Methodology for assessing short-term flexibility in demand-side assets

Abstract

Global electricity grids, and especially the distribution grids, encounter new challenges during the transmission to a sustainable energy chain. Decarbonization involves electrification and a massive deployment of variable renewable energy sources, which ultimately increase the complexity at the demand-side of the grid. There is a growing need to promote demand-side flexible power and to actively utilize it to deal with an anticipated increase of local congestions and ramping problems. Local flexibility markets have emerged to provide a platform where the distribution grid operator or another flexibility buyer can activate demand-side flexibility that is offered by prosumers, e.g. balance the grid.

In order for a prosumer to make its flexible power accessible on markets, new methodologies are needed. The main goal of this thesis is to develop a methodology for assessing short-term flexible power in a demand-side asset. Such a methodology has been developed for a generic flexible asset and consists of four stages: (1) load forecasts (2) physical asset models (3) estimation of available flexibility and at last (4) the shaping of a flexibility bid for flexibility markets. The thesis gives conceptual descriptions on how the methodology is implemented for each of five different flexible assets. Python is used as a tool for implementing the methodology, using the package Keras to make RNN forecast models and object-oriented programming to create an Asset class framework.

The methodology is applied on a real use-case scenario where multi-step RNN forecast models are created, using real consumption data for an asset that powers a cooling storage. Data are provided by ASKO (end-user) and eSmart (smart grid company). The forecast results seems promising even with relative short data, but must be optimized, tested on multiple test sets and include explanatory variables. Many assumptions had to be made for the asset parameters and the final hypothetical flexibility estimates were shown to be sensitive to these choices. Nevertheless, the methodology has been proven to work and is applied to a full demonstration of a bid procedure. Applied examples are also given for other assets, such as water heater and a battery.

The conclusion is that the methodology itself is stable and applicable to many different assets. Its results however, being the flexibility estimates, are prone to be very wrong if the constitutional stages in the methodology are weakly implemented. A strength is that each stage is flexible to be changed or improved without disturbing the flow of the methodology. For the methodology to work successfully, it is of utmost importance that accurate load (or production) forecasts and correct asset parameters are provided.

Overgangen til et bærekraftig energisystem fører meg seg nye utfordringer for kraftnettet. Distribusjonsnettet vil oppleve en mer kompleks strømflyt som følge av elektrifisering og en massiv utrulling av uregulerbar, og til dels distribuert, strømproduksjon. Det er forventet en økning i lokale nettutfordringer i form av overbelastning og hurtig ramping, noe som gir et økt behov for å fremme og aktivt ta i bruk fleksibel effekt hos sluttbrukeren i operasjonen av distribusjonsnettet. Nye lokale fleksibilitetsmarkeder er i fremmarsj og har som mål å tilby en åpen plattform der sluttbrukere kan selge sin fleksibilitet til en nettoperatør eller andre kjøpere som trenger denne fleksibiliteten, eksempelvis for å avlaste nettet.

For å frigjøre sluttbrukerfleksibilitet til slike markeder, er det nødvendig med ny metodikk. Hovedmålet med denne oppgaven er å utvikle en metodikk for å estimere kortsiktig fleksibilitet i en distribuert strømkomponent, også kalt 'asset'. En slik metodikk har blitt utviklet for en generell asset og består av fire trinn: (1) lastprediksjoner (2) fysisk modell av en asset (3) estimering av tilgjengelig fleksibilitet og (4) utforming av et bud mot et fleksibilitetsmarked. Oppgaven tar videre for seg hvordan metodikken kan implementeres for fem ulike asseter. Python brukes som et verktøy for å implementere metodikken, ved å bruke pakken Keras for å lage RNN-modeller og objektorientert programmering for å lage en Asset-klasse.

Metodikken har blitt anvendt på en reell asset som brukes til å kjøle et kjølelager. Forbruksdata er gitt av ASKO (sluttbruker) og eSmart (smart grid-selskap), og er brukt for å utvikle RNN-modeller til å prediktere assetens fremtidige forbruk. Modellene virker lovende, men må optimaliseres, testes på flere testsett og inkludere flere features. Det er gjort flere antagelser for asseten som har vært utslagsgivende for fleksibilitetsestimatene. Det har blitt vist at metodikken fungerer og den har blitt anvendt videre i en hypotetisk budprosedyre. Eksempler for implementering av metodikken på andre relevante assets er også gitt, nemlig en elektrokjele og et batteri.

Sluttkonklusjonen er at selve metodikken er stabil og anvendelig for mange forskjellige asseter, men fleksibilitetsestimatene kan bare bli like gode som parameterene og prediksjonene. Styrken til metodikken stegene kan endres uten å forstyrre flyten i metodikken, eksempelvis benytte en bedre lastprediksjonsmodell eller justere parameterene. For at metodikken skal fungere vellykket, så trenger den nøyaktige lastprediksjoner og riktige parametere for asseten.