Sensitivity analysis of impact of clusterization methods in medium-term power system models

Abstract

Los sistemas de energía eléctrica han sufrido grandes cambios debidos al desarrollo de nuevas tecnologías con fuentes de energía renovable y sistemas de almacenamiento. Esta es la razón detrás del uso de modelos matemáticos que ayudan a analizar estas cuestiones y cuyo objetivo es la planificación del escenario de generación más rentable para cubrir la demanda pronosticada. Dada la complejidad de estos sistemas, modelos UC son resueltos para un horizonte temporal determinado, una semana representativa. Los algoritmos de clusterización kmeans y kmedoids son comparados con una clusterización jerárquica (modelo cronológico) para evaluar el impacto de obtener una solución relajada y/o el uso de una técnica de clusterización u otra. Diferentes análisis se han llevado a cabo en el caso base anual, con una producción renovable cambiante y con un comportamiento diferente en las baterías utilizadas La solución obtenida con rMIP comete un error del orden de 1-2% en la energía total producida, pero conlleva una reducción del tiempo de computación de entre 100 y 5000 veces menor. La combinación de esta aproximación con las técnicas de clusterización anteriormente mencionadas significará, en términos absolutos, un empleo temporal mucho menor (soluciones casi inmediatas) con un error compromiso alrededor del 3%. El análisis de sensibilidad de una penetración RES cambiante concluye con una función objetivo menos rentable si la producción renovable depende sólo de un tipo de generación (Solar o energía eólica), siendo la energía solar más cara dado que implica un uso de los sistemas de almacenamiento, que a su vez pueden saturar (baterías). Los resultados del análisis de BESS concluyen que si los ciclos de trabajo se optimizan (BESS no saturan y emplean el máximo número de horas cargando y descargando energía), el coste total del sistema se reducirá a su mínimo, lo cual sucede para una duración de 8 horas.

Electric power systems have been suffering severe changes due to the development of new technologies, such as renewable energy sources or storage facilities in form of batteries and hydro reservoirs. That is the reason behind the implementation of mathematical models that help us analyze all these issues by to scheduling the most profitable generation type and units’ combinations to meet the predicted demand. Due to the usual complexity of these systems, UC models are solved for a specific time horizon, typically a representative operation week. Kmeans and kmedoids clusterization algorithms are compared to a method hierarchical clustering (Chronological model) in order to evaluate the impact of obtaining a relaxed solution or/and the use of one or another clusterization technique. Several analyses are carried out in a yearly base case, with a changeable RES production and with a diverse behavior from the BESS employed. The solutions obtained through a rMIP programming typically make a 1-2% error in total energy production but entail a CPU time reduction of around 100 to 5000 (times faster). The combination of this approach with the clusterization techniques previously mentioned would mean, in absolute terms, a much smaller time commitment (nearly immediate solutions) with an intermediate error around 3%. The changeable RES sensitivity analysis results throw light on a less cost-efficient function if the renewable production only depends on one generation type (Solar or Wind) being the Solar energy more expensive. When facing the BESS results, some conclusions can be drawn: if work cycles are optimized (BESS do not saturate and spend the maximum number of hours charging and discharging energy), the total system costs will be reduced to its minimum, which happens for a duration of 8 hours.