Verfahren zur optimierten Steuerung und Bewertung von thermischen und elektromobilen Verbrauchern im Intelligenten Netz
| dc.contributor.advisor | Strunz, Kai | |
| dc.contributor.author | Klein, Felix | |
| dc.contributor.grantor | Technische Universität Berlin | en |
| dc.contributor.referee | Strunz, Kai | |
| dc.contributor.referee | Palensky, Peter | |
| dc.contributor.referee | Ehrlich, Istvan | |
| dc.date.accepted | 2017-01-24 | |
| dc.date.accessioned | 2017-09-06T14:27:04Z | |
| dc.date.available | 2017-09-06T14:27:04Z | |
| dc.date.issued | 2017 | |
| dc.description.abstract | Demand Response kann einen wichtigen Beitrag leisten, erneuerbare Energie in das Energieversorgungssystem zu integrieren und die mit der Bereitstellung der elektrischen Energie verbundenen CO2-Emissionen zu senken. Dafür bedarf es einer intelligenten Ansteuerung, die die Nachfrage dieser Verbraucher zu Gunsten der Bedürfnisse des Energieversorgungsnetzes verschiebt. In der vorliegenden Arbeit wird eine Auswahl potentiell verschiebbarer Verbraucher identifiziert, modelliert und deren Betrieb in einem zukünftigen Energieversorgungsnetz optimiert und simuliert. Dafür wird auf Grundlage von Nodalpreisen, die Ergebnis einer optimierten Leistungsflussberechnung sind und Überlastungen der Betriebsmittel im Netz erkennen und einpreisen, eine Ansteuerung der Verbraucher auf dezentraler Ebene vorgeschlagen. Die Modelle garantieren die Einhaltung der ursprünglichen Aufgabe der Verbraucher, und führen in Form einer multivariablen, nichtlinearen Optimierung eine Nachfrageverschiebung durch, die die Energiebezugskosten der Verbraucher und die CO2-Emissionen senkt und den Anteil erneuerbarer Energien im Netz erhöht. Um solide Aussagen treffen zu können wird jeder Verbraucher in einem Beispielenergiesystem für den Zeitraum eines Jahres mit stündlicher Auflösung tageweise optimiert. Die Ergebnisse zu Kosten, Emissionen und Integration werden für jeden Verbrauchertyp quantifiziert und die Typen miteinander verglichen. Dabei werden die Auswirkungen von zwei verschiedenen Gesamtnachfrageszenarien sowie saisonale Einflüsse beleuchtet. Kosteneinsparungen, Integration Erneuerbarer und CO2-Emissionsreduktion bei Kraft-Wärme-Maschinen für Wärme oder Kältebereitstellung liegen zwischen 10 und 20 Prozent ihrer nichtoptimierten Kosten, Energienachfrage und CO2-Emissionen. Elektrofahrzeuge erreichen hier Werte von 80 bzw. 100 Prozent und sind damit als sehr effektiv anzusehen. Sie reduzieren die CO2-Emissionen in selbem Maße, wie sie für ihre Mobilität emittieren und integrieren Erneuerbare in Höhe ihrer eigenen Energienachfrage. Blockheizkraftwerke haben eine andere Charakteristik und erreichen nur niedrige einstellige Prozentwerte, können aber im Gegensatz zu allen anderen im höheren Gesamtnachfrageszenario ihre Ergebnisse steigern. In einem Anwendungsfall werden alle Verbraucher im Kontext der Stadt Berlin im Jahr 2040 eingesetzt. Mit einem Anteil von 20% an der Jahresenergienachfrage können sie durch die optimierte Betriebsweise den Anteil Erneuerbarer am Energiemix um fast 6% steigern und die CO2-Emissionen um über 10% senken. | de |
| dc.description.abstract | Demand response can play an important role integrating renewable energy into the energy system and reducing CO2-emissions that are emitted from electric energy generation. Intelligent control of shiftable loads is a key necessity for energy system benefits. This work identifies potentially shiftable loads, creates models for their operation in a future energy system and optimizes their behaviour towards energy system needs. Based on locational marginal prices as result from optimal power flow calculation, intelligent control of shiftable load is carried out with a decentralized approach, taking into account line congestion with accordingly altered prices. Developed models are formulated as a multivariable nonlinear optimization problem that shifts demand and reduces energy costs and CO2-emissions and integrates renewables without violating boundary conditions that reflect the original purpose, i.e. mobility, heat or cooling. To get robust results, each load is optimized daily within an energy system for one year with hourly timesteps. The mentioned three results are then quantified for each type of load and compared with others. Influence on results by overall energy demand in the system and seasonal aspects are highlighted by simulation of two demand scenarios. Cost and CO2-emission reduction and integration of renewable energy achieved by shifting thermal loads reaches around ten to twenty percent of their respective nonoptimized costs, CO2-emissions and demand. Optimized control of Electric vehicle is very effective and results from eighty to one hundred percent can be calculated, thus reducing CO2-emissions and integrating renewable energy to the equal value as the CO2-emissions and demand for mobility. Combined heat power plants have different characteristics and their results range between one and seven percent, but uniquely they can improve results under a higher demand scenario. In a use case focusing on the city of Berlin in the year 2040, a share of 20% from Berlin's demand consists of shiftable loads. By their optimized operation, share of renewables of the energy-mix was increased by nearly 6%, while CO2-emission dropped by more than 10 %. | en |
| dc.identifier.uri | https://depositonce.tu-berlin.de/handle/11303/6694 | |
| dc.identifier.uri | http://dx.doi.org/10.14279/depositonce-6135 | |
| dc.language.iso | de | en |
| dc.rights.uri | http://rightsstatements.org/vocab/InC/1.0/ | en |
| dc.subject.ddc | 620 Ingenieurwissenschaften und zugeordnete Tätigkeiten | de |
| dc.subject.other | Energiewende | de |
| dc.subject.other | flexible Verbraucher | de |
| dc.subject.other | Integration Erneuerbarer Energie | de |
| dc.subject.other | Intelligentes Netz | de |
| dc.subject.other | Optimierung | de |
| dc.subject.other | flexible loads | en |
| dc.subject.other | integration of renewable energy | en |
| dc.subject.other | smart grid | en |
| dc.subject.other | optimization | en |
| dc.subject.other | quantification of storage effects | en |
| dc.title | Verfahren zur optimierten Steuerung und Bewertung von thermischen und elektromobilen Verbrauchern im Intelligenten Netz | de |
| dc.title.translated | Methodology for optimal operation and quantification of thermal loads and electric vehicles in a smart grid environment | en |
| dc.type | Doctoral Thesis | en |
| dc.type.version | acceptedVersion | en |
| tub.accessrights.dnb | free | en |
| tub.affiliation | Fak. 4 Elektrotechnik und Informatik::Inst. Energie- und Automatisierungstechnik | de |
| tub.affiliation.faculty | Fak. 4 Elektrotechnik und Informatik | de |
| tub.affiliation.institute | Inst. Energie- und Automatisierungstechnik | de |
| tub.publisher.universityorinstitution | Technische Universität Berlin | en |