The role of an Energy Box Aggregator to support load follows supply strategies

Abstract

O aumento da penetração de fontes de energia renovável no sistema de energia elétrica origina desafios na gestão da rede elétrica, devido ao seu carácter intermitente, bem como volatilidade dos preços da eletricidade. A manutenção dos níveis de reserva operacional adequados é uma das principais preocupações do operador do sistema, uma vez que a integração de uma componente significativa da produção de eletricidade por fontes intermitentes requer uma maior quantidade de reserva necessária para equilibrar produção e o consumo. Por outro lado, o consumo de eletricidade tem vindo a crescer ao longo dos últimos anos, representando um potencial de poupança ainda não totalmente explorado, através da eliminação de consumo de standby, eliminação de desperdícios, bem como da flexibilização do consumo ao longo do tempo. No contexto das redes inteligentes (Smart Grids), o envolvimento dos utilizadores finais é um elemento chave para a implementação de abordagens de resposta dinâmica da procura (Demand Response), como uma forma de melhorar a eficiência da utilização da infraestrutura elétrica, possibilitando a prestação de serviços auxiliares utilizando recursos do lado da procura, ou seja, flexibilizando o uso das suas cargas, com o objetivo de alcançar um equilíbrio entre a procura e a oferta. A Demand Response é vista como uma estratégia eficaz e confiável para o sucesso da integração de fontes de energia renováveis, numa perspetiva de gestão integrada dos recursos de energia, através da otimização e controlo do perfil de consumo do utilizador final, em tempo real, sempre que for solicitado pelo operador do sistema elétrico. Um agregador de sistemas de gestão de energia, designado Energy Box Agregator - EBAg, foi concebido para funcionar como um intermediário entre o utilizador final e o operador da rede e / ou mercado de eletricidade, cujo objetivo é influenciar a procura de energia e oferecer serviços auxiliares através da implementação uma estratégia de “load follows supply” num contexto de Smart Grid. O agregador tem a capacidade de utilizar a flexibilidade de consumo oferecida por cada utilizador final para satisfazer as exigências de serviços do sistema, diminuindo ou aumentando a potência pedida à rede durante um dado período de planeamento, contribuindo para garantir a estabilidade e o bom funcionamento do sistema elétrico. Com este propósito, foi desenvolvido um modelo de otimização multiobjectivo para maximizar os lucros do agregador, tendo em conta as receitas do operador do sistema e / ou mercado de eletricidade e pagamentos ao utilizador final. O modelo considera ainda a maximização da equidade, minimizando as desigualdades entre os valores de flexibilidade de carga fornecida pelos utilizadores finais agregados em clusters. Uma abordagem híbrida baseada em Algoritmos Genéticos e algoritmos de Evolução Diferencial foi concebida para lidar com este modelo. Posteriormente, esta abordagem foi estendida para realizar uma análise de robustez das soluções obtidas.

The increasing penetration of renewable generation in the electric power system has been leading to a higher complexity of grid management due to its inherent intermittency, also with impact on the volatility of electricity prices. Setting the adequate operating reserve levels is one of the main concerns of the System Operator, since the integration of a large share of intermittent generation requires an increased amount of reserve that is needed to balance generation and load, assuring the quality of service and the security of the supply. At the same time, energy consumption in households has been steadily growing, representing a significant untapped savings potential due to consumption waste and load flexibility (that is, the possibility of time deferring the use of some loads to optimize consumption, namely in face of dynamic tariffs). In the Smart Grid context, the involvement of end-users is a key element for the implementation of demand response as a way to enhance the energy efficiency of the electricity infrastructure, also enabling to cope with the intermittency of renewable energy sources. Although the participation of end-users may result in a higher complexity of the system management, it may have a positive impact on mitigating the volatility of electricity prices. End-users may also be an important element in the provision of ancillary services, using demand side resources to offer the system operator additional means to enhance system flexibility, robust planning, constraints management and operation scheduling, therefore contributing to the balance between load and supply under a load follows supply strategy. Demand response is seen as an effective and reliable strategy for the successful integration of renewable energy sources, in a perspective of integrated energy resource management, handling the demand curve using load flexibility whenever the system requires it. This embodies the possibility of changing/controlling the load profile by optimally time deferring the use of some equipment by means of energy management systems. An energy management system aggregator, named Energy Box Aggregator – EBAg, has been designed to operate as an intermediary between individual energy management systems and the System Operator and /or Energy Market, capable of facilitating a load follows supply strategy in a Smart Grid context. The aggregator is aimed to use the flexibility provided by each end-user aggregated into clusters of demand-side resources to satisfy system service requirements, involving lowering or increasing the power requested to the grid throughout a given planning period. This contributes to the balance between load and supply and copes with the intermittency of renewable sources, thus offering an attractive alternative to supply side investments on peak and reserve generation. For this purpose, a Multi-Objective Optimization model has been developed to maximize the aggregator profits, taking into account revenues from the System Operator and/or Energy Market and payments to end-user clusters, and minimize the inequity between the amounts of load flexibility provided by the clusters to satisfy grid requests. An approach based on coupling a Genetic Algorithms with a Differential Evolution algorithm has been designed to deal with this model. This approach has been then extended to perform a robustness analysis of the solutions.