Modelling and optimisation of future energy systems using spatial and temporal methods

  • The energy system needs to undergo major transformations before the system will fulfill major sustainability criteria. Modelling of the system is necessary to understand most of these changes. The challenge of modelling energy systems can be tackled using many different approaches and methodologies. The choice of approach is normally dependent on the intended aims of the investigation - be these an emphasis on economic or ecological aspects, on the short or long term, on local, regional or global systems, and so on. This thesis sets out a modelling approach that is particularly suited to systems with significant geographical and temporal dependency, for instance, systems with numerous renewable energy supply technologies. This new approach is implemented in the software tool TASES (Time And Space resolved Energy Simulation). At the centre of TASES is a flexible data structure. This data structure is implemented as a cross-referenced two dimensional database, where one dimensionThe energy system needs to undergo major transformations before the system will fulfill major sustainability criteria. Modelling of the system is necessary to understand most of these changes. The challenge of modelling energy systems can be tackled using many different approaches and methodologies. The choice of approach is normally dependent on the intended aims of the investigation - be these an emphasis on economic or ecological aspects, on the short or long term, on local, regional or global systems, and so on. This thesis sets out a modelling approach that is particularly suited to systems with significant geographical and temporal dependency, for instance, systems with numerous renewable energy supply technologies. This new approach is implemented in the software tool TASES (Time And Space resolved Energy Simulation). At the centre of TASES is a flexible data structure. This data structure is implemented as a cross-referenced two dimensional database, where one dimension captures the geographical description of the system while the other one contains the time related dependencies. Extra effort was directed toward the design of this data structure because the details of the mapping will determine which modelling methodologies will later be feasible and which will not. TASES contains a simulation technique that calculates all respective energy flows within a given scenario. This calculation is based on a heuristic that captures the operational behaviour of the technical processes present in the scenario. Alongside this simulation functionality are two optimisation techniques that can be used to determine, subject to predefined limitations, beneficial structural changes within a scenario. The first optimisation technique involves the formulation of this problem in linear terms, so that fast well-established linear optimisation routines can be used. More specifically, TASES generates a linear equation matrix describing the complete scenario for submission to a third-party solver. The second more novel optimisation technique was developed using rules and procedures based on evolutionary algorithms. This technique relies on a more or less complete decoupling of intrinsic complexity of the system from the task of obtaining a global optimal solution. The optimisation process itself uses an analogue of biological evolution to establish an improving series of approximate solutions. The technique requires customised procedures to mutate and select better performing potential solutions. The most notable advantage of evolutionary optimisation, vis-à-vis linear optimisation, is the exibility it provides model users by no longer requiring that the underlying problem formulation be linear. The above methodologies can determine the state of an energy system but not its intrinsic dynamics. These dynamics can be captured using a multi agent approach whereby individual agents with in built behaviours are identifed and mapped to a scenario. Some preliminary ideas are presented in this regard, with the thought that further developments can be readily incorporated into scenario data structure described earlier. TASES found its first application within the VLEEM (Very Long Term Environment Energy Model) research theme, initiated by the European Commission in 2000. TASES was used to investigate pathways to a desired future energy economy using a back casting methodology. The project was undertaken using the methods described in this thesis. An illustrative scenario is presented comprising the existing UCTE (Union for the Coordination of Transmission of Electricity) grid with a high proportion of renewable energy added. Using the simulation ability of TASES, estimates are made regarding complementary transmission and storage required. A further illustrative example uses linear optimisation to quantify the competition of PV (photovoltaic) panels in the context of geographical dependency. One of the most interesting application domains for this style of modelling is the study of global electricity grids. This configuration is examined for a case with a high proportion of renewable energy. Linear optimisation is also used to investigate the competitive limitations of a global grid with fluctuating renewable energy deriving from wind and sun. The TASES model was applied to various energy system scenarios using simulation methods, sometimes in combination with linear optimisation, and found to produce useful results. The overall significance of this modelling approach is the more or less novel use of high temporal and spatial resolution together to describe dispersed energy systems. The approach allows a wide range of system types to be studied and is particularly suitable for systems which contain a high percentage of renewable energy technologies.show moreshow less
  • Das Energiesystem erfüllt heute nicht die Bedingungen einer nachhaltigen Entwicklung: wichtige Stichtworte sind hier übermäßiger Ressourcenverbrauch und Klimaveränderung. Damit die Entwicklung in der Zukunft nachhaltig ist, müssen erhebliche Veränderungen erfolgen. Um diese Veränderungen zu planen und die Durchführung zu überwachen, ist eine Modellierung des Energiesystems notwendig. Es gibt eine Vielzahl von sehr unterschiedlichen Ansätzen zur Modellierung des Energiesystems. Die Wahl des richtigen Ansatzes ist zentral von der Fragestellung abhängig. Die Ausrichtung kann eher ökonomisch oder ökologisch motiviert sein, eher auf einen kurzen oder langen Zeithorizont ausgelegt sein, sowie in der räumlichen Betrachtung eher auf einer lokalen, regionalen oder globalen Skala verankert sein. Der Ansatz der Modellierung in dieser Arbeit ist speziell auf Systeme mit einer räumlichen und zeitlichen Abhängigkeit ausgelegt, z.B. Systeme basierend auf einem hohen Anteil an erneuerbarenDas Energiesystem erfüllt heute nicht die Bedingungen einer nachhaltigen Entwicklung: wichtige Stichtworte sind hier übermäßiger Ressourcenverbrauch und Klimaveränderung. Damit die Entwicklung in der Zukunft nachhaltig ist, müssen erhebliche Veränderungen erfolgen. Um diese Veränderungen zu planen und die Durchführung zu überwachen, ist eine Modellierung des Energiesystems notwendig. Es gibt eine Vielzahl von sehr unterschiedlichen Ansätzen zur Modellierung des Energiesystems. Die Wahl des richtigen Ansatzes ist zentral von der Fragestellung abhängig. Die Ausrichtung kann eher ökonomisch oder ökologisch motiviert sein, eher auf einen kurzen oder langen Zeithorizont ausgelegt sein, sowie in der räumlichen Betrachtung eher auf einer lokalen, regionalen oder globalen Skala verankert sein. Der Ansatz der Modellierung in dieser Arbeit ist speziell auf Systeme mit einer räumlichen und zeitlichen Abhängigkeit ausgelegt, z.B. Systeme basierend auf einem hohen Anteil an erneuerbaren Energieträgern. Dieser neue Ansatz ist in das Softwarewerkzeug TASES (Time And Space resolved Energy Simulation) implementiert. Im Zentrum von TASES steht eine flexible Datenstruktur. Diese Datenstruktur ist als zweidimensionale Datenbank implementiert, wobei eine Dimension die geographische Beschreibung des Systems abdeckt, während die zweite die Zeitachse beschreibt. TASES beinhaltet eine Simulation, die alle Energieflüsse innerhalb eines gegebenen Szenarios berechnet. Diese Berechnung basiert auf einer Heuristik welche das operative Verhalten von technischen Prozessen in einem Szenario erfasst. Neben dieser Möglichkeit der Simulation von Energiesystemen befasst sich diese Arbeit noch mit zwei Optimierungsmethoden, welche geeignet sind, strukturelle Änderungen in einem Szenario bezüglich ihres Verhaltens relativ zu einem Optimum zu bewerten. Ein Ansatz ist die Formulierung des Problems in linearen Relationen. Diese Relationen können im Anschluss mit etablierten Methoden der linearen Optimierung ausgewertet werden. Der zweite mehr innovative Ansatz basiert auf Methoden der evolutionären Algorithmen. Hierbei steht nicht mehr eine global optimale Lösung eines betrachteten Systems im Vordergrund sondern eher der Entwicklungspfad eines Systems hin zu einer optimaleren Systemgestaltung. Die hierbei verwendete Methodik lehnt sich an die biologische Evolution mit ihren Mechanismen der Mutation und Selektion an. Im Gegensatz zu einer rein linearen Optimierung liegt ein wesentlicher Vorteil dieser letztgenannten Vorgehensweise in der Akzeptanz einer denkbar flexiblen Formulierung von System. Ergänzend zu diesen Methoden der Optimierung werden in dieser Arbeit noch einige sehr rudimentäre Betrachtungen zu "Multi Agenten" Ansätzen gemacht, welche speziell geeignet sind, die intrinsische Dynamik in realen Systemen besser zu erfassen, als dies mit reinen Optimierungsansätzen möglich ist. TASES fand im Rahmen der VLEEM (Very Long Term Environment Energy Model) Studien welche von der europäischen Kommission im Jahr 2000 ins Leben gerufen wurden eine erste Anwendung. TASES wurde dabei eingesetzt, um mögliche Pfade hin zu einer zukünftigen nachhaltigen Energiewirtschaft zu bewerten. In einem illustrativen Szenario wird das bestehende UCTE (Union for the Coordination of Transmission of Electricity) Netz mit einem, möglicherweise in Zukunft, hohen Anteil an erneuerbaren Energieträgern betrachtet. Mit Hilfe der in TASES enthaltenen Methode der Simulation, wurden Abschätzung zu benötigten Netz- und Speicherkapazitäten durchgeführt. In einem weiteren Beispiel wurde die Wettbewerbsfähigkeit von Photovoltaik in Abhängigkeit von geographischen Standorten bewertet. Einer der interessantesten Anwendungsbereiche dieser Art der Modellierung liegt aber in der Analyse von globalen Stromnetzen. Mit Hilfe der linearen Optimierung wurde hierzu ein globales Szenario, basierend auf stark fluktuierender erneuerbarer Energie aus Wind und Sonne, bezüglich seiner wettbewerbsfähigen Einschränkungen betrachtet. Das TASES Model wurde auf verschiedenste Energiesystem Szenarien angewandt. Sowohl mit der Methode der Simulation wie auch mit den unterschiedlichen Ansätzen zur Optimierung lassen sich damit sinnvolle Ergebnisse erzielen. Die Neuerung dieser Arbeit liegt in der Kopplung räumlich wie auch zeitlich hoch aufgelöster Energiesysteme in einem Modellierungsansatz. Dieser Ansatz erlaubt das Studium eines breiten Spektrums von unterschiedlichen Energiesystemen und ist im Speziellen dafür geeignet erneuerbare Energien modelltechnisch zu erfassen.show moreshow less

Download full text files

Export metadata

Statistics

Number of document requests

Additional Services

Share in Twitter Search Google Scholar
Metadaten
Author:Markus Biberacher
URN:urn:nbn:de:bvb:384-opus-1169
Frontdoor URLhttps://opus.bibliothek.uni-augsburg.de/opus4/67
Title Additional (German):Modellierung und Optimierung zukünftiger Energiesysteme unter Berücksichtigung einer hohen räumlichen und zeitlichen Auflösung
Advisor:Kurt Behringer
Type:Doctoral Thesis
Language:English
Publishing Institution:Universität Augsburg
Granting Institution:Universität Augsburg, Mathematisch-Naturwissenschaftlich-Technische Fakultät
Date of final exam:2004/06/08
Release Date:2005/05/23
Tag:energy; modelling; optimization; evolutionary; renewable
GND-Keyword:Energie; Optimierung; Deterministische Optimierung; Evolutionsstrategie; Evolutionärer Algorithmus; Alternative Energiequelle
Institutes:Mathematisch-Naturwissenschaftlich-Technische Fakultät / Physik/Materialwissenschaften
Dewey Decimal Classification:5 Naturwissenschaften und Mathematik / 53 Physik / 530 Physik