Thema 3 deel 2: Onderzoeksverslag
Mark Martens, Stijn Verdenius, Tjalle Galama, Thomas van Dooren
“Batterijen als oplossing voor een duurzaam energiebeleid”
ABSTRACT
Smart grids zijn essentieel in de toekomst van energienetwerken. De energy gap kan in een slim netwerk worden overbrugd met batterijen. Nieuwe wiskunde biedt mogelijk toevoegingen op het smart grid en verstrekt veel nieuwe informatie door middel van nieuwe analyse. Het handelen van de mens speelt een grote rol in de toepassing van een smart grid. In het onderzoek is duidelijk geworden dat er veel te behalen is bij het decentraliseren van energiedistributie en energieopslag. Doordat een beperkte groep mensen de energiebron delen kan er een gedeeld bewustzijn worden gecreëerd rond deze opslag. Doordat de energie in opslag beperkt voorradig is, is de filosofie over omgang met beperkte voorraad - ook ten behoeve van duurzaamheid in het algemeen - actueler dan ooit. Meer interdisciplinair onderzoek is vereist voor raffinering en specificering van mogelijke toepassingen. Vraagstukken over veiligheid en kosten liggen nog open.
INHOUDSOPGAVE
INLEIDING 1
METHODEN 3
Hoofdstuk 1: BATTERIJEN 6
Hoofdstuk 2: NETWERKOPLOSSINGEN 9
Hoofdstuk 3: BELEID EN DE COMMONS 16
Hoofdstuk 4: CONCLUSIE 19
Hoofdstuk 5: DISCUSSIE 21
Literatuurlijst 23
Bijlage 1: Uitleg werking van het smart grid 26
Bijlage 2: Machine Learning (prediction) in machlearn.py 29
Bijlage 3: Grid.py 34
Bijlage 4: Wijk.py 35
Bijlage 5: Buurt.py 37
Bijlage 6: Huis.py 38
INLEIDING
In 2050 wil de Nederlandse Rijksoverheid 80-95% minder CO2 uitstoot dan in het jaar 1990. Dit betekent dat vervuilende generatoren zoals kolencentrales voor elektriciteit in hoog tempo vervangen zullen moeten worden door hernieuwbare energiebronnen. Zowel zonne- als windenergie zullen hiervoor een belangrijke bron vormen (Rijksoverheid, 2015).
Voordat de samenleving voor het grootste deel van duurzame energie voorzien kan worden, moeten er nog vele stappen worden gezet. Energiebronnen als zonne- en windenergie kunnen bijvoorbeeld niet als constante energiebron dienen; ze zijn periodiek - afhankelijk van natuurlijke omstandigheden. Om te voorkomen dat er een tekort aan energie op het elektriciteitsnet ontstaat is het essentieel om andere bronnen te hebben die deze ‘ energy gap’ op kunnen vangen. Een veelbelovende ontwikkeling voor het opvangen is het opslaan van duurzame energie. Door hernieuwbare energie op te slaan in accu's wordt het mogelijk om gebruik te maken van elektriciteit, ook wanneer deze niet op dat moment wordt gegenereerd.
Deze ontwikkelingen worden ook opgepikt door de Europese Unie, in 2015 heeft het Committee of Industry, Research and Energy (ITRE: 2015) een rapport genaamd; “Energy Storage: Which Market Designs and Regulatory Incentives Are Needed?” gepubliceerd. Hierin wordt nagedacht over de technieken die gebruikt kunnen worden om energie mee op te slaan en hoe de ontwikkeling hiervan gestimuleerd kan worden. Uit dit rapport blijkt dat het Europese beleid zich nog in een ontdekkende fase bevindt. De transitie naar een duurzame energiemarkt is complex en de technieken die hiervoor worden aangedragen zijn voor een groot deel nog in ontwikkeling. De resultaten in het rapport komen voort uit multidisciplinaire onderzoeken en zijn nog weinig gefocust op een geheel implementeerbaar systeem. In dit rapport wordt ook al over het gebruik van zogenoemde smart grids voor het distribueren van de energie gesproken. Deze ‘slimme netwerken’ zouden veel oplossingen kunnen bieden. Toch zijn de daar genoemde plannen nog erg gericht op onderzoek en minder op een gerichte uitvoering.
Een aansluitend implementerend onderzoek heeft recentelijk plaatsgevonden in Moosham, Upper Bavaria Duitsland. Hierin is een tiental huishoudens aangesloten op een accu die wordt opgeladen met hernieuwbare energie. Er werd gekeken naar de technische vraagstukken die zich daarbij aandienen. Het Interdisciplinary energy storage research project werd uitgevoerd door de Technische Universiteit van Munchen (EEBatt, 2013). Ondanks de titel is het onderzoek net zoals het rapport van ITRE eerder multidisciplinair.
Hierop voortbouwend poogt dit onderzoek een haalbaar realistisch ontwerp te maken. In tegenstelling tot de hierboven genoemde bronnen verloopt dit onderzoek interdisciplinair: inzichten uit de wiskunde, politicologie, natuurkunde en kunstmatige intelligentie worden samengebracht.
Dit heeft geleid tot de onderzoeksvraag: “Hoe kunnen de inzichten betreffende het toepassen van energieopslag in batterijen in een gemiddeld verbruikend appartementencomplex op lange termijn in een duurzaam beleid passen?”
In het eerste hoofdstuk wordt gekeken naar de batterijen voor het model. Daaropvolgend is een hoofdstuk over netwerkoplossingen, waarin de gemaakte modellen (inclusief resultaten) en nieuwe wiskunde worden belicht. Daarna volgt het hoofdstuk over commons en beleid waarin het handelen van de mens centraal staat waarna wordt afgesloten met een algehele conclusie en discussie.
METHODEN
§ Noodzakelijkheid interdisciplinariteit
In dit onderzoek is er aandacht besteedt aan de theoretische en praktische inzichten van het implementeren van energieopslag, de distributie en het gebruik. Er is tot op heden weinig aandacht besteed aan het interdisciplinair implementeren van deze inzichten. Dit is van groot maatschappelijk belang omdat het inzage geeft in hoe de verschillende beschikbare technieken en disciplines elkaar versterken en ondersteunen of juist beperken. Om de problemen en mogelijkheden van de verschillende disciplines ten opzichte van elkaar bloot te leggen is er in dit onderzoek een model gecreëerd, waarop de vier disciplines hun ideeën projecteren. In dit model staat het concept smart grid centraal, welke dan ook de kern van het onderzoek vormt. Hieronder worden de gemaakte keuzes voor de modellering toegelicht.
§ Uitleg van de twee smart grid simulaties
Voor dit onderzoek zijn twee smart grids ontworpen. Het eerste smart grid geeft een simulatie van een korte tijdsperiode van energiegebruik in één huishouden. Hierbij ligt de focus op de interactie tussen het smart grid en de verschillende aangesloten accu’s. Er is een huishouden gesimuleerd waar meerdere apparaten worden aangesloten op meerdere stopcontacten. Het smart grid meet aan het stopcontact wat het vermogen is van het apparaat, en zal op basis daarvan keuzes maken. Hier wordt dieper op ingegaan in de tweede paragraaf van hoofdstuk 2. Zie ook bijlage 7.
Het tweede ontworpen smart grid representeert een wijk met een batterij, zonnecel en een windturbine. Het gaat hier om een abstract principe dus de namen wijk, buurt en huis kunnen vervangen worden door appartementencomplex, gang en appartement. Er is uitgegaan van twee energiebronnen: wind- en zonne energie. De eerste is afhankelijk van windsnelheid en derhalve door het jaar heen willekeurig. De ander is afhankelijk van zonne-uren en zal dus door de tijd heen verschillen. Het model simuleert 12 dagen: één typische dag uit elke maand van het jaar. De tijdsvariabelen die hiervoor gebruikt worden zijn het uur en de maand. Elk van deze beïnvloedt de zonuren en energievraag. Na het voltooien van 1 jaar stopt de simulatie. Het systeem moet telkens communiceren met aan de ene kant het grid, en aan de andere kant de huizen. Vervolgens past het batterijgebruik en energiegebruik van het net zich aan op de huidige situatie. Het hele model gaat uit van vermogen en prijzen in percentages. Vaak zullen deze hoger uitvallen dan 100%. Dat maakt in dit geval niet uit - het gaat om de verhoudingen. Dit is waarom exacte waardes vaak niet weergeven zijn in de resultaten en grafieken. Verder moet vermeld worden dat de parameters in de functies zo zijn gekozen dat het subsysteem telkens op de rand van het ‘Break Even Point’ van energielevering aan het net zit, of op een energietekort in het smart grid. Dit is gedaan om een interessante vergelijking te maken. Er is geen garantie dat het realistische parameters zijn. De waardes die toegekend worden aan de energieën zijn niet numeriek, aangezien de verhoudingen voor het onderzoek interessanter zijn dan de exacte waardes. De eenheid is ook niet belangrijk omdat het gaat om het vergelijken van de systemen omwille van theoretische besparingen; zolang ze maar dezelfde eenheden gebruiken.
figuur 1: visuele weergave van het smart grid op wijkniveau (zie bijlage 1 voor meer informatie). Het model is gemodelleerd op 4 verschillende niveaus: Net, wijk, buurt en huis. Een subsysteem (W m) bestaat uit 4
buurten (Bum). Elke buurt heeft 20 huizen (H
nm). De 4 buurten delen samen een zonnepaneel (Z), een
windturbine (W), een buurtbatterij (Ba) en een aansluiting op het centrale elektriciteitsnet (P (net)). Binnen deze
clusters lopen hoofdaders (2) naar het net en zijaders (1) tussen de buurten. Ook is voor de verbeelding het besturingssysteem van het smart grid (3) weergeven.
Hoofdstuk 1: BATTERIJEN
§ Waarvoor wordt de batterij gebruikt?
Er moeten 4 x 20 huishoudens worden voorzien van hernieuwbare energie met behulp van een batterij die wordt opgeladen door wind en/of zonne-energie. Met behulp van een smart grid wordt de opgewekte energie naar een batterij en naar het huishouden geleid. Een geschikte batterij hiervoor is de Li-ion batterij (gebaseerd op het EEBatt onderzoek).
§ Waarom de li-ion batterij?
Dit onderzoek heeft zich laten inspireren door het EEBatt onderzoek te Moosham (EEBatt team, 2014). In dit onderzoek zijn Li-ion batterijen aangesloten op het elektriciteitsnet van tientallen huishoudens. Omdat de resultaten uit dit onderzoek erg positief waren wordt in ons onderzoek dezelfde batterij gebruikt.
Er is ook gekeken naar mogelijke alternatieven voor de Li-ion batterij. Deze leken het echter niet af te leggen tegen de kwaliteit van de Li-ion batterij. Een onderzoek in opdracht van de Europese commissie komt met soortgelijke resultaten. In de figuur hieronder wordt weergegeven welke soorten energieopslag nu het meest ontwikkeld zijn. Het is belangrijk om af te lezen dat de Li-ion batterijen de nieuwste technologie zal zijn om “mature” te worden. Hiermee wordt bedoeld dat de Li-ion batterij al op de markt uitgebracht is, maar ook nog steeds in ontwikkeling is (Ugarte, S.et all, 2014).
figuur 2: Een overzicht van verschillende opslagtechnieken uit het artikel van Ugarte et all. Hierin is hun staat van ontwikkeling; ‘in development’, ‘developed’ en ‘mature’, en hun opslagcapaciteit weergegeven.
§Wat zijn de eigenschappen van de Li-ion batterij?
De Li-ion batterij is ver in ontwikkeling en kan al gebruikt worden voor praktische doeleinden. De batterij bestaat uit 13 modules die beschikken over de volgende eigenschappen:
U = 51.2 V C = 36.0 Ah E = 1.84 kW
De batterij biedt genoeg vermogen om de gemiddelde huishoudapparaten te voorzien van de juiste hoeveelheid energie en genoeg capaciteit om een energy gap zoals in figuur 4 te kunnen overbruggen (EEBatt team, 2014). De exacte grootte van de energy gap hangt af van de aangesloten bronnen.
Figuur 3: Een voorbeeld van een huishouden met 9 zonnepanelen in de maand januari is te zien. Met een batterij zouden de donkergroene balken (overschot zonnepanelen) afgetrokken kunnen worden van de lichtgroene balken (gebruikte energie van het net) (bv, 2017).
§ Wat is problematisch in het gebruik van de Li-ion batterij als opslagmiddel voor een appartementencomplex?
Bij het opladen en ontladen van een batterij, neemt de maximale capaciteit af. De maximale capaciteit van de Li-ion batterij is, wanneer de batterij in gebruik is, binnen 3 tot 5 jaar afgenomen tot 80 procent (Barré et all, 2013). Dit is relevant omdat een batterij na een paar jaar gebruik misschien niet meer genoeg maximale capaciteit heeft om de energy gap te overbruggen. De Li-ion batterij moet dus binnen een aantal jaar vervangen worden. Problematisch hieraan zijn de kosten.
Daarnaast moet de batterij verschillende apparaten voorzien van energie. Echter hebben de verschillende apparaten verschillende vermogens (bijvoorbeeld een droger met 2500 watt en een koelkast met 33 watt). De Li-ion batterij functioneert het beste bij applicaties met een laag vermogen. Bij het snel opladen of ontladen van de Li-ion batterij wordt het vervalproces van de maximumcapaciteit versneld. Daarom is het noodzakelijk om een alternatieve energiebron te
gebruiken voor applicaties met een hoog vermogen (Vlad et all, 2014). Een goede alternatieve energiebron is een supercapacitor dankzij zijn hoge dichtheid van vermogen (Miret, S., 2013). § Zijn er oplossingen voor bovengenoemde problemen met betrekking tot het gebruik van de Li-ion batterij als opslagmiddel voor een appartementencomplex?
Vooralsnog lijkt het erop dat Li-ion batterijen altijd een verval zullen hebben in maximumcapaciteit. Echter is het mogelijk om het verval te beperken door applicaties met een hoog vermogen aan te sluiten op een supercapacitor. Een supercapacitor heeft niet te maken met verval van de maximumcapaciteit, het kan oneindig vaak opgeladen en ontladen worden zonder dat de maximumcapaciteit verandert (Miret, 2013). Helaas is de energiedichtheid van de supercapacitor laag, met als gevolg dat de maximale capaciteit van een supercapacitor relatief laag is, in vergelijking tot de Li-ion batterij. Daarom kan een supercapacitor de batterij niet compleet vervangen. Een oplossing voor bovengenoemde problemen met betrekking tot de Li-ion batterij is het installeren van een systeem dat energiestromen reguleert tussen de verschillende applicaties in het huishouden en de batterij en de supercapacitor. Het systeem moet meten wanneer een apparaat met hoog of laag vermogen aangezet wordt. Vervolgens moet het systeem zelf bepalen welke batterij daarvoor gebruikt moet worden.
Het is lastig om te bepalen wat de grens van het vermogen zou moeten zijn om aangesloten te worden op de Li-ion batterij of de supercapacitor. Bij gebrek aan specialistische informatie is er een vermogensgrens opgesteld waarbij het gros van de huishoudapparatuur met een laag vermogen aangesloten wordt op de Li-ion batterij, en de rest aangesloten wordt op de supercapacitor. Deze grens staat op een vermogen van 1600 watt. Zodra er meer dan 1600 watt aan vermogen wordt gevraagd, moet dit uit de supercapacitor getapt worden. Figuur 4 bevat een overzicht van verschillende huishoudelijke apparaten en hun bijbehorende vermogens.
Apparaat Droger Stofzuiger wasmachine Magnetron Lamp Koelkast Vermogen
(in watt)
2500 1300 1000 500 50 33
Figuur 4: Een overzicht van een aantal huishoudelijke apparaten en hun vermogens uitgedrukt in watt. Hieruit kan afgelezen worden dat een droger aangesloten zou moeten worden op een supercapacitor, maar de vaatwasser, het koffiezetapparaat, de koelkast en de LED-TV op de Li-ion batterij.
Hoofdstuk 2: NETWERKOPLOSSINGEN
§ Het belang van een anticiperend energienetwerk
Voor het leveren van energie vanuit verschillende energiebronnen (zonne- en windenergie en energie opgeslagen in accu’s) is er een alternatief nodig voor het huidige energienetwerk. Zo werd in het vorige hoofdstuk duidelijk dat het bij het inzetten van batterijen als energiebron voordelig zou zijn om apparaten met een sterk vermogen op andere batterijen aan te sluiten dan de apparaten met een lager vermogen. Evenzo is het ten behoeve van de levensduur van de batterijen beter om energie rechtstreeks uit een groene generator te halen i.p.v. uit de batterijen wanneer dit mogelijk is. Een oplossing hiervoor is mogelijk het gebruik van een smart grid. Zonder smart grid kunnen meerdere energiebronnen niet samenwerken in één energiesysteem (Gharavi & Ghafurian, 2011). De mogelijkheid om te kunnen wisselen tussen energiebronnen vormt het fundament van een anticiperend energienetwerk: een netwerk dat zich aan kan passen aan de vraag van een huishouden - dat voordeel haalt uit het samenwerken met de andere huishoudens. Dit slimme tweerichtingsverkeer wordt bij menig elektriciteitsnet nog niet toegepast. De huidige energienetwerken zijn vaak verouderd; sommigen dateren zelfs uit de 20e eeuw (Collier, 2010).
§ Een slim netwerk binnen één huishouden
Eén van de toepassingen van de smart grid is het wisselen van energiebronnen; schakelen tussen de batterij en de supercapacitor. De Li-ion batterij is niet geschikt voor het leveren van energie aan apparaten die hoge vermogens vragen. De oplossing zou een systeem kunnen zijn dat in het stopcontact meet hoeveel vermogen het apparaat nodig heeft, en deze vervolgens aansluit op de juiste energiebron. Om te laten zien hoe dit in zijn werk kan gaan, is er in dit onderzoek een huishouden gesimuleerd dat aangesloten is op zowel een Li-ion batterij als een supercapacitor. Figuur 5 geeft weer hoe het smart grid schakelt tussen de batterij en de capacitor, afhankelijk van het gevraagde vermogen. Als de som van vermogens de limiet overschrijden van 1600 watt zal de supercapacitor de apparaten overnemen die teveel zijn voor de batterij. In figuur 4 is te zien hoe de lijn van totaal energiegebruik zich afsplitst van de batterij zodra het limiet overschreden dreigt te worden. De hoogspanningsbatterij neemt het dan over. Zie bijlage 7 voor verdere toelichting van dit experiment, de vermogens van de in de figuur weergeven apparaten en de gebruikte code.
Figuur 5: Een weergave waarbij de supercapacitor en Li-ion batterij elkaar versterken tijdens het
energiegebruik in een huishouden. Op de verticale as staat het vermogen uitgedrukt in watt. Op de horizontale as staan verschillende apparaten die aan en uit worden gezet over bepaalde tijd. (Zie bijlage 7).
§ Ook op grotere schaal een veelbelovend principe: de in het model opgenomen functies
Naast de toepassing van het smart grid in een huishouden heeft een smartgrid ook voordelen op een grotere schaal. In dit paper onderscheiden wij 5 functies die een smart grid kan vervullen. Dit zijn de functies die zijn verwerkt in het tweede smart grid zoals beschreven in de methodesectie:
1. Demand Response: Betere stroommetingen en feedback loops, waardoor participatie van klant mogelijk wordt en de energieleverancier kan reageren op hoeveel stroom er daadwerkelijk nodig is. Dit komt in het model terug in het berekenen van de effectiviteit van machine learning (zie bijlage 1 en 2).
2. Flexibility: als een subsysteem meer produceert dan het consumeert, kan het aan het elektriciteitsnet leveren. Er kan lokaal energie worden opgeslagen in de batterijen, maar als die vol zijn kan het subsysteem terugleveren aan het net en zo andere subsystemen bevoorraden of in het optimale geval een vermindering van energieopwekking in de centrale energiebron toelaatbaar maken.
3. Prediction: schatten hoeveel stand-by generatoren nodig zullen zijn door toepassing van machine-learning. Doorgaans moet de centrale energiebron altijd back-up generatoren aan hebben in geval van plotselinge pieken in energievraag. Met behulp van machine learning kan gekeken worden naar de tijd, datum, lokale evenementen en vele andere voorspellende variabelen om te kijken hoe de vraag daardoor beïnvloed zou kunnen
worden. Zo kan van tevoren voorspeld worden wat de vraag zou kunnen worden. In het in dit paper ontworpen smart grid wordt dit gedaan met ‘polynomial regression’ (zie bijlage 2).
4. Load balancing: apparaten en/of klanten waarschuwen minder te consumeren. Dit kan ook een economische drijfveer zijn; stroomprijzen laten stijgen op piekuren. Dit wordt mogelijk gemaakt door middel van communicatie met klanten en apparaten. Zo kan de consument kiezen of deze met de prijs wil blijven consumeren, of juist niet, met als gevolg dat men misschien bijvoorbeeld ‘s nachts de wasmachine laat draaien. In ons model is dit opgenomen door klanten een maximumprijs te geven. Als die in piekuren geactiveerd wordt kan een huishouden “kiezen” er niet in mee te gaan (zie bijlage 1).
5. Decentralisation: Het lokaal opwekken van energie en zo transportatie rendement verhogen. Draden hebben een energieverlies in de vorm van warmte: hoe langer de kabels, hoe groter het energieverlies. Door de mogelijkheid van ‘plug and play’ van het netwerk kunnen subsystemen hun eigen energiebron aansluiten en zo lokaal energie produceren met minder verlies.
Met behulp van een smart grid kan er worden bespaard op energieverbruik en het aantal benodigde batterijen. Het smart grid kan namelijk detecteren wanneer er een toevoer is van energie vanuit een duurzame energiebron. De energie wordt dan door het smart grid direct naar het huishouden geleid, en niet naar de batterijen. Zo hoeft de batterij enkel gebruikt te worden in geval van tekort. Hierdoor is er minder totale batterijcapaciteit nodig, wat ruimte en geld zal schelen. Daarnaast hoeft de batterij hierdoor minder vaak opgeladen en ontladen te worden, met als gevolg dat de maximumcapaciteit van de batterij minder snel zal afnemen.
§ Resultaten na herhaaldelijk testen van het smart grid: vergelijking van het ontworpen smart grid met een systeem zonder deze maatregelen
Allereerst wordt er in een netwerk met smart grid minder energie verbruikt. De totale energievraag ligt ongeveer 26% hoger in de wijk zonder smart grid. Dit komt voornamelijk door middel van communicatie met de consument: met het smart grid wordt de prijs in de piekuren de van stroom verhoogt. Verwacht wordt dat de klant hier zijn energieverbruik op aanpast; de energievraag wordt afgestompt op de `prijslimiet´. Zie figuur 6 voor de gemiddelde energievraag over een dag tijd. Waardes op de verticale as zijn niet relevant omdat het gaat om de verhoudingen tussen de twee systemen (met smart grid en zonder smart grid).
figuur 6: Energievraag van een gemiddeld huishouden over een dag tijd. Op de verticale as staat de energievraag. Op de horizontale as staat de tijd (in uren).
Ten tweede wordt er in het systeem met smart grid 10% meer energie teruggeleverd aan het net (buiten het systeem) in vergelijking met de opzet zonder smart grid (figuur 7).
figuur 7: overschot (blauw) tegenover tekort (rood) van subsysteem met maatregelen (links) en zonder (rechts)
Een derde resultaat is dat door het gebruik van de batterij in combinatie met het smart grid er minder back-up generatoren (bij de centrale energieleverancier) nodig zijn.
Als vierde resultaat bespaart het model met smart grid op de energieverliezen die optreden door energietransport. Dit komt doordat de energie die lokaal wordt opgewekt minder ver hoeft te reizen dan de energie die vanuit een energiecentrale komt. Er raakt altijd energie verloren bij het transporteren ervan.
Het vijfde resultaat is dat er geconcludeerd kan worden dat de batterij (veel) beter wordt benut wanneer deze aangesloten is op een smart grid. Dit is te zien in de twee onderstaande figuren: de opzet zonder smart grid heeft frequenter een energietekort heeft dan de opzet met smart grid. Waar in grafiek 8a en 8b witte stukken te zien zijn is er geen export of import van energie, dus loopt het hele systeem op de batterij.
figuur 8a: Tekort (rood) tegenover overschot (blauw) van opzet met smartgrid. Op de horizontale as staat
één gehele dag weergegeven voor elke maand in het jaar. Op de verticale as staat energie.
figuur 8b: Tekort (rood) tegenover overschot (blauw) van opzetzonder smartgrid. Op de horizontale as staat één gehele dag weergegeven voor elke maand in het jaar. Op de verticale as staat energie.
§ Vervolg netwerkoplossingen: nieuwe wiskunde voor een breed scala aan problemen
Zoals aan het begin van dit hoofdstuk werd genoemd vormt de mogelijkheid om te kunnen wisselen tussen energiebronnen de basis van een anticiperend energienetwerk, welke nodig is om een gemiddeld verbruikend appartementencomplex van (periodieke) duurzame energie in combinatie met energie uit batterijen te voorzien. Een veelbelovende toevoeging op het ontworpen smart grid is de nieuwe door Gridquant (een door het Spaanse software-ontwikkelingsbedrijf Grupo AIA opgezette startup) ontwikkelde wiskundige methode genaamd HELM. Deze verstrekt eigenhandig een alternatief anticiperend energienetwerk en breidt tegelijkertijd de mogelijke functionaliteit van het reeds gemodelleerde smart grid uit ("Gridquant: New Math for the Smart Grid", 2012).
Een eerste extra functie die nog niet in het smart grid is opgenomen waarin HELM zou kunnen voorzien is rerouting: het omleiden van een connectie wanneer deze uitvalt zodat er geen gebied zonder stroom komt te zitten. Een tweede functie die wel in het model is opgenomen maar waar mogelijk nog veel te behalen is, is prediction (zoals eerder uitgelegd). Deze verloopt in het model via machine learning, maar zonder HELM met relatief weinig informatie ter hand.
Om dit soort functionaliteitsuitbreidingen tot stand te brengen voert HELM load-flow berekeningen uit van een nieuw kaliber. De load-flow studie is een fundamentele (numerieke) analyse aan de stroom van elektriciteit in een netwerk, die belangrijk is voor onder andere het uitbreiden van energienetwerken, het bepalen van de optimale mogelijke operaties binnen reeds bestaande systemen evenals het behouden van de netfrequentie. Het behouden van de netfrequentie is één van de grootste uitdagingen van het elektriciteitsnet: het totaal van actieve energie dat verbruikt wordt en verloren gaat gelijk moet zijn aan de hoeveelheid actieve energie die wordt geproduceerd. Wanneer de netfrequentie minimaal stijgt of daalt kan deze al schade berokkenen aan de op het netwerk aangesloten componenten. O m een efficiënt opererend elektriciteitsnetwerk te hebben load-flow analyse uitgevoerd te worden, waarvoor verschillende methodes bekend zijn. Hierover spreekt Robert B. Stuart, hoofd R&D ingenieur bij Gridquant in het door GTM Research (het leidende marktanalyse- en adviesbedrijf betreffende de transformatie van de wereldwijde elektriciteitsindustrie) gepubliceerde artikel ("Gridquant: New Math for the Smart Grid", 2012):
“De laatste 100 jaar is de Newton-Rhapson methode gebruikt door energie management systemen (EMS) voor het berekenen van load-flows. Deze methode doet dat door middel van het maken van benaderingen en kan verkeerde conclusies trekken. Deze fouten treden vooral op wanneer de data die het systeem binnenkomt snel veranderd. Dat is het probleem van deze methode: de momenten van snelle verandering zijn precies de momenten waarop er de hoogste stress en gevaar op het elektriciteitsnet staat. De gebreken van de Newton-Rhapson methode maken deze het minst nuttig wanneer de behoefte aan precisie het meest kritiek is.”
De huidige wiskunde voor load-flow analyse is dus relatief onveilig en inefficiënt. De nieuwe wiskundige methode van Griquant heeft een andere insteek. In plaats van het nemen van benaderingen die minder betrouwbaar worden wanneer de complexiteit van het netwerk en de daarop uit te voeren operaties toenemen, geeft de gepatenteerde Holomorphic Embedded Load Flow Method een verifieerbaar resultaat gebaseerd op de binnenkomende data die constant in het model wordt ingebouwd. Deze wiskunde is gebaseerd op technieken uit de complexe analyse en werd mogelijk door het verband dat er tussen algebraïsche krommen en de load-flow studie is gelegd. (Trias, 2012) Voorafgaand aan de ontwikkeling van HELM waren de andere methoden zoals de Gauss-Seidel, Newton-Rhapson en varianten daarvan voor het maken van de load-flow berekening allen gebaseerd op numerieke iteratieschema’s. Eén probleem van numerieke iteratieschema’s is dat er geen garantie is dat de iteratie naar een oplossing convergeert. Een ander probleem is dat aangezien het systeem meerdere mogelijke oplossingen heeft het bij een iteratief model niet mogelijk is te controleren welke oplossing uiteindelijk gekozen wordt. Het iteratieve schema kan gemakkelijk tot een foute oplossing worden aangetrokken door het fenomeen van Newton Fractals: wanneer de Newton methode wordt toegepast op complexe functies vertonen de basins van attractie van de verschillende oplossingen fractaal gedrag. Als gevolg daarvan maakt het niet uit hoe dicht het startpunt van de iteratie bij de correcte oplossing is; er is altijd een kans ongelijk aan nul om in een andere oplossing te belanden.
HELM heeft het voordeel dat deze volledig deterministisch en ondubbelzinnig is: het garandeert dat de oplossing altijd correspondeert met de correcte operatieve oplossing wanneer deze bestaat. Wanneer de oplossing niet bestaat signaleert het deze non-existentie. De software kan geïntegreerd worden met bestaand EMS systemen en is schaalbaar voor alle formaten en complexiteiten van (smart) grids. HELM geeft een solide mathematische behandeling van het load-flow probleem en geeft nieuwe inzichten en informatie die niet eerder beschikbaar was met de numerieke iteratiemethodes. Zo kan het gebruikt worden om het net betrouwbaarder te laten opereren op de marges van veiligheid door accurater te modelleren hoeveel stroom er door de transmissielijnen en tussenstations gaat. Ook kan de software gebruikt worden om het grid te herstarten wanneer deze uitvalt; de zogenoemde ‘black-start’ (het opnieuw balanceren van de load) operaties zijn complex en de resulterende kosten van een blackout (die HELM beter weet te vermijden) kunnen hoog oplopen.
Gridquant heeft investering en samenwerking met ‘s werelds grootste non-profit onderzoeks- en ontwikkelingsorganisatie Battelle gekregen om samen de nieuwe wiskunde aan de man te brengen. Gridquant en Battelle geven geen informatie vrij over de verdere ontwikkeling en implementatie van HELM. ("Gridquant: New Math for the Smart Grid", 2012)
De wiskunde achter HELM was te complex (evenals niet volledig beschikbaar) om op het in dit onderzoek ontworpen smart grid toe te passen. Hoe deze nieuwe methode precies zelfstandig een anticiperend netwerk kan vormen is onbekend, evenals de kosten die bij de implementatie komen kijken. Ook zijn er nog vraagtekens te stellen bij de (cyber)veiligheid van HELM, zoals: wie gaat het beheren en hoe? En: wat is de rol van de gebruiker in het nieuwe systeem? Duidelijk is dat HELM veel potentie heeft (zowel zelfstandig als in combinatie met een smart grid) en dat er in de grondgedachten van een energienetwerk (lees: de wiskunde ervan) veel te behalen is.
Hoofdstuk 3: BELEID EN DE COMMONS
§ Implementatie, beleid en perceptie
In het huidige Europees beleid wordt voornamelijk verkennend werk verricht naar de technische aspecten in het implementeren van energie opslag en distributie. Op nationaal niveau probeert de Nederlandse overheid actief innovatie te stimuleren. Zo heeft de Nederlandse regering in 2015 een regeling aangenomen die toestaat dat er voor 4 jaar lang experimenten worden toegestaan ter innovatie van het huidige energienetwerk (Rijksdienst voor Ondernemend Nederland, 2015). Wat achterblijft in zowel het Europees als het Nederlands beleid is onderzoek naar de rol van de gebruiker in het implementeren van energieopslag. De transitie naar een duurzaam energiebeleid, dat gebruik maakt van accu’s, vraagt naar een verandering in publieke perceptie van energiegebruik. Een belangrijk verschil met het huidige netwerk zal zijn dat door het gebruik van accu’s de beschikbare energie beperkt voorradig is: idealiter is er tijdens de energy gaps zo min mogelijk aanvulling vanuit het landelijk net en de batterijen nodig. Mensen zullen op deze momenten bewust om moeten gaan met hun energiegebruik. Op deze momenten gaat de voorradigheid van energie kenmerken van zogenaamde common resource pools vertonen. Als er niet op bewuste manier mee wordt omgegaan met dezeresource, zal het hele energieopslag plan misschien gedoemd zijn om te mislukken.
§ Common resource pools
In tijden van een energy gap zal energie een resource(hulpbron) zijn die voor iedereen beperkt beschikbaar is en door iedereen gebruikt zal worden. Dit wordt daarom ook een Common resource pool genoemd. Op het moment dat je als individu meer energie gebruikt dan de rest heb jij alle voordelen van die “extra” energie maar deelt de gemeenschap met wie je de common resource pool deelt de nadelen. Hierdoor is het positieve gevolg van het extra gebruik altijd groter dan de negatieve gevolgen van het extra gebruik. Volgens Harding’s The Tragedy of the Commons (Harding: 2009), zal dit noodlottig eindigen in een wedloop van energiegebruik omdat ieder huishouden voor zichzelf de maximale energie uit de gedeelde voorraad aan energie wilt halen. Als jij zelf niet je eigen energiegebruik maximaliseert, bestaat er de kans dat iemand anders dit wel doet, en jij de negatieve gevolgen hiervan ervaart. Binnen dit principe lijkt het een onmogelijke zaak om een eindige bron van energie te delen. Als dit het geval zou zijn, zou een gedeelde opslag zoals wij hebben gemodelleerd gedoemd zijn te mislukken.
Gelukkig zijn niet alle wetenschappers even pessimistisch over de toekomst van common resources, mits deze op een slimme manier beheerd worden. Ostrom et al. beschrijven hoe door middel van bepaalde voorwaarden, er toch een toekomst kan bestaan voor deze resources (Ostrom et al.: 2003). Ze stellen allereerst dat het delen van de accu’s door een kleine gemeenschap een positief effect heeft op het duurzaam gebruik van de accu’s. Als de gemeenschap te groot wordt, wordt het onoverzichtelijk hoeveel iedereen gebruik maakt van de resource en dit zal een negatief effect hebben op het gebruik per individu (of zoals in dit onderzoek per huishouden). Het is daarom volgens Ostrom ook van belang om binnen de gemeenschap een groepsbewustzijn te creëren. Sociale interactie tussen de gebruikers is hiervoor van belang. Zo
wordt de afgesproken regelgeving beter gevolgd zonder dat er controles van buitenaf hoeven te komen. Groepsbewustzijn is alleen realiseerbaar als de buurt niet te groot is.
Daarnaast stellen ze dat ook het actief monitoren van de common resource van groot belang is. Hiermee kan iedere gebruiker van de recourse op de hoogte worden gehouden van hun eigen gebruik en de “staat” van de energieopslag.
Ook is er een vraag naar een “adaptief beheer” (Ostrom et al.: 2003). Zo kan een situatie van energiegebruik over tijd veranderen en er is een vraag naar een beheer dat zich hierop aanpast.
Deze inzichten van Ostrom (om een tragedy te voorkomen) zijn meegenomen in het vormgeven van ons smart grid model. Zo is er gekozen voor kleine gemeenschappenvan 4 x 20 huishoudens om een netwerk van accu’s mee te delen. Dit heeft niet alleen een positief effect op de efficiëntie van de accu’s maar er valt te verwachten dat het delen van de energiebron door een kleine gemeenschap een positief effect zal hebben op het bewust omgaan met de energiebron. Ook geeft het gebruik van de smartgrid de mogelijkheid tot feedback naar de huishoudens. Dit is volgens Ostrom van cruciaal belang voor het slagen van het project.
§ Feedback loops
Dat implementaties van energiebesparende technieken niet goed werken zonder actieve feedback is recentelijk ondervonden met de “slimme energiemeter”. De Nederlandse overheid heeft een duurzaam experiment uitgevoerd waarbij in meer dan 25% van de Nederlandse huishoudens met een analoge energiemeter een slimme energiemeter werd geplaatst. Deze meter zou ervoor moeten zorgen dat een gemiddeld huishouden 3,5% aan energie per jaar zou gaan besparen. Dit zou nationaal kunnen oplopen tot een energiebesparing van 10 petajoule aan energie per jaar. Door slimmere inzichten in het energiegebruik van huishoudens, zoals wanneer op de dag hoeveel energie wordt gebruikt, zou het mogelijk moeten zijn om inzichten te krijgen wanneer er onnodig veel energie wordt gebruikt. Toch blijkt uit recente cijfers dat het met dit project niet is gelukt om de beoogde besparing te behalen en besparen de huizen tot nu toe minder dan 1% aan energie (BPL: 2016). Het rapport van het Planbureau wijt dit onder meer aan een tekortkoming in actieve feedback aan de gebruiker.
De feedback aan de gebruiker is van belang voor het slagen van de slimme energiemeter en zal daarom ook zeker van belang zijn voor het slagen van ons gebruik voor energie opslag. Wij hebben deze feedback ook geïmplementeerd in het smart grid model (zie Bijlage 7: huishouden). Ten eerst zal er bewustwording bij de energiegebruiker moeten ontstaan wanneer men gebruik maakt van energie uit accu’s. Hierdoor kan een gebruiker zijn energiegebruik aanpassen naar het aanbod van elektriciteit.
Daarnaast is het ook belangrijk dat er een systeem is dat niet alleen de verandering van energiebron doorgeeft aan de gebruiker, maar ook zelf actief kan ingrijpen bij te hoog energiegebruik op momenten dat er een tekort kan ontstaan aan energie. Zo zou je willen dat een “intelligent systeem” (zie bijlage 2: Machine Learning) als het smart grid bijhoudt hoe het energiegebruik van consumenten eruit ziet en zich daarop kan aanpassen en persoonlijk advies kan uitbrengen. Het smart grid zou energieverbruik kunnen voorspellen en hierop anticiperen. Het systeem kan bijvoorbeeld leren dat huishouden x altijd op maandagavond om 19:00 de wasmachine aan zet. Het smart grid zou een waarschuwing kunnen geven als dit gebeurt tijdens
een energy gap. Ook zou je een smart grid de elektriciteit naar een tv op standby kunnen afsluiten als het registreert dat deze een tijd niet gebruikt wordt. Als laatste hebben we rekening gehouden met mogelijk misbruik van de energie en vragen we hiervoor een financiële compensatie. Zo zou het smart grid een financiële compensatie vragen bij overmatig energiegebruik tijdens de energie gaps (zie bijlage 1 en bijlage 6) . Een verhoogd energie gebruik tijdens de daluren kan gepaard gaan met een financiële compensatie. Dit kan een stimulans zijn voor energiebesparend gedrag.
Hoofdstuk 4: CONCLUSIE
Door interdisciplinair te kijken naar de verschillende aspecten van opslag, distributie en gebruik hebben we een model kunnen maken die nieuwe inzichten in implementatie aanduidt. Zo is het allereerst duidelijk geworden dat er veel te behalen is bij het decentraliseren van energiedistributie en opslag. Een voordeel is dat er minder energieverlies is wanneer energie lokaal wordt geproduceerd en gebruikt. Dit komt omdat energie verloren gaat bij het transporteren ervan. Daarnaast is het veelbelovend dat decentralisatie in combinatie met een smart grid resulteert in minder energieverbruik; de consument wordt gestimuleerd minder energie te gebruiken, in ons model resulteerde dit tot 26% energiebesparing (figuur 5) en in het smart grid wordt tot 10% meer energie aan het net teruggeleverd (figuur 6). Ook regelt de smart grid het schakelen tussen de Li-ion batterij en de supercapacitor, waardoor de maximumcapaciteit van de Li-ion batterij minder snel afneemt (figuur 7a en 7b). Dit scheelt op lange termijn in de kosten van het aanschaffen van Li-ion batterijen. Het schakelen tussen verschillende batterijen, of zelfs meerdere energiebronnen, hetgeen de smart grid doet, blijkt tevens aangepakt te kunnen worden met de nieuwe wiskunde ontwikkeld door Gridquant. Deze maakt het ook mogelijk om voorheen erg lastige load-flow analyses te maken waarmee de functionaliteit van het smart grid kan worden uitgebreid. Daarnaast kan het smart grid niet alleen consumenten informeren, maar ook actief corrigeren, dit zal ook tot een afname in energiegebruik leiden. Zo zou het smart grid een toestel dat op op standby staat, los kunnen koppelen van de energietoevoer zodat er geen onnodige kosten worden gemaakt. Doordat een beperkte groep mensen de energiebron delen kan er een gedeeld bewustzijn worden gecreëerd rond deze opslag. Het smart grid zelf versterkt dit ook nog: deze is in staat om mensen actief te stimuleren om bewust te worden van hun energiegebruik.
Hoofdstuk 5: DISCUSSIE
§ Schakeling tussen Li-ion batterij en supercapacitor
In ons model waarbij we de schakeling tussen de Li-ion batterij en supercapacitor analyseren hebben we gekozen voor 1600 watt omdat dit het vermogen is waarbij de grootverbruikers als de droger en de wasmachine niet meer op de Li-ion batterij worden aangesloten , maar de kleinverbruikers zoals de televisie wel. Er is geen duidelijke literatuur die beschrijft bij welk vermogen het rendement van accu’s het hoogst is. Daarom is dit punt gekozen, ervan uitgaande dat de supercapacitor alleen zou moeten bijspringen als de grootverbruikers onder de huishoudelijke apparaten aangaan. De rest wordt opgevangen door Li-ion batterij.
§ Financieel
De Li-ion batterij is financieel rendabel. In het onderzoek van Naumann et al (2015) is uitgebreid uiteengezet wat voor kosten er komen kijken bij het installeren van batterijen in een huishouden, in plaats van het normale elektriciteitsnet. Hierbij wordt rekening gehouden met het vervangen van de batterijen als hun capaciteit te laag is geworden, de investering van een batterij en duurzame energieopwekkers aanschaffen, de normale kosten van aangesloten zijn op het reguliere elektriciteitsnet, etcetera. Uit het onderzoek wordt geconcludeerd dat het in 2015 mogelijk werd om een Li-ion batterij te installeren en na 3 jaar een positieve ´return of investment´ te bereiken. Dit is het punt waarop een duurzame batterij voordeliger wordt dan het elektriciteitsnet. Het is tegenwoordig dus op de lange termijn efficiënt om over te gaan op een Li-ion batterij als vervanger van het lichtnet.
§ Recyclen
Volgens het onderzoek van Dewulf et all (2010) kan bijna de helft van de natuurlijke benodigdheden voor het maken Li-ion batterijen bespaard worden met behulp van het recyclen van oude Li-ion batterijen. Er zal dus altijd gezocht moeten worden naar nieuwe natuurlijke bronnen voor het maken van de batterijen, het is echter de vraag of de grondstoffen genoeg beschikbaar zijn. Volgens het onderzoek van P. Randell (2016) is het afval van de Li-ion batterij niet schadelijk.
§ Wat voor andere energieopslag is er mogelijk (toekomstperspectief)?
Naast Li-ion batterijen zijn er nog veel meer opslagmethodes voor energie, die misschien rendabeler zijn dan de Li-ion batterij. In figuur 1 staat een mooi overzicht van alle andere soorten van energieopslag. Een paar voorbeelden van “volwassen” opslagmethodes zijn: lead acid batteries, PHS, en flywheel (Ugarte et all, 2014). Deze methodes kunnen net zo goed werken als Li-ion batterijen, dit wordt niet behandeld in ons onderzoek. Daarnaast hintte de professor Bob van der Zwaan ons per E-mail dat waterstofcellen misschien goedkoper zullen zijn dan batterijen. In de toekomst zou er onderzocht moeten worden of waterstofcellen efficiënter zijn dan batterijen of niet.
Daarentegen is het smart grid niet enkel voordelig. Met digitalisering ontstaat ook de mogelijkheid tot hacken van het netwerk. Cybersecurity bij iets zo alledaags als onze energielevering, is natuurlijk heel belangrijk. Een smart grid zal waarschijnlijk bestaan uit meerder slimme componenten van verschillende commerciële partijen. Al deze componenten hebben hun eigen structuur en eigen zwaktes wat het een kwetsbaar geheel maakt voor hackers. ‘Cyber Attacks’ zullen kunnen plaatsvinden op zowel conventionele plekken, het fysieke netwerk en in de digitale netwerken (Li, Xu et al. 2012).
Literatuurlijst
Amin, S. M., & Wollenberg, B. F. (2005). Toward a smart grid: power delivery for the 21st century. IEEE power and energy magazine, 3(5), 34-41.
Barrett, S. (2008). Why cooperate?: the incentive to supply global public goods. Choice Reviews Online, 45(10), 45-5821-45-5821. http://dx.doi.org/10.5860/choice.45-5821
Barré, A., Deguilhem, B., Grolleau, S., Gérard, M., Suard, F., & Riu, D. (2013). A review on lithium-ion battery ageing mechanisms and estimations for automotive applications. Journal of Power Sources, 241, 680-689. doi:10.1016/j.jpowsour.2013.05.040
bv, E. (2017). Slimmemeterportal.nl. Slimmemeterportal.nl. Retrieved 3 February 2017, from http://slimmemeterportal.nl/verbruik
Dewulf, J., Vorst, G. V., Denturck, K., Langenhove, H. V., Ghyoot, W., Tytgat, J., & Vandeputte, K. (2010). Recycling rechargeable lithium ion batteries: Critical analysis of natural resource savings. Resources, Conservation and Recycling, 54(4), 229-234. doi:10.1016/j.resconrec.2009.08.004 EEBatt team. (2014). EEBatt. Retrieved from https://www.mse.tum.de/en/eebatt/
Gharavi, H., & Ghafurian, R. (Eds.). (2011). Smart grid: The electric energy system of the future (Vol. 99). IEEE.
Gridquant: New Math for the Smart Grid. (2012). Greentechmedia.com. Retrieved 13 January 2017, from www.greentechmedia.com/articles/read/gridquant-new-math-for-the-smart-grid
Hardin, G. (2009). The Tragedy of the Commons∗. Journal of Natural Resources Policy Research , 1(3), 243-253.
Hernandez, L., Baladron, C., Aguiar, J. M., Carro, B., Sanchez-Esguevillas, A., Lloret, J., ... & Cook, D. (2013). A multi-agent system architecture for smart grid management and forecasting of energy demand in virtual power plants. IEEE Communications Magazine,51(1), 106-113.
Levin, S. (2013). The Mathematics of Sustainability.
Levin, S. (2014). What Mathematics can do for Sustainability. Bulletin Of Mathematical Biology, 77(2), 251-253. http://dx.doi.org/10.1007/s11538-014-0038-4
Li, Xu, et al. "Securing smart grid: cyber attacks, countermeasures, and challenges." IEEE Communications Magazine 50.8 (2012): 38-45.
Miret, S. (2013, November 10). Storage wars: Batteries vs. supercapacitors. Retrieved from http://berc.berkeley.edu/storage-wars-batteries-vs-supercapacitors/
Naumann, M., Karl, R., Truong, C., Jossen, A., & Hesse, H. C. (2015). Lithium-ion Battery Cost Analysis in PV-household Application . Energy Procedia, 73, 37-47.
Planbureau voor de Leefomgeving. (2016). De slimme meter, uitgelezen energie.
POLICY DEPARTMENT A: ECONOMIC AND SCIENTIFIC POLICY Energy Storage: Which Market Designs and Regulatory Incentives Are Needed?
Potter, C. W., Archambault, A., & Westrick, K. (2009, March). Building a smarter smart grid through better renewable energy information. In Power Systems Conference and Exposition, 2009. PSCE'09. IEEE/PES (pp. 1-5). IEEE.
Randell, P. (2016). Waste lithium-ion battery projections. Department of the Environment.
Ramchurn, S. D., Vytelingum, P., Rogers, A., & Jennings, N. R. (2012). Putting the'smarts' into the smart grid: a grand challenge for artificial intelligence. Communications of the ACM, 55(4), 86-97. Rijksdienst voor Ondernemend Nederland, 2013. Inventarisatie juridische vragen en
belemmeringen IPN projecten.
Schlachter, F. (2013). No Moore's Law for batteries. Proceedings Of The National Academy Of Sciences, 110(14), 5273-5273. http://dx.doi.org/10.1073/pnas.1302988110
Stout, B. (1996). Smart moves: Intelligent pathfinding. Game developer magazine, 10, 28-35. Sousa, T., Morais, H., Vale, Z., Faria, P., & Soares, J. (2012). Intelligent energy resource
management considering vehicle-to-grid: A simulated annealing approach. IEEE Transactions on Smart Grid, 3(1), 535-542.
Trias, A. (2012). The Holomorphic Embedding Load Flow method. Power And Energy Society General Meeting, 2012 IEEE.
Ugarte, S., Larkin, J., Van der Ree, B., Voogt, M., Friedrichsen, N., Michaelis, J., . . . Villafafila, R. (2014). Energy storage: Which Market Designs and Regulatory Incentives Are Needed? European Parliament
Vale, Z. A., Morais, H., & Khodr, H. (2010, July). Intelligent multi-player smart grid management considering distributed energy resources and demand response. In IEEE PES General Meeting (pp. 1-7). IEEE.
Vlad, A., Singh, N., Rolland, J., Melinte, S., Ajayan, P. M., & Gohy, J. (2014). Hybrid supercapacitor-battery materials for fast electrochemical charge storage. Nature, 4. doi:10.1038/srep04315
Bijlage 1:
Lees eerst graag de methoden door om een goed beeld te krijgen.
Programeerstructuur:
Elk van deze niveaus heeft zijn eigen python class (en file), die ook elk hun eigen bijlage hebben waar vanaf nu naar gerefereerd zal worden. De hiërarchie is simpel. Het net maakt een aantal wijk objecten en een Machine learning object. De wijk maakt een aantal buurt objecten, die vervolgens aan aantal huis objecten maakt. Telkens als er een nieuwe tijdseenheid aankomt wordt aan het subsysteem (de wijk) gevraagd om de lokale parameters te updaten. Te denken valt aan windenergie, zonne-energie en batterijspanning maar er is meer. Vervolgens vraagt het subsysteem aan zijn huishoudens de energievraag te updaten.
Vooraf wordt met machine learning het prijspeil per uur bepaald. Dit wordt verder gespecificeerd in bijlage 2.
figuur 9: schematische weergave van programeerstuctuur De 4 Niveau’s:
Op netniveau leert de leverancier met ‘machine learning’ (Prediction) wat de energieprijs moet zijn op een bepaalde tijd. Zie hiervoor bijlage 2. Verder wordt hier berekend wat de besparingen of kosten voor leverancier zijn op besparingen van het subsysteem (Demand Response). Er wordt vanuit gegaan dat het aanbod van het net altijd genoeg aan tekort van het subsysteem kan opvangen. Zie bijlage 3 voor gird.py voor de implementatie.
Op wijkniveau zorgt het systeem voor een goed balans tussen de vraag van alle huizen en aanbod van het net versus lokaal opgewekte energie (Decentralisation). Als het netto positief uitpakt en de batterij vol is dan kan het subsysteem terugleveren aan het net (Flexibility).
Zie bijlage 4 voor de implementatie wijk.py.
In dit bestand wordt berekend hoe omgegaan wordt met groene energie en de batterij. Als er meer geproduceerd wordt in het subsysteem dan er vraag is wordt de batterij opgeladen. Mocht die vol zijn dan wordt er aan het net geleverd. Als er te weinig is wordt uit de batterij gebruikt of desnoods uit het net getrokken. Hiernaast worden elk uur zowel de nieuwe vraag als de nieuwe groene energie bijdragen berekend.
Zonne energie wordt gedaan volgens de volgende formule:
Waarbij r (=random) een getal is tussen 0.75 en 1, random gekozen om een effect te geven waarbij een bewolkte dag van een zonnige onderscheiden kan worden. Verder is de eerste sinusoïde voor het verschil van zonlicht bij dag en nacht en de tweede voor seizoensverschillen aan zonuren. Tevens Ezon = 0 zodra hij het negatieve domein bereikt.
Vervolgens wordt de windenergie gegeven door:
Waarbij r een getal is tussen de -25 en +35. De windenergie wordt dus gezien als willekeurig en onvoorspelbaar. Beide energieën hebben het getal vermenigvuldigt met 160. Dat is om de simulatie in de buurt te houden van het break even point van leveren aan het net en vragen van het net. Omdat de simulatie anders niet interessant is.
Op buurtniveau wordt gekeken naar hoe een systeem kan optreden als er een verbinding wegvalt. Hiervoor suggereert dit paper A* zoek algoritme (Rerouting). Zo kunnen afvoerdraden gebruikt worden voor aanvoer en andersom. Zoals in figuur zou als een van de hoofdaders (2) faalt, een zijaders (1) kunnen inspringen om direct via een andere buurt toch stroom te kunnen leveren aan probleemzone. Zie hiervoor paper hoodstuk netwerkoplossingen.
Zie bijlage 5 voor de implementatie in buurt.py. In dit bestand is een buurtclasse geimplementeerd zodat zodra er een object van aangemaakt wordt hij 20 huis-objecten creëert in geheugen en de vraag van deze huizen kan bijhouden. Het fungeert dus meer als cluster aangezien de Rerouting niet hier geprogrammeerd is (zoals al eerder vermeld in hoofdstuk netwerkoplossingen).
Op huisniveau wordt eerst bepaald wat de vraag zal zijn van dit huishouden aan de hand van een random parameter. Ook wordt er een random ‘threshold’ als maximum percentage bepaald die daar bovenop komt, gegeven een bepaalde prijs bepaald door het grid. Dit wordt gekozen (per huis) om te simuleren dat sommige huishoudens wel willen blijven gebruiken bij piekuren en anderen niet (Load balancing).
Zie bijlage 6 voor de implementatie van zo’n huis in huis.py. In de initiatie wordt een vraag gekozen tussen de 85% en 115% en een prijslimiet van hooguit 15% daarbovenop. Verder is er een updatefunctie die de vraag herberekend in geval buurt.py of het machine learning algoritme aan dat specifieke huis vraagt om de vraag gegeven een nieuwe tijd en prijs. Deze vraag wordt berekend met:
Waarbij C de vraag is, t het uur van de dag en r een random getal tussen 0,75 en 1 om een verschil in gevoeligheid per huishouden te simuleren. De sinus is om een piek te simuleren bij ontbijt en avondeten.
Bijlage 2: Machine Learning (prediction) in machlearn.py
Om het systeem aan te leren wat de energievraag zal worden gegeven een bepaalde tijd is er een machine learning algoritme toegepast genaamd ‘Polynomial Regression’. Dit is een variatie op ‘Linear Regression’. Dit is een algoritme dat een vector van probeert aan te passen op een dataset om zo de trendlijn eruit te halen. Het resultaat is een functie H(x) die een polynoom beschrijft die de data het best benadert. De data uit de train/test set ziet er uit als de figuur hieronder. Daarom is hier gekozen voor een 5e orde polynoom. Aangezien we slechts 1 voorspellende variabele hebben in dit voorbeeld, namelijk de tijd, nemen we van deze x telkens een macht (x0 t/m x5) en voorspellen we de vraag (y) aan de hand daarvan. In andere situaties kunnen er natuurlijk meerdere voorspellende waardes gevonden worden.
figuur 10: trainset vraag tegenover tijd
De machten van x (x0 t/m x5) worden in een matrix X gezet. Vervolgens kunnen de parameters berekend worden met de volgende formule:
Dit geeft een vector met parameters terug. Deze beschrijven vervolgens de volgende functie: (in machlearn.py is a benoemd als theta).
Als het voorbeeld uit dit paper wordt toegepast komen er uiteraard telkens andere parameterwaarden uit door de random initiatie van de huizen uit de train set. Ze liggen echter nooit ver van elkaar af. Een voorbeeld van één van deze gevonden configuraties is:
a0: 73.8783058495 a1: 16.5055859772 a2: -1.14563720525 a3: -0.157864272409 a4: 0.0178715098722 a5: -0.000443185807
figuur11: parameter configuratie van resultaat algoritme
figuur12: plot van resultaat algoritme
Bijlage 4: Wijk.py
(2 pagina’s)
Bijlage 7: Huishouden.py en apparaat.py
In dit paper Is verder een simulatie gemaakt van een huishouden waar meerdere apparaten aangesloten worden aan stopcontacten. Het systeem vraagt telkens of je een apparaat wilt aansluiten of een apparaat aan/uit wil zetten. Vervolgens berekent het of het limiet overschreden wordt en gaat het door alle apparaten heen om ze in te delen op hoog- en laagspanning. Het probeert zoveel mogelijk te fitten in de laagspanning voordat het apparaten in de hoogspannings categorie indeelt.
De grafiek volgt een persoon die binnenkomt, de lichten aan zet, maaltijd in de magnetron zet, ondertussen gaat stofzuigen. Zodra de persoon zijn maaltijd klaar is stopt hij met stofzuigen om het op te eten, waarna hij da was gaat doen, weer gaat stofzuigen, een kruik verwarmt voor later en dan alles uit zet en de deur uit gaat. Wat de persoon doet, of in welke volgorde is van weinig belang, het gaat er vooral om te laten zien hoe de verschillende spanningen verdeeld worden met verschillende aangesloten vermogens.
De apparaten die gebruikt zijn:
stofzuiger 1300 koelkast 33
lamp 50
wasmachine 1000 magnetron 500
implementatie huishouden.py en apparaat.py:
