Zentrale und dezentrale Einsatzplanung virtueller Kraftwerke an Spot- und Regelleistungsmärkten

Abstract

Im Rahmen der Energiewende und der Elektrifizierung des Mobilitäts- und Wärmesektors steigt die Anzahl kleiner, dezentraler Erzeugungs-, Verbraucher- und Speichereinrichtungen im Stromsystem stark an. Anlagen- und Netzbetreiber sowie Energieversorger stehen vor der Herausforderung, Lösungen zu entwickeln, um diese Anlagen sowohl wirtschaftlich als auch systemdienlich zu betreiben. In diesem Zusammenhang ist in den letzten Jahrzehnten ein deutlicher Trend hin zur Bildung von Anlagenpools zur optimalen Vermarktung oder zum effizienten Betrieb im Sinne von Verteilnetz- und Übertragungsnetzbetreibern sowie Bilanzkreisverantwortlichen zu erkennen. Virtuelle Kraftwerke etablieren sich dabei als zentrale Monitoring- und Managementlösung für homogene und inhomogene Anlagenpools. Eine wesentliche Aufgabe Virtueller Kraftwerke besteht in der Erstellung optimaler Fahrpläne, um einen kostenoptimalen Betrieb der Anlagen unter Berücksichtigung von Nutzer- und Netzanforderungen zu gewährleisten. Ziel der vorliegenden Arbeit ist es, erstmals ein zentrales Optimierungsmodell zu entwickeln, das die Fahrplanoptimierung von inhomogenen Virtuellen Kraftwerken am Spot- und Regelleistungsmarkt unter gleichzeitiger Berücksichtigung in Deutschland üblicher Vergütungsmodelle für erneuerbare Energieträger sowie der thermischen Nutzerbedürfnisse hinter dem Anschlusspunkt ermöglicht. Hierfür wurde zunächst ein Bilanzierungsmodell zur Optimierung eines Virtuellen Kraftwerks entwickelt und um Anlagencharakteristiken unterschiedlicher Anlagentypen sowie die Produktanforderungen der verschiedenen Strom- und Regelleistungsmärkte erweitert. Da ein zentraler Ansatz zur Optimierung all dieser Aspekte in praxisnahen, komplexen Anwendungsszenarien kein praktikables Laufzeitverhalten aufweist, wurde darüber hinaus erstmals für diese Art der Mehrwegevermarktung eine Lagrange-Relaxation zur Dezentralisierung des Optimierungsansatzes erprobt. Abschließend wurden das zentrale und das dezentrale Optimierungsmodell miteinander verglichen, um die Laufzeitvorteile sowie die Einbußen bei der Gütefunktion genau zu bestimmen.As part of the energy transition and the electrification of the mobility and heating sectors, the number of small, decentralized generation, load, and storage facilities in the power system is increasing significantly. Plant and grid operators, as well as energy suppliers, face the challenge of developing solutions to operate these facilities both economically and in a way that benefits the power system. In this context, a clear trend toward the formation of plant pools for optimal marketing or efficient operation – aligned with the objectives of distribution and transmission system operators as well as balancing group managers – has been observed over the past decades. Virtual power plants have emerged as a central monitoring and management solution for both homogeneous and heterogeneous plant pools. One of the primary tasks of virtual power plants is to create optimal schedules to ensure cost-efficient operation of facilities while considering user and grid requirements. The aim of this work is the first-time development of a centralized optimization model that enables the scheduling optimization of heterogeneous virtual power plants for the spot and ancillary services markets, while simultaneously incorporating Germany’s common remuneration schemes for renewable energy sources and the thermal needs of users behind the connection point. To achieve this, a balancing model for the optimization of a virtual power plant was initially developed and extended to include the characteristics of various types of plants as well as the product requirements of different electricity and ancillary services markets. Since a centralized approach to optimizing all these aspects would exhibit impractical runtimes in realistic, complex application scenarios, a Lagrangian relaxation method was applied in this multi-market optimization context for the first time to decentralize the optimization approach. Finally, the centralized and decentralized optimization models were compared to precisely determine the runtime advantages and the trade-offs in solution quality.