Vis enkel innførsel

dc.contributor.advisorBerlijn, Sonja Monica
dc.contributor.advisorNygård, Heidi Samuelsen
dc.contributor.advisorVada, Per Arne
dc.contributor.authorØstreng, Alexandra
dc.date.accessioned2019-10-08T11:36:01Z
dc.date.available2019-10-08T11:36:01Z
dc.date.issued2019
dc.identifier.urihttp://hdl.handle.net/11250/2620900
dc.description.abstractStatnett SF har, som systemansvarlig i det norske kraftsystemet, et ansvar for å sikre at det finnes nok tilgjengelig regulerkraft for håndtering av ubalanse i Norge. Et virkemiddel for å sikre dette er regulerkraftopsjonsmarkedet. I nær fremtid skal Statnett gå over til å gjennomføre kjøp i regulerkraftopsjonsmarkedet daglig for et D-2 perspektiv, og da anses dagens beslutningsstøtteverktøy som for tidkrevende. Denne oppgaven ble initiert av Statnett SF, og har tatt utgangspunkt i problemstillingen: ”Hva er en mulig visjon for et beslutningsstøtteverktøy for kjøp i regulerkraftopsjonsmarkedet, og hva er en mulig vei for å oppnå visjonen?”. Det ble formulert tre underproblemstillinger for å belyse hovedproblemstillingen ytterligere, som omhandlet hvilke krav som bør settes til et beslutningsstøtteverktøy og bruken av maskinlæring som metode. Oppgaven er besvart gjennom en GAP-analyse, hvor litteraturstudie og respondentintervjuer er brukt for besvare analysens tre deler. Respondentintervjuene ble gjennomført med ti operatører på Statnett SF sin landssentral, og avdekket operatørenes syn på styrker og svakheter ved dagens løsning, og ønsker til en ny løsning. I litteraturstudien ble fagområdene ”Dynamisk dimensjonering av FRR” og ”Dynamisk dimensjonering av FRR ved hjelp av maskinlæring” undersøkt. Det ble funnet totalt 31 publikasjoner, og seks publikasjoner ble valgt ut for fordypningsstudie. Fire av publikasjonene undersøkte kunstig intelligens og maskinlæring som metode for dimensjonering av FRR, og særlig en publikasjon - en større studie gjennomført av den belgiske TSOen Elia - ble ansett som relevant. Oppgaven formulerer følgende visjon for Statnett SFs fremtidige beslutningsstøtteverktøy for kjøp i regulerkraftopsjonsmarkedet: Fremtidens beslutningsstøtteverktøy er brukervennlig, gir operatøren trygghet og innsikt, og fører til enhetlig oppførsel i markedet på tvers av operatører. Beslutningsstøtteverktøyet legger opp til en effektiv prosess, er automatisert og dimensjonerer nødvendig kjøp av regulerkraftopsjoner per elspotområde i Norge. Oppgaven foreslår en kortsiktig og en langsiktig løsning for beslutningsstøtteverktøyet. Overgangen til D-2 er forventet å skje i løpet av kort tid, og den kortsiktige løsningen fokuserer derfor på automatisering av datainnhenting og reduksjon av tidsbruk. Den langsiktige løsningen tar sikte på å håndtere de fremtidige endringene i det norske kraftsystemet - økt andel uregulerbar kraft, to nye mellomlandsforbindelser og overgangen til mACE-balansering - og oppfylle visjonen formulert. For utviklingen av verktøyet til den langsiktige løsningen, anses maskinlæring som hensiktsmessig å undersøke. Den eksakte bruken av maskinlæring er ikke identifisert, da utviklingen av en maskinlæringsmodell er en tidkrevende prosess, men oppgaven introduserer en plan for utviklingen, testing og implementering av et beslutningsstøtteverktøy som benytter maskinlæring. Potensielle utfordringer ved bruk av maskinlæring inkluderer at utviklingsprosessen er tidkrevende, og at maskinlæringsmodellen kan være vanskelig å forstå for en operatør.nb_NO
dc.description.abstractStatnett SF has, as the TSO in the Norwegian power system, a responsibility to ensure that there are sufficient reserves available for balancing imbalances within Norway. A way to do this, is through procurement in the m-FRR capacity market. In the imminent future, Statnett SF will transition to making procurements in the m-FRR capacity market daily on a D-2 perspective, and, on that perspective, todays decision support tool is considered to be too time-consuming. This master thesis was initiated by Statnett SF, and has been formed around the following research question: "What is a possible vision for a decision support tool for procurement in the m-FRR capacity market, and what is a possible way to achieve the vision?". Three additional research questions was defined, addressing the questions of which requirements that should be set for a decision support tool and whether machine learning should be used. The master thesis is answered through a GAP analysis, where a literature study and respondent interviews are used to answer the three parts of the analysis. Respondent interviews were completed with ten operators at Statnett SF’s national central office (landssentral), and they uncovered the operators opinions regarding the strengths and weaknesses of today’s solution, and wishes for a new solution. In the literature study, the subject areas ”Dynamic dimensioning of FRR” and ”Dynamic dimensioning of FRR using machine learning” were examined. A total of 31 publications were found, and six publications were selected for further review. Four of the publications investigated the use of artificial intelligence and machine lear- ning as a method for dimensioning FRR needs, and in particular one publication - a major study conducted by the Belgian TSO Elia - was considered relevant. This master thesis formulates the following vision for Statnett SF’s future decision support tool for procurement in the m-FRR capacity market: The future decision support tool is user-friendly, gives the operator security and insight, and leads to a unified behavior in the market in- dependent of operator. The decision support tool facilitates an efficient process, is automated and dimensions the m-FRR capacity needs per bidding zone in Norway. A short-term and a long-term solution for the decision support tool is proposed. The transition to D-2 is expected to occur soon, and the short-term solution focuses on automation of data acquisition and reduction of time consumption. The long- term solution aims to handle the future changes in the Norwegian power system - increased share of unregulated power, two new HVDC interconnectors and the transition to mACE balancing - and to fulfill the vision formulated. For the development of the tool for the long-term solution, machine learning is considered as an appropriate method to investigate. The exact use of machine learning is not identified, as the development of a machine learning model is a time-consuming process. However, a plan for the development, testing and implementation of a decision support tool which uses machine learning is presented. Potential challenges in using machine learning includes that the development process is time-consuming, and that the machine learning model can be difficult to understand for an operator.nb_NO
dc.language.isonobnb_NO
dc.publisherNorwegian University of Life Sciences, Åsnb_NO
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Internasjonal*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/deed.no*
dc.titleBeslutningsstøtteverktøy for kjøp i regulerkraftopsjonsmarkedet : en innledende studienb_NO
dc.title.alternativeDecision support tool for procurement in the m-FRR capacity market : an initial studynb_NO
dc.typeMaster thesisnb_NO
dc.description.localcodeM-MFnb_NO


Tilhørende fil(er)

Thumbnail

Denne innførselen finnes i følgende samling(er)

Vis enkel innførsel

Attribution-NonCommercial-NoDerivatives 4.0 Internasjonal
Med mindre annet er angitt, så er denne innførselen lisensiert som Attribution-NonCommercial-NoDerivatives 4.0 Internasjonal