Optimization-Based Synthesis of Large-Scale Energy Systems by Time-Series Aggregation

Die globalen Treibhausgas-Emissionen beschleunigen den Klimawandel und beeinträchtigen damit maßgeblich das Leben auf der Erde. Daher müssen zukünftige Treibhausgas-Emissionen durch eine signifikante Verringerung des Primärenergieverbrauchs vermieden werden. Der Primärenergieverbrauch kann insbesondere durch eine hohe Effizienz von Energiesystemen verringert werden, welche wiederum maßgeblich von der Anlagenstruktur abhängig sind. Die Anlagenstruktur von Energiesystemen kann mittels mathematischer Methoden optimiert werden, jedoch ist die lösbare Problemkomplexität auf einfache Systeme limitiert. Im Gegensatz dazu bestehen Energiesysteme zumeist aus einer Vielzahl komplexer Anlagen mit zahlreichen variablen Betriebsbedingungen. Daher führt die Strukturoptimierung von realen Energiesystemen üblicherweise zu einer hohen Rechendauer ohne verlässliche Lösungsqualität.

In dieser Arbeit wird daher ein Framework für die effiziente Lösung komplexer Strukturoptimierungsprobleme von Energiesystemen vorgeschlagen. Das Framework nutzt den zweistufigen Charakter der Strukturoptimierung, die optimale Investition in Anlagen(1) und den optimalen Betrieb(2) . Dadurch löst das Framework zwei Optimierungsprobleme mit reduzierter Komplexität auf Basis von Zeitreihenaggregation.

Die Zeitreihenaggregation nutzt systematische Clustering-Methoden, um die nötige Periodenlänge, die erforderliche Anzahl an aggregierten Perioden und aggregierten Zeitschritten je Periode zu bestimmen. Auf Basis aggregierter Zeitreihen berechnet das Framework gültige Lösungen für die Strukturoptimierung. Die Genauigkeit der Aggregation wird als Fehler in der Zielfunktion gemessen und das Framework verfeinert die Aggregation iterativ bis ein Genauigkeitskriterium erfüllt ist.

Das vorgeschlagene Framework für die Strukturoptimierung von Energiesystemen wird an zwei realen Anwendungsfällen getestet. Alle Ergebnisse zeigen, dass wenige Zeitschritte und wenige Perioden ausreichen, um gültige nahoptimale Lösungen der Strukturoptimierungsprobleme zu identifizieren. Darüber hinaus zeigen die Ergebnisse, dass eine intuitive Aggregation (z.B. Monatsmittel) ungünstig ist; nur systematische Cluster-Methoden ermöglichen eine starke Zeitreihenaggregation mit hoher Genauigkeit. Im Vergleich zu kommerziell verfügbarer Software, reduziert das Framework die erforderliche Rechenzeit bei gleichzeitig besserer Lösungsqualität.