Aggregated Energy Intelligence: Optimizing Wind Power Plants – Battery EnergyStorage Systems Integration in Multi-Market Participation

Abstract

Este proyecto se centra en el desarrollo de un algoritmo de estrategia de oferta para la participación y gestión de una planta de energía agregada, compuesta por un parque eólico y un sistema de almacenamiento de energía con baterías, en varios mercados de electricidad y servicios complementarios en Dinamarca, concretamente en el área DK2. Para ello, se integran modelos basados en datos históricos para la predicción de potencia eólica y precios de la electricidad con modelos de optimización para derivar estrategias de oferta óptimas en el mercado diario, y los dos servicios de regulación primaria de frecuencia (FCR-D y FCR-N). El proyecto tiene como objetivo proporcionar un marco práctico de cómo los modelos de predicción basados en datos y los modelos de optimización pueden integrarse de manera efectiva para definir estrategias de oferta y mejorar el rendimiento económico de las plantas agregadas en múltiples mercados eléctricos. El proceso implica el filtrado de datos y la selección de variables para las predicciones de generación eólica y precios, explorando modelos basados en regresión para la generación eólica y modelos de series temporales para la predicción de precios. Integrando estas predicciones con el modelo de optimización, se analizan las ofertas óptimas basadas en las predicciones, evaluando la fiabilidad del modelo mediante la comparación de los beneficios esperados y percibidos. Además, se prueba el modelo utilizando previsiones de información perfecta para analizar su impacto en la estrategia de oferta óptima y los ingresos esperados.This project focuses on developing a bidding strategy algorithm for the participation and management of an aggregated power plant, consisting of a wind farm and battery energy storage system, in various electricity markets and ancillary services in Denmark, specifically in the grid region DK2. To address these challenges, data-driven models for wind power and electricity price forecasting are integrated with optimization models to derive optimal bidding strategies for the day-ahead market, frequency containment reserve for disturbance (FCR-D), and frequency containment reserve for normal operation (FCR-N) markets. The research aims to provide a comprehensive understanding of how data-driven forecasting and optimization models can be effectively integrated to define bidding strategies and improve the economic performance of aggregated power plants in multiple electricity markets. The process involves data filtering and feature selection for wind power and price forecasts, exploring regression-based models for wind power and time series models for price forecasting. Once these forecasts are integrated with the optimization model, the study examines optimal bids based on forecasted prices, assessing the reliability of the model by comparing expected and realized profits. Additionally, the study tests the model using perfect information forecasts to analyze its impact on optimal bidding strategy and expected revenue.