NACHWUCHSFORSCHERGRUPPE Intelligente dezentrale Energiespeichersysteme Professur Energie- und Hochspannungstechnik Teilprojekt 7 - Optimiertes Energiemanagement mehrerer dezentraler Hybridspeichereinheiten Dipl.-Ing. Jens Teuscher Motivation Grundstruktur des Managementsystems Im Zuge des steigenden Anteils von Anlagen auf Basis erneu- TP7: Management auf Netzebene erbarer Energien sowie neuartiger Verbraucher (z. B. Elektromobilität) werden vorallem die historisch gewachsenen Verteil- 220/380 kV ⇒ einen sicheren Netzbetrieb sicherstellen • Unterschreiten von Belastungsgrenzen der Betriebsmittel 110 kV lichkeit, ein Energiemanagement in der Niederspannungsebene einzusetzen (siehe Abbildung 1). • Einhaltung des Spannungsbandes (DIN EN 50160) Management mehrerer intellligenter Häuser 10...30 kV intelli. Haus Da bis zu 75 % der Leitverluste im Niederspannungsnetz verurHaus-Management (TP2) + Batterie In diesem Projekt wird dabei mit TP1 (Prognosemodelle), TP2 ... BZ C Verteilnetzebene im Fokus des Managements. 0,4 kV Abb. 1: Management-Systeme Netzmodell ländlichen Niederspannungsnetzen. • Reduzierung des Leistungsflussweges → Reduzierung der • Vermeidung von rohstoffintensiven Netzausbau Anreizsignal Als Testumgebung dienen Modelle von realen städtischen und erneuerbarer Energien (auch aus MS-Ebene) Leitverluste (Interaktion mit dem Hausmanagement) sowie TP6 (Lastprofilgenerator) zusammengearbeitet. ⇒ einen nachhaltigen Netzbetrieb sicherstellen • Präferierte Energiebereitstellung durch Anlagen auf Basis PV-Anlage ◦ sacht werden, liegt die Optimierung des Energieflusses dieser Das zu entwickelnde Managementsystem auf Netzebene soll dabei folgende Kriterien erfüllen: netze vor neue Herausforderungen gestellt. Um dennoch einen rohstoffintensiven Netzausbau zu vermeiden, gibt es die Mög- Zielsetzung Leistungsfluss-Optimierung ⇒ jedes intelligente Haus kann aufgrund Speicher ein Erzeu- Netzdaten ger oder Verbraucher sein (siehe Abb. 1) • Simulationsumgebung ist M AT P OWER auf M ATLAB -Basis sowie selbstentwickelte Erweiterungen (siehe Abb. 2) ⇒ einzelne Häuser (Knoten) erhalten verschiedene Anreizsignale je nach Lastsituation (basierend auf Graphentheorie) bis alle Verbraucher in finaler Liste Referenzrechnung Verbinungsknoten und Erzeuger finden Angrenzende Verbraucher finden Netzdaten • Zeitreihensimulationen anhand realer Messungen sowie mit- Eintragen in Verbraucherliste Daten der einzelnen Knoten tels Lastprofilgenerator [2] aktuelle Lastsituation Leistung Verluste des Knotens des Knotens bis alle Verbraucher getestet Leistung Leistung im des gesamten MS-Netz NS-Netzes Lastflussberechnung Löschen der Verbraucherliste Verlustarmsten Verbraucher speichern Anreizsignal Finale Liste mit Verbrauchern und deren Verlusten Reaktion der Knoten Abb. 4.: Schema der Leistungsfluss-Optimierung Abb. 2: Auswertungsoberfläche zu M AT P OWER Abb. 3: Aufbau des Anreizsignals κ [1] ⇒ κ < 0 → PKnoten ↓ ⇒ κ > 0 → PKnoten ↑ ⇒ analog wird für alle Erzeugerknoten verfahren! Ergebnisse Ergebnisse Ausblick Simuliertes Szenario: Nach 15 Zeitschritten erfolgt eine Bereit- • jeder Knoten bekommt nach seiner aktuellen Last- oder Ein- • Implementierung und Tests einer schnellen Leistungsfluss- • Anreizsignal verhält sich stabil • weitere Verifizierung der Netzmodelle mit realen Messungen Anreizsignal κ stellung von Elektroenergie aus höherer Spannungsebene 0.08 0.06 0.04 • eine Einhaltung der Belastungsgrenzen der Betriebsmittel 0.02 0 wurde in Beispielszenarien bestätigt -0.02 Leistung des Knotens Pnodes [kW] speisesituation ein individuelles Anreizsignal • ein Nichtreagieren der Knoten bewirkt eine Verstärkung des 30 Anreizsignals des jeweiligen Knotens sowie deren Nachbarn 20 10 • eine Reduzierung der Netzverluste um bis zu 70 % wurde in 0 Beispielszenarien gezeigt -10 -20 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 Zeitschritt / Iteration Knoten A Knoten B Knoten C Knoten D Abb. 6: Verlauf des Anreizsignals und Reaktion der Leistung [3] • Anreizsignal beinhaltet ebenso eine Reaktion auf höhere Spannungsebene ⇒ aber: Diese Ausführung benötigt einen hohen Rechenaufwand und ist daher nicht echtzeitfähig. Optimierung (basierend auf Cluster-Bildung) Literatur [1] Teuscher, J.; Kühnert, D.; Zeising, V.: Loss-optimized management in low-voltage grids based on an incentive signal, IP 2011, Pilzen, 2011. [2] Pflugradt, N.; Platzer, B.: Behavior based load profile generator for domestic hot water and electricity use, Innostock 2012, Lleida (Spanien), 2012. [3] Teuscher, J.; Schufft, W.; Zeising, V.: Loss-OptimisingManagement-Algorithm and the usage in an energy management for low-voltage grids, ICREPQ 2012, Santiago de Compostela, 2012. 1 KONTAKT Dieses Projekt wird gefördert durch: TU Chemnitz // Nachwuchsforschergruppe Intelligente dezentrale Energiespeichersysteme // Professur Energie- und Hochspannungstechnik // Prof. Dr.-Ing. Schufft Nachwuchswissenschaftler: Dipl.-Ing. Jens Teuscher // Telefon: 0371/531 - 37752 // Telefax: 0371/531 - 837752 // E-Mail: [email protected] FAKULTÄT FÜR ELEKTROTECHNIK