Multi-Year Time-Series-Based power system planning with hybrid optimization and supervised learning methods

Schäfer, Florian

dc.date.accessioned	2021-03-26T12:40:07Z
dc.date.available	2021-03-26T12:40:07Z
dc.date.issued	2021
dc.identifier	doi:10.17170/kobra-202101213009
dc.identifier.uri	http://hdl.handle.net/123456789/12686
dc.description	Zugleich: Dissertation, Universität Kassel, 2020
dc.language.iso	eng
dc.publisher	kassel university press
dc.rights	Namensnennung 4.0 International	*
dc.rights.uri	http://creativecommons.org/licenses/by/4.0/	*
dc.subject	power system planning	eng
dc.subject	machine learning	eng
dc.subject	hybrid optimization	eng
dc.subject	high voltage systems	eng
dc.subject	supervised learning	eng
dc.subject.ddc	620
dc.title	Multi-Year Time-Series-Based power system planning with hybrid optimization and supervised learning methods	eng
dc.type	Buch
dcterms.abstract	The increasing share of renewable energy sources (RES) in the power system necessitates new planning methods for power systems systems. On the one hand, flexible operational measures must be included in planning. On the other hand, conventional measures have to be considered. An integrated optimization of both measures is needed. This integrated optimization requires time series simulations of the power system in comparison to traditional worst case planning approaches. The high voltage (HV) level has the highest security requirements of all distribution levels. Typically, HV systems have a meshed topology, and the single contingency policy (SCP) is additionally considered in planning. Finding a trade-off between computational effort and solution quality is the main challenge when considering time series simulations and the SCP. A power system planning strategy is needed, which is able to find an investment decision for multiple years within a realistic simulation time. In this thesis, a multi-year planning strategy for meshed HV systems is proposed considering operational flexibility as well as conventional planning measures. The defined optimization problem is solved by a hybrid optimization algorithm combining the advantages of heuristic and mathematical programming approaches. A reduction of the high computational effort of time series simulations is achieved by several strategies, including a custom Newton-Raphson power flow implementation and an efficient time series module, which are integrated into the open-source tool pandapower. Furthermore, several machine learning algorithms are implemented and compared to approximate bus voltages and power line loadings. Operational simulation models of two curtailment strategies and two storage system operational models are implemented. An exhaustive evaluation of four optimization metaheuristics, three mathematical programming approaches, and the developed hybrid approach is shown. Results are validated on four realistic benchmark systems and a real power system model. Several benchmarks show that the implemented methods significantly reduce the calculation time of time series simulations. The Newton-Raphson implementation is up to 30 times faster than comparable open-source versions. A further reduction of the simulation time is possible with the implemented regression method based on an artificial neural network (ANN). The ANN correctly identifies more than 99.4% of all critical time steps for the benchmark cases, including contingency situations when trained with 10% of the time series data of one year. The developed hybrid optimization method is a combination of the Iterated Local Search metaheuristic and a linear optimization model. This combination increases convergence while reducing simulation time in comparison to the existing methods.The hybrid strategy is the only method of all compared algorithms, which finds valid solutions in large optimization space, including replacement and switching measures. Additionally, the simulation time is reduced by up to 80% for the benchmark cases. Finally, two case studies show the applicability of the developed planning framework for a real HV power system model. In these case studies, curtailment of energy from RES and line replacement measures are regarded for a planning horizon of 12 years. The results show that a reduction of up to 60% of the total expenditures, compared to the worst case method, is possible by combining the optimization of RES curtailment and line replacement measures. Expenditures can further be reduced by 4% when using operational flexibility from storage systems.	eng
dcterms.abstract	Der zunehmende Anteil erneuerbarer Energiequellen im Stromsystem erfordert neue Planungsmethoden für das Verteilungsnetz. Einerseits müssen flexible betriebliche Maßnahmen in die Planung einbezogen werden. Andererseits müssen auch konventionelle Maßnahmen berücksichtigt werden. Eine integrierte Optimierung beider Maßnahmen im Rahmen der Stromnetzplanung ist erforderlich. Diese integrierte Optimierung erfordert rechenintensive Zeitreihen-simulationen. Von allen Verteilungsnetzebenen hat die Hochspannungs (HS)-Ebene die höchsten Sicherheitsanforderungen. Typischerweise haben HS-Netze eine vermaschte Topologie und werden N-1 sicher ausgelegt. Hierbei ist die größte Herausforderung einen Tradeoff zwischen Rechenaufwand und Lösungsqualität zu finden. Netzbetreiber benötigen eine Planungsstrategie, welche eine Investitionsentscheidung für mehrere Jahre innerhalb einer realistischen Simulationszeit finden kann. In dieser Dissertation wird eine Planungsmethode für vermaschte HS-Netze erarbeitet, die sowohl die betriebliche Flexibilität als auch konventionelle Planungsmaßnahmen über mehrere Jahre berücksichtigt. Das definierte Optimierungsproblem wird durch einen hybriden Optimierungsalgorithmus gelöst, der die Vorteile von heuristischen und mathematischen Programmieransätzen kombiniert. Eine Reduzierung des hohen Rechenaufwands von Zeitreihen-simulationen wird durch mehrere Strategien erreicht, die in das open-source Tool pandapower integriert sind. Darüber hinaus werden mehrere Algorithmen des maschinellen Lernens zur schnellen Abschätzung von Knotenspannungen sowie Leitungsauslastungen implementiert und verglichen. Weiterhin werden betriebliche Simulationsmodelle implementiert. Eine Gegenüberstellung von vier Meta-Heuristiken, drei mathematischen Programmieransätzen und dem entwickelten hybriden Ansatz wird gezeigt. Die Ergebnisse werden an vier realistischen Benchmarksystemen und einem realen Stromnetzmodell validiert. Mehrere Benchmarks zeigen, dass die implementierten Methoden die Berechnungszeit von Zeitreihensimulationen deutlich reduzieren. Die Newton-Raphson Implementierung ist bis zu 30-mal schneller als vergleichbare open-source Versionen. Eine weitere Verkürzung der Simulationszeit ist mit der implementierten Regressionsmethode auf der Basis von künstlichen neuronalen Netzen möglich. Das trainierte künstliche neuronale Netz identifiziert mehr als 99.4% aller kritischen Zeitschritte für die Benchmarksysteme, einschließlich N-1-Situationen, wenn mit 10% der Zeitreihendaten eines Jahres trainiert wird. Das entwickelte hybride Optimierungsverfahren ist eine Kombination aus der Meta-Heuristik Iterated Local Search und einem linearen Optimierungs-modell. Diese Kombination erhöht die Konvergenz und reduziert gleichzeitig die Simulationszeit im Vergleich zu den bestehenden Methoden. Die hybride Strategie ist die einzige Methode aller verglichenen Algorithmen, die in einem großen Optimierungsraum gültige Lösungen findet. Abschließend zeigen zwei Fallstudien die Anwendbarkeit des entwickelten Planungsverfahrens am Beispiel eines realen HSStromnetzmodells. In den Fallstudien werden Spitzenkappung und Leitungsersatzmaßnahmen für einen Planungshorizont von 12 Jahren betrachtet. Die Ergebnisse zeigen, dass eine Reduktion von bis zu 60% der Gesamtausgaben, verglichen mit der worst case Methode, durch die Kombination der Optimierung von Spitzenkappung und Leitungsersatzmaßnahmen möglich ist. Die Ausgaben können um weitere 4% reduziert werden, wenn die betriebliche Flexibilität von Speichersystemen genutzt wird.	ger
dcterms.accessRights	open access
dcterms.creator	Schäfer, Florian
dcterms.dateAccepted	2020-12-11
dcterms.extent	XXV, 197 Seiten
dcterms.isPartOf	Energy Management and Power System Operation ;; Vol. 13	eng
dc.contributor.corporatename	Kassel Universität Kassel, Fachbereich Elektrotechnik / Informatik
dc.contributor.referee	Braun, Martin (Prof. Dr.)
dc.contributor.referee	Hofmann, Lutz (Prof. Dr.)
dc.publisher.place	Kassel
dc.relation.isbn	978-3-7376-0935-7
dc.subject.swd	Elektrizitätsmanagement	ger
dc.subject.swd	Intelligentes Stromnetz	ger
dc.subject.swd	Energiemanagement	ger
dc.subject.swd	Energieerzeugung	ger
dc.subject.swd	Energieeffizienz	ger
dc.type.version	publishedVersion
dcterms.source.series	Energy Management and Power System Operation
dcterms.source.volume	Vol. 13
kup.iskup	true
kup.price	39,00
kup.series	Energy Management and Power System Operation	eng
kup.subject	Naturwissenschaft, Technik, Informatik, Medizin
kup.typ	Dissertation
kup.institution	FB 16 / Elektrotechnik / Informatik
kup.binding	Softcover
kup.size	DIN A5