunksjoner som beskriver variasjonen i belastningen/produksjonen. I stedet for å se om noen grenseverdier kan overstiges, vurderes risikoen for at disse overstiges. Er risikoen uakseptabel skal ikke nettet nødvendigvis forsterkes, men aktiv styring av last/produksjon skal vurderes og evt benyttes i kombinasjon med tradisjonell nettforsterkning. Er risikoen akseptabel skal valg av løsning ikke bare baseres på en kost-nytte vurdering, men også ikke-økonomiske konsekvenser skal tas med i vurderingen. 3
Figur 1: Probabilistisk planleggingsmetodikk for distribusjonsnett [2] 3. PROBABILISTISK MODELLERING AV LAST OG PRO- DUKSJON Tradisjonelt har belastninger i lavspenningsnett blitt modellert med: Maksimalbelastning (kw) beregnet ut fra årsforbruk og standard brukstid for aktuell belastningskategori (husholdning, skole, jordbruk, osv.) 4
Standard variasjonskurver for aktuell belastningskategori. En årsvariasjon og en eller to døgnvariasjoner. Med innføringen av AMS åpner det seg nye muligheter. Når forbruket til hver enkelt sluttbruker registreres hver time (eller oftere) kan dette benyttes til å lage en individuell lastmodell for den enkelte sluttbruker. Figur 2 viser temperaturkorrigert forbruk pr time over 3 år for en skole «X» i forsyningsområdet til NTE Nett. Figur 2: Målt energiforbruk (kwh/h) for skole «X» i tre år (2013-2015) I stedet for å bruke en beregnet maksimaleffekt som referanse, kan man benytte faktisk målt maksimaleffekt (største kwh/h-verdi i tidsserien). Variasjonskurver for timesforbruket i Figur 2 kan beregnes. Forbruket av elektrisk energi hos den enkelte sluttbruker varierer gjennom året, dvs. det er normalt lavere forbruk om sommeren enn om vinteren. Forbruket varierer også i løpet av døgnet. Denne døgnvariasjonen er nødvendigvis ikke den samme om vinteren som om sommeren og heller ikke den samme på en vanlig arbeidsdag som den er på en helg- eller helligdag. Dette tilsier at man burde beregne individuelle døgnvariasjoner for hver måned, f.eks. variasjonskurver for arbeidsdager i januar, februar, mars osv. og tilsvarende månedlige variasjonskurver for helg/helligdager. Dersom datagrunnlaget er begrenset må variasjonskurvene gjelde for større perioder. Tre år med data er litt lite grunnlag for beregning av 24 ulike døgnvariasjonskurver. Det er derfor for forbruket i Figur 2 beregnet en årsvariasjonskurve (Figur 3) og to døgnvariasjonskurver (Figur 4). Største 5
målte verdi i tidsserien benyttes som referanse (100%) og for skole «X» er dette 136 kw. Figur 3: Beregnet årlig variasjonskurve for skole «X» Figur 4: Beregnet døgnvariasjonskurver for skole «X» Dersom referanseverdien og variasjonskurvene kombineres finner man en forventet belastning. Figur 5 viser en slik kurve for skole «X» en uke i januar. Relativt avvik kan beregnes som avvik pr time mellom forventet forbruk (Figur 5) og målt forbruk (Figur 2) relatert til forventet forbruk. De blå søylene i Figur 6 er fordelingen av dette relative avviket. Relativt avvik er langs x-asken og tettheten langs y-aksen. Den røde kurven representerer den fordelingsfunksjonen (Burr) som i dette tilfellet best beskriver fordelingen til det relative avviket. 6
Figur 5: Forventet variasjonskurve for skole «X», en uke i januar Figur 6: Statistisk fordeling av relativt avvik og tilpasset fordelingsfunksjon for skole «X» Lastmodellen for denne skolen «X» består i dette tilfellet av: En årsvariasjon To døgnvariasjoner En fordelingsfunksjon (stokastisk variabel) 7
Samme modelleringsmetodikk kan benyttes på alle typer belastninger og produksjoner. Dersom en sluttbruker installerer et solcelleanlegg vil denne modelleringen etter en viss tid fange opp denne endringen i forbruksmønster. 4. NETTBEREGNINGER MONTE CARLO SIMULE- RINGER Når alle belastninger og produksjoner i en nettmodell er modellert individuelt med bakgrunn i AMS data som vist ovenfor, kan lastflytberegninger gjennomføres med Monte Carlo simuleringer. I en Monte Carlo simulering gjennomføres mange beregninger med de stokastiske variabler i datasettet. Resultatene fra lastflytberegningene blir dermed presentert som sannsynlighetsfordelinger. Figur 7 viser sannsynlighetsfordelingen for total aktiv last for et lavspenningsnett med sju individuelle stokastiske belastninger. Maksimal belastning er ifølge denne simuleringen 355 kwh/h, mens 99-percentilen er 280 kwh/h. Figur 7: Sannsynlighetsfordeling - Total aktiv last for et lavspenningsnett Tilsvarende fordeling for belastningsgraden i % for kabelen nærmest transformatoren (den som forsyner hele lavspenningsnettet med belastningen vist i Figur 7) er vist i Figur 8. Største belastning er 143 %, mens 99-percentilen er 105,9 % belastning. Sannsynligheten for overbelastning av kabelen (x>100 %) er ca 2,0 %. 8
Figur 8: Sannsynlighetsfordeling belastning i % for en kabel Figur 9 viser resultatet for spenningen i et punkt lengst ute i et 400 V nett. Det er ifølge denne simuleringen 1 % sannsynlighet for at spenningen kan bli lavere enn 377 V og gjennomsnittlig spenning er 385 V. Figur 9: Sannsynlighetsfordeling spenning (V) i et punkt lengst ute i nettet 9
5. DISKUSJON OG KONKLUSJON Når nettberegninger skal foretas er det svært vesentlig at modellene for belastning og produksjon tilknyttet nettet er så riktige som mulig. Standard belastningsprofiler passer ikke alltid den virkelige belastningen. Individuelle profiler vil derimot være beregnet for den enkelte belastning og vil dermed gi bedre kvalitet på nettberegningene. Bruk av probabilistiske modeller vil i tillegg gjøre det enklere å dimensjonere og velge løsninger ut fra risikovurderinger fremfor dagens «fit-and-forget» tilnærming: Utnyttelsen av eksisterende nett kan økes ved å tillate en viss risiko for overskridelse av dimensjoneringskriterier og ved å bruke aktive løsninger for belastningskontroll i nettet (f.eks. DSM og lagring). Enkelte investeringer i nettet kan utsettes pga økt utnyttelse av nettet og bruk av aktiv styring av nettbelastning Mer fornybar produksjon (RES) kan tilknyttes nettet med reduserte tilknytningskostnader. Dette stimulerer til utbyggelse av flere nye slike prosjekter. Dersom en investering kan utsettes i 5 år, vil nåverdien av de totale kostnadene reduseres til ca 75 % sammenlignet med å investere i dag (forutsatt 2 % årlig kostnad til drift og vedlikehold, 4.5 % kalkulasjonsrente, analyseperiode 30 år og økonomisk levetid 35 år). 6. REFERANSER [1] IEA, "Energy and Climate Change - World Energy Outlook Special Report," ed: IEA - International Energy Agency, 2015. [2] E. Tønne, "Planning of the Future Smart and Active Distribution Grids - With emphasis on probabilistic load and generation modelling based on data from smart meters," Complete draft PhD thesis, Department of Electric Power Engineering, NTNU - Norwegain University of Science and Technology, Trondheim, 2016. [3] Forskrift om økonomisk og teknisk rapportering, inntektsramme for nettvirksomheten og tariffer, www.lovadata.no FOR 199-03- 11-302, 2016. 10