vattenfall

Projekt: Optimal planering och drift av vattenkraftsystem

I ett framtida scenario består Sveriges energiproduktion av en större andel energislag som inte ger kontinuerlig energi. Med detta som grund ska det här projektet utveckla nya metoder för att optimera planering och drift av storskaliga vattenkraftsystem, när scenariot för driften innefattar stora osäkerheter.

Fakta om projektet

Projektledare
Magnus Perninge
Övriga projektmedlemmar
Alexander Svensson Marcial och Johan Jonsson, Linnéuniversitetet; Robert Eriksson, KTH
Deltagande organisationer
Linnéuniversitetet, KTH
Finansiär
Energimyndigheten, Svenska kraftnät
Tidsplan
2019–
Ämnen
Elektroteknik (Institutionen för fysik och elektroteknik, Fakulteten för teknik)
Matematik (Institutionen för matematik, Fakulteten för teknik)

Mer om projektet

Bakgrund

Vattenkraft utgör ryggraden i många av dagens energisystem och bidrar med stöd till systemoperatören. Den ökande mängden förnybar produktion med variabelt produktionsmönster som för närvarande håller på att integreras i energisystemet kommer oundvikligen att leda till ett ökat behov av reglerkraft samt en högre volatilitet på elmarknaden. Detta kommer att försvåra planeringsproblemet för vattenkraftproducenter avsevärt.

Den ökande osäkerheten förstärker behovet av en adekvat riskhantering. Optimeringsproblemet som uppstår vid beaktande av hydrologiska kopplingar har en oändligt-dimensionell tillståndsbeskrivning. Sammantaget kräver detta nya, effektiva numeriska algoritmer. Vi ämnar därför undersöka hur maskininlärning kombinerat med metoder från robust styrteori och riskanalys kan användas för att ta fram effektiva strategier för vattenkraftproducenter, samt teoretiskt analysera algoritmernas prestanda.

Resultat

Erhållna resultat inom projektet kan delas in i följande kategorier:

  • Modellering av elmarknader
  • Modellering av vattenkraftssystem
  • Existens av optimala styrlagar
  • Robust styrteori
  • Riskanalys
  • Numeriska metoder

Forskningstema

Projektet är en del av forskningen i forskningstemat AI och maskininlärning för optimering och operationsanalys.

Publikationer

Medarbetare