Upload
hoangcong
View
231
Download
6
Embed Size (px)
Citation preview
FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA
IVAN STRNAD
OPTIMALNO PLANIRANJE I UPRAVLJANJE
MIKROMREŽOM S LOKALNOM VIRTUALNOM
ELEKTRANOM
DOKTORSKI RAD
Zagreb, 2016.
FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA
IVAN STRNAD
OPTIMALNO PLANIRANJE I UPRAVLJANJE
MIKROMREŽOM S LOKALNOM VIRTUALNOM
ELEKTRANOM
DOKTORSKI RAD
Mentor:
Prof. dr. sc. Davor Škrlec
Zagreb, 2016.
FACULTY OF ELECTRICAL ENGINEERING AND COMPUTING
IVAN STRNAD
OPTIMAL PLANNING AND OPERATION OF
MICROGRID BASED ON LOCAL VIRTUAL
POWER PLANT
DOCTORAL THESIS
Supervisor:
Professor Davor Škrlec, PhD
Zagreb, 2016
Doktorski rad izrađen je na Sveučilištu u Zagrebu Fakultetu elektrotehnike i računarstva, na Zavodu
za visoki napon i energetiku.
Mentor: prof.dr.sc. Davor Škrlec
Doktorski rad ima: 119 stranica
Doktorski rad br.:__________
ŽIVOTOPIS MENTORA
Davor Škrlec je rođen 1. siječnja 1963. godine u Vinkovcima, Republika Hrvatska. Na
Elektrotehničkom fakultetu u Zagrebu diplomirao je 1986. godine na smjeru Energetika, i na
smjeru Nuklearna energetika. Magistrirao je i doktorirao u polju elektrotehnike (mentor
prof.dr.sc. Slavko Krajcar) na Sveučilištu u Zagrebu Fakultetu elektrotehnike i računarstva,
1990. odnosno 1996. godine.
Od siječnja 1987. godine zaposlen je na Zavodu za visoki napon i energetiku FER-a. Od
siječnja do srpnja 2012. godine bio je pomoćnik ministra u Ministarstvu zaštite okoliša i
prirode. U ožujku 2012. godine izabran je za redovitog profesora u trajnom zvanju. Od 1.
srpnja 2014. zastupnik je u Europskom parlamentu.
Sudjelovao je na pet znanstvenih projekata Ministarstva znanosti, obrazovanja i sporta
Republike Hrvatske, na jednom od njih voditelj, i bio je voditelj domaćeg industrijskog
znanstvenog projekta. Bio je voditelj jednog međunarodnog projekta i suradnik na dva
međunarodna bilateralna projekta. Trenutačno je suradnik na dva FP7 projekta (Smartgrids
ERA-Net i ACROSS). Objavio je više od 80 radova u časopisima i zbornicima konferencija iz
područja planiranja i pogona elektroenergetskih mreža, integracije obnovljivih izvora energije
i distribuirane proizvodnje u elektroenergetski sustav, te primjenu geoinformacijskih sustava u
elektrotehnici i računarstvu.
Profesor Škrlec je član je nekoliko stručnih organizacija u kojima obavlja ili je obavljao
upravne funkcije: IEEE Hrvatska sekcija, HRO CIGRE, HO CIRED, Hrvatsko nuklearno
društvo. Sudjeluje u 5 međunarodnih programskih odbora znanstvenih konferencija, član je
uredničkog odbora znanstvenog časopisa te sudjeluje kao recenzent u većem broju inozemnih
časopisa i konferencija. Odlukom Fakultetskog vijeća od 18. prosinca 1996. godine
dodijeljena mu je srebrna plaketa "Josip Lončar" za posebno istaknutu doktorsku disertaciju.
SUPERVISOR'S BIOGRAPHY
Davor Škrlec was born in Zagreb on 1st January, 1963. He graduate at the University of
Zagreb Electrotechnical Faculty in 1986. in the field of Electrical Power Engineering and in
the field of Nuclear Power Engineering. He received M.Sc. and Ph.D. degrees in electrical
engineering (mentor prof. Slavko Krajcar) from the University of Zagreb, Faculty of
Electrical Engineering and Computing (FER), Zagreb, Croatia, in 1990 and 1996 respectively.
From January 1987 he is working at the Department of Energy and Power Systems at FER.
From Janury 2012 until July 2012 he was assistant minister in the Ministry of Environmental
and Nature Protection. In March 2012 he was promoted to Full Professor with tenure. Since
1st July 2014 he is member of European Parliament.
He participated in 5 scientific projects financed by the Ministry of Science, Education and
Sports of the Republic of Croatia , he was project coordinator in one industrial research
project and one international project and participated in two bilateral research projects.
Currently he is a involved in 2 EU FP7 projects. He published more than 80 papers in journals
and conference proceedings in the area of planning and operation of electrical networks,
integration of renewable and distributed resources, and application of geoinformation systems
in power engineering.
Professor Škrlec is a member of IEEE, CIGRE, CIRED and Croatian Nuclear Society. He
participated in 5 conference international programs committees, he is member of a journal
editorial board and he serves as a technical reviewer for various international journals and
conferences. He received silver medal "Josip Lončar" from FER for outstanding Ph.D. theses
in 1996.
Ovaj rad posvećujem supruzi Lucijani i sinu Izidoru.
Zahvaljujem mentoru prof.dr.sc. Davoru Škrlecu na ukazanom povjerenju i vremenu tijekom
posljediplomskog studija.
Također zahvaljujem svojim roditeljima na potpori.
Posebno zahvaljujem supruzi Lucijani na razumijevanju, potpori i pomoći.
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S
LOKALNOM VIRTUALNOM ELEKTRANOM
Sažetak
Određivanje optimalne veličine distribuiranog izvora u mikromrežama možemo prikazati
kao višekriterijske optimizacijske probleme koji se danas rješavaju različitim optimizacijskim
tehnikama. Odabir optimalne veličine distribuiranih jedinica u mikromrežama vrlo je važno
kako bi se ekonomski opravdala njihova izgradnja, minimizirali troškovi pogona i smanjio
njihov negativan utjecaj na distribucijsku mrežu.
U doktorskom radu prikazan je višekriterijski optimizacijski algoritam koji nam
omogućava provođenje kompletnih tehničko-ekonomskih analiza u svrhu određivanja
optimalne veličine distribuiranog izvora, posebice fotonaponske elektrane i baterijskog
skladišta električne energije u mikromrežama. U svrhu optimalnog upravljanja mikromrežom
s fotonaponskom elektranom, baterijskim skladištem električne energije i fleksibilnim
trošilima razvijen je optimizacijski model koji se bazira na mješovitom cjelobrojnom
linearnom programiranju. Glavni preduvjet za pružanje pomoćnih usluga kao jedne od
poslovnih mogućnosti za vlasnike mikromreža je određivanje optimalnog opsega pomoćne
usluge kao i planiranje pogona mikromreže u takvim uvjetima. Za rješavanje navedenog
problema razvijen je optimizacijski model za planiranje pružanja pomoćne usluge
mikromreže s fleksibilnim trošilima i baterijskim skladištem električne energije.
Optimizacijski modeli implementirani su u optimizacijskom alatu FICO.
Rezultati provedenih analiza pokazuju da investicija u fotonaponske elektrane i baterijska
skladišta električne energije u mikromrežama s fleksibilnim i nefleksibilnim trošilima još
uvijek nije ekonomski opravdana bez poticaja, ali uspostavom novih tržišnih usluga otvoriti
će se mogućnosti ostvarivanja dodatnih prihoda takvih sustava.
Ključne riječi:
Mikromreže, fotonaponske elektrane, baterijsko skladište električne energije, električna
vozila, fleksibilna trošila, pomoćne usluge, optimalno upravljanje mikromrežom
OPTIMAL PLANNING AND OPERATION OF MICROGRID BASED
ON LOCAL VIRTUAL POWER PLANT
Abstract
The constant growth of electricity consumption leads to the necessary modernization and
reconstruction of existing power systems on all levels, from production to consumption, with
the goal of ensuring that electricity supply stays both reliable and of high quality. One of the
approaches to solving this problem is the usage of distributed generation and new advanced
technologies through the Smart Grid concept. Additionally, goals have been set to reduce
greenhouse gas emissions which are in part aimed to be reached by using smart grids and
environmentally more acceptable technologies. The current energy policies set a goal of
achieving greenhouse gas reductions, that is a decrease of fossil fuel consumption, mainly
through different measures for energy efficiency and the usage of renewable energy sources.
The goals of reducing energy consumption through energy efficiency measures, an increase of
electricity production from renewable energy sources and a decrease of greenhouse gas
emissions in the European Union (EU) as well as in Croatia, are set to be achieved through
energy policies and strategies till the year 2020 and year 2050, different EU Directives and
national action plans and strategies of the EU member countries.
The introduction of incentives for electricity produced from renewable energy sources
resulted in a constant increase of electricity produced from renewable energy sources, their
development and the availability of different types of technologies. With an increasing
number of distributed generation sources, especially photovoltaic power plants which are
most commonly installed in distribution networks, problems in distribution network operation
management started arising. One of the causes of this problem is the fact that the production
of electricity from renewable energy sources depends on the weather conditions which cause
production variations, making it very hard to harmonize electricity production and
consumption. The second reason lies in the passive integration of distributed generation, that
is, the existing model or system for incentivizing the production of electricity from renewable
energy sources, where the investor aims to maximize his profit by choosing the size of the
distributed generation unit which ensures the maximal possible ratio of investment costs
against the revenues from the incentives. In order to reduce the impact of distributed
generation on the distribution network, it is necessary to ensure that investors choose the size
of the distributed generation unit based on the consumption of the location it is to be built on,
thus making sure that as little produced electricity as possible is fed into the distribution
network. The existing system for incentivizing the production of electricity from renewable
energy sources is not sustainable, and in the last few years, the incentives (tariffs) have
continuously been lowered with the long-term goal of totally cutting them.
One of the aims of the research was defining or developing a comprehensive optimization
platform for conducting reliable techno-economic analyses of investment projects for
photovoltaic power plants and battery energy storage system in existing microgrids, but also
for planning new microgrids. An estimate of economic feasibility in the optimization model is
based on operational savings which can be achieved by using the considered technologies
compared to the case when all necessary electricity is taken from the distribution network.
Alongside the operational costs, the investment and maintenance costs have been included in
the cost-benefit analysis, as well as the environmental aspects through CO2 emissions. In
order to minimize the negative impacts of distributed generation on the distribution networks,
the thesis proposes a new model for incentivizing electricity produced from renewable energy
sources in a way which favors that the electricity produced in the microgrid is also consumed
within the microgrid. This way, the investor is encouraged and incentivized to adjust the size
of the distributed generation unit to the consumption of electricity within the microgrid. The
second benefit of using this model for incentivizing electricity produced from renewable
energy sources is the reduction of the amount of incentives which the energy market operator
has to pay out to the producers. The obtained results show that the use of such a model for
incentivizing electricity produced from renewable energy sources, on the example of a
photovoltaic power plant, still ensures the economic feasibility of investing in such projects.
In the process of determining the optimal size of the distributed generation units in the
microgrid by using the suggested optimization model, a techno-economic analysis based on
the previously described system for incentivizing electricity produced from renewable energy
sources will be used. Alongside the application of the aforementioned incentives system, a
techno-economic analysis of the usage of distributed generation without incentives, that is, in
totally market conditions, will be conducted. By using the photovoltaic power plant and other
technologies which can contribute to reducing CO2 emissions within the microgrid, the goal
of realizing low carbon microgrid nods in the distribution network is aimed to be achieved.
Furthermore, one of the research objectives was to define an optimization model for the
optimal management and operation of a microgrid composed of a photovoltaic power plant,
battery energy storage system, and non-flexible and flexible loads with the objective function
being the minimization of microgrid operational costs and CO2 emissions. Electric vehicle
chargers are considered as flexible loads in the analyses, and their operation is simulated
through the process of electric vehicle charging. The functionality of the optimization model
is shown through the optimization of the microgrid operation for typical days in a year. The
simulation results show that the optimization of microgrid operation can be managed by the
battery energy storage system and flexible loads, all with the goal of minimizing the
microgrid operational costs. Additionally, from the obtained results of the daily simulations it
can be concluded that, if several tariffs for electricity would be used throughout the day,
depending on the load of the distribution network, the optimization of the operation of
microgrids with flexible loads can achieve a partial transfer of consumption from a high load
period to a low load period in the distribution network.
Apart from the already stated, another research objective was to define an optimization
model for planning the scope of ancillary services in microgrids with flexible loads and
battery energy storage system. By the described optimization model, a price of the ancillary
services in the considered microgrids was defined depending on the annual engagement of the
ancillary service by the user, where it was shown that the price of the service depends, among
other things, on the scope of the ancillary service. The scope of the ancillary service which
can be offered by the microgrid depends solely on the available capacity of the flexible loads
and battery energy storage system. Ancillary service provision on the microgrid level,
according to the model depicted in the thesis, can definitely contribute to the feasibility of the
usage of the considered distributed energy resources in totally market conditions, and to make
such investments economically feasible even without using incentives.
The results obtained by this model allow for, in addition to determining the optimal size of
the distributed energy resources, different technical, economic and environmental analyses
and sensitivity analyses, some of which are shown in the thesis.
Because the objective and constraint functions are linear functions, MILP is used for
solving the described optimization problems, and the optimization itself is implemented in the
optimization packet tool FICO Xpress.
Other details and facts which fall within the scope of the conducted research are presented
in the doctoral thesis. A chapter by chapter outline of the thesis follows.
The first chapter entails an introduction to the doctoral thesis and a description of the
considered problem.
The second chapter describes the concepts of microgrids and virtual power plants and their
major contributions to the existing power system. Additionally, this chapter gives an overview
of the positive and negative effects of distributed generation on distribution networks. A
description of the main characteristics of photovoltaic power plants and energy storages with
an emphasis on battery energy storage systems is also given here, but the usage of these
technologies is considered in the chapters that follow. The advantages of flexible loads in
energy management systems are stated at the end of this chapter.
The third chapter deals with greenhouse gas emissions and portrays the main EU policies,
which apply also to Croatia as an EU member, whose goal is to reduce greenhouse gas
emissions (or more precisely, CO2 emissions). The purpose of this chapter is to give an
overview of key documents and facts which clarify why one of the goals of the thesis is to
develop or implement low-carbon nods within the distribution network.
The basic information about electric vehicles is given in the first part of the fourth chapter,
followed by a detailed description of the electric vehicle charging strategies. The flexibility of
the electric vehicle charging process is described in more detail because electric vehicle
chargers are considered as flexible loads in the optimization model.
The fifth chapter briefly describes the basics of ancillary service planning and usage.
Because the usage of ancillary services on the microgrid level is still not viable in real life, the
potential of microgrids for providing ancillary services, taking into account their limitations
realistically, is given here.
The basics of investment project economics is given in chapter six. The reasons behind
choosing the net present value method and the used sensitivity analyses are explained, given
that the thesis includes not only the technical but also the economic feasibility of the
considered projects.
The seventh chapter reviews the existing literature on the topic of microgrid (or small
energy systems) planning and operation, which have been analyzed through the conducted
research.
The formulation of the optimization model developed with the purpose of determining the
optimal size of the photovoltaic power plant, battery energy storage system and the
combination of the photovoltaic power plant and battery energy storage system in the
microgrid is given in chapter eight. In addition to the above stated, the purpose of the
optimization model is the optimization of the microgrid operation where the objective
function is the minimization of the microgrid operating cost. This chapter also entails a
description of the electric vehicle charging modelling for different microgrid types.
The first part of chapter nine describes the input parameters, the microgrid model and the
scenarios used in the simulations and the conducted analyses. Later on, the simulation results
for determining the optimal size of the photovoltaic power plant and the combination of the
photovoltaic power plant and battery energy storage system are given, as well as the results of
the conducted sensitivity analyses and environmental analyses. In the last part of this chapter,
the results of the microgrid operation analyses for typical days in a year are given. The results
shown in this chapter confirm the functionality of the optimization model.
The tenth chapter defines the changes in the optimization model which have to be
implemented so that it can be used for planning the scope of ancillary services. The
simulation results for determining the prices of the ancillary services for the considered
microgrid models are given here, as well as the results for ancillary services planning for one
day ahead.
The final, eleventh chapter, gives a comprehensive review of the portrayed results and the
claims made in the doctoral thesis, and a clear overview of the achieved scientific
contributions of the thesis. The last part of the chapter suggests guidelines for further
enhancement of the optimization model as well as future research directions.
The following expected scientific contributions are presented in this doctoral thesis:
multi-objective algorithm for determining the optimal size of the photovoltaic power
plant in the microgrid,
methodology for determining the optimal size of battery energy storage system in the
microgrid,
optimization model for managing a microgrid composed of a photovoltaic power
plant, battery energy storage system and flexible loads,
optimization model for planning the scope of ancillary services of the microgrid with
battery energy storage system and flexible loads.
The goal of future research should be to, with the help of the here presented optimization
platform, analyze different forms of incentives and economic feasibility models for investing
in renewable energy sources in distribution networks. Additionally, further research should
upgrade the existing optimization model to enable the analyses of different technologies and
different kinds of flexible loads.
Keywords:
Microgrids, Photovoltaic plant, Battery energy storage system, Electric vehicle, Flexible
loads, Ancillary services, Optimization of microgrid operation
SADRŽAJ
I
SADRŽAJ
UVOD .................................................................................................................................... 1 1.
DISTRIBUIRANA PROIZVODNJA, VIRTUALNE ELEKTRANE I 2.
MIKROMREŽE .................................................................................................................. 4
2.1. Distribuirana proizvodnja .............................................................................................. 4
2.1.1. Utjecaj distribuirane proizvodnje na distribucijsku mrežu ...................................... 6
2.2. Virtualne elektrane ......................................................................................................... 9
2.3. Mikromreže ................................................................................................................... 10
2.4. Fotonaponske elektrane ................................................................................................ 12
2.5. Skladišta električne energije ........................................................................................ 14
2.5.1. Skladišta električne energije u kombinaciji s OIE ................................................. 15
2.5.2. Baterijska skladišta električne energije ................................................................. 16
2.6. Upravljanje potrošnjom ............................................................................................... 17
EMISIJE STAKLENIČKIH PLINOVA ......................................................................... 19 3.
3.1. Europska unija u borbi protiv klimatskih promjena ................................................ 19
ELEKTRIČNA VOZILA .................................................................................................. 22 4.
4.1. Općenito o električnim vozilima .................................................................................. 22
4.2. Strategije punjenja električnih vozila ......................................................................... 24
4.2.1. Nekontrolirano punjenje električnih vozila ........................................................... 24
4.2.2. Kontrolirano punjenje električnih vozila ............................................................... 25
4.2.3. Strategija punjenja vozilo na mreži (V2G) ............................................................ 25
4.3. Fleksibilnost kod punjenja električnih vozila ............................................................. 26
PRUŽANJE POMOĆNIH USLUGA NA RAZINI MIKROMREŽA .......................... 28 5.
5.1. Potencijal mikromreža za pružanje pomoćnih usluga .............................................. 28
5.2. Planiranje i prodaja pomoćnih usluga ........................................................................ 29
5.2.1. Velike proizvodne jedinice .................................................................................... 29
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
II
5.2.2. Mikromreže ........................................................................................................... 31
EKONOMIJA INVESTICIJSKIH PROJEKATA U ENERGETICI .......................... 33 6.
6.1. Metode analiza isplativosti projekta ........................................................................... 33
6.1.1. Neto sadašnja vrijednost ........................................................................................ 34
6.1.2. Interna stopa rentabilnosti ..................................................................................... 35
6.2. Analiza osjetljivosti projekta – uključivanje neizvjesnosti ....................................... 36
6.2.1. Procjena primitaka, izdataka i investicijskih ulaganja ........................................... 36
METODE PLANIRANJA I UPRAVLJANJA MIKROMREŽOM S 7.
DISTRIBUIRANIM IZVORIMA I SKLADIŠTEM ENERGIJE ................................. 38
OPTIMIZACIJSKI MODEL ZA PLANIRANJE I UPRAVLJANJE 8.
MIKROMREŽOM S FOTONAPONSKOM ELEKTRANOM, BATERIJSKIM
SKLADIŠTEM ENERGIJE I FLEKSIBILNIM TROŠILIMA .................................... 41
8.1. Formulacija optimizacijskog modela .......................................................................... 42
8.2. Modeliranje punjenja električnih vozila ..................................................................... 48
PRIMJENA OPTIMIZACIJSKOG MODELA NA RJEŠAVANJE PROBLEMA 9.
PLANIRANJA I OPTIMIZACIJE POGONA MIKROMREŽE ................................. 51
9.1. Opis ulaznih podataka, slučaja i modela mikromreže korištenih u simulacijama . 51
9.1.1. Model mikromreže ................................................................................................ 51
9.1.2. Ulazni podaci ......................................................................................................... 54
9.1.3. Definiranje slučaja ................................................................................................. 58
9.2. Određivanje optimalne veličine FNE .......................................................................... 59
9.3. Određivanje optimalne veličine kombinacije FNE i BSEE ....................................... 63
9.3.1. Mikromreža FER ................................................................................................... 63
9.3.2. Mikromreža trgovačkog centra .............................................................................. 66
9.3.3. Mikromreža rezidencijalne zgrade ........................................................................ 68
9.4. Analiza troškova pogona FNE i kombinacije FNE i BSEE ....................................... 70
9.5. Analize osjetljivosti ....................................................................................................... 73
9.6. Okolišne analize ............................................................................................................. 75
SADRŽAJ
III
9.7. Analiza pogona mikromreža u karakterističnim danima ......................................... 78
9.7.1. Mikromreža FER ................................................................................................... 79
9.7.2. Mikromreža trgovačkog centra .............................................................................. 84
9.7.3. Mikromreža rezidencijalne zgrade ........................................................................ 88
PLANIRANJE OPSEGA I ODREĐIVANJE CIJENE POMOĆNE USLUGE U 10.
MIKROMREŽAMA ......................................................................................................... 93
10.1.1. Određivanje cijene pomoćne usluge ...................................................................... 94
10.1.2. Dnevno planiranje pomoćne usluge ...................................................................... 98
ZAKLJUČAK .................................................................................................................. 101 11.
LITERATURA .......................................................................................................................... 104
POPIS SLIKA ............................................................................................................................ 114
POPIS TABLICA ...................................................................................................................... 116
ŽIVOTOPIS AUTORA ............................................................................................................ 117
AUTHOR'S BIOGRAPHY ...................................................................................................... 119
UVOD
1
UVOD 1.
Kontinuirani rast potrošnje električne energije dovodi do potrebe nadogradnje i
rekonstrukcije postojećih elektroenergetskih sustava i to na svim razinama od proizvodnje do
potrošača, u svrhu očuvanja ali i poboljšanja sigurnosti opskrbe i kvalitete električne energije.
Jedan od načina rješavanja navedenog problema je primjena distribuirane proizvodnje i novih
naprednijih tehnologija kroz koncept naprednih elektroenergetskih mreža (engl. Smart Grid).
S druge strane postoje dodatni zahtjevi i ciljevi za smanjenjem emisija stakleničkih plinova
koji se također nastoje jednim dijelom realizirati kroz koncept naprednih mreža i primjenom
ekološki prihvatljivijih tehnologija. Ciljevi smanjenja potrošnje energije kroz primjenu mjera
energetske učinkovitosti, povećanja proizvodnje energije iz obnovljivih izvora energije i
smanjenja emisija stakleničkih plinova u Europskoj uniji (EU) ali i Hrvatskoj provode se kroz
energetske politike odnosno strategije 20-20-20 do 2020. godine, Direktivama EU te
nacionalnim akcijskim planovima i strategijama država članica EU.
Uvođenje poticanja proizvodnje električne energije iz obnovljivih izvora dovelo je do
trenda povećanja proizvodnje električne energije iz obnovljivih izvora te njihov razvoj i
dostupnost različitih tehnologija. Povećanjem broja distribuiranih izvora, posebice
fotonaponskih elektrana koje su najčešće instalirani izvor, počeli su se javljati problemi kod
vođenja pogona distribucijskih mreža. Jedan od razloga tog problema je u činjenici da
proizvodnja električne energije iz obnovljivih izvora direktno ovisi o vremenskim prilikama,
što uzrokuje stalne varijacije u proizvodnji električne energije te ju je teško uskladiti s
potrošnjom. Drugi razlog proizlazi iz pasivne integracije distribuirane proizvodnje odnosno iz
postojećeg modela ili sustava poticanja proizvodnje električne energije iz OIE gdje investitor
maksimizira svoju zaradu tako da odabire veličinu distribuiranog izvora na način da mu odnos
troškova izgradnje i prihoda od poticaja za proizvedenu električnu energiju bude maksimalan.
Kako bi se smanjio utjecaj distribuirane proizvodnje na distribucijske mreže potrebno je
osigurati da investitori odabiru veličinu distribuiranog izvora prema potrošnji na lokaciji na
kojoj ga žele izgraditi tako da se što manje proizvedene električne energije predaje u
distribucijsku mrežu. Postojeći sustav poticanja proizvodnje električne energije iz obnovljivih
izvora dugoročno nije održiv i zadnjih nekoliko godina iznosi poticaja kontinuirano se
smanjuju uz dugoročni cilj za potpuno ukidanje subvencioniranja proizvodnje električne
energije iz obnovljivih izvora.
U radu će biti predstavljen optimizacijski model za određivanje optimalne veličine
fotonaponske elektrane i baterijskog skladišta energije u mikromreži s fleksibilnim i
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
2
nefleksibilnim trošilima uzimajući u obzir troškove izgradnje, pogona i održavanja. Isto tako,
predstavljen optimizacijski model koristiti će se za tržišno i okolišno upravljanje
mikromrežama s fleksibilnim i nefleksibilnim trošilima uz maksimalno iskorištenje energije iz
fotonaponske elektrane i baterijskog skladišta električne energije u svrhu smanjenja troškova
pogona i emisija CO2. U analizama kao fleksibilna trošila razmatrati će se punionice za
električna vozila.
Kod određivanja optimalne veličine distribuiranih jedinica u mikromreži pomoću
optimizacijskog modela povoditi će se tehničko-ekonomska analiza koja se temelji na novo
predloženom sustavu poticanja proizvodnje električne energije iz obnovljivih izvora. Osim uz
primjenu sustava poticanja proizvodnje iz obnovljivih izvora tehničko-ekonomska analiza
primjene navedenih distribuiranih jedinica provesti će se i bez poticaja odnosno u potpuno
tržišnim uvjetima. Korištenjem fotonaponske elektrane ali i ostalih tehnologija koje mogu
doprinijeti smanjenju emisija CO2 u mikromreži cilj je postići niskougljične čvorove
(mikromreže) u distribucijskoj mreži. U nastavku je dan pregled rada po poglavljima.
U drugom poglavlju ukratko su opisani koncepti mikromreža i virtualnih elektrana te su
navedeni njihovi glavni doprinosi postojećem elektroenergetskom sustavu. Uz virtualne
elektrane i mikromreže u ovom poglavlju dan je pregled pozitivnih i negativnih učinaka
distribuirane proizvodnje na distribucijske mreže. Također, ovdje su ukratko opisane glavne
karakteristike fotonaponskih elektrana i skladišta električne energije s naglaskom na
baterijska skladišta električne energije jer se primjena navedenih tehnologija detaljnije
razmatra u kasnijim poglavljima. Na kraju poglavlja navedene su prednosti primjene
fleksibilnih trošila kroz sustav upravljanja potrošnjom.
Treće poglavlje vezano je uz emisije stakleničkih plinova gdje su opisane glavne politike
EU, a koje se odnose i na Hrvatsku kao članicu EU, čiji je cilj smanjenje emisija stakleničkih
plinova odnosno emisija CO2. Svrha ovog poglavlja je dati pregled ključnih dokumenata i
činjenica na temelju kojih se može vidjeti zašto je jedan od ciljeva ovog rada stvaranje ili
implementacija niskougljičnih čvorova u distribucijskoj mreži.
Osnovne činjenice o električnim vozilima dane su u prvom dijelu četvrtog poglavlja, nakon
čega su detaljnije opisane strategije punjenja električnih vozila. Zbog toga što se u radu
punionice za električna vozila razmatraju kao fleksibilna trošila dodatno je opisana
fleksibilnost procesa punjenja električnih vozila.
U petom poglavlju ukratko su dane osnovne činjenice uz planiranje i pružanje pomoćnih
usluga. S obzirom da se pružanje pomoćnih usluga na razini mikromreža još uvijek ne
UVOD
3
primjenjuje u praksi ovdje je prikazan potencijal mikromreža kod pružanja pomoćnih usluga
uzimajući u obzir njihova realna ograničenja.
Osnovne činjenice koje su kasnije korištene u radu vezano uz ekonomiju investicijskih
projekata navedene su u šestom poglavlju. Kako u radu osim tehnološke imamo i ekonomsku
validaciju razmatranih projekata u ovom poglavlju navedeni su razlozi primjene metoda za
analizu isplativosti projekta i analiza osjetljivosti projekata korištenih u radu.
U sedmom poglavlju dan je osvrt na postojeće radove koji obrađuju problematiku
planiranja i upravljanja mikromrežama ili manjim energetskim sustavima koji su analizirani
kroz provedeno istraživanje.
Formulacija optimizacijskog modela razvijenog za potrebe određivanja optimalne veličine
fotonaponske elektrane, baterijskog skladišta energije te kombinacije fotonaponske elektrane i
baterijskog skladišta energije u mikromrežama dana je u poglavlju osam. Osim navedenog,
svrha optimizacijskog modela je optimiranje pogona mikromreže gdje je funkcija cilja
minimiziranje troškova pogona. U ovom poglavlju također je opisano modeliranje punjenja
električnih vozila za različite modele mikromreža.
U prvom dijelu devetog poglavlja dan je opis ulaznih parametara, modela mikromreža i
scenarija korištenih u simulacijama i provedenim analizama. Nakon toga prikazani su rezultati
simulacija kod određivanja optimalne veličine fotonaponske elektrane i kombinacije
fotonaponske elektrane i baterijskog skladišta električne energije te su prikazani rezultati
provedenih analiza osjetljivosti i okolišnih analiza. U zadnjem dijelu ovog poglavlja prikazani
su rezultati analiza pogona mikromreža u karakterističnim danima u godini. Prikazani
rezultati u ovom poglavlju ujedno potvrđuju funkcionalnost optimizacijskog modela.
U desetom poglavlju definirane su izmjene koje je potrebno implementirati u
optimizacijskom modelu kako bi se optimizacijski model mogao koristiti za planiranje opsega
pomoćne usluge. Ovdje su prikazani rezultati simulacija kod određivanja cijene pomoćne
usluge za razmatrane modele mikromreža te rezultati planiranja pomoćne usluge za dan
unaprijed.
Zadnje jedanaesto poglavlje daje konačan osvrt na prikazane rezultate i iznesene tvrdnje u
radu te daje jasan pregled znanstvenog doprinosa ovog rada. Na kraju poglavlja navedene su
smjernice za daljnja poboljšanja optimizacijskog modela i buduća istraživanja.
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
4
DISTRIBUIRANA PROIZVODNJA, VIRTUALNE 2.
ELEKTRANE I MIKROMREŽE
Uvođenje novih tehnologija u elektroenergetske sustave i razvoj tržišta električne energije
treba pratiti unapređenje i modernizacija postojećih elektroenergetskih sustava na svim
razinama kako bi se zadržala kvaliteta i sigurnost opskrbe električnom energijom. Iz gore
navedenih razloga te kako bi se nove tehnologije mogle uspješno implementirati i što
učinkovitije koristiti, potrebno je napraviti prelazak s današnjih pasivnih elektroenergetskih
mreža u aktivne elektroenergetske mreže. Osim tehničkih i ekonomskih zahtjeva, unapređenje
svakako treba promatrati i kroz okolišne aspekte kao što su na primjer emisije stakleničkih
plinova koje je potrebno svesti na što manju razinu.
Virtualne elektrane i mikromreže dva su koncepta osmišljena u svrhu naprednog i aktivnog
upravljanja mrežama i to uglavnom na razini distribucijske mreže.
2.1. Distribuirana proizvodnja
U današnjem elektroenergetskom sustavu (EES) proizvodnja električne energije u pravilu
se obavlja u elektranama velike snage koje su priključene na prijenosu mrežu visokog napona.
Te elektrane su često značajno udaljene od mjesta potrošnje, a proizvedena električna energija
se pomoću prijenosne mreže dovodi približno mjestu potrošnje odnosno do distribucijske
mreže. Pomoću distribucijske mreže na srednjem i niskom naponu ta se električna energija
predaje potrošačima. Ovakav način proizvodnje električne energije nazivamo centralizirana
proizvodnja. Na slici 2.1 prikazana je organizacija EES s centraliziranom proizvodnjom.
U zadnjih nekoliko desetljeća dolazi do promjene u organizaciji EES gdje se uz postojeće
velike elektrane pojavljuje sve više malih proizvodnih jedinica koje su uglavnom priključene
na mreže srednjeg i niskog napona odnosno na distribucijsku mrežu. Na taj način dobivamo
proizvodnju električne energije na svim naponskim razinama i na mjestu potrošnje.
Organizacija EES s distribuiranom proizvodnjom prikazana je na slici 2.2.
DISTRIBUIRANA PROIZVODNJA, VIRTUALNE ELEKTRANE I MIKROMREŽE
5
Slika 2.1. Organizacija EES s centraliziranom proizvodnjom
Slika 2.2. Organizacija EES s distribuiranom proizvodnjom
Proizvodnju električne energije iz malih elektrana priključenih na distribucijsku mrežu
nazivamo distribuirana proizvodnja (DP). Zadnjih godina DP zauzima sve značajnije mjesto u
proizvodnji električne energije u svijetu. Glavne prednosti DP u odnosu na konvencionalne
elektrane velikih snaga su [1]:
smanjenje gubitaka kod prijenosa električne energije,
manji pogonski troškovi,
manji troškovi održavanja,
kraće vrijeme izgradnje postrojenja,
mogućnost modularne izvedbe,
mogućnost proizvodnje na svim naponskim razinama.
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
6
Takva koncepcija proizvodnje električne energije doprinosi smanjenju troškova ulaganja u
prijenosnu mrežu, a koja se odnose na povećanje kapaciteta prijenosnih vodova, budući da se
distribuirane jedinice uglavnom priključuju na distribucijsku mrežu. S druge strane potrebna
su dodatna ulaganja u distribucijsku mrežu čime se omogućava povećanje raspoloživosti i
stabilnosti same distribucijske mreže. [2]
Kod DP proizvodne jedinice mogu kao gorivo koristiti fosilna goriva i/ili obnovljive izvore
energije (OIE). Najzastupljenije tehnologije u DP su dizelski i plinski motori s unutarnjim
izgaranjem i plinske turbine, dok se sve više uključuju OIE i kogeneracija. Trend smanjenja
potrošnje energije bazirane na fosilnim gorivima te razvoj i dostupnost OIE omogućio je
njihovu sve veću primjenu u DP. Osim toga, različiti oblici poticanja proizvodnje električne
energije iz OIE i kogeneracije također doprinose povećanju njihovog udjela u DP. Prednost
obnovljivih izvora je što osim troškova izgradnje i održavanja nemaju troškove goriva i
neovisni su o promjenama cijene energenata na tržištu. Nedostatak je što to nisu kontinuirani
izvori, nego su ovisni o vremenskim prilikama što pak zahtijeva precizno planiranje
proizvodnje uz mogućnost pohrane električne energije. [3]
Kao distribuirane jedinice u DP koriste se sljedeće tehnologije:
vjetroelektrane,
male hidroelektrane,
postrojenja na biomasu i bioplin,
gorivne čelije,
fotonaponske elektrane,
geotermalne elektrane,
mikroturbine,
klipni motori,
kogeneracijska postrojenja,
skladišta energije.
U nastavku ovog poglavlja detaljnije će biti obrađene fotonaponske elektrane i skladišta
električne energije iz razloga što će se u ovom radu razmatrati njihova primjena u
mikromrežama.
2.1.1. Utjecaj distribuirane proizvodnje na distribucijsku mrežu
Integracija DP u distribucijske mreže ima uz pozitivne i negativne učinke na mrežu.
Problem kod integracije DP u distribucijske mreže je u tome što postojeće distribucijske
DISTRIBUIRANA PROIZVODNJA, VIRTUALNE ELEKTRANE I MIKROMREŽE
7
mreže nisu predviđene i napravljene za prihvat proizvodnih objekata, već kao radijalne mreže
s jednosmjernim tokom energije. Kako bi negativan utjecaj DP na distribucijsku mrežu bio što
manji potrebno je odrediti optimalnu lokaciju distribuiranog izvora (DI) u mreži kao i
optimalnu veličinu DI. [4], [5] Danas u praksi odabir lokacije DI u distribucijskoj mreži kao i
veličine DI u Hrvatskoj i EU nije u domeni operatora distribucijskog sustava ili nekog drugog
nadležnog tijela već je to uglavnom prepušteno odluci investitora koji veličinu DI odabiru
prema ekonomskom kriteriju gdje se najčešće maksimizira profit ovisno o iznosu poticajnih
sredstava. Takva praksa u suprotnosti je s dosadašnjom logikom izgradnje EES u kojem su
izvori planirani prema potrošnji u mreži. [6]
Zbog prethodno navedenih razloga dolazi do negativnih utjecaja DP na distribucijsku
mrežu koje možemo promatrati kroz utjecaj na gubitke u mreži, naponske prilike i kvalitetu
električne energije.
Utjecaj distribuirane proizvodnje na gubitke u mreži 2.1.1.1.
Kako je prethodno navedeno DP podrazumijeva male proizvodne jedinice priključene na
distribucijsku mrežu na srednjem i niskom naponu. Kod izgradnje DI trebalo bi odabrati takvu
veličinu DI da se proizvedena električna energija potroši na istoj ili na nižim naponskim
razinama jer u protivnom dolazi do povećanja gubitaka u mreži. [7]
Kako bi se gubici u mreži minimizirali važno je odrediti optimalnu veličinu DI odnosno
maksimalnu instaliranu snagu DI koja se smije priključiti na distribucijsku mrežu ili izgraditi
unutar mikromreže, što znači da je veličinu DI potrebno prilagoditi potrošnji u distribucijskoj
mreži ili mikromreži gdje je planirana izgradnja DI. Kako bi se to postiglo potrebno je kod
planiranja investicije uz interese privatnih investitora uzeti u obzir očuvanje efikasnosti
postojećeg EES odnosno distribucijske mreže. Sadašnja zakonska i tehnička regulativa nigdje
ne spominje utjecaj DI na gubitke u mreži što dovodi do zaključka da je svakako potrebno
razmotriti negativne posljedice postojeće regulative te ih pokušati smanjiti donošenjem nove.
[8]–[10]
Utjecaj distribuirane proizvodnje na naponske prilike 2.1.1.2.
Naponske prilike u distribucijskoj mreži moraju se obavezno održavati unutar propisanih
granica kako bi se osigurala kvaliteta isporučene električne energije. Prije pojave DP problem
u distribucijskoj mreži bio je prenizak napon na dugim radijalnim vodovima. Nakon pojave
DP u distribucijskoj mreži dolazi do promjene postojećih naponskih prilika. Jedan od razloga
je taj da ukoliko želimo predati električnu energiju iz DI u mrežu potrebno je podići napon na
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
8
mjestu priključenja na distribucijsku mrežu što može imati pozitivne i negativne učinke na
naponske prilike u mreži. U slučaju da je potrošnja u mreži velika odnosno da je mreža
preopterećena napon će biti nizak i u tom slučaju DI doprinose poboljšanju naponskih prilika
u mreži. Ukoliko pak je mreža podopterećena obično je napon u mreži visok te naponske
prilike u mreži jako ovise o trenutnoj proizvodnji DI. Problem nastaje kada je razlika između
trenutne potrošnje u mreži i proizvodnje DI velika te napon poraste iznad dozvoljene granice
te se na taj način narušavaju naponske prilike u mreži.
Zbog navedenog razloga važno je odabrati optimalnu veličinu DI odnosno prilagoditi
veličinu DI potrošnji u mikromreži ili dijelu distribucijske mreže gdje je instaliran DI te
ukoliko postoji mogućnost koristiti skladište električne energije kako bi se smanjio negativan
utjecaj na naponske prilike. Poboljšanje naponskih prilika u distribucijskoj mreži može se
realizirati i kroz pomoćne usluge koje vlasnici distribuiranih jedinica (DJ) mogu pružati
operatoru mreže na njegov zahtjev. [11]–[14]
Utjecaj distribuirane proizvodnje na kvalitetu električne energije 2.1.1.3.
Utjecaj DP na kvalitetu električne energije u distribucijskoj mreži ovisi o različitim
čimbenicima poput vrste DI, načina priključenja DI na mrežu, veličini DI, načinu rada DI,
očekivanim fluktuacijama u proizvodnji DI, ukupnom kapacitetu DI u odnosu na kapacitet
radijalnog voda na koji je priključen te količini proizvedene energije u odnosu na opterećenje
u mreži na mjestu priključenja. Praktički svi DI koriste neku vrstu energetske elektronike
odnosno pretvarača, poput AC/AC ili DC/AC pretvarača, pomoću kojih su priključeni na
mrežu. Svi ti uređaji utječu na izobličenje sinusnog oblika struje koja se injektira u mrežu što
uzrokuje harmonijsko izobličenje koje može uzrokovati probleme u radu trošila koja su
priključena na istu distribucijsku mrežu. [15]–[18]
Najčešći parametri koji se analiziraju prilikom razmatranja utjecaja DP na kvalitetu
električne energije su:
frekvencija napona,
harmonijsko izobličenje,
treperenje napona (flicker),
naponska nesimetrija,
faktor snage.
DISTRIBUIRANA PROIZVODNJA, VIRTUALNE ELEKTRANE I MIKROMREŽE
9
2.2. Virtualne elektrane
Virtualnu elektranu (VE) možemo promatrati kao skup DJ priključenih na
elektroenergetsku mrežu koje sa zajedničkim kapacitetom nastupaju kao jedna elektrana
prema ostalim sudionicima u elektroenergetskom sustavu. [19],[20] Portfelj VE obično čine
distribuirane jedinice poput DI, skladišta energije i upravljivih ili fleksibilnih trošila koji su
upravljani pomoću distribuiranog sustava za upravljanje energijom (engl. energy management
system). Koncept VE prikazan je na slici 2.3. Sustavom za upravljanje energijom obavlja se
vođenje i nadzor, planiranje rada te koordinacija svih distribuiranih jedinica unutar VE.
Optimizacija rada u takvom sustavu može biti prema više različitih kriterija, poput
minimizacije troškova pogona, minimizacije emisija stakleničkih plinova, participiranje na
tržištu električne energije ili pružanje pomoćnih usluga sustavu. [21],[22]
Slika 2.3. Koncept virtualne elektrane
Kroz koncept VE pojedine distribuirane jedinice dobivaju priliku sudjelovanja na tržištu
električne energije koju ne bi mogle ostvariti samostalno, zato jer se unutar portfelja VE
optimizira njihova pozicija i maksimiziraju se mogućnosti zarade. S druge strane VE
doprinose EES kroz optimalno korištenje svih kapaciteta i povećanja učinkovitosti rada
sustava.
U nastavku su dane prednosti koje VE donosi za vlasnike distribuiranih jedinica, operatore
distribucijskog sustava (ODS), operatore prijenosnog sustava (OPS) i opskrbljivače
električnom energijom. [23]
Glavne prednosti VE za vlasnike distribuiranih jedinica su:
bolje korištenje raspoložive fleksibilnosti,
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
10
povećanje vrijednosti postrojenja zbog sudjelovanja na tržištu,
smanjenje financijskog rizika kroz udruživanje,
povećanje pregovaračkih sposobnosti u komercijalnim uvjetima.
Glavne prednosti VE za ODS i OPS su:
povećanje vidljivosti distribuiranih jedinica kod razmatranja pogona mreže,
korištenje fleksibilnijeg upravljanja distribuiranim jedinicama za potrebe upravljanja
mrežom,
poboljšana koordinacija između ODS i OPS,
smanjenje složenosti rada mreže uzrokovanog nefleksibilnim radom DI.
Glavne prednosti VE za opskrbljivače električnom energijom su:
nove ponude za kupce električne energije i vlasnike distribuiranih jedinica,
smanjenje komercijalnog rizika,
nove poslovne mogućnosti.
Kod VE distribuirane jedinice, koje se nalaze u portfelju VE, su obično geografski
raspršene odnosno izgrađene su na području jedne ili više distribucijskih mreža. Isto tako, npr.
jednu distribucijsku mrežu ili distribucijsko područje moguće je podijeliti na više VE kako bi
se dobile odgovarajuće skupine proizvođača i kupaca koji imaju slične zahtjeve. Na taj način
dobivamo više fleksibilnosti u vođenju sustava što pruža dodatnu vrijednost koja danas još
nije iskorištena. [24]
2.3. Mikromreže
Jedan od načina kako povećati pouzdanost i kvalitetu opskrbe električnom energijom je
integracija distribuirane proizvodnje, skladišta energije i upravljanje potrošnjom na razini
mikromreža. Mikromreže možemo promatrati kao male aktivne mreže koje se sastoje od
skupa različitih distribuiranih jedinica i trošila instaliranih najčešće unutar distribucijske
mreže. Distribuirani izvori instalirani unutar mikromreža obično su nekonvencionalni
odnosno OIE. Slika 2.4. prikazuje tipične veličine mikromreža, koje se mogu sastojati od
jednog korisnika (Mikromreža I) pa do svih korisnika koji su priključeni na jednu trafostanicu
distribucijske mreže (Mikromreža IV).
DISTRIBUIRANA PROIZVODNJA, VIRTUALNE ELEKTRANE I MIKROMREŽE
11
Slika 2.4. Primjer različitih veličina mikromreže
Mikromreže mogu raditi na dva načina:
u otočnom režimu rada kao izolirane ili samostalne mreže,
u mrežnom režimu rada paralelno s distribucijskom mrežom.
U oba načina rada, mikromreže osiguravaju značajan doprinos distribucijskoj mreži,
korisnicima ali i okolišu. Tako s gledišta distribucijske mreže glavna prednost mikromreža je
da se mogu promatrati kao upravljani sustavi unutar mreže ili EES. S gledišta korisnika
prednost mikromreža je što mogu zadovoljiti lokalne potrebe za energijom, dok je s gledišta
okoliša doprinos mikromreža u smanjenju emisija kroz korištenje tehnologija koje doprinose
smanjenju ugljičnog otiska. [25]
Za razliku od konvencionalnih elektrana koje se nalaze daleko od mjesta potrošnje,
mikromreže se nalaze u blizini odnosno na mjestu potrošnje, što im daje veliki potencijal kod
pružanja pomoćnih usluga u svrhu poboljšanja pouzdanosti i efikasnosti postojeće
distribucijske mreže. Pomoćne usluge koje mogu pružati mikromreže distribucijskoj mreži su
npr. uravnoteženje opterećenja, regulacija napona, regulacija jalove snage te sekundarna i
tercijarna regulacija. [26], [27] Naravno, opseg i vrsta pomoćne usluge koja može biti pružena
od strane mikromreže prvenstveno ovisi o tehničkim karakteristikama DJ i fleksibilnosti
trošila instaliranih u mikromreži. Da bi se što bolje iskoristio potencijal mikromreže u
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
12
pružanju pomoćnih usluga vrlo je bitno kvalitetno upravljati i optimizirati pogon mikromreže.
[28]
Kako bi se koncept mikromreža mogao što uspješnije integrirati u postojeći
elektroenergetski sustav potrebno je riješiti različita tehnička, ekonomska i regulatorna pitanja
te definirati nove tehničke standarde. Ovaj problem je danas vrlo zastupljen u istraživanjima i
postoje različiti projekti u svijetu vezani uz razvoj mikromreža na svim područjima, kao što je
projekt MoreMicrogrids [29] na razini Europske Unije (EU).
2.4. Fotonaponske elektrane
Fotonaponske elektrane (FNE) (engl. Photovoltaic Power Plant) najčešće su izgrađeni DI
odnosno OIE u distribucijskim mrežama i mikromrežama. U pravilu su te FNE izgrađene na
krovovima, fasadama i pomoćnim građevinama javnih, stambenih i poslovnih objekata. [30]
Razlog tomu je što su FNE tihi, pouzdani i modularni izvori energije čiju proizvodnju
karakteriziraju niski troškovi pogona i neovisnost o porastu cijene energenata na tržištu. Uz
navedeno, proizvedena električna energija iz FNE podliježe raznim oblicima poticaja.
Fotonaposke elektrane mogu imati instaliranu snagu od nekoliko kilovata do nekoliko
megavata, a željena instalirana snaga lagano se postiže međusobnom kombinacijom ili
povezivanjem fotonaponskih modula (FNM) u jedan sustav. Fotonaponski moduli sastoje se
od međusobno povezanih fotonaponskih ćelija čija se snaga kreće od 50 W do 350 W.
Najčešće izvedbe i učinkovitost fotonaponskih ćelija prikazani su u tablici 2.1.
Izlazna snaga fotonaponskog modula direktno ovisi o sljedećim parametrima:
površini fotonaponskog modula,
jakosti Sunčevog zračenja,
učinkovitosti FNM,
temperaturi ćelija.
Izlazna snaga FNM u nekom vremenskom periodu t u ovisnosti o prethodno navedenim
parametrima može se prikazati pomoću izraza (2.1).
𝑃𝐹𝑁𝑀(𝑡) = 𝜂𝐹𝑁𝑀(𝑡) ∙ 𝐴𝐹𝑁𝑀 ∙ 𝐺𝑢𝑘(t) (2.1)
gdje je PFNM(t) – izlazna snaga FNM u vremenskom intervalu t, ηFNM(t) – učinkovitost FNM u
vremenskom intervalu t, AFNM – ukupna korisna površina fotonaponskog modula i Guk(t)–
ukupna sunčeva iradijacija u vremenskom intervalu t. Učinkovitost FNM možemo prikazati
pomoću izraza (2.2).
DISTRIBUIRANA PROIZVODNJA, VIRTUALNE ELEKTRANE I MIKROMREŽE
13
𝜂𝐹𝑁𝑀(𝑡) = 𝜂𝐹𝑁𝑀𝑟𝑒𝑓 ∙ 𝜂𝐹𝑁𝑀𝑈 ∙ (1 − 𝛽(𝑇𝑐(𝑡) − 𝑇𝑟𝑒𝑓)) (2.2)
gdje je ηFNMref – referentna učinkovitost FNM, ηFNMU – učinkovitost FNM ovisno o vanjskim
uvjetima, β – temperaturni koeficijent učinkovitosti FNM, Tc(t) – temperatura fotonaponske
ćelije u vremenskom intervalu t i Tref – referentna temperatura. Obzirom da jakost Sunčeva
zračenja i temperatura ćelija ovise o vremenskim prilikama, izlazna snaga FNM a time i
proizvodnja FNE može znatno varirati tijekom dana. [31]
FNE možemo podijeliti u dvije glavne skupine i to na:
autonomne ili otočne,
mrežne.
Tablica 2.1. Učinkovitost najčešćih izvedbi fotonaponskih ćelija
Vrsta fotonaponske ćelije Učinkovitost fotonaponske ćelije, [%]
od monokristalnog silicija 17
od polikristalnog silicija 15
od amorfnog silicija 9
od kadmijevog telurida 12
Autonomne ili otočne FNE uglavnom se koriste za pokrivanje potrošnje kod potrošača koji
nisu priključeni na mrežu. S obzirom da takvi sustavi ne mogu osigurati opskrbu električnom
energijom u svim trenucima kada je to potrebno najčešće se uz otočne FNE izgrađuju
skladišta električne energije (SEE). Kod otočnih hibridnih sustava se uz FNE za proizvodnju
električne energije koriste dodatni izvori energije poput diesel generatora, gorivne ćelije i sl.
Mrežne FNE mogu biti direktno priključene na distribucijsku mrežu ili mogu biti
priključene na električne instalacije mikromreže koja je pak priključena na distribucijsku
mrežu. Kod FNE koje su priključene na mrežu nije nužno koristiti SEE kao kod otočnih FNE
jer ulogu SEE kod mrežnih sustava preuzima mreža što znatno pojeftinjuje troškove izgradnje
sustava jer je cijena SEE još uvijek prilično visoka. Kod izgradnje mrežnih FNE potrebno je
voditi računa da se odabere optimalna veličina ili maksimalna instalirana snaga FNE odnosno
da se veličina FNE prilagodi potrošnji u objektu, mikromreži ili dijelu distribucijske mreže
kako bi negativan utjecaj FNE na distribucijsku mrežu bio što manji. [32]
Bez obzira što su troškovi opreme a time i troškovi izgradnje FNE još uvijek relativno
visoki, cijena opreme konstantno pada zbog napretka tehnologije proizvodnje ali i sve veće
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
14
primjene FNE. Prema predviđanjima cijena opreme trebala bi u budućnosti nastaviti padati što
će svakako doprinijeti još većoj isplativosti FNE. [33], [34] U tablici 2.2. dani su troškovi
izgradnje te fiksni i varijabilni troškovi održavanja za FNE.
Tablica 2.2. Troškovi izgradnje i održavanja fotonaponskih elektrana
Troškovi izgradnje
(€/kW)
Fiksni troškovi
održavanja (€/kW)
Varijabilni troškovi
održavanja (€/kWh)
800 – 3000 3 – 15 0
Troškovi navedeni u tablici 2.2. mogu varirati od projekta do projekta ovisno o stanju na
tržištu, međusobnom dogovoru između investitora i isporučitelja opreme ali i ostalim
tehničkim uvjetima koji utječu na cijenu investicije. Zbog toga navedene troškove treba
promatrati za svaki projekt zasebno. Normalno je da veći projekti imaju nižu cijenu troškova
izgradnje od manjih projekata odnosno da troškovi izgradnje ne rastu linearno s povećanjem
instalirane snage FNE.
2.5. Skladišta električne energije
Svrha skladišta električne energije je pohrana električne energije u trenucima kada je
opterećenje u mreži malo, kada je cijena električne energije niska ili kada imamo viška
električne energije proizvedene iz obnovljivih izvora te pružanje te energije za vrijeme
velikog opterećenja u mreži, visoke cijene električne energije ili nedostatne proizvodnje.
Osim toga, poput DI, SEE se mogu koristiti za pružanje pomoćnih usluga operatoru
distribucijskog sustava u svrhu poboljšanja kvalitete električne energije i sigurnosti opskrbe
kao i smanjena gubitaka i emisija stakleničkih plinova u distribucijskoj mreži. [35]
Budući da električnu energiju nije moguće pohraniti u izvornom obliku potrebno ju je
pretvoriti u drugi oblik i tako ju pohraniti. Svaka tehnologija skladišta električne energije
sadrži jedinicu za pretvorbu energije iz jednog oblika u drugi. Kod svih tehnologija SEE bitna
su dva glavna parametra, prvi je količina energije koja se može pohraniti u SEE, a drugi je
brzina punjenja i pražnjenja SEE. Skladišta energije mogu imati značajnu ulogu u radu,
kontroli i upravljanju EES. Korištenje učinkovitih SEE donosi sljedeće prednosti [36]:
učinkovitije korištenje obnovljivih izvora,
maksimiziranje doprinosa obnovljivih izvora,
DISTRIBUIRANA PROIZVODNJA, VIRTUALNE ELEKTRANE I MIKROMREŽE
15
bolje usklađivanje opterećenja i proizvodnje,
smanjenje emisija stakleničkih plinova,
povećanje fleksibilnosti kod pružanja pomoćnih usluga,
povećanje raspoloživosti sustava.
Tehnologije SEE koje se danas koriste su:
reverzibilne hidroelektrane,
skladište komprimiranog zraka,
baterijsko skladište električne energije,
zamašnjaci,
superkondenzatori,
supravodiči.
Na slici 2.5. prikazana je usporedba raspona instalirane snage i vremena pražnjenja za
različite tehnologije SEE. Ostale karakteristike za prethodno navedene tehnologije dostupne
su u literaturi [37]–[40], dok je u nastavku dan detaljniji pregled baterijskih skladišta
električne energije (BSEE) iz razloga što će se u radu razmatrati njihova primjena u
mikromrežama.
Slika 2.5. Prikaz vremena pražnjenja i raspona instalirane snage za različite tehnologije
skladišta električne energije
2.5.1. Skladišta električne energije u kombinaciji s OIE
Danas, u pravilu, proizvođači električne energije iz OIE (povlašteni proizvođači) imaju
prioritet kod predaje električne energije u mrežu iz ekoloških ali i ekonomskih razloga. Kako
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
16
bi se negativni efekti u varijaciji ili nekontinuiranosti proizvodnje iz OIE, npr. FNE i
vjetroelektrane, sveli na minimum te olakšao proces planiranja pogona i vođenje pogona
distribucijske mreže ili mikromreže poželjno je koristiti kombinaciju OIE sa skladištem
električne energije. [41] Korištenje SEE u kombinaciji s OIE može doprinijeti u rješavanju
dva glavna problema:
stabilizirati varijaciju u proizvodnji iz OIE,
preseljenje viška električne energije proizvedene iz OIE u razdoblju malog opterećenja
u razdoblje velikog opterećenja u mreži.
U distribucijskim mrežama i mikromrežama najčešći obnovljivi izvor su FNE čija
proizvodnja stalno varira ovisno o vremenskim prilikama i najčešće se najveća proizvodnja iz
FNE ne poklapa s najvećim opterećenjem u sustavu. Iz tog se razloga danas sve više koristi
FNE u kombinaciji sa SEE, a najčešće korištena tehnologija skladišta električne energije je
BSEE. Na taj način takvi sustavi postaju upravljivi i mogu doprinijeti smanjenju troškova za
električnu energiju i emisija stakleničkih plinova. Osim toga javljaju se dodatne mogućnosti
poput pružanja pomoćnih usluga sustavu. [42], [43]
2.5.2. Baterijska skladišta električne energije
Baterije su jedna od najisplativijih dostupnih tehnologija skladištenja energije s
elektrokemijskim procesom pohrane energije. Postoji više tehnologija baterija koje se
primjenjuju u BSEE. Instalirana snaga BSEE može biti od nekoliko kilovata do nekoliko
megavata, dok se učinkovitost takvih skladišta energije kreće od 60% do 90% što ovisi o
ciklusu punjenja – pražnjenja i vrsti elektrokemijskog procesa. Zbog jednostavne instalacije i
mogućnosti seljenja te uz činjenicu da nemaju emisije stakleničkih plinova, BSEE su vrlo
pogodna za primjenu u urbanim područjima. [44], [45]
Na tržištu su danas dostupne različite vrste ili tehnologije BSEE čija primjena prvenstveno
ovisi o potrebama sustava u kojem se implementiraju. Tehnologije BSEE koje se najčešće
koriste su:
olovne baterije s kiselinom,
nikal kadmijeve baterije,
natrij sumporove baterije,
natrij nikal kloridne baterije,
litij ionske baterije.
DISTRIBUIRANA PROIZVODNJA, VIRTUALNE ELEKTRANE I MIKROMREŽE
17
Tehničke karakteristike za prethodno navedene tehnologije BSEE navedene su u tablici
2.3. [46]–[48] Glavne prednosti BSEE u odnosu na druge tehnologije SEE su:
vrlo kratko vrijeme odziva,
kratko vrijeme izgradnje.
S druge strane glavni nedostaci su:
visoka cijena baterija,
životni vijek baterija,
potreba za periodičkim održavanjem.
Tablica 2.3. Tehničke karakteristike baterijskih skladišta električne energije
Olovne
baterije s
kiselinom
Nikal
kadmijeve
baterije
Natrij
sumporove
baterije
Natrij nikal
kloridne
baterije
Litij ionske
baterije
Životni vijek
(godine) 3 – 15 15 – 20 12 – 20 12 – 20 8 – 15
Životni vijek
(broj ciklusa) 2000 1500 2000 – 4500 1000 – 2500 > 4000
Učinkovitost
(%) 80 – 90 70 – 75 85 – 90 90 90 – 98
Troškovi izgradnje za
instaliranu snagu
(€/kW)
200 – 650 50 – 300 700 – 2000 100 – 200 700 – 3000
Troškovi izgradnje za
instalirani kapacitet
(€/kWh)
350 – 1000 200 – 1000 200 – 900 70 – 150 200 – 1800
Godišnji troškovi
pogona i održavanja
(€/kW)
12 25 20 15 25
2.6. Upravljanje potrošnjom
Sve veći zahtjevi na povećanje energetske učinkovitosti i smanjenje opterećenja u
distribucijskim mrežama doveli su do razvoja novih tehnologija i trošila s čijim se radom
može upravljati (punionice za električna vozila, dizalice topline, klima uređaji, grijači vode i
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
18
sl.). Takva trošila nazivamo upravljiva ili fleksibilna trošila. Iz razloga što korištenje takvih
trošila omogućuje upravljanje potrošnjom (engl. Demand Side Management) očekuje se
daljnje povećanje njihove primjene u mikromrežama. Kako bi se što bolje iskoristila
fleksibilnost koju ta trošila pružaju potrebno je koristiti nove tehnike upravljanja fleksibilnim
trošilima te provoditi optimizaciju pogona sustava ili mikromreže u kojoj su ta trošila
instalirana. [49]
Upravljanje potrošnjom, ukoliko se provodi na optimalan način, ima pozitivne tehničke i
ekonomske učinke na sustav u kojem se primjenjuje. [50]–[52] Osim optimiranja rada
fleksibilnih trošila ili upravljanja potrošnjom u svrhu smanjenja troškova pogona mikromreže,
upravljanje potrošnjom podrazumijeva i druge funkcije cilja kao što su:
smanjenje vršnog opterećenja,
povećanje potrošnje u razdobljima malog opterećenja,
preseljenje potrošnje iz razdoblja velikog opterećenja u razdoblje malog opterećenja,
povećanje opterećenja.
Uz prethodno navedeno potencijal upravljanja potrošnjom je i u mogućnosti pružanja
pomoćnih usluga sustavu što svakako otvara nove ekonomske dobiti za vlasnike fleksibilnih
trošila koji se mogu prilagoditi tržišnim zahtjevima. [53]
EMISIJE STAKLENIČKIH PLINOVA
19
EMISIJE STAKLENIČKIH PLINOVA 3.
Gospodarski rast baziran na korištenju fosilnih goriva zasigurno ima znatan utjecaj na
okoliš koji se manifestira emisijom stakleničkih plinova i ostalih štetnih čestica. Povećana
koncentracija stakleničkih plinova u atmosferi dovodi do stvaranja efekta staklenika odnosno
do povećanja temperature na Zemlji, ali je i uzrok pojavljivanja ekstremnih vremenskih uvjeta
poput suša, poplava, toplinskih valova, podizanja razine mora te topljenja ledenjaka. Na slici
3.1. prikazana je korelacija između koncentracija CO2 i temperature na Zemlji u posljednjih
1000 godina gdje se može vidjeti nagli porast u zadnjih sto godina.
Slika 3.1. Korelacija između koncentracije CO2 i temperature na Zemlji
Najveći udio, posebice u energetici i prometu, pri izgaranju fosilnih goriva od svih
stakleničkih plinova ima ugljikov dioksid – CO2, pa se često ostale emisije prikazuju kao
ekvivalent emisije CO2.
3.1. Europska unija u borbi protiv klimatskih promjena
Jedan od strateških ciljeva EU je sprečavanje štetnih posljedica klimatskih promjena.
Ciljeve provodi EU direktivama, koje obvezuju države članice na postizanje ciljeva koje treba
ostvariti, pritom dajući svakoj državi slobodu izbora vezano za način njihova postizanja.
Akcijski plan za Energetsku politiku EU iz 2009. godine (Direktiva 2009/28/EC) [54]
obvezuje države članice da do 2020. godine ostvare ciljeve donesene još u ožujku 2007.
godine [55] i to na:
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
20
20% smanjenja emisija stakleničkih plinova u odnosu na razine iz 1990. godine,
povećanje udjela energije proizvedene iz OIE u ukupnoj potrošnji energije na 20%,
20% povećanja energetske učinkovitosti.
Uz već postavljene ciljeve koji se trebaju postići na razini EU do 2020. godine, a uzimajući
u obzir strategiju do 2050. godine, čelnici EU dogovorili su potkraj listopada 2014. godine
nova tri cilja koji se na razini EU trebaju ostvariti do 2030. godine [56], [57]:
najmanje 40% smanjiti emisiju stakleničkih plinova u odnosu na razine iz 1990.
godine,
obvezujući udio energije proizvedene iz OIE u ukupnoj potrošnji energije od 27%,
ostvarenje 27% energetskih ušteda koje se mogu povećati na 30% 2020. godine.
Gore navedeni obvezujući ciljevi namjeravaju se postići reformom sustava trgovanja
emisijskim jedinicama i ustrojstvom novog sustava za upravljanje i praćenje postavljenih
ciljeva na nacionalnim razinama.
Kao što je već naglašeno, ciljeve koji se namjeravaju postići do 2020. odnosno do 2030.
godine treba sagledati u širem kontekstu težnje EU za postizanje niskougljične ekonomije do
2050. godine. Neminovno će se nastaviti poticati obnovljivi izvori energije, energetska
učinkovitost i niskougljične tehnologije. Time je još jednom potvrđeno da model
niskougljičnih mikromreža kao čvorova u distribucijskoj mreži koji je tema ovog rada rješava
aktualan problem i to ne samo optimalnom integracijom OIE u postojeći elektroenergetski
sustav već i doprinosom mikromreže u smanjenju emisija CO2.
Republika Hrvatska kao članica EU također je obavezna provoditi aktivnosti u svrhu
ostvarenja zadanih ciljeva klimatske i energetske politike EU. Da bi se to postiglo svakako su
potrebna daljnja ulaganja u obnovljive izvore energije i distribuiranu proizvodnju, povećanje
energetske učinkovitosti kroz primjenu novih i naprednijih tehnologija te dekarbonizacija
transportnog sektora. Kako je to vidljivo iz slike 3.2. u Hrvatskoj se najviše CO2 emitira
prilikom proizvodnje električne i toplinske energije (35%) te u prometu (33%). [58] Prema
tome je za očekivati da će se uz dekarbonizaciju elektroenergetskog sustava nastaviti
povećavati broj električnih vozila na hrvatskim cestama.
EMISIJE STAKLENIČKIH PLINOVA
21
Slika 3.2. Struktura emisija CO2 po sektorima u Hrvatskoj za 2012. godinu
Iako proizvodnja električne i toplinske energije zauzima najveći udio u emisijama CO2 u
Hrvatskoj, specifični faktor emisije CO2 po kWh potrošene i proizvedene električne energije u
Hrvatskoj je na razini prosjeka EU. Tako prosječni specifični faktor emisije CO2 po kWh
proizvedene električne energije za Hrvatsku iznosi 0,327 kg/kWh, a za EU 0,293 kg/kWh.
Prosječni faktor emisije CO2 po ukupno potrošenoj električnoj energiji u Hrvatskoj iznosi
0,212 kg/kWh.
Specifični faktor emisije CO2 po kWh potrošene ili proizvedene električne energije varira
od godine do godine, a ovisi o [58]:
hidrometeorološkoj situaciji i proizvodnji električne energije iz hidroelektrana,
proizvodnji iz ostalih obnovljivih izvora energije,
uvozu električne energije,
dobavi električne energije iz NE Krško,
gubicima u prijenosu i distribuciji,
strukturi fosilnih goriva korištenih u termoelektranama, javnim i industrijskim
toplanama.
Niski specifični faktor emisije po potrošenoj električnoj energiji u Hrvatskoj proizlazi iz
velikog udjela proizvodnje električne energije iz hidroelektrana u Hrvatskoj i uvoza električne
energije.
proizvodnja električne i toplinske energije
35%
promet
33%
industrija
15%
ostala područja
17%
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
22
ELEKTRIČNA VOZILA 4.
4.1. Općenito o električnim vozilima
Politika dekarbonizacije odnosno smanjenja emisija stakleničkih plinova osim energetskog
sektora obuhvaća i sektor transporta, koji ima značajan doprinos kod emisija CO2 zbog toga
što se u transportnom sektoru uglavnom koriste fosilna goriva. Danas sve više država u
svijetu, pa tako i Hrvatska [59], [60] subvencioniraju odnosno potiču kupnju hibridnih i
električnih vozila. Iz tog razloga je za očekivati da će na tržištu vozila hibridna i električna
vozila zauzimati sve veći udio, a prema projekcijama za Europsku uniju (EU) predviđa se da
će do 2030. godine taj udio iznositi oko 30%. [61]
Električna vozila (EV) možemo podijeli na hibridna električna vozila (HEV) (engl. Hybrid
Electric Vehicles), hibridna električna vozila s mogućnošću punjenja (PHEV) (engl. Plug-in
Hybrid Electric Vehicles) i potpuno električna vozila (PEV) (engl. Plug-in Electric Vehicles)
koja se još nazivaju i baterijska električna vozila (BEV) (engl. Battery Electric Vehicles).
Hibridna električna vozila uz motor s unutrašnjim sagorijevanjem imaju i električni motor
koji se koristi za pogon vozila i punjenje baterija (slika 4.1.). HEV nemaju mogućnost
punjenja baterija iz vanjskog izvora. Razlika između PHEV u odnosu na HEV je u tome što
PHEV imaju mogućnost punjenja baterija iz vanjskog izvora (slika 4.2.). Potpuno električna
vozila ili baterijska električna vozila za razliku od HEV i PHEV nemaju ugrađen motor s
unutarnjim sagorijevanjem već samo električni motor. Stoga BEV ne koriste fosilna goriva
već svu potrebnu energiju uzimaju iz baterije koju je potrebno puniti iz vanjskog izvora
odnosno pomoću posebnog punjača (slika 4.3.). [62] S obzirom da ćemo se u ovom radu
fokusirati na punjenje EV u nastavku će se razmatrati električna vozila s mogućnošću
punjenja baterije iz vanjskog izvora i to BEV.
BEV mogu imati različite kapacitete baterija ovisno o tipu i namjeni vozila. Današnji BEV
imaju kapacitet baterije od 16 kWh do 60 kWh dok PHEV imaju kapacitet baterije do 15
kWh. [63] Potrošnja energije BEV ovisi o načinu vožnje, duljini i profilu prijeđenog puta, ali i
o vanjskoj temperaturi koja ima značajan utjecaj na karakteristike baterije. Ukoliko uzmemo u
obzir da barem 50% vozila u EU prosječno dnevno prijeđe do 40 km te da je prosječna
potrošnja BEV 0,2 kWh/km možemo uzeti da prosječna dnevna potreba BEV iznosi do 8
kWh energije. [64]
ELEKTRIČNA VOZILA
23
Slika 4.1. Koncept hibridnih električnih vozila
Slika 4.2. Koncept hibridnih električnih vozila s mogućnošću punjenja
Slika 4.3. Koncept baterijskih električnih vozila
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
24
4.2. Strategije punjenja električnih vozila
U ukupnoj cijeni BEV značajan udio ima baterija, čija je cijena još uvijek prilično visoka, i
zbog toga je za njihovo punjenje potrebno koristiti specijalne punjače konstruirane isključivo
za tu namjenu kako se ne bi ubrzano smanjio životni vijek baterija. [65] Tehničke
karakteristike i zahtjevi na opremu za punjenje električnih vozila definirani su standardima
kako je prikazano u [66]. Punjenje baterija EV možemo podijeliti na tri razine ovisno o
vremenu potrebnom da se baterija napuni odnosno o snazi punjenja. U tablici 4.1. prikazane
su karakteristike za svaku razinu punjenja. [67],[68]
Tablica 4.1. Osnovne karakteristike različitih razina punjenja električnih vozila
Sporo
punjenje
Normalno
punjenje
Brzo
punjenje
Maksimalna snaga
punjača do 4 kW 10 – 22 kW
40 kW i više (AC)
50 kW i više (DC)
Vrijeme punjenja do 12 sati 2 – 4 sata 45 minuta i manje
Današnja istraživanja osim razvoja opreme bave se i strategijama punjenja električnih
vozila kako bi utjecaj na distribucijsku mrežu bio što manji.
4.2.1. Nekontrolirano punjenje električnih vozila
Nekontrolirano punjenje je način punjenja kod kojeg prilikom priključenja vozila na
punjač automatski započinje punjenje koje traje do kada se baterija ne napuni ili do kada
vlasnik vozila sam ne prekine punjenje. Kod nekontroliranog punjenja baterija BEV se
uglavnom puni maksimalnom snagom. Zbog maksimalnog opterećenja koje mikromreža ili
distribucijska mreža može podnijeti i zbog tehničkih razloga (kvaliteta električne energije,
zagušenje nekih grana i transformatora u mreži, povećanje vršnog opterećenja i propadi
napona) takav način punjenja BEV nije prihvatljiv kod integracije većeg broja BEV. [69]–
[71]
ELEKTRIČNA VOZILA
25
4.2.2. Kontrolirano punjenje električnih vozila
Kako bi se izbjegli nedostaci nekontroliranog punjenja i omogućila integracija većeg broja
električnih vozila uz što manji utjecaj na postojeću distribucijsku mrežu ili mikromrežu nužno
je primijeniti naprednije metode ili strategije punjenja. Primjer opterećenja mikromreže
ukoliko primijenimo nekontrolirano i kontrolirano punjenje prikazan je na slici 4.4. Ideja
kontroliranog punjenja je osigurati punjenje vozila u vrijeme manjeg opterećenja u mreži te
ukoliko je to moguće iskoristiti čim je više moguće električnu energiju iz obnovljivih izvora
za punjenje BEV. [72]–[74] Osim navedenog cilj kontroliranog punjenja je i minimizirati
troškove punjenja. Da bi se napredno ili kontrolirano punjenje moglo implementirati na
kvalitetan način potrebno je koristiti aktivni upravljački sustav s hijerarhijskom strukturom
upravljanja gdje se kontinuirano prate svi važni parametri kako BEV i punjača tako i
mikromreže odnosno distribucijske mreže. [75], [76]
Slika 4.4. Opterećenje u mikromreži kod primjene nekontroliranog i kontroliranog punjenja
električnih vozila
4.2.3. Strategija punjenja vozilo na mreži (V2G)
Glavna razlika između prethodno navedenih strategija punjenja i strategije vozilo na mreži
(engl. Vehicle to Grid) (V2G) je u tome što se kod V2G strategije BEV osim kao trošilo
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
26
promatra i kao izvor električne energije. Na taj način BEV postaju distribuirana skladišta
električne energije u distribucijskoj mreži, te se mogu koristiti za pružanje pomoćnih usluga u
mreži (poput regulacije frekvencije, uravnoteženje opterećenja i sl.), bez obzira na mali
kapacitet baterije. Primjenom ove strategije ili koncepta BEV postaju aktivni sudionici u
mreži te mogu imati značajnu ulogu u poboljšanju funkcioniranja sustava s tehničkog,
ekonomskog i okolišnog aspekta. S obzirom da vijek trajanja baterije BEV ovisi o broju
ciklusa punjenja i pražnjenja, primjena koncepta V2G svakako smanjuje životni vijek baterije.
[77], [78]
4.3. Fleksibilnost kod punjenja električnih vozila
Budući da proces punjenja BEV ima veliku fleksibilnost, moguće je primijeniti napredne
metode punjenja. Fleksibilnost kod punjenja proizlazi iz činjenice da 95% vremena BEV nisu
u pogonu što ih čini jednostavnim za punjenje kod kuće, na poslu ili na parkiralištu. Drugi
razlog koji doprinosi fleksibilnosti punjenja je što većina današnjih baterija pruža autonomiju
za prosječno 65 km gradske vožnje, pa je stoga vrijeme za punjenje tijekom dana jednostavno
odabrati i mijenjati. [72]
Punjači za punjenje BEV također doprinose fleksibilnosti kod punjenja. Uglavnom su
priključeni na distribucijsku mrežu i zbog toga je kod integracije većeg broja BEV potrebno
koristiti kontrolirano punjenje kako bi se smanjio negativan utjecaj integracije BEV na mrežu.
[79]–[82] Te punjače možemo promatrati kao fleksibilna ili upravljiva trošila koja nam
omogućavaju da kroz upravljanje izlaznom snagom punjača kroz određeno vremensko
razdoblje utječemo na proces punjenja. Na taj način možemo prilagoditi punjenje ovisno o
određenim uvjetima u mreži, proizvodnji električne energije iz obnovljivih izvora ili cijeni
električne energije.
Fleksibilnost kod punjenja BEV koja proizlazi iz prethodno navedenih činjenica
omogućava nam istraživanje i razvoj različitih scenarija punjenja te bolju integraciju BEV u
postojeće elektroenergetske sustave. [73], [74] Danas se u rješavanju ovog problema koriste
različite optimizacijske metode i tehnike kojima se želi postići što manji utjecaj punjenja EV
na postojeću distribucijsku mrežu u tehničkom i ekonomskom smislu i u različitim
okruženjima i scenarijima. Tako u radu [83] autori koriste teoriju igara za određivanje
optimalnog rasporeda punjenja vozila pri čemu je funkcija cilja optimizacije minimiziranje
troškova punjenja. U radu [84] je prikazan optimizacijski algoritam za optimalno upravljanje
punjenjem EV u kojem je funkcija cilja ista kao i u prethodnom slučaju, a glavni kriterij je
ELEKTRIČNA VOZILA
27
cijena električne energije na tržištu. Kao optimizacijska tehnika koristi se sekvencijalno-
kvadratno programiranje. U radu [85] autori razmatraju utjecaj punjenja na mikromrežu
poslovne zgrade s distribuiranim izvorima pri čemu se ne razmatra punjenje svakog vozila
zasebno već definirane skupine vozila koja trebaju biti napunjena u određenom vremenskom
intervalu. Na temelju ulaznih podatka određuje se potrebna maksimalna snaga punjenja kroz
cijeli interval punjenja EV. Optimizacijski model za punjenje EV u kojem se koristi direktna
kontrola opterećenja (engl. Direct Load Control - DLC) u mikromreži dana je u radu [86].
Glavni cilj modela je da se kontrolom opterećenja u mikromreži ne poveća vršno opterećenje
uslijed punjenja EV. Uz proces punjenja EV u modelu se upravlja i električnim grijačima za
pripremu potrošne tople vode koji se nalaze kao fleksibilna trošila u mikromreži.
Optimizacijski model opisan u radu [87] predviđen je za dnevno optimiranje punjenja EV u
mikromreži. Cilj optimizacijskog modela je što veća iskoristivost distribuiranih izvora u
mikromreži te smanjenje vršnog opterećenja. U modelu se koristi evolucijska optimizacija
rojem čestica (engl. Evolutionary Particle Swarm Optimization - EPSO).
Uz prethodno navedene radove postoje brojni drugi koji se uglavnom bave problemom
integracije EV i njihovog utjecaja na distribucijsku mrežu, definiranjem optimalne strategije
punjenja EV na određenim modelima mikromreža te analizom primjene različitih strategija
punjenja na postojećim ili teorijskim modelima. U radovima je također dosta zastupljena
problematika V2G strategije punjenja EV.
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
28
PRUŽANJE POMOĆNIH USLUGA NA RAZINI 5.
MIKROMREŽA
Operator sustava dužan je osigurati korisnicima mreže sigurnost i kvalitetu opskrbe
električnom energijom. Budući da se u sustavu stalno pojavljuju događaji koji negativno
utječu na raspoloživost mreže i kvalitetu električne energije poput varijacije u proizvodnji i
potrošnji električne energije, planirane neraspoloživosti zbog održavanja i kvarovi operator
sustava treba za te situacije imati osigurane resurse kojima će pokriti takve anomalije u
sustavu ukoliko je to moguće. Jedan od načina kako to ostvariti jesu pomoćne usluge.
Pomoćne usluge podrazumijevaju usluge koje proizvođači električne energije i korisnici
mreže, naravno koji imaju tu mogućnost, na zahtjev operatora pružaju sustavu kako bi se
osigurala stabilnost samog sustava. To mogu biti usluge uravnoteženja (primarna, sekundarna
i tercijarna regulacija), regulacija jalove snage i napona, otočni način rada i crni start.
Pomoćne usluge operator sustava može direktno ugovoriti s pružateljem usluge (bilateralni
ugovor) ili ih kupiti na tržištu.
U nastavku ovog poglavlja biti će detaljnije opisane pomoćne usluge iz perspektive
mikromreže kao pružatelja pomoćne usluge.
5.1. Potencijal mikromreža za pružanje pomoćnih usluga
Mikromreže kao mali upravljivi sustavi imaju mogućnost odnosno potencijal za pružanje
pomoćnih usluga operatoru distribucijskog sustava. S obzirom da se uglavnom radi o malim
sustavima, pružanje pomoćnih usluga na razini mikromreže prvenstveno donosi korist dijelu
distribucijske mreže gdje je mikromreža priključena. Zbog svoje veličine mikromreže ne
mogu direktno sudjelovati na tržištu pomoćnih usluga samostalno, već jedino kroz VE gdje
skup mikromreža zajedničkim kapacitetom sudjeluje na tržištu pomoćnih usluga. Zbog toga bi
daljnji razvoj tržišta električne energije trebao omogućiti pristup manjim distribuiranim
jedinicama ili sustavima sudjelovanje na tržištu pomoćnih usluga, što još za sada nije slučaj.
[88] Jedna od prednosti mikromreža je što u slučaju ispada napajanja iz distribucijske mreže
mogu raditi u otočnom načinu rada, te se na taj način povećava sigurnost opskrbe električnom
energijom potrošača u mikromreži. Druga prednost mikromreža je njihova blizina mjestu
potrošnje što doprinosi učinkovitosti pružanja usluge. [89]
PRUŽANJE POMOĆNIH USLUGA NA RAZINI MIKROMREŽA
29
Sposobnost pružanja pomoćnih usluga od strane mikromreže uglavnom ovisi o kvaliteti
sustava za upravljanje i optimiranje pogona mikromreže. Uzevši u obzir samu veličinu
mikromreža, najveći potencijal u pružanju pomoćnih usluga mikromreže imaju kod usluga
uravnoteženja iz razloga što se u mikomrežama nalaze distribuirani izvori, skladišta energije i
upravljiva ili fleksibilna trošila. Upravo su te tehnologije pogodne za upravljanje potrošnjom
u mikromreži i predaju električne energije u distribucijsku mrežu. S obzirom na činjenicu da
pružanje pomoćnih usluga pojednostavljeno možemo promatrati kao isporuku djelatne ili
jalove snage kada je to potrebno za očuvanje stabilnosti mreže, mikromreže imaju veliki
potencijal u području pružanja pomoćnih usluga ODS. [90]
5.2. Planiranje i prodaja pomoćnih usluga
Pružanje pomoćnih usluga predstavlja dodatne poslovne mogućnosti za proizvođače
električne energije. Isto tako, pružanje pomoćnih usluga ne mora biti nužno vezano samo za
proizvođače električne energije već i za ostale korisnike EES koji posjeduju tehnologije
kojima mogu pružiti tražene usluge sustavu poput SEE i fleksibilnih trošila. Proizvođači
električne energije koji u svojem portfelju imaju velike proizvodne jedinice mogu slobodno
sudjelovati na tržištu pomoćnih usluga za razliku od proizvođača iz malih proizvodnih
jedinica ili sustava poput mikromreža, koji ne mogu sudjelovati na tržištu pomoćnih usluga
radi premalog kapaciteta. Bez obzira prodaje li se pomoćna usluga na tržištu ili se direktno
sklapa ugovor o pružanju pomoćnih usluga, određivanje opsega i cijene usluge složen je
optimizacijski problem.
5.2.1. Velike proizvodne jedinice
Proizvodna jedinica koja sudjeluje u pružanju pomoćnih usluga u smislu isporuke snage i
energije sustavu u pravilu radi na način da se jedan dio kapaciteta koristi za proizvodnju
električne energije koja se prodaje na tržištu električne energije, a drugi dio kapaciteta koristi
se za rezervu odnosno za pružanje pomoćne usluge. Takav način rada nužan je iz razloga što
proizvodna jedinica mora moći u svakom trenutku na zahtjev operatora sustava smanjiti ili
povećati isporuku radne ili jalove snage odnosno energije. Kako bi se osigurala što bolja
iskoristivost proizvodne jedinice, a time i minimizirali troškovi proizvodnje električne
energije za prodaju i pomoćne usluge, potrebno je odrediti optimalnu raspodjelu kapaciteta
proizvodne jedinice. Kod optimizacije svakako treba voditi računa o svim tehničkim
ograničenjima same proizvodne jedinice ali i cijenama na tržištu. [91] U tom slučaju funkciju
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
30
cilja pojednostavljeno možemo prikazati kao razliku između zarade i troškova proizvodnje
energije i pružanja pomoćnih usluga kako je to prikazano izrazom (5.1),
)()(max pupuenenpupuenen ETPUETPECECC (5.1)
gdje je C – dobit od prodaje proizvedene električne energije i pomoćnih usluga, Cen – cijena
električne energije na tržištu električne energije, Cpu – cijena rezervacije kapaciteta
proizvodne jedinice na tržištu pomoćnih usluga, Een – količina energije koja se nudi na tržištu
električne energije, Epu – količina energije (snage) koja se nudi na tržištu pomoćnih usluga
(regulacijska energija), TPen(Een) – troškovi proizvodnje energije Een i TPUpu(Epu) – troškovi
pružanja pomoćne usluge kapaciteta Epu.
Takvo planiranje proizvodnje odnosno opsega pomoćne usluge pogodno je kada pomoćne
usluge prodajemo na tržištu, kao npr. na tržištu za dan unaprijed. Osim prodaje pomoćnih
usluga na tržištu, pružatelj i korisnik pomoćne usluge mogu direktno sklopiti ugovor o
pružanju pomoćnih usluga u kojem se, između ostalog, definira opseg i cijena za pruženu
pomoćnu uslugu. Naravno da prije definiranja kapaciteta proizvodne jedinice koji će se
koristiti za pružanje pomoćne usluge treba provesti slični optimizacijski postupak kao i u
prethodnom slučaju. Obično se u takvim ugovorima o pružanju pomoćnih usluga, kao što su
usluge uravnoteženja (sekundarna i tercijarna regulacija), zasebno naplaćuje rezervirani opseg
snage i regulacijska energija. Rezervirani ili zakupljeni opseg snage (oba smjera) plaća se po
megavatu zakupljene snage i to za svako obračunsko razdoblje (npr. mjesečno) bez obzira na
ostvareni opseg korištenja usluge. Regulacijska energija također se plaća za svako obračunsko
razdoblje ali prema ostvarenom opsegu korištenja usluge. Regulacijska energija može imati
pozitivan i negativan smjer. Pozitivan smjer predstavlja energiju koja je predana od strane
pružatelja pomoćne usluge, dok negativan smjer predstavlja energiju koja je preuzeta odnosno
nije isporučena od strane pružatelja usluge na zahtjev korisnika usluge. Primjer određivanja
cijene regulacijske energije za svaki obračunski interval u pozitivnom smjeru dan je izrazom
(5.2) a u negativnom smjeru izrazom (5.3).
ttrttrtpoz CkCC ,,, (5.2)
ttrttrtneg CkCC ,,, (5.3)
U izrazima (5.2) i (5.3) oznake imaju sljedeća značenja, Cpoz,t – cijena regulacijske energije u
pozitivnom smjeru u obračunskom intervalu t, Cneg,t – cijena regulacijske energije u
negativnom smjeru u obračunskom intervalu t, Ctr,t – cijena električne energije na tržištu u
PRUŽANJE POMOĆNIH USLUGA NA RAZINI MIKROMREŽA
31
obračunskom intervalu t i k – faktor korekcije tržišne cijene. Ovdje je važno primijetiti razliku
između obračunskog razdoblja i obračunskog intervala koji može biti na petnaest minutnoj ili
satnoj razini.
5.2.2. Mikromreže
Jedan od glavnih razloga zašto DI i sustavi poput mikormreža ne mogu nuditi pomoćne
usluge na tržištu je njihov mali kapacitet za kojeg ne postoji tržište pomoćnih usluga. U
mikromrežama se kao DI najčešće nalaze obnovljivi izvori, poput fotonaponskih elektrana i
malih vjetroelektrana, čijom proizvodnjom nije moguće upravljati i koji su često u sustavu
poticanja pa niti nisu pogodni za pružanje pomoćnih usluga. Uz OIE u mikromrežama postoje
i druge tehnologije poput SEE i fleksibilnih trošila koje u kombinaciji s OIE pružaju
mogućnost da i mikromreže s malim kapacitetom imaju priliku pružanja pomoćnih usluga, ali
ne izravno na tržištu nego u manjem opsegu i to ODS.
Trenutno ne postoji takva mogućnost pružanja pomoćnih usluga, ali razvoj tržišta i
prelazak iz postojećih pasivnih u aktivne distribucijske mreže svakako će omogućiti pružanje
pomoćnih usluga i na razini mikromreža. Naravno da to otvara nove poslovne mogućnosti
vlasnicima mikromreža pomoću kojih će relativno skupe tehnologije, uz predviđeni daljnji
pad cijena, postati isplative i u tržišnim uvjetima i bez raznih oblika poticaja ili subvencija.
Koncept prodaje pomoćnih usluga kod mikromreža zbog prethodno navedenih činjenica ne
može biti isti kao i kod velikih proizvodnih jedinica gdje se one prodaju na tržištu ili
bilateralnim ugovorima. Radi ograničenog kapaciteta, mikromreže ne mogu osigurati
pouzdanost pružanja pomoćnih usluga na duži vremenski rok, već samo kratkoročno. Jedan
od koncepata kako mikromreže mogu pružati i prodati pomoćne usluge ODS je da se višak
električne energije i mogućnost preraspodjele opterećenja ili potrošnje u mikromreži ponude
ODS kroz pomoćne usluge u istom danu ili za dan unaprijed. Kako bi se taj koncept mogao
implementirati treba postojati mogućnost upravljanja i optimiranja pogona mikromreže u
svrhu što kvalitetnije procjene opsega pomoćne usluge koji će se ponuditi ODS. Na taj način
ODS može koristiti resurse mikromreže kod planiranja pogona i izvanrednih situacija. Tako
npr. ukoliko je proizvodnja iz FNE u distribucijskoj mreži velika ODS može od mikromreže
zatražiti povećanje opterećenja (smanjenje proizvodnje) ili u vršnom opterećenju isporuku
električne energije. Naravno kako bi ovaj koncept mogao zaživjeti važno je utvrditi cijenu po
kojoj mikromreža može pružati pomoćne usluge. Kako ne postoji tržište za male proizvodne
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
32
jedinice jedan od doprinosa ovog rada biti će određivanje te cijene za promatrane modele
mikromreža, a što će biti obrađeno u kasnijim poglavljima.
EKONOMIJA INVESTICIJSKIH PROJEKATA U ENERGETICI
33
EKONOMIJA INVESTICIJSKIH PROJEKATA U 6.
ENERGETICI
Prije pokretanja bilo koje investicije potrebno je napraviti procjenu troškova i koristi koje
će ta investicija polučiti. Drugim riječima, kreće se u analizu isplativosti koja investitoru i/ili
bankarima pokazuje da li ulaganje ima ekonomskog smisla, tj. da li su očekivani prihodi veći
od očekivanih troškova i početnog investicijskog ulaganja. U nastavku će biti dan prikaz
osnovnih metoda analize isplativosti uz detaljniji opis metoda neto sadašnje vrijednosti (NSV)
i interne stope rentabilnosti (ISR), te osvrt na procjenu prihoda, troškova i investicijskih
ulaganja.
6.1. Metode analiza isplativosti projekta
Investiranje je ulaganje kapitala koje ne donosi korist odmah već nakon nekog vremena,
pri čemu se odluka o investiranju donosi sada, a njeni efekti se odnose na budućnost. Prema
tome je i analiza koja prethodi investicijskoj odluci zapravo simulacija budućih događaja.
Potrebno je uzeti u obzir da simulacija budućih događaja ne može biti egzaktna, već je to
nastojanje da se u granicama trenutno dostupnih informacija minimiziraju pogrešne procjene.
[92]
Kod svake ocjene investicijskog projekta definiraju se kriteriji i izabiru metode za ocjenu
ponuđenih rješenja. U radu se koristi ekonomsko-financijska analiza koja učinke projekta
izražava u novčanim jedinicama. [93] Pristup analizi može biti statičan i dinamičan. Statičan
pristup analizira učinkovitost na osnovu podataka iz jednog razdoblja, obično reprezentativne
godine, dok dinamičan pristup koristi podatke iz cijelog perioda trajanja projekta. [94]
Statične analize investicijskog projekta dijele se na:
likvidnost – koristi se za procjenu sposobnosti podmirenja dospjelih kratkoročnih
obveza pretvaranjem kratkoročne imovine u novac,
upravljanje dugom – procjenjuje se učinkovitost projekta obzirom na izvore
financiranja,
upravljanje imovinom – procjenjuje se učinkovitost projekta koja proizlazi iz
korištenja imovine,
rentabilnost – odnosi koji pokazuju ukupnu učinkovitost poslovanja, sposobnost
zarađivanja i mogućnost osiguranja prinosa investitoru.
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
34
Dinamičke analize investicijskog projekta dijelimo na:
analize rentabilnosti (polaze od ekonomskog tijeka) koje mogu biti:
o ekonomski tijek – razlika između primitaka projekta koji povećavaju
ekonomski potencijal projekta i izdataka koji smanjuju ekonomski potencijal
projekta,
o razdoblje povrata investicija – razdoblje koje je potrebno kako bi primici
pokrili sve investicijske troškove,
o neto sadašnja vrijednost – zbroj vrijednosti godišnjih neto primitaka u
ekonomskom tijeku svedenih na vrijednost u početnoj godini vijeka projekta,
o interna stopa rentabilnosti – diskontna stopa kojom se neto sadašnja vrijednost
investicije svodi na nulu,
o model procjenjivanja kapitalne imovine (engl. Capital Asset Pricing Model) –
model vrednovanja investicije koji pokazuje međuzavisnost prihoda od
investicije i rizika koji postoje na tržištu kapitala,
analize likvidnosti – sposobnost podmirivanja dospjelih financijskih obveza u svakom
vremenskom periodu (polaze od financijskog tijeka).
S obzirom da će se u radu koristiti metode neto sadašnje vrijednosti i interne stope
rentabilnosti jer uzimaju u obzir cijeli vijek projekta i uključuju vremenske preferencije u
nastavku će biti detaljnije opisane.
6.1.1. Neto sadašnja vrijednost
Metoda NSV odabrana je za analizu financijske učinkovitosti investicije jer uzima u obzir
vremensku vrijednost novca i dinamiku primitaka i izdataka projekta tijekom cijelog životnog
vijeka. Navedena metoda polazi od ekonomskog tijeka projekta, čiji se primici i izdaci
diskontiraju odnosno svode na sadašnju vrijednost.
Ekonomski tijek sadrži pregled primitaka, izdataka i neto primitaka projekta. U primicima
se iskazuju svi primici koji utječu na povećanje ekonomskog potencijala projekta tj. ukupni
prihodi i ostatak vrijednosti projekta. Izdaci uključuju investicije, rashode poslovanja bez
amortizacije i porez na dobit. Neto primici izračunavaju se kao razlika između primitaka i
izdataka. [94]
Kao što je prethodno navedeno, NSV projekta neutralizira utjecaj vremenskih razlika
svođenjem primitaka i izdataka ostvarenih u različitim razdobljima na međusobno mjerljive
veličine. Svođenje na sadašnju vrijednost obavlja se pomoću diskontne stope. NSV uvelike
EKONOMIJA INVESTICIJSKIH PROJEKATA U ENERGETICI
35
ovisi o odabiru diskontne stope jer se primjenom više diskontne stope smanjuje NSV i
obrnuto, primjenom niže stope NSV se povećava. Iako postoje mnoge metode izbora
diskontnih stopa, obično se koristi minimalna stopa povrata (prinosa) koju investitor očekuje
od navedene investicije. [95] „Dobra“ diskontna stopa jednaka je ili je nešto veća od kamatne
stope uz koju se planira dobiti kredit. Diskontna stopa trebala bi biti nešto veća od kamatne
stope jer investitor snosi veći rizik od onog koji snosi davatelj kredita koji se „pokriva“
kamatnom stopom.
Odrediti NSV znači diskontirati neto primitke projekta kroz cijelo vrijeme njegova trajanja
umanjene za investicijske troškove u nultoj godini koji se ne diskontiraju. Općenito NSV
možemo odrediti pomoću izraza (6.1).
𝑁𝑆𝑉 = (∑𝑃𝑡 − 𝑍𝑡
(1 + 𝑑)𝑡
𝑇
𝑡=1
) − 𝐼𝑁𝑉 (6.1)
gdje je Pt – primitak ostvaren u vremenskom intervalu t, Zt – izdatak ostvaren u vremenskom
intervalu t, d – diskontna stopa, T – vrijeme trajanja projekta i INV – ukupni trošak investicije.
[96] Projekt je prihvatljiv ako je njegova NSV pozitivna ili jednaka nuli, a neprihvatljiv
ukoliko je negativna. U slučaju da investitor odlučuje između dva ili više projekta, projekt s
najvećom NSV se ocjenjuje kao najbolji.
6.1.2. Interna stopa rentabilnosti
Interna stopa rentabilnosti (ISR) je diskontna stopa koja neto sadašnju vrijednost projekta
svodi na nulu [97], a definira se izrazom:
𝐼𝑆𝑅 = (∑𝑃𝑡 − 𝑍𝑡
(1 + 𝑑)𝑡
𝑇
𝑡=1
) − 𝐼𝑁𝑉 = 0 (6.2)
gdje je Pt – primitak ostvaren u vremenskom intervalu t, Zt – izdatak ostvaren u vremenskom
intervalu t, d – diskontna stopa, T – vrijeme trajanja projekta i INV – ukupni trošak investicije.
Cilj ISR je buduće neto primitke projekta izjednačiti s investicijskim ulaganjima, a
prihvatljivima se smatraju projekti čiji je ISR veći od prosječnog troška kapitala (u nekim
slučajevima kamatne stope) kojim se projekt planira financirati [95]. Drugim riječima, ISR
nam govori koju maksimalnu kamatnu stopu projekt može podnijeti. Korištenjem kamatne
stope koja je viša od ISR projekt će stvarati negativnu vrijednost i ulaganje neće imati
ekonomskog smisla.
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
36
6.2. Analiza osjetljivosti projekta – uključivanje neizvjesnosti
U procesu ocjenjivanja investicije treba ocijeniti rizik i neizvjesnost onih događaja koji u
budućnosti mogu presudno utjecati na njegovu isplativost. Projektni rizik možemo definirati
kao stupanj podložnosti projekta vjerojatnim nepovoljnim događajima. [98] Rizici se mogu
promatrati kao sva negativna odstupanja od očekivanih rezultata. Gore opisane metode
analiziranja učinkovitosti projekta ovise o točnosti procjene njihovih ulaznih parametara. Da
bi se uključila neizvjesnost budućih događaja provodi se analiza osjetljivosti projekta na
najvažnije parametre korištene u procjenama.
6.2.1. Procjena primitaka, izdataka i investicijskih ulaganja
Kvaliteta i točnost provedenih analiza isplativosti projekta ovisi o kvaliteti ulaznih
parametara odnosno o točnosti procijenjenih primitaka, izdataka, investicijskih ulaganja i
korištene diskontne stope. Odabir diskontne stope je razmatran ranije, a ovdje će se pozornost
posvetiti ostalim ekonomskim parametrima koji se koriste u analizi isplativosti.
Kod ulaganja u OIE primitke nije teško procijeniti jer su cijene za proizvedenu električnu
energiju definirane tarifnim sustavom za cijelo vrijeme trajanja projekta.
Izdaci (troškovi) se mogu podijeliti na fiksne i varijabilne. Fiksni troškovi ostaju
nepromijenjeni bez obzira na opseg proizvodnje, dok se varijabilni pojavljuju sa
započinjanjem proizvodnje i mijenjanju se sukladno opsegu proizvodnje.[98] Kod energetskih
postrojenja su fiksni troškovi proporcionalni instaliranoj snazi, a uključuju: amortizaciju,
investicijsko održavanje (ne ovisi o proizvodnji), plaće, administrativne troškove te kamate na
osnovna sredstva. Navedeni troškovi izračunavaju se pomoću sljedećeg izraza:
𝐶𝑓 = 𝑐𝑓 ∙ 𝑃𝑖𝑛𝑠 (6.3)
gdje je Cf – ukupni fiksni trošak energetskog postrojenja, cf –fiksni troškovi po jedinici
instalirane snage i Pins – nazivna instalirana snaga energetskog postrojenja.
Varijabilni troškovi kod energetskih postrojenja proporcionalni su proizvedenoj električnoj
energiji, a uključuju troškove goriva i ostalih materijala korištenih u proizvodnji, redovnog i
investicijskog održavanja te ostalih troškova proizvodnje. Varijabilne troškove izračunavamo
pomoću sljedećeg izraza:
𝐶𝑣𝑎𝑟 = 𝑐𝑣𝑎𝑟 ∙ 𝐸𝑔𝑜𝑑 (6.4)
EKONOMIJA INVESTICIJSKIH PROJEKATA U ENERGETICI
37
gdje je Cvar – ukupni varijabilni trošak energetskog postrojenja, cvar –varijabilni troškovi po
jedinici energije i Egod – godišnje proizvedena električna energija iz energetskog postrojenja.
Investicijska ulaganja u energetska postrojenja sastoje se od njihovih troškova izgradnje, a
iskazuju se po jedinici instalirane snage i izračunavaju pomoću sljedećeg izraza:
𝐶𝑖𝑧𝑔 = 𝑐𝑖𝑧𝑔 ∙ 𝑃𝑖𝑛𝑠 (6.5)
gdje je Cizg – ukupni trošak izgradnje energetskog postrojenja, cizg – troškovi izgradnje po
jedinici instalirane snage i Pins – nazivna instalirana snaga energetskog postrojenja.
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
38
METODE PLANIRANJA I UPRAVLJANJA 7.
MIKROMREŽOM S DISTRIBUIRANIM IZVORIMA
I SKLADIŠTEM ENERGIJE
Odabir optimalne veličine distribuiranih izvora, ali i ostalih distribuiranih jedinica, te
optimiranje njihovog rada ili pogona u mikromreži vrlo je bitno, kako bi se tehnički problemi
ali i ekonomski troškovi minimizirali. Dosadašnja istraživanja su dala različita programska
rješenja i optimizacijske modele [99] kojima se rješavaju navedeni problemi.
Kod implementacije skladišta energije vrlo je važno odabrati optimalnu snagu i kapacitet
skladišta energije kako bi se postigla što bolja učinkovitost sustava i opravdali investicijski
troškovi. Provedeno je mnogo istraživanja s temom optimalne veličine i kapaciteta skladišta
energije, ali razvoj novih tehnologija (akumulatori, superkondenzatori, zamašnjaci i sl.)
zahtjeva daljnja istraživanja na ovom području.
Optimizacija rada mikromreža s distribuiranim izvorima, skladištem energije i fleksibilnim
trošilima danas je vrlo aktualna u istraživanjima, međutim potrebno je istražiti kako se
postojeće ali i nadolazeće tehnologije mogu što učinkovitije uklopiti u postojeće
elektroenergetske sustave. U rješavanju prethodno navedenih problema i evaluaciji pojedinih
rješenja koriste se razne optimizacijske tehnike i modeli. [100]–[102]
Aktualna istraživanja nude različite optimizacijske modele za optimiranje pogona i
određivanje optimalne veličine distribuiranih izvora i skladišta energije za različite
tehnologije, scenarije i modele mikromreža, a pregled nekih analiziranih radova tijekom
istraživanja dan je u nastavku.
U radu [103] predstavljen je optimizacijski model baziran na linearnom programiranju
(engl. Linear programming) (LP) za planiranje energetskog sustava stambene zgrade u kojoj
se želi postići 100% opskrbe električnom i toplinskom energijom iz OIE. Kao distribuirane
jedinice u takvoj mikromreži razmatraju se FNE, toplinska pumpa i skladište toplinske
energije. Funkcija cilja ovog optimizacijskog modela je minimizirati ukupne troškove sustava
koji se sastoje od investicijskih troškova, troškova pogona i održavanja te troškova uklanjanja
sustava na kraju njegovog životnog vijeka. Kod izračuna troškova pogona u modelu se ne
uzima u obzir cijena električne energije za preuzetu i isporučenu električnu energiju iz
distribucijske mreže, već se koristi ograničenje kod optimizacije da količina električne
energije koja je preuzeta iz mreže bude jednaka količini električne energije koja je predana u
mrežu na godišnjoj razini. Optimalno planiranje distribuiranog energetskog sustava u
METODE PLANIRANJA I UPRAVLJANJA MIKROMREŽOM S DISTRIBUIRANIM IZVORIMA I SKLADIŠTEM ENERGIJE
39
mikromreži dano je i u radovima [104], [105]. Oba optimizacijska modela baziraju se na
mješovitom cjelobrojnom linearnom programiranju (engl. Mixed-integer linear programming)
(MILP). Funkcija cilja je minimiziranje ukupnih troškova koji se sastoje od investicijskih
troškova, troškova pogona mikromreže, troškova za preuzetu električnu energiju iz
distribucijske mreže, emisijskih troškova za CO2 i prihoda za električnu energiju predanu u
distribucijsku mrežu, pri čemu su u radu [104] u funkciji cilja ugrađeni i troškovi održavanja.
Autori u radu [106] koriste višekriterijsku optimizaciju za optimiranje pogona mikromreže
u ruralnom području s ciljem minimiziranja troškova pogona i maksimiziranjem proizvodnje
iz DI koji su instalirani u mikromreži na dnevnoj razini. U funkciju cilja za minimiziranje
troškova pogona ulaze troškovi proizvodnje, troškovi pogona i održavanja te troškovi za
električnu energiju preuzetu iz distribucijske mreže. Globalno optimalno rješenje u ovoj
višekriterijskoj optimizaciji određuje se na principu Pareto optimalnosti.
Optimalno upravljanje pogonom i određivanje optimalnih veličina distribuiranih jedinica
(FNE, BSEE i gorivnih ćelija) za mikromrežu jednog stambenog objekta koji nema priključka
na mrežu dan je u radu [107]. Optimalno planiranje kao i optimiranje pogona u ovom
optimizacijskom modelu bazira se na meteorološkim podacima i krivuljama opterećenja
razmatranog stambenog objekta uzimajući u obzir i sva tehnička ograničenja sustava. U radu
[108] također je razmatran problem planiranja energetskog sustava objekta bez priključaka na
mrežu s ekonomskog i okolišnog aspekta, a optimizacijski model bazira se na MILP. Kod
ekonomske evaluacije u obzir se uzimaju troškovi izgradnje, troškovi zamjene opreme i
troškovi pogona i održavanja.
U radu [109] dan je optimizacijski model za određivanje optimalne veličine distribuiranih
jedinica u mikromreži koja predstavlja energetski sustav jednog objekta. Kod optimizacije se
koristi LP, a funkcija cilja je minimiziranje troškova koji se sastoje od NSV, emisijskih
troškova i ušteda primarne energije. NSV za razmatrani sustav, koja je jedan od članova
funkcije cilja, određuje se na temelju investicijskih troškova i godišnjih troškova pogona
sustava za cijeli životni vijek trajanja investicije.
Optimalno planiranje energetskog sustava baziranog na OIE u mikromrežama prikazan je u
radu [110]. Za razliku od dosad razmatranih optimizacijskih modela u ovom radu korišten je
komercijalno dostupan programski paket HOMER za modeliranje hibridnih energetskih
sustava baziranih na OIE.
Osim prethodno navedenih radova, prilikom istraživanja problema planiranja i upravljanja
mikromrežom s distribuiranim izvorima i skladištem električne energije, također su detaljno
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
40
analizirani radovi [72], [111]–[121], a posebice oni vezani uz planiranje FNE i BSEE u
mikromrežama.
Analiza radova pokazala je da je većina predloženih optimizacijskih modela često
primjenjiva samo za specifične sustave i tehnologije te omogućava analizu samo na
određenom modelu mikromreže ili sustavu. U analiziranim radovima kod planiranja
energetskog sustava mikromreže odnosno kod određivanja optimalne veličine distribuiranih
jedinica predloženi optimizacijski modeli ne omogućavaju provedbu sveobuhvatne tehničko-
ekonomske analize već se uglavnom svode na minimiziranje ukupnih troškova, pri čemu su
svi razmatrani troškovi i prihodi uključeni u funkciju cilja. Isto tako, samo nekoliko radova
uključuje okolišne aspekte kod optimizacije. Iako autori u radovima koriste različita trošila
koja možemo smatrati fleksibilnim trošilima, poput dizalica topline i skladišta energije, nitko
ne razmatra njihovu fleksibilnost u smislu mogućnosti pružanja pomoćnih usluga operatoru
distribucijskog sustava odnosno njihov potencijal u ostvarivanju dodatne vrijednosti. Detaljna
analiza radova također je pokazala da ni jedan od predloženih optimizacijskih modela i alata
ne nudi sveobuhvatnu investicijsku i okolišnu analizu te optimizaciju pogona mikromreže.
OPTIMIZACIJSKI MODEL ZA PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S FOTONAPONSKOM ELEKTRANOM, BATERIJSKIM SKLADIŠTEM ENERGIJE I FLEKSIBILNIM TROŠILIMA
41
OPTIMIZACIJSKI MODEL ZA PLANIRANJE I 8.
UPRAVLJANJE MIKROMREŽOM S
FOTONAPONSKOM ELEKTRANOM,
BATERIJSKIM SKLADIŠTEM ENERGIJE I
FLEKSIBILNIM TROŠILIMA
U ovom poglavlju dan je opis novog optimizacijskog modela za određivanje optimalne
veličine distribuiranog izvora, i to prvenstveno fotonaponske elektrane i baterijskog skladišta
električne energije u mikromreži s nefleksibilnim i fleksibilnim trošilima. Kod kreiranja
modela glavni cilj je bio razviti kompletnu optimizacijsku platformu koja će omogućiti
provedbu kvalitetne tehničko-ekonomske analize sustava u svrhu određivanja optimalne
veličine FNE, BSEE ili njihove kombinacije kao i mogućnost upravljanja odnosno
optimiranja pogona mikromreže. Ova optimizacijska platforma ima za cilj omogućiti
investitorima i projektantima odabir optimalne veličine FNE i BSEE u mikromreži u kojoj
postoje klasična nefleksibilna i nova naprednija fleksibilna trošila. Ideja ovog optimizacijskog
modela je prilagoditi veličinu FNE potrošnji u mikromreži kako bi se smanjio negativan
utjecaj FNE na distribucijsku mrežu. Današnju integraciju FNE ali i distribuirane proizvodnje
općenito možemo nazvati pasivnom integracijom jer se veličina izvora najčešće dimenzionira
prema maksimiziranju zarade investitora kroz poticaje za proizvodnju električne energije iz
OIE.
Rezultati dobiveni ovim modelom osim odabira optimalne veličine distribuiranih jedinica
omogućuju provedbu različitih tehničkih, ekonomskih i okolišnih analiza te analiza
osjetljivosti od kojih će neke biti prikazane u radu. Optimizacija pogona mikromreže, koja je
sastavni dio modela, svakako se može koristiti za vođenje pogona mikromreže u svrhu
minimiziranja troškova pogona, bolje iskoristivosti energije iz OIE i smanjenja emisija CO2.
Iz razloga što su funkcije cilja i ograničenja linearne funkcije u rješavanju ovog
optimizacijskog problema koristi se MILP, a sama optimizacija implementirana je u
optimizacijskom programskom paketu FICO. [122]
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
42
8.1. Formulacija optimizacijskog modela
Prilikom određivanja optimalne veličine FNE, BSEE i/ili njihove kombinacije pomoću
predloženog optimizacijskog modela cilj je odrediti NSV za sve potencijalne tipove FNE i
BSEE kao i njihove kombinacije koji se razmatraju kao potencijalno rješenje. Kao optimalno
rješenje uzima se element koji ima najveći iznos NSV. Postupak izračuna NSV možemo
podijeliti u nekoliko koraka, a to su zadavanje ulaznih parametara simulacije, optimiranje
pogona mikromreže, izračunavanje investicijskih troškova i troškova održavanja te sam
izračun NSV. Navedeni koraci ponavljaju se, kako je prethodno navedeno, za sve elemente
skupova FNE i BSEE i njihove kombinacije. Detaljni opis predloženog optimizacijskog
modela dan je u nastavku. Na slici 8.1. je shematski prikaz optimizacijskog modela gdje se
mogu vidjeti glavni ulazni podaci u model, rezultati simulacija i glavni dijelovi
optimizacijskog modela.
Slika 8.1. Shematski prikaz optimizacijskog modela
Opis modela započeti ćemo s optimizacijom pogona mikromreže jer je to prvi korak kod
izračuna NSV. Optimiranje pogona mikromreže podrazumijeva minimiziranje troškova
pogona mikromreže za odabrani broj vremenskih intervala proračuna, pri čemu trajanje
intervala može biti proizvoljno odabrano, a najčešće ovisi o diskretizaciji ulaznih podataka.
Funkcija cilja kod optimiranja pogona mikromreže dana je izrazom (8.1)
OPTIMIZACIJSKIMODELProfil opterećenja
nefleksibilnih trošila
Proizvodni faktor FNE i faktor emisije
Tehnička ograničenja
Cijene električne energije, poticajne
cijene za OIE i emisije CO2
Potražnja fleksibilnih trošila
Izračun investicijskih
troškova, troškova održavanja i NSV
ULAZNI PODACI
Investicijski troškovi i troškovi održavanja za
FNE i BSEE
Za sve elemente skupova FNE i BSEE i/ili njihove kombinacije
Optimalna veličina FNE i BSEE
Ukupni investicijski troškovi i troškovi
održavanja
Optimalan angažman BSEE i fleksibilnih
trošila
Troškovi pogona i troškovi za emisiju
CO2
REZULTATI
Profil opterećenja fleksibilnih trošila
Emisije CO2
Optimizacija pogona
mikromreže
OPTIMIZACIJSKI MODEL ZA PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S FOTONAPONSKOM ELEKTRANOM, BATERIJSKIM SKLADIŠTEM ENERGIJE I FLEKSIBILNIM TROŠILIMA
43
Minimiziraj 𝐶𝑝𝑜𝑔 = ∑ (𝐶𝑒𝑙𝑒𝑛_𝑛𝑒𝑡(𝑡) +
𝑁𝐼𝑁𝑇
𝑡=1
𝐶𝑒𝑚𝑠(𝑡) − 𝐶𝑝𝑜𝑡_𝑓𝑛𝑒(𝑡) − 𝐶𝑒𝑙𝑒𝑛_𝑒𝑥𝑝(𝑡)) (8.1)
gdje je Cpog – ukupni troškovi pogona, Celen_net (t) – troškovi za preuzetu električnu energiju iz
mreže u vremenskom intervalu t, Celen_exp (t) – prihod od predaje viška električne energije u
mrežu u vremenskom intervalu t, Cems (t) – troškovi za emisiju CO2 u vremenskom intervalu t,
Cpot_fne (t) – prihod od poticaja za proizvedenu električnu energiju iz FNE (engl. feed-in tariff)
u vremenskom intervalu t i NINT – ukupan broj vremenskih intervala proračuna. Troškovi za
preuzetu električnu energiju iz mreže u svakom vremenskom intervalu definirani su izrazom
(8.2)
𝐶𝑒𝑙𝑒𝑛_𝑛𝑒𝑡(𝑡) = 𝑃𝑖𝑚𝑝(𝑡) ∙ 𝑐𝑛𝑒𝑡_𝑖𝑚𝑝(𝑡) ∙ 𝑇𝑖𝑛𝑡 (8.2)
gdje je cnet_imp (t) – cijena električne energije preuzete iz mreže u vremenskom intervalu t, Pimp
(t) – snaga preuzeta iz mreže u vremenskom intervalu t i Tint – trajanje jednog vremenskog
intervala t. Troškovi za emisiju CO2 u svakom vremenskom intervalu definirani su izrazom
(8.3)
𝐶𝑒𝑚𝑠(𝑡) = 𝑃𝑖𝑚𝑝(𝑡) ∙ 𝑐𝑒𝑚𝑠_𝑡𝑟 ∙ 𝑘𝑒𝑚𝑠 ∙ 𝑇𝑖𝑛𝑡 (8.3)
gdje je cems_tr – cijena emisije CO2 u €/kg i kems – emisijski faktor za električnu energiju iz
mreže u kg/kWh.
Za svaki vremenski interval t prihod od poticaja za proizvedenu električnu energiju iz FNE
definiran je izrazom (8.4), a prihod od predaje viška električne energije u mrežu izrazom
(8.5).
𝐶𝑝𝑜𝑡_𝑓𝑛𝑒(𝑡) = 𝑃𝑓𝑛𝑒,𝐼𝑁𝑆𝑖 ∙ 𝑘𝑝𝑟𝑜(𝑡) ∙ 𝑐𝑝𝑜𝑡_𝑐1 ∙ 𝑇𝑖𝑛𝑡 (8.4)
𝐶𝑒𝑙𝑒𝑛_𝑒𝑥𝑝(𝑡) = 𝑃𝑒𝑥𝑝(𝑡) ∙ (𝑐𝑝𝑜𝑡_𝑐2 − 𝑐𝑝𝑜𝑡_𝑐1) ∙ 𝑇𝑖𝑛𝑡 (8.5)
gdje je 𝑃𝑓𝑛𝑒,𝐼𝑁𝑆𝑖 – instalirana snaga FNE i, cpot_c1 – poticajna tarifa za električnu energiju
proizvedenu iz FNE koja je potrošena u mikromreži, cpot_c2 – poticajna tarifa za električnu
energiju proizvedenu iz FNE koja je predana u mrežu, Pexp (t) – višak proizvedene snage iz
FNE koji se predaje u mrežu u vremenskom intervalu t i kpro (t) – proizvodni faktor koji
određuje izlaznu snagu FNE u vremenskom intervalu t. Izlazna snaga FNE u svakom
vremenskom intervalu određuje se kao umnožak instalirane snage FNE i proizvodnog faktora.
Proizvodni faktor predstavlja maksimalnu izlaznu snagu FNE u određenom vremenskom
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
44
intervalu u odnosu na instaliranu snagu FNE, a može imati vrijednost između 0 i 1.
Proizvodni faktor može biti određen analitički iz poznatih podataka o ozračenosti površine
gdje se planira instalirati FNE i ostalih tehničkih karakteristika opreme ili iz ostvarene
proizvodnje neke FNE koja je instalirana na istom području.
Kod optimizacije pogona mikromreže prema (8.4) i (8.5) vidljivo je da se koriste dvije
poticajne tarife za proizvedenu električnu energiju iz FNE, prva koja je viša i isplaćuje se za
električnu energiju potrošenu unutar mikromreže i druga koja je niža i isplaćuje se za višak
električne energije koja se predaje u distribucijsku mrežu. Ovaj način poticanja proizvodnje
električne energije iz FNE primijenjen je iz razloga da se čim više električne energije
proizvedene iz FNE potroši na mjestu proizvodnje te da se smanji utjecaj FNE na
distribucijsku mrežu odnosno da se veličina FNE prilagodi potrošnji u mikromreži.
Primjenom dvije tarife kako je prethodno navedeno u funkciji cilja penalizira se predaja
električne energije u mrežu na način da predana električna energija povećava troškove
pogona. S obzirom da se danas proizvodnja električne energije iz OIE potiče tako da se na svu
proizvedenu električnu energiju iz distribuiranog izvora primjenjuje jedna poticajna tarifa,
ovaj optimizacijski model podržava i taj način optimiranja pogona mikromreže. Pri tome je
prije simulacije potrebno definirati da je član Celen_exp (t) u funkciji cilja jednak nuli.
Određivanje optimalne veličine FNE u slučaju kada nemamo poticanje proizvodnje iz
distribuiranih izvora, a postoji višak električne energije koji se predaje u distribucijsku mrežu
također se može razmatrati ovim optimizacijskim modelom. U ovom slučaju član Cpot_fne (t) u
funkciji cilja treba biti jednak nuli dok se izraz (8.5) treba zamijeniti izrazom (8.6).
𝐶𝑒𝑙𝑒𝑛_𝑒𝑥𝑝(𝑡) = 𝑃𝑒𝑥𝑝(𝑡) ∙ 𝑐𝑛𝑒𝑡_𝑒𝑥𝑝(𝑡) ∙ 𝑇𝑖𝑛𝑡 (8.6)
gdje je cnet_exp (t) – cijena električne energije predane u mrežu u vremenskom intervalu t.
Na funkciju cilja primijenjena su različita tehnička ograničenja koja su detaljnije opisana u
nastavku.
U svim vremenskim intervalima proračuna ukupno opterećenje u mikromreži mora biti
manje ili jednako raspoloživoj snazi prema izrazu (8.7):
𝑃𝑛𝑓𝑡(𝑡) + 𝑃𝑓𝑡(𝑡) + 𝑃𝑏𝑠𝑒𝑒𝑝𝑢𝑗
(𝑡) + 𝑃𝑒𝑥𝑝(𝑡) ≤ 𝑃𝑓𝑛𝑒,𝐼𝑁𝑆𝑖 ∙ 𝑘𝑝𝑟𝑜(𝑡) + 𝑃𝑏𝑠𝑒𝑒𝑝𝑟
𝑗 (𝑡) + 𝑃𝑖𝑚𝑝(𝑡) (8.7)
gdje je Pnft (t) – opterećenje nefleksibilnih trošila u mikromreži u vremenskom intervalu t,
Pft (t) – ukupno opterećenje fleksibilnih trošila u mikromreži u vremenskom intervalu t,
OPTIMIZACIJSKI MODEL ZA PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S FOTONAPONSKOM ELEKTRANOM, BATERIJSKIM SKLADIŠTEM ENERGIJE I FLEKSIBILNIM TROŠILIMA
45
𝑃𝑏𝑠𝑒𝑒𝑝𝑢𝑗
(𝑡) – snaga punjenja BSEE j u vremenskom intervalu t i 𝑃𝑏𝑠𝑒𝑒𝑝𝑟𝑗 (𝑡) – snaga pražnjenja
BSEE j u vremenskom intervalu t.
Snaga punjenja i pražnjenja skladišta energije u vremenskom intervalu t ograničene su
sljedećim izrazima:
0 ≤ 𝑃𝑏𝑠𝑒𝑒𝑝𝑢𝑗
(𝑡) ≤ 𝑃𝑏𝑠𝑒𝑒𝑝𝑢,𝑀𝐴𝑋𝑗
(8.8)
0 ≤ 𝑃𝑏𝑠𝑒𝑒𝑝𝑟𝑗 (𝑡) ≤ 𝑃𝑏𝑠𝑒𝑒𝑝𝑟,𝑀𝐴𝑋
𝑗 (8.9)
𝑃𝑏𝑠𝑒𝑒𝑝𝑢𝑗
(𝑡) ∙ 𝑃𝑏𝑠𝑒𝑒𝑝𝑟𝑗 (𝑡) = 0 (8.10)
gdje je 𝑃𝑏𝑠𝑒𝑒𝑝𝑢,𝑀𝐴𝑋𝑗
– maksimalna snaga punjenja BSEE j i 𝑃𝑏𝑠𝑒𝑒𝑝𝑟,𝑀𝐴𝑋𝑗
– maksimalna snaga
pražnjenja BSEE j. BSEE nije moguće koristiti istovremeno kao izvor električne energije i za
pohranu električne energije te iz tog razloga u svakom vremenskom intervalu t mora vrijediti
izraz (8.10). Uz navedena ograničenja snage punjenja i pražnjenja BSEE kod skladišta
energije postoje i ograničenja vezana uz kapacitet BSEE. Tako u vremenskom intervalu t u
BSEE može biti pohranjena energija između maksimalne količine energije koju je moguće
pohraniti u BSEE i razine energije ispod koje više nije dozvoljeno daljnje pražnjenje BSEE
prema izrazu (8.11).
𝐸𝑏𝑠𝑒𝑒,𝑀𝐼𝑁𝑗
≤ 𝐸𝑏𝑠𝑒𝑒𝑗 (𝑡) ≤ 𝐸𝑏𝑠𝑒𝑒,𝑀𝐴𝑋
𝑗 (8.11)
gdje je 𝐸𝑏𝑠𝑒𝑒𝑗 (𝑡) – količina energije pohranjene u BSEE j u vremenskom periodu t, 𝐸𝑏𝑠𝑒𝑒,𝑀𝐼𝑁
𝑗 –
količina energije ispod koje više nije dozvoljeno daljnje pražnjenje BSEE j i 𝐸𝑏𝑠𝑒𝑒,𝑀𝐴𝑋𝑗
–
maksimalna količina energije do koje je moguće puniti BSEE j. Osim snage punjenja
(pražnjenja) količina pohranjene (preuzete) energije u BSEE ovisi i o učinkovitosti punjenja
(pražnjenja) BSEE i količini energije pohranjene u BSEE. Količina energije pohranjene u i
preuzete iz BSEE u vremenskom intervalu t definirana je izrazima (8.12) i (8.13).
𝐸𝑏𝑠𝑒𝑒𝑗 (𝑡) = 𝐸𝑏𝑠𝑒𝑒
𝑗 (𝑡 − 1) + 𝜂𝑝𝑢𝑗
∙ 𝑃𝑏𝑠𝑒𝑒𝑝𝑢𝑗
(𝑡) ∙ 𝑇𝑖𝑛𝑡 (8.12)
𝐸𝑏𝑠𝑒𝑒𝑗 (𝑡) = 𝐸𝑏𝑠𝑒𝑒
𝑗 (𝑡 − 1) −𝑃𝑏𝑠𝑒𝑒𝑝𝑟
𝑗(𝑡)
𝜂𝑝𝑟𝑗
∙ 𝑇𝑖𝑛𝑡 (8.13)
gdje je 𝜂𝑝𝑢𝑗
– učinkovitost punjenja BSEE j i 𝜂𝑝𝑟𝑗
– učinkovitost pražnjenja BSEE j.
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
46
Ograničenje maksimalne snage koju je moguće angažirati iz distribucijske mreže u praksi
najčešće proizlazi iz ugovorene maksimalne priključne snage mikromreže. Dodatno i iz
razloga što se prekomjerno angažirana snaga posebno naplaćuje u optimizacijskom modelu
definirano je ograničenje snage koju je moguće angažirati iz mreže u vremenskom intervalu t
izrazom (8.14).
0 ≤ 𝑃𝑖𝑚𝑝(𝑡) ≤ 𝑃𝑖𝑚𝑝,𝑀𝐴𝑋 (8.14)
gdje je Pimp,MAX – maksimalna snaga koju je moguće angažirati iz distribucijske mreže.
Ukupno opterećenje svih fleksibilnih trošila u vremenskom intervalu t definirano je
izrazom (8.15).
𝑃𝑓𝑡(𝑡) = ∑ 𝑃𝑓𝑡𝑛
𝑁𝐹𝑇
𝑛=1
(𝑡) (8.15)
gdje je NFT – ukupan broj fleksibilnih trošila u mikromreži i 𝑃𝑓𝑡𝑛 (𝑡) – opterećenje fleksibilnog
trošila n. Svako fleksibilno trošilo n može u vremenskom intervalu t imati opterećenje prema
izrazu (8.16).
𝑃𝑓𝑡,𝑀𝐼𝑁𝑛 ≤ 𝑃𝑓𝑡
𝑛 (𝑡) ≤ 𝑃𝑓𝑡,𝑀𝐴𝑋𝑛
(8.16)
gdje je 𝑃𝑓𝑡,𝑀𝐼𝑁𝑛 – minimalna moguća snaga i 𝑃𝑓𝑡,𝑀𝐴𝑋
𝑛 – maksimalna moguća snaga fleksibilnog
trošila n. Minimalna i maksimalna snaga svakog fleksibilnog trošila ovise o njegovim
karakteristikama i zadaju se kao ulazni podatak. Zbog toga što postoje različite vrste
fleksibilnih trošila (punionice za električna vozila, dizalice topline, banke leda i sl.) u modelu
nije definirano modeliranje zahtjeva za energijom fleksibilnih trošila. Ukupna količina
energije koju je potrebno predati svakom fleksibilnom trošilu n u određenom vremenskom
razdoblju u model se zadaje kao ulazni podatak i potrebno ga je odrediti prije pokretanja
simulacije. Kako bi osigurali da fleksibilnom trošilu n bude predana tražena količina
električne energije u optimizacijskom modelu uvijek mora biti zadovoljen izraz (8.17).
𝐸𝑓𝑡𝑛 = ∑ (𝑃𝑓𝑡
𝑛
𝑁𝐼𝑁𝑇
𝑡=1
(𝑡) ∙ 𝑒𝑛𝑏𝑓𝑡𝑛 (𝑡) ∙ 𝑇𝑖𝑛𝑡) (8.17)
gdje je 𝐸𝑓𝑡𝑛 – ukupna količina električne energije koju je potrebno predati fleksibilnom trošilu
n u zadanom vremenskom razdoblju i 𝑒𝑛𝑏𝑓𝑡𝑛 (𝑡) – vektor kojim se definira raspoloživost
fleksibilnog trošila n u vremenskom intervalu t, a može imati vrijednost 0 ili 1.
OPTIMIZACIJSKI MODEL ZA PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S FOTONAPONSKOM ELEKTRANOM, BATERIJSKIM SKLADIŠTEM ENERGIJE I FLEKSIBILNIM TROŠILIMA
47
Nakon određivanja troškova pogona mikromreže izračunavaju se ukupni troškovi izgradnje
Cizg prema izrazu (8.18).
𝐶𝑖𝑧𝑔 = 𝐶𝑓𝑛𝑒,𝐼𝑍𝐺𝑖 ∙ 𝑃𝑓𝑛𝑒,𝐼𝑁𝑆
𝑖 + 𝐶𝑏𝑠𝑒𝑒,𝑃𝑗
∙ 𝑃𝑏𝑠𝑒𝑒,𝐼𝑁𝑆𝑗
+ 𝐶𝑏𝑠𝑒𝑒,𝐵𝑗
∙ 𝐸𝑏𝑠𝑒𝑒,𝐼𝑁𝑆𝑗
(8.18)
gdje je 𝐶𝑓𝑛𝑒,𝐼𝑍𝐺𝑖 – troškovi izgradnje za FNE i u €/kW, 𝐶𝑏𝑠𝑒𝑒,𝑃
𝑗 – troškovi izgradnje za
energetsku elektroniku BSEE j u €/kW, 𝐶𝑏𝑠𝑒𝑒,𝐵𝑗
– troškovi izgradnje za baterije BSEE j u
€/kWh, 𝑃𝑏𝑠𝑒𝑒,𝐼𝑁𝑆𝑗
– instalirana snaga BSEE j i 𝐸𝑏𝑠𝑒𝑒,𝐼𝑁𝑆𝑗
– instalirani kapacitet BSEE j. Kako je
vidljivo iz (8.18) troškovi izgradnje za BSEE izračunavaju se kao suma troškova izgradnje za
instaliranu snagu i troškova izgradnje za instalirani kapacitet zbog toga što ti troškovi nisu
međusobno ovisni. [40] Na prethodno navedeni način određuju se troškovi izgradnje za sve
razmatrane tipove FNE, BSEE i njihove kombinacije.
Osim troškova izgradnje za sve razmatrane FNE i BSEE određuju se i fiksni godišnji
troškovi održavanja Codr prema izrazu (8.19).
𝐶𝑜𝑑𝑟 = 𝐶𝑓𝑛𝑒,𝐼𝑁𝑉𝑖 ∙ 𝑃𝑓𝑛𝑒,𝐼𝑁𝑆
𝑖 ∙ 𝑝𝑓𝑛𝑒𝑖 + 𝑃𝑏𝑠𝑒𝑒,𝐼𝑁𝑆
𝑗∙ 𝑐𝑏𝑠𝑒𝑒
𝑗 (8.19)
gdje je 𝑝𝑓𝑛𝑒𝑖 – postotak investicije u FNE i i 𝑐𝑏𝑠𝑒𝑒
𝑗 – trošak održavanja BSEE j u €/kW.
Godišnji fiksni troškovi održavanja FNE određuju se kao postotak od investicije dok se
troškovi održavanja za BSEE određuju prema instaliranoj snazi BSEE. Osim fiksnih godišnjih
troškova održavanja kod BSEE u obzir treba uzeti i troškove za zamjenu baterija. S obzirom
da životni vijek baterija osim o dubini pražnjenja ovisi i o broju ciklusa punjenja i pražnjenja
baterija vrlo je vjerojatno da će kroz životni vijek investicije biti potrebno napraviti barem
jednu zamjenu baterija. U modelu se uzima u obzir trošak zamjene baterija na način da se on
prikaže kao trošak u određenoj godini u novčanom tijeku kod izračuna NSV. Godina(e) u
kojima je potrebno napraviti zamjenu baterija kod BSEE u modelu se određuje na temelju
poznatog broja ciklusa potpunog punjenja i pražnjenja BSEE za godinu dana koji se dobije
kao rezultat optimizacije pogona mikromreže i definiranog broja ciklusa koje baterija može
izdržati prema tehničkim specifikacijama za dubinu pražnjenja koja je korištena u
simulacijama. Na prethodno navedeni način određuje se vektor kojim se definira u kojoj
godini je potrebno napraviti zamjenu baterija 𝑒𝑧𝑏𝑏𝑠𝑒𝑒𝑗
(𝑔). Broj elemenata vektora jednak je
broju godina trajanja investicije, a elementi vektora mogu imati vrijednost 0 ili 1. Ukoliko
element ima vrijednost 0 znači da u toj godini nije potrebno napraviti zamjenu baterija, a
ukoliko ima vrijednost 1 znači da u toj godini treba napraviti zamjenu baterija.
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
48
Nakon što se odrede svi prethodno navedeni troškovi za određeni element iz skupa FNE,
BSEE ili njihove kombinacije prelazi se na izračunavanje NSV prema izrazu (8.20).
𝑁𝑆𝑉 = ( ∑𝐶𝑝𝑜𝑔,𝑛𝑒𝑡 − 𝐶𝑝𝑜𝑔 − 𝐶𝑜𝑑𝑟 − (𝐶𝑏𝑠𝑒𝑒,𝐵
𝑗∙ 𝐸𝑏𝑠𝑒𝑒,𝐼𝑁𝑆
𝑗) ∙ 𝑒𝑧𝑏𝑏𝑠𝑒𝑒
𝑗(𝑔)
(1 + 𝑑)𝑔
𝑁𝐺𝑂𝐷
𝑔=1
) − 𝐶𝑖𝑧𝑔 (8.20)
gdje je Cpog,net – godišnji troškovi pogona mikromreže kada se sva električna energija
preuzima iz distribucijske mreže, Cpog – godišnji troškovi pogona mikromreže dobiveni
pomoću (8.1), NGOD – životni vijek investicije ili projekta i d – diskontna stopa. Nakon što
odredimo NSV za sve elemente iz skupa FNE, BSEE ili njihove kombinacije onaj element
koji ima najveći iznos NSV odabiremo kao optimalno rješenje. Kao što je vidljivo iz izraza
(8.20) isplativost investicije u FNE, BSEE ili njihovu kombinaciju izravno ovisi o uštedama
na troškovima pogona mikromreže koji se mogu postići njihovom instalacijom.
Da bi se što bolje mogla valorizirati stvarna ekonomska dobit od instalacije razmatranih
distribuiranih jedinica u optimizacijskom modelu za funkciju cilja nije postavljen izraz (8.20)
koji uključuje sve troškove, što je čest primjer u radovima, već samo dio troškova koji
direktno utječu na troškove pogona mikromreže.
8.2. Modeliranje punjenja električnih vozila
U ovom radu se kao fleksibilna trošila u mikromreži koriste punionice za električna vozila,
pa u ovom slučaju NFT predstavlja broj punionica za EV dok minimalne i maksimalne snage
fleksibilnih trošila predstavljaju minimalne i maksimalne snage punionica za EV. Zbog toga
što u optimizacijskom modelu nije realizirano modeliranje zahtjeva za električnom energijom
fleksibilnih trošila taj dio potrebno je napraviti izvan modela te ga u model proslijediti kao
ulazni podatak. Kako se u našem slučaju kao fleksibilna trošila koriste punionice za EV, bilo
je potrebno realizirati algoritam odnosno program za modeliranje potražnje električne energije
EV kao i 𝑒𝑛𝑏𝑓𝑡𝑛 (𝑡) vektor iz izraza (8.17) koji u ovom slučaju predstavlja vremenske intervale
u kojima je moguće puniti EV odnosno vremenske intervale u kojima je EV priključen na
punionicu.
Cilj procesa punjenja je pohraniti u bateriju svakog EV točno onu količinu energije koja je
potrebna da na kraju procesa punjenja baterija ima očekivani stupanj napunjenosti baterije.
Svaki EV se može napuniti do 100% kapaciteta baterije ili do očekivanog stupnja
napunjenosti baterije. Prije početka svakog procesa punjenja potrebno je odrediti potražnju ili
količinu energije koju je potrebno pohraniti u EV pomoću izraza (8.21).
OPTIMIZACIJSKI MODEL ZA PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S FOTONAPONSKOM ELEKTRANOM, BATERIJSKIM SKLADIŠTEM ENERGIJE I FLEKSIBILNIM TROŠILIMA
49
𝐸𝑒𝑣𝑘 = 𝑆𝑂𝐶𝑎𝑐
𝑘 ∙ 𝐸𝑒𝑣,𝐵𝐴𝑇𝑘 − 𝑆𝑂𝐶𝑏𝑐
𝑘 ∙ 𝐸𝑒𝑣,𝐵𝐴𝑇𝑘 (8.21)
gdje je 𝐸𝑒𝑣𝑘 – količina energije koju je potrebno pohraniti u bateriju EV k u procesu punjenja,
𝑆𝑂𝐶𝑎𝑐𝑘 – očekivani stupanj napunjenosti baterije EV k nakon punjenja, 𝑆𝑂𝐶𝑏𝑐
𝑘 – stupanj
napunjenosti baterije EV k prije početka punjenja i 𝐸𝑒𝑣,𝐵𝐴𝑇𝑘 – kapacitet baterije EV k. Stupanj
napunjenosti baterije EV predstavlja postotak napunjenosti baterije. Kao što je vidljivo iz
izraza (8.21) količina energije koju je potrebno pohraniti u bateriju svakog EV definirana je
kao razlika između očekivanog stupnja napunjenosti baterije nakon punjenja, kojeg zadajemo
kao ulazni podatak i stupnja napunjenosti baterije prije punjenja. Stupanj napunjenosti baterije
prije punjenja određuje se u programu slučajnom (engl. random) funkcijom kako bi se što
bolje simulirali različiti tipovi vožnje koji ovise o vozaču i prijeđenom putu između punjenja.
Slučajna ili random funkcija se kod određivanja napunjenosti baterije EV prije punjenja
koristi za generiranje realnog slučajnog broja (koji teoretski može biti između 0 i 1), između
minimalnog i maksimalnog stupnja napunjenosti baterije koju može imati EV prije punjenja.
Minimalni i maksimalni mogući stupanj napunjenosti baterije potrebno je definirati kao ulazni
podatak. Na taj način postiže se realniji scenarij punjenja gdje EV imaju različite napunjenosti
baterija prije punjena.
Kako bi se postiglo da je baterija svakog EV napunjena do očekivanog stupnja
napunjenosti baterije nakon punjenja u svakom procesu punjenja mora biti zadovoljen izraz
(8.22). Izrazom (8.22) potrebno je zamijeniti izraz (8.17) u optimizacijskom modelu za
optimiranje pogona mikromreže.
𝐸𝑒𝑣𝑘 = ∑ (𝑃𝑓𝑡
𝑛
𝑁𝐼𝑁𝑇
𝑡=1
(𝑡) ∙ 𝑒𝑛𝑏𝑓𝑡𝑛 (𝑡) ∙ 𝜂𝑝𝑒𝑣 ∙ 𝑇𝑖𝑛𝑡) (8.22)
gdje je 𝜂𝑝𝑒𝑣 – učinkovitost punjenja EV. U radu se pretpostavlja da ima dovoljan broj
punionica za EV tako da nema čekanja EV za pristup punionici.
Nakon što definiramo za svaki EV količinu energije koju je potrebno pohraniti u njegovu
bateriju moramo definirati vektor 𝑒𝑛𝑏𝑓𝑡𝑛 (𝑡) koji nam određuje u kojim vremenskim
intervalima možemo puniti određeni EV. Vremensko razdoblje ili broj intervala u kojima je
EV priključen na punionicu uglavnom ovisi o mjestu punjenja i načinu punjenja. U našem
slučaju pretpostavili smo da koristimo samo sporo punjenje i da se EV pune u radno vrijeme
za mikromreže poslovnih objekata i kroz noć kod rezidencijalnih mikromreža.
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
50
Kod rezidencijalnih mikromreža vektor 𝑒𝑛𝑏𝑓𝑡𝑛 (𝑡) definiran je tako da se 90% EV puni u
razdoblju od 20:00 do 7:00 sati dok se ostalih 10% EV puni kroz dan u razdoblju od 7:00 do
20:00 sati. [123]
U mikromrežama koje predstavljaju elektroenergetski sustav poslovnih objekata
pretpostavlja se da se EV mogu puniti od trenutka dolaska zaposlenika na posao pa do
njegovog odlaska s posla. Iz razloga što nisu svi zaposlenici uvijek isto vrijeme na poslu,
pogotovo u poslovnim objektima gdje postoji klizno radno vrijeme, potrebno je odrediti
razdiobu vremena punjenja. Razdioba vremena punjenja odnosno vrijeme koje je EV
priključen na punionicu određena je pomoću Poissonove razdiobe prema [124] i [125] Isto
tako, kod definiranja vektora 𝑒𝑛𝑏𝑓𝑡𝑛 (𝑡) u obzir su uzeti radni i neradni dani te dani u kojima
radi manji broj zaposlenika poput subote ili kolektivnog godišnjeg odmora. Na taj način osim
dnevnog postigli smo i sezonsko modeliranje zahtjeva za energijom EV.
U modelu nije predviđena naplata električne energije koja se koristi za punjenje EV, no u
slučaju potrebe to se može jednostavno ugraditi u model.
PRIMJENA OPTIMIZACIJSKOG MODELA NA RJEŠAVANJE PROBLEMA PLANIRANJA I OPTIMIZACIJE POGONA MIKROMREŽE
51
PRIMJENA OPTIMIZACIJSKOG MODELA NA 9.
RJEŠAVANJE PROBLEMA PLANIRANJA I
OPTIMIZACIJE POGONA MIKROMREŽE
9.1. Opis ulaznih podataka, slučaja i modela mikromreže
korištenih u simulacijama
9.1.1. Model mikromreže
U nastavku je dan opis modela mikromreže koji će se koristiti u simulacijama prema
definiranim scenarijima koji su opisani u poglavlju 9.2. U simulacijama će se razmatrati tri
tipa mikromreža koje predstavljaju elektroenergetski sustav Fakulteta elektrotehnike i
računarstva (FER), trgovačkog centra (TC) i rezidencijalne zgrade (RZ). Pretpostavka je da se
mikromreže razlikuju samo u profilu potrošnje dok su ostale tehničke karakteristike iste.
Maksimalna snaga koju je moguće angažirati iz distribucijske mreže iznosi 1000 kW za sve
tri mikromreže. U mikromrežama imamo nefleksibilna i fleksibilna trošila gdje nefleksibilna
trošila predstavljaju postojeća trošila. Pretpostavka je da u mikromreži postoji 40 punionica za
električna vozila za sporo punjenje s maksimalnom snagom od 3,7 kW [72] koje predstavljaju
fleksibilna trošila mikromreže. Zgrade u mikromrežama imaju ravni krov koji je pogodan za
instalaciju FNE. Kako bi iskoristili tu pogodnost kao distribuirani izvor u mikromreži odabrali
smo FNE. Pretpostavka je da je raspoloživa površina krova za instalaciju FNE u sve tri
mikromreže jednaka te da se one nalaze na istom području. Maksimalna veličina FNE koja
može biti instalirana određena je raspoloživom površinom krova i iznosi 550 kW za sve tri
mikromreže.
Slika 9.1. Model mikromreže
Nefleksibilna trošila
Distribucijska mreža
Punionica za EV 1
Baterijsko skladište energije
Fotonaponska elektrana
. . .Punionica za EV 2
Punionica za EV 40
Električna energija
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
52
Na slici 9.1. prikazan je model mikromreže koji će se koristiti u simulacijama i na kojem
će se prikazati primjena optimizacijskog modela opisanog u prethodnom poglavlju.
Pretpostavka je da se sva tri tipa mikromreža mogu prikazati ovim modelom mikromreže. Isto
tako, pretpostavlja se da se sav višak električne energije proizvedene iz FNE može predati u
distribucijsku mrežu.
Godišnji profili opterećenja nefleksibilnih trošila mikromreža prikazani su na slici 9.2.
Kako je vidljivo iz profila potrošnje mikromreža TC ima uglavnom konstantno opterećenje
kroz cijelu godinu i to praktički u svim danima u tjednu. Kod mikromreže FER glavina
potrošnje otpada na radne dane dok je potrošnja vikendom i za vrijeme praznika kada nema
nastave znatno manja. U ljetnim mjesecima je potrošnja električne energije u mikromreži FER
veća zbog hlađenja u odnosu na ostala godišnja doba ali to se odnosi samo na prvu polovicu
ljeta dok je u drugoj polovici potrošnja mala zbog ljetnih praznika. Iz profila potrošnje
mikromreže RZ također se mogu vidjeti sezonska odstupanja u potrošnji.
Slika 9.2. Profil opterećenja mikromreža za dan s najvećom angažiranom snagom
Na slici 9.3. prikazani su profili opterećenja za jedan dan u kojem je postignuto
maksimalno opterećenje i to za sve tri mikromreže. Prikazani profili opterećenja odnose se
isključivo na nefleksibilna trošila i bez instaliranih FNE i BSEE u mikromreži.
Prikazane krivulje opterećenja korištene u simulacijama za sve tri mikromreže dobivene su
mjerenjem.
0
100
200
300
400
500
600
700
800
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Sn
ag
a [
kW
]
Sati
FER TC RZ
PRIMJENA OPTIMIZACIJSKOG MODELA NA RJEŠAVANJE PROBLEMA PLANIRANJA I OPTIMIZACIJE POGONA MIKROMREŽE
53
Slika 9.3. Godišnji profili opterećenja mikromreža
0
100
200
300
400
500
600
700
800
1 366 731 1096 1461 1826 2191 2556 2921 3286 3651 4016 4381 4746 5111 5476 5841 6206 6571 6936 7301 7666 8031 8396
Snag
a [k
W]
Sati
TC RZ FER
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
54
9.1.2. Ulazni podaci
U ovom potpoglavlju dan je pregled ulaznih podataka koji su korišteni u simulacijama i
analizama prikazanim u radu.
Fotonaponska elektrana 9.1.2.1.
Maksimalna instalirana snaga FNE ograničena je raspoloživom površinom krova koja je
jednaka za sve tri mikromreže i iznosi 550 kW. Faktor proizvodnje za svaki vremenski
interval (sat) određen je na način da smo prosječnu satnu izlaznu snagu jedne FNE u blizini
naše lokacije [126] podijelili s njezinom instaliranom snagom. Na slici 9.4. prikazane su
vrijednosti faktora proizvodnje za tri karakteristična dana u godini. Faktor proizvodnje za
svaki karakteristični dan predstavlja proizvodnju FNE za karakteristični dan u određenom
vremenskom razdoblju ili periodu u godini s obzirom da proizvodnja električne energije iz
FNE varira tijekom godine.
Slika 9.4. Vrijednosti faktora proizvodnje FNE za tri karakteristična dana
Vrijednosti faktora proizvodnje za prvi period odnose se na mjesec siječanj, veljaču,
studeni i prosinac, za drugi period na mjesec ožujak, travanj, rujan i listopad i za treći period
na mjesec svibanj, lipanj, srpanj i kolovoz. Zbog velike količine podataka nisu prikazane sve
vrijednosti faktora proizvodnje jer bi prikaz bio nepregledan.
Pretpostavlja se da je moguće za proizvedenu električnu energiju iz FNE ostvariti poticaje
na način kako je to definirano u optimizacijskom modelu. Iznos poticajne tarife za električnu
0,00
0,10
0,20
0,30
0,40
0,50
0,60
0,70
0,80
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Fakt
or
pro
izvo
dn
je F
NE
[p.u
.]
Sati
Period 1 Period 2 Period 3
PRIMJENA OPTIMIZACIJSKOG MODELA NA RJEŠAVANJE PROBLEMA PLANIRANJA I OPTIMIZACIJE POGONA MIKROMREŽE
55
energiju potrošenu u mikromreži određen je prema trenutno važećem poticanim tarifama za
proizvodnju električne energije iz FNE u Hrvatskoj, a za iznos druge poticajne tarife za
električnu energiju predanu u distribucijsku mrežu uzeta je prosječna proizvodna cijena
također u Hrvatskoj. [127] Ostali korišteni ulazni podaci vezano uz FNE dani su u tablici 9.1.
Tablica 9.1. Ulazni podaci korišteni u simulacijama za FNE
Vrijednost Jedinica
Poticajna tarifa 1
30 kW – 300 kW 0,22 €/kWh
Poticajna tarifa 1
300 kW – 1000 kW 0,15 €/kWh
Poticajna tarifa 2 0,08 €/kWh
Troškovi izgradnje
100 kW – 500 kW 900 €/kW
Troškovi izgradnje
500 kW – 1000 kW 950 €/kW
Fiksni troškovi održavanja
100 kW – 500 kW
0,4% od troškova
izgradnje -
Fiksni troškovi održavanja
500 kW – 1000 kW
0,3% od troškova
izgradnje -
Troškovi izgradnje i održavanja navedeni u tablici 9.1. odnose se na FNE koja je
predviđena za instalaciju na ravni krov. Iako se ne očekuje da troškovi izgradnje za FNE veće
od 500 kW budu veći od troškova izgradnje za FNE manje od 500 kW to je u praksi stvarno
stanje jer FNE instalirane snage veće od 500 kW imaju veće troškove priključenja na mrežu.
Baterijsko skladište električne energije 9.1.2.2.
U simulacijama i analizama koristili smo četiri tipa BSEE koja imaju različite tehničke
karakteristike ali i troškove izgradnje i održavanja. Korišteni tipovi BSEE su:
BSEE s nikal kadmijevim baterijama (NiCd),
BSEE s natrij nikal kloridnim baterijama (NaNiCl),
BSEE s litij ionskim baterijama (Li-ion),
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
56
BSEE s natrij sumporovim baterijama (NaS).
Ulazni podaci korišteni u simulacijama vezano uz BSEE dani su u tablici 9.2. U modelu
nisu predviđene dodatne subvencije za korištenje BSEE.
U svim simulacijama dozvoljeno je da se BSEE prazni maksimalno do 30% instaliranog
kapaciteta. Životni vijek izražen u broju ciklusa punjenja i pražnjenja u tablici 9.2. odnosi se
na navedenu dubinu pražnjenja BSEE.
Tablica 9.2. Ulazni podaci korišteni u simulacijama za BSEE
BSEE
NiCd
BSEE
NaNiCl
BSEE
Li-ion
BSEE
NaS
Troškovi izgradnje
25 kW – 75 kW 200 €/kW 150 €/kW 800 €/kW 800 €/kW
Troškovi izgradnje
100 kW – 300 kW 150 €/kW 100 €/kW 700 €/kW 700 €/kW
Troškovi izgradnje
50 kWh – 200 kWh 700 €/kWh 150 €/kWh 800 €/kWh 500 €/kWh
Troškovi izgradnje
300 kWh – 500 kWh 600 €/kWh 120 €/kWh 700 €/kWh 400 €/kWh
Fiksni troškovi održavanja
25 kW – 100 kW 25 €/kW 15 €/kW 25 €/kW 20 €/kW
Fiksni troškovi održavanja
200 kW – 300 kW 20 €/kW 12 €/kW 22 €/kW 17 €/kW
Učinkovitost punjenja 75% 90% 95% 85%
Učinkovitost pražnjenja 75% 90% 95% 85%
Životni vijek (ciklusa) 1500 2000 5000 3000
Distribucijska mreža 9.1.2.3.
Kod distribucijske mreže pretpostavlja se da je moguće sav višak električne energije
proizvedene iz FNE predati u mrežu i da je maksimalno moguće u jednom vremenskom
intervalu iz mreže angažirati 1000 kW.
Za simulacije u radu koriste se dva načina naplate električne energije preuzete iz
distribucijske mreže ovisno o slučaju. Prvi način na koji se izračunava trošak za preuzetu
električnu energiju je klasični način gdje se električna energija kupuje od opskrbljivača pri
PRIMJENA OPTIMIZACIJSKOG MODELA NA RJEŠAVANJE PROBLEMA PLANIRANJA I OPTIMIZACIJE POGONA MIKROMREŽE
57
čemu se koriste dvije tarife u danu, dnevna (viša) i noćna (niža) tarifa. Viša tarifa primjenjuje
se od 8:00 do 22:00 sata, a niža tarifa od 0:00 do 8:00 i od 22:00 do 0:00 sata. U simulacijama
se koriste aktualne cijene na tržištu u Hrvatskoj gdje je iznos više tarife 0,10 €/kWh a niže
0,06 €/kWh. [128]
U drugom slučaju pretpostavlja se da je električna energija kupljena na tržištu gdje se
primjenjuju cijene električne energije na tržištu električne energije te se ona mijenja na satnoj
razini. Cijene električne energije korištene u ovom slučaju preuzete su s [129] i odnose se na
cijenu na tržištu za dan unaprijed, a prikazane su na slici 9.5.
Slika 9.5. Cijene električne energije
Uz cijene za električnu energiju u modelu je potrebno definirati i cijenu za emisiju CO2. U
simulacijama je primijenjena cijena koja je bila aktualna u to vrijeme na burzama, a iznosi
0,006 €/kg. Emisijski faktor za električnu energiju preuzetu iz distribucijske mreže preuzet je
iz [58] i iznosi 0,22 kg/kWh.
Punjenje električnih vozila 9.1.2.4.
Prilikom punjenja električnih vozila u sve tri mikromreže pretpostavka je da će se uvijek
puniti 40 EV, od kojih 25 EV ima kapacitet baterije 16 kWh, 10 EV ima kapacitet baterije 20
kWh i 5 EV ima kapacitet baterije 25 kWh. Za svaki EV prilikom definiranja potrebne
energije za punjenje minimalni mogući stupanj napunjenosti baterije iznosi 20% a maksimalni
stupanj napunjenosti baterije iznosi 70% od kapaciteta baterije. U simulacijama je uzeto da je
0
0,05
0,1
0,15
0,2
0,25
0,3
1 366 731 1096 1461 1826 2191 2556 2921 3286 3651 4016 4381 4746 5111 5476 5841 6206 6571 6936 7301 7666 8031 8396
Cij
en
a e
lekt
ričn
e e
ne
rgije
[€
/kW
h]
SatiCijena električne energije iz mreže Cijena električne energije predane u mrežu
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
58
očekivani stupanj napunjenosti baterije nakon punjenja svakog EV i kod svakog punjenja
90% od ukupnog kapaciteta baterije te da je učinkovitost punjenja svih EV 90%.
Kod mikromreže FER pretpostavlja se da se pune EV zaposlenika i to u vremenskom
periodu između 8:00 i 17:00 sati i da je prosječno EV priključen na punionicu 7 sati, te da se
radnim danom puni svih 40 EV, subotom i kroz praznike 20 EV, a nedjeljom i blagdanom
nema punjenja EV.
S obzirom na profil opterećenja i radno vrijeme TC pretpostavlja se da on radi cijeli dan od
ponedjeljka do subote i u manjem opsegu nedjeljom te da se na punionicama pune EV
zaposlenika TC u njihovo radno vrijeme. Prema tome se od ponedjeljka do subote puni 40 EV
a nedjeljom i blagdanom 20 EV. Prosječno vrijeme koje je EV priključen na punionicu iznosi
7 sati.
U mikromreži RZ pretpostavka je da se 35 EV puni u razdoblju od 20:00 do 7:00 sati, a 5
EV u razdoblju od 7:00 do 20:00 sati i to svaki dan u tjednu.
Prema ovim pretpostavkama generira se vektor koji nam određuje u kojim se vremenskim
intervalima može puniti određeni EV.
9.1.3. Definiranje slučaja
Simulacije i analize koje će biti prikazane u nastavku ovog poglavlja biti će realizirane
pomoću prethodno opisanog optimizacijskog modela. Prvo će biti prikazani rezultati
određivanja optimalne veličine FNE, a potom rezultati određivanja optimalne veličine
kombinacije FNE i BSEE za sve tri mikromreže. U ovim analizama biti će razmatrane FNE s
različitim instaliranim snagama dok će se kod BSEE razmatrati različite tehnologije BSEE s
različitim instaliranim snagama i kapacitetom. Nakon toga će za određene optimalne veličine
biti prikazane analize osjetljivosti projekta na promjenu cijene električne energije i diskontne
stope. Navedene simulacije i analize biti će provedene za tri različita slučaja, a to su:
električna energija kupuje se od opskrbljivača dok se za električnu energiju
proizvedenu iz FNE isplaćuju poticaji (Slučaj 1),
električna energija kupuje se na tržištu dok se za električnu energiju proizvedenu iz
FNE isplaćuju poticaji (Slučaj 2),
troškovi za električnu energiju preuzetu iz distribucijske mreže i električnu energiju
predanu u distribucijsku mrežu obračunavaju se po tržišnim cijenama (Slučaj 3).
Za sve tri mikromreže biti će prikazane okolišne analize vezane uz emisiju CO2 prije
instalacije FNE i BSEE te nakon njihove instalacije.
PRIMJENA OPTIMIZACIJSKOG MODELA NA RJEŠAVANJE PROBLEMA PLANIRANJA I OPTIMIZACIJE POGONA MIKROMREŽE
59
Za odabrane karakteristične dane u godini (period 1, period 2 i period 3) biti će prikazano
vođenje pogona mikromreža kroz simulacije optimiranja njihovog pogona. Ovdje će biti
prikazani svi glavni rezultati simulacija dobiveni optimizacijskim modelom koji su relevantni
za optimalno vođenje pogona mikromreža. Ovime se želi pokazati funkcionalnost samog
optimizacijskog modela u svrhu optimiranja i vođenja pogona mikromreže.
Mogućnost i potencijal mikromreža za pružanjem pomoćnih usluga koji će se razmatrati u
ovom dijelu rada bazirati će se na fleksibilnosti u radu BSEE i punjenja EV. Ovdje će biti
opisane dodatne izmjene koje je potrebno napraviti u optimizacijskom modelu kako bi se on
mogao koristiti i za određivanje optimalnog opsega pružanja pomoćne usluge mikromreže. Na
modelima razmatranih mikromreža kroz simulacije će biti prikazani njihovi potencijali u
pružanju pomoćnih usluga sustavu kao i određivanje cijene tih usluga. Pomoćna usluga koja
će se ovdje razmatrati odnosi se na preuzimanje i isporuku električne energije na zahtjev
korisnika usluge.
9.2. Određivanje optimalne veličine FNE
Na prethodno opisanim modelima mikromreža i prema navedenim scenarijima pomoću
optimizacijskog modela prvo će biti prikazani rezultati simulacija kod određivanja optimalne
veličine FNE. Ovdje će biti razmatrane FNE instalirane snage od 200 kW do 900 kW. Iako je
maksimalna instalirana snaga FNE 550 kW, FNE veće instalirane snage od 550 kW biti će
razmatrane kako bi se što bolje pokazala funkcionalnost optimizacijskog modela i ovisnost
veličine FNE o potrošnji u mikromreži. Na slici 9.6. prikazani su rezultati određivanja
optimalne veličine FNE za mikromrežu FER i to za slučaj 1, slučaj 2 i slučaj 3. U svim
simulacijama korištena je jednaka diskontna stopa od 7% i životni vijek projekta od 14
godina.
Iz rezultata je vidljivo da je optimalna veličina FNE u mikromreži FER za slučaj 1 i slučaj
2 550 kW jer imaju najveći iznos NSV od potencijalnih FNE koje mogu biti izgrađene u
mikromreži. Za sve razmatrane instalirane snage FNE za slučaj 1 i slučaj 2 NSV je pozitivna
što znači da su ti projekti ekonomski opravdani.
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
60
Slika 9.6. Iznosi NSV za FNE u mikromreži FER
Zbog toga što se na FNE instalirane snage veće od 300 kW primjenjuje niža poticajna
tarifa za proizvedenu električnu energiju koja je potrošena u mikromreži dolazi do pada NSV,
pa je iz tog razloga NSV za FNE instalirane snage 350 kW manja od FNE instalirane snage
od 300 kW.
Povećanjem instalirane snage FNE trend povećanja NSV je sve manji jer se sve više
električne energije proizvedene iz FNE predaje u distribucijsku mrežu za koju se obračunava
poticajna tarifa 2 koja nije dovoljna za pokrivanje sve većih troškova izgradnje. Iznos NSV za
slučaj 2 u odnosu na slučaj 1 je manji jer su troškovi pogona mikromreže u slučaju 2 manji od
troškova pogona u slučaju 1.
U slučaju 3 za sve razmatrane FNE iznosi NSV su negativni što znači da primjena FNE u
potpuno tržišnim uvjetima i bez poticaja nije još uvijek ekonomski opravdana. Ovdje treba
uzeti u obzir da se sva električna energija koja je preuzeta iz distribucijske mreže plaća po
tržišnoj cijeni koja je promjenjiva na satnoj razini te da su troškovi pogona u takvim uvjetima
niži od troškova pogona u slučaju 1. S druge strane električna energija proizvedena iz FNE i
potrošena u mikromreži utječe samo na smanjenje troškova pogona, a višak te električne
energije koja se predaje u mrežu prodaje se po tržišnim cijenama. Iz prethodno navedenih
razloga u ovom slučaju nije moguće postići dovoljno velike uštede u troškovima pogona koje
bi osigurale isplativost izgradnje FNE u promatranom razdoblju. U našem slučaju za najbolje
rješenje uzima se FNE koja ima najveći iznos NSV, a to je FNE s instaliranom snagom od
200 kW.
Rezultati dobiveni kod određivanja optimalne veličine FNE u mikromreži TC prikazani su
na slici 9.7. Isto kao i kod mikromreže FER u svim simulacijama korištena je jednaka
diskontna stopa od 7%.
PRIMJENA OPTIMIZACIJSKOG MODELA NA RJEŠAVANJE PROBLEMA PLANIRANJA I OPTIMIZACIJE POGONA MIKROMREŽE
61
Slika 9.7. Iznosi NSV za FNE u mikromreži trgovačkog centra
Iz dobivenih rezultata možemo vidjeti da su optimalne veličine FNE za sva tri slučaja
jednake kao i kod mikromreže FER i to za slučaj 1 i slučaj 2 optimalna veličina FNE je 550
kW a za slučaj 3 je najbolje rješenje 200 kW. Kod mikromreže TC iznosi NSV za razmatrane
FNE veći su od iznosa NSV dobivenih kod mikromreže FER jer je potrošnja električne
energije u mikromreži TC veća od potrošnje u mikromreži FER, pa se više električne energije
proizvedene iz FNE može potrošiti u mikromreži, što znači da je za iste uvjete investicija u
FNE isplativija kod mikromreže TC nego kod mikromreže FER.
Mikromreža RZ ima u usporedbi s ostale dvije mikromreže najmanju potrošnju električne
energije i najviše varijacija u potrošnji tijekom dana što je vidljivo iz dijagrama opterećenja
prikazanog na slici 9.2. Rezultati simulacija kod određivanja optimalne veličine FNE u
mikromreži RZ prikazani su na slici 9.8., a u simulacijama je korištena diskontna stopa od
7%.
Slika 9.8. Iznosi NSV za FNE u mikromreži rezidencijalne zgrade
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
62
Za slučaj 1 optimalna veličina FNE iznosi 550 kW, a za slučaj 2 optimalna veličina iznosi
300 kW. Za slučaj 3 najbolje rješenje je jednako kao i u ostalim mikromrežama i iznosi 200
kW.
Iz rezultata za sve tri mikromreže možemo zaključiti da su u slučajevima 1 i 2 za sve
razmatrane veličine FNE investicije ekonomski opravdane te da je koncept u kojem se
poticanje proizvodnje električne energije iz FNE provodi kroz dvije poticajne tarife
ekonomski isplativ za investitore, a s druge strane veličina FNE prilagođava se potrošnji u
mikromreži. Za slučaj 3 kod sve tri mikromreže i za sve razmatrane FNE iznosi NSV su
negativni što znači da investicije u potpuno tržišnim uvjetima u FNE nisu još uvijek
ekonomski opravdane. U ovom slučaju najbolje rješenje, a ne i optimalno, je izgradnja FNE
najmanje snage jer u tom slučaju imamo najmanje gubitke. Na slici 9.9. prikazani su rezultati
određivanja interne stope rentabilnosti (ISR) za sve tri mikromreže i razmatrane FNE u
slučaju 3 gdje se može vidjeti ovisnost ISR o veličini FNE. Iz dobivenih rezultata možemo
vidjeti da investicija ili projekt povećanjem troškova izgradnje može podnijeti sve manju
diskontnu stopu bez obzira na povećanje proizvodnje FNE i smanjenje troškova pogona. Veći
pad vrijednosti ISR nakon 500 kW uzrokovan je povećanjem investicijskih troškova prema
tablici 9.1.
Slika 9.9. Interna stopa rentabilnosti za FNE u tržišnim uvjetima
Osim smanjenja diskontne stope, isplativosti projekata u izgradnju FNE u tržišnim
uvjetima svakako može doprinijeti smanjenje investicijskih troškova kao i povećanje cijene
električne energije na tržištu. S obzirom da se ovdje EV pune besplatno, uvođenje
naplaćivanja električne energije za punjenje EV svakako može biti jedan od načina kako
učiniti investiciju u FNE isplativijom u tržišnim uvjetima i bez poticanja proizvodnje
električne energije proizvedene iz FNE.
PRIMJENA OPTIMIZACIJSKOG MODELA NA RJEŠAVANJE PROBLEMA PLANIRANJA I OPTIMIZACIJE POGONA MIKROMREŽE
63
9.3. Određivanje optimalne veličine kombinacije FNE i BSEE
Ovdje će se razmatrati primjena različitih tehnologija, snaga i kapaciteta BSEE u istim
mikromrežama i za iste slučajeve kao i kod određivanja optimalne veličine FNE na način da
će se uz različite BSEE koristiti optimalna veličina FNE prema poglavlju 9.2. Tako npr. za
mikromrežu FER za slučaj 1 ćemo razmatrati primjenu FNE snage 550 kW u kombinaciji s
različitim BSEE pri čemu se u obzir uzimaju svi troškovi za FNE kao i kod određivanja
optimalne veličine FNE (troškovi izgradnje i održavanja).
Tehnologije BSEE koje će biti razmatrane u kombinaciji s optimalnom veličinom FNE za
sve slučajeve su NiCd, NaNiCl, Li-Ion i NaS. Ulazni podaci korišteni u simulacijama vezano
uz BSEE dani su u tablici 9.2. U svim simulacijama korištena je diskontna stopa od 7% i
životni vijek projekta od 14 godina.
9.3.1. Mikromreža FER
Kod mikromreže FER se u simulacijama uz različite veličine i tehnologije BSEE koristi
FNE snage 550 kW u slučajevima 1 i 2, a u slučaju 3 FNE snage 200 kW.
Slika 9.10. Iznosi NSV za kombinaciju FNE i BSEE u mikromreži FER – slučaj 1
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
64
Slika 9.10. prikazuje iznose NSV za kombinaciju FNE i BSEE za slučaj 1. Prema
dobivenim rezultatima vidljivo je da primjena FNE bez BSEE ima veći iznos NSV u odnosu
na kombinaciju FNE i BSEE i to u svim slučajevima. Zbog toga su prikazani rezultati samo
za kombinaciju BSEE s optimalnom veličinom FNE. Razlog tomu je značajnije povećanje
troškova izgradnje takvog sustava pri čemu nema dodatnih poticaja ili subvencija niti
promjene ostalih parametara simulacije u odnosu na slučaj kada promatramo primjenu samo
FNE. Bez obzira na tu činjenicu vidimo da sve razmatrane tehnologije i veličine BSEE u
kombinaciji s FNE imaju pozitivne iznose NSV što ih čini ekonomski opravdanim
investicijama. U sve četiri situacije najveći iznos NSV ima BSEE s najmanjom snagom i
kapacitetom i to 50 kW i 100 kWh. Iz dobivenih rezultata možemo reći da je optimalna
veličina BSEE za slučajeve prikazane na slici 9.10. BSEE tehnologije NaNiCl snage 50 kW i
kapaciteta 100 kWh (slika 9.10. b). Kod svih razmatranih tehnologija vidimo da povećanjem
snage i kapaciteta BSEE iznosi NSV padaju jer se povećavaju troškovi investicije.
Povećanjem kapaciteta i snage BSEE smanjuju se troškovi pogona dok se povećanjem
kapaciteta u odnosu na snagu BSEE smanjuje potreban broj zamjena baterija BSEE jer se
smanjuje broj ciklusa potpunog punjenja i pražnjenja koji određuju životni vijek baterija. Bez
obzira što se povećanjem kapaciteta smanjuje broj zamjena baterija radi se o zamjeni većeg
broja baterija što znatno utječe na isplativost projekta. Osim broja zamjena baterija tijekom
životnog vijeka projekta na iznos NSV utječe i godina ili godine u kojima se obavlja ta
zamjena jer nije isto ako baterije mijenjamo u prvim godinama projekta ili na kraju projekta.
Za razliku od ostalih razmatranih tehnologija BSEE, NaNiCl BSEE ima značajno manje
smanjenje NSV povećanjem snage i kapaciteta skladišta. Razlog tomu su značajno niži
troškovi za baterije u odnosu na ostale tehnologije. Prema dobivenim rezultatima možemo
vidjeti da Li-Ion BSEE ima najmanje iznose NSV (slika 9.10. c) iako ima najbolje tehničke
karakteristike ali i najveće troškove izgradnje.
Slika 9.11. prikazuje dobivene iznose NSV za slučaj 2. Iznosi NSV manji su od iznosa
dobivenih u slučaju 1 prvenstveno iz razloga što su uštede kod troškova pogona manje od
troškova pogona kod slučaja 1. Optimalna veličina skladišta energije jednaka je kao i kod
slučaja 1. Iz rezultata prikazanih na slici 9.11. možemo vidjeti da su uglavnom svi iznosi NSV
pozitivni osim kod Li-Ion BSEE (slika 9.11. c) gdje je za najveću snagu i kapacitet skladišta
taj iznos negativan.
PRIMJENA OPTIMIZACIJSKOG MODELA NA RJEŠAVANJE PROBLEMA PLANIRANJA I OPTIMIZACIJE POGONA MIKROMREŽE
65
Slika 9.11. Iznosi NSV za kombinaciju FNE i BSEE u mikromreži FER – slučaj 2
Slika 9.12. Iznosi NSV za kombinaciju FNE i BSEE u mikromreži FER – slučaj 3
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
66
Iznosi NSV kod primjene kombinacije FNE i BSEE u mikromreži FER za slučaj 3
prikazani su na slici 9.12. Za razliku od prethodna dva slučaja kod slučaja 3 svi iznosi NSV su
negativni što znači da investicije nisu ekonomski opravdane. Najbolje rješenje za slučaj 3
također je BSEE tehnologije NaNiCl snage 50 kW i 150 kWh (slika 9.12. b) jer je kod
primjene navedenog skladišta energije gubitak najmanji. Isto kao i kod primjene samo FNE u
potpuno tržišnim uvjetima tako i kod primjene kombinacije FNE i BSEE nije moguće postići
isplativost investicije samo kroz ostvarene uštede u troškovima pogona s obzirom da su
troškovi izgradnje relativno visoki u odnosu na ostvarene uštede.
9.3.2. Mikromreža trgovačkog centra
Kod mikromreže TC se u simulacijama uz različite veličine i tehnologije BSEE koristi
FNE snage 550 kW u slučajevima 1 i 2 te FNE snage 200 kW u slučaju 3.
Rezultati simulacija odnosno iznosi NSV za mikromrežu TC (slika 9.13.) slični su
rezultatima za mikromrežu FER i u ovom slučaju optimalna veličina skladišta energije je
BSEE tehnologije NaNiCl snage 50 kW i 100 kWh (slika 9.13. b).
Slika 9.13. Iznosi NSV za kombinaciju FNE i BSEE u mikromreži TC – slučaj 1
PRIMJENA OPTIMIZACIJSKOG MODELA NA RJEŠAVANJE PROBLEMA PLANIRANJA I OPTIMIZACIJE POGONA MIKROMREŽE
67
Slika 9.14. Iznosi NSV za kombinaciju FNE i BSEE u mikromreži TC – slučaj 2
Slika 9.15. Iznosi NSV za kombinaciju FNE i BSEE u mikromreži TC – slučaj 3
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
68
Kao i u prethodnim slučajevima, iznosi NSV manji su kod kombinacije FNE i BSEE nego
kada koristimo samo FNE te povećanjem instalirane snage i kapaciteta BSEE iznosi NSV
padaju iz već navedenih razloga. Dobiveni iznosi NSV za mikromrežu TC veći su od iznosa
NSV dobivenih kod mikromreže FER iz razloga što je iznos NSV za optimalnu veličinu FNE
u mikromreži TC veći od iznosa za mikromrežu FER. Razlika između iznosa NSV za
optimalnu veličinu FNE i optimalnu veličinu kombinacije FNE i BSEE također je veća kod
mikromreže TC. Navedena razlika veća je kod mikromreže TC zbog toga što BSEE kod
mikromreže TC manje doprinosi smanjenju troškova pogona nego kod mikromreže FER.
Razlog tomu je veća potrošnja električne energije u mikromreži TC, pa imamo manje
električne energije proizvedene iz FNE koja se predaje u distribucijsku mrežu odnosno imamo
manje električne energije koja se pohranjuje u BSEE, a koja bi bila kao višak predana u
distribucijsku mrežu u slučaju da nema BSEE.
Iznosi NSV za mikromrežu TC kod slučaja 2 prikazani su na slici 9.14. Najveći iznos ima
BSEE tehnologije NaNiCl snage 50 kw i 100 kWh (slika 9.14. b) što ga u tom slučaju čini
optimalnim rješenjem. U slučaju 3 najbolje rješenje je isto kao i u prethodna dva slučaja, a
iznosi NSV za razmatrane BSEE prikazani su na slici 9.15.
9.3.3. Mikromreža rezidencijalne zgrade
Kod mikromreže RZ u simulacijama se uz različite veličine i tehnologije BSEE koristi
FNE snage 550 kW kod slučaja 1, FNE snage 300 kW kod slučaja 2 te FNE snage 200 kW
kod slučaja 3.
Iz dobivenih rezultata za slučaj 1 prikazanim na slici 9.16. možemo vidjeti da su svi iznosi
NSV pozitivni ali su manji od ostale dvije mikromreže. Optimalna veličina BSEE kod slučaja
1 je BSEE tehnologije NaNiCl snage 50 kW i 100 kWh uz iste činjenice kao i u ostale dvije
mikromreže. Kod slučaja 2 optimalna veličina BSEE je jednaka kao i kod slučaja 1, a ostali
iznosi NSV za sva razmatrana BSEE prikazani su na slici 9.17. Kao i kod ostale dvije
mikromreže primjena kombinacije FNE i BSEE u popuno tržišnim okolnostima (slučaj 3) nije
ekonomski opravdana ni kod mikromreže RZ. Iznosi NSV za slučaj 3 prikazani su na slici
9.18. U ovom slučaju ponovno je najbolje rješenje isto kao i u svim dosadašnjim slučajevima.
PRIMJENA OPTIMIZACIJSKOG MODELA NA RJEŠAVANJE PROBLEMA PLANIRANJA I OPTIMIZACIJE POGONA MIKROMREŽE
69
Slika 9.16. Iznosi NSV za kombinaciju FNE i BSEE u mikromreži RZ – slučaj 1
Slika 9.17. Iznosi NSV za kombinaciju FNE i BSEE u mikromreži RZ – slučaj 2
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
70
Slika 9.18. Iznosi NSV za kombinaciju FNE i BSEE u mikromreži RZ – slučaj 3
Iz prikazanih rezultata možemo vidjeti da za sve tri mikromreže i u svim slučajevima
imamo uvijek isto optimalno rješenje te kod svih razmatranih tehnologija BSEE najveći iznos
NSV ima BSEE s najmanjom instaliranom snagom i kapacitetom. U svim razmatranim
slučajevima BSEE je korišten u svrhu smanjenja troškova pogona mikromreže na način da se
skladište energije puni električnom energijom iz FNE i za vrijeme kada je cijena električne
energije niža, a prazni za vrijeme kada je cijena električne energije viša. Iz rezultata možemo
zaključiti da korištenje BSEE na navedeni način ne može pokriti troškove izgradnje i zamjenu
baterija kroz životni vijek projekta i to osobito u tržišnim uvjetima. Zbog toga kao optimalno
rješenje uvijek proizlazi tehnologija NaNiCl koja ima najmanje troškove izgradnje u odnosu
na ostale razmatrane tehnologije.
9.4. Analiza troškova pogona FNE i kombinacije FNE i BSEE
Ovdje će biti dana usporedba i analiza godišnjih troškova pogona za sve tri mikromreže i
za sva tri slučaja. Godišnji troškovi pogona mikromreže biti će prikazani kada se ne koristi
distribuirani izvor odnosno kada se sva potrošena električna energija preuzima iz
PRIMJENA OPTIMIZACIJSKOG MODELA NA RJEŠAVANJE PROBLEMA PLANIRANJA I OPTIMIZACIJE POGONA MIKROMREŽE
71
distribucijske mreže, kada u mikromreži imamo optimalnu veličinu FNE i kada u mikromreži
imamo optimalnu veličinu kombinacije FNE i BSEE. Na slici 9.19. prikazani su godišnji
troškovi pogona za mikromrežu FER, na slici 9.20. za mikromrežu TC i na slici 9.21. za
mikromrežu RZ.
Slika 9.19. Godišnji troškovi pogona za mikromrežu FER
Slika 9.20. Godišnji troškovi pogona za mikromrežu TC
Slika 9.21. Godišnji troškovi pogona za mikromrežu RZ
Iz dobivenih rezultata možemo vidjeti da mikromreže FER i RZ imaju približno jednake
troškove pogona pri čemu su troškovi pogona nešto veći kod mikromreže FER. Mikromreža
TC ima znatno veće troškove pogona što proizlazi iz veće potrošnje električne energije u
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
72
odnosu na ostale dvije mikromreže. Ukoliko promatramo troškove pogona kada koristimo
samo električnu energiju iz distribucijske mreže, troškovi pogona kod slučaja 2 manji su od
troškova pogona u slučaju 1 iz razloga što je cijena električne energije u slučaju 2 niža od
cijene u slučaju 1. Kod slučaja 3 troškovi pogona kada koristimo samo električnu energiju iz
distribucijske mreže jednaka je kao i u slučaju 2 jer je cijena električne energije iz
distribucijske mreže u oba slučaja jednaka.
Kako je vidljivo iz rezultata, primjenom FNE mogu se postići značajnije uštede u pogonu
mikromreže i to kod slučajeva 1 i 2. Kod slučaja 2 smanjenje troškova pogona u mikromreži
RZ manje je u odnosu na ostale dvije mikromreže jer je optimalna veličina FNE kod
mikromreže RZ manja nego kod ostale dvije mikromreže, pa je prema tome i proizvodnja
električne energije iz FNE u toj mikromreži manja. Za razliku od slučajeva 1 i 2, smanjenje
troškova pogona kod slučaja 3 znatno je manje i približno je jednako u sve tri mikromreže.
Razlog malog smanjenja troškova pogona kod primjene FNE u mikromreži u slučaju 3 je što
je kod tog slučaja optimalna veličina FNE manja u odnosu na ostala dva slučaja. Drugi ali i
glavni razlog je u tome što se kod slučaja 3 ne potiče proizvodnja električne energije iz FNE
već je električna energija proizvedena iz FNE i potrošena u mikromreži besplatna, a
eventualni višak električne energije koji se predaje u distribucijsku mrežu prodaje se po
cijenama na tržištu električne energije koje su niže od cijena električne energije na tržištu za
preuzetu električnu energiju (slika 9.5.) te poticajnih cijena korištenih u slučajevima 1 i 2.
Korištenje kombinacije FNE i BSEE kod sve tri mikromreže i u svim slučajevima
neznatno utječe na smanjenje godišnjih troškova pogona mikromreže u odnosu na slučaj kada
koristimo samo FNE u mikromreži. BSEE doprinosi smanjenju troškova proizvodnje najviše
u slučajevima gdje imamo poticanje proizvodnje električne energije iz FNE (slučaj 1 i 2) jer
se kod punjenja BSEE električnom energijom iz FNE povećava potrošnja u mikromreži te se
na tu energiju primjenjuje viša poticajna tarifa. Ukoliko ne bi bilo BSEE ta električna energija
bila bi kao višak predana u distribucijsku mrežu uz primjenu niže poticajne tarife. Iz tog
razloga doprinos smanjenju troškova pogona BSEE je samo u razlici iznosa više i niže
poticajne tarife za električnu energiju proizvedenu iz FNE, dok u slučaju 3 gdje nema
poticanja proizvodnje električne energije iz FNE tog doprinosa nema. Isto tako, sva električna
energija preuzeta iz BSEE je besplatna, a smanjenje troškova pogona proizlazi u manjoj
potrošnji energije iz mreže u vremenskim intervalima kada koristimo energiju iz BSEE. Kako
se radi o maloj količini električne energije u odnosu na ukupnu potrošnju taj doprinos je
cjenovno vrlo mali. Ovdje treba uzeti u obzir i troškove pogona samog BSEE koji proizlaze iz
učinkovitosti punjenja i pražnjenja BSEE. Također, na mali doprinos BSEE u smanjenju
PRIMJENA OPTIMIZACIJSKOG MODELA NA RJEŠAVANJE PROBLEMA PLANIRANJA I OPTIMIZACIJE POGONA MIKROMREŽE
73
troškova pogona utječe i niska cijena električne energije iz distribucijske mreže. Iz prethodno
navedenih činjenica proizlazi da je jeftinije koristiti električnu energiju iz mreže nego ulagati
u skupo BSEE i koristiti ga za „premještanje“ energije uz nisku zaradu.
9.5. Analize osjetljivosti
Za sve tri mikromreže i sva tri slučaja biti će prikazani rezultati provedenih analiza
osjetljivosti za optimalne veličine definirane u prethodnim poglavljima. Kod navedenih
projekata provedene su analize osjetljivosti projekta na promjenu cijene električne energije iz
distribucijske mreže i promjenu diskontne stope. Ovim analizama osjetljivosti želi se pokazati
koliko su navedeni projekti otporni na promjene ključnih parametara koji definiraju njihovu
isplativost.
Cijena električne energije koja se preuzima iz distribucijske mreže ima značajan utjecaj na
isplativost projekta i to pogotovo u slučaju 3 gdje nemamo poticaja za proizvodnju električne
energije iz FNE. S obzirom da se u našem modelu isplativost projekta temelji na ostvarenim
uštedama na troškovima pogona koji se mogu postići primjenom FNE ili kombinacijom FNE
i BSEE, cijena električne energije ima značajnu ulogu jer direktno utječe na troškove pogona
mikromreže, a time i ostvarene uštede. Kod analiza osjetljivosti na promjenu cijene električne
energije razmatrali smo promjenu iznosa NSV ukoliko se cijena električne energije iz
distribucijske mreže poveća odnosno smanji za 25% i 50% kod sva tri slučaja. Dobiveni
rezultati za sve tri mikromreže prikazani su na slikama 9.22., 9.23. i 9.24.
Slika 9.22. Analiza osjetljivosti na promjenu cijena električne energije – mikromreža FER
Slika 9.23. Analiza osjetljivosti na promjenu cijena električne energije – mikromreža TC
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
74
Slika 9.24. Analiza osjetljivosti na promjenu cijena električne energije – mikromreža RZ
Iz dobivenih rezultata možemo vidjeti da povećanje cijene električne energije dovodi do
povećanja iznosa NSV u svim slučajevima što znači da se povećava ekonomska opravdanost
projekta. Također možemo vidjeti da povećanje cijene električne energije kod slučaja 3 može
učiniti projekt isplativim. S druge strane smanjenje cijene električne energije uvijek dovodi do
smanjenja iznosa NSV, pa projekti postaju dodatno ekonomski manje isplativi.
Druga vrsta provedenih analiza osjetljivosti je analiza osjetljivosti projekata na promjenu
diskontne stope. Kod ovih analiza osjetljivosti razmatrali smo promjenu iznosa NSV kod
primjene različitih diskontnih stopa projekta i to 5%, 7% i 10%. Rezultati za sve tri
mikromreže kod sva tri slučaja prikazani su na slikama 9.25., 9.26. i 9.27.
Slika 9.25. Analiza osjetljivosti na promjenu diskontne stope – mikromreža FER
Slika 9.26. Analiza osjetljivosti na promjenu diskontne stope – mikromreža TC
PRIMJENA OPTIMIZACIJSKOG MODELA NA RJEŠAVANJE PROBLEMA PLANIRANJA I OPTIMIZACIJE POGONA MIKROMREŽE
75
Slika 9.27. Analiza osjetljivosti na promjenu diskontne stope – mikromreža RZ
Iz dobivenih rezultata možemo vidjeti da promjena diskontne stope može znatno utjecati
na ekonomsku isplativost projekta. Smanjenje diskontne stope u pravilu znači povećanje
iznosa NSV dok povećanje diskontne stope znači smanjenje iznosa NSV. Prema tome vrlo je
važno primijeniti adekvatan iznos diskontne stope u procesu ocjene isplativosti projekta jer je
njezin utjecaj na ukupnu isplativost projekta značajan.
9.6. Okolišne analize
Ovdje prikazane okolišne analize odnose se na analize emisija CO2 u mikromrežama.
Jedan od glavnih razloga zašto je FNE odabrana kao distribuirani izvor u mikromreži je njezin
potencijal u smanjenju emisija CO2. FNE ne doprinosi samo smanjenju emisija CO2 u
mikromreži već i u distribucijskoj mreži na koju je FNE priključena jer se višak električne
energije proizvedene iz FNE predaje u distribucijsku mrežu. Na slici 9.28. prikazane su
godišnje emisije CO2 za sve tri mikromreže. Za svaku mikromrežu prikazane su emisije CO2
kada se koristi samo električna energija iz distribucijske mreže, kada imamo FNE i kada
imamo kombinaciju FNE i BSEE u mikromreži. Kod određivanja emisija CO2 u
mikromrežama korišteni su FNE snage 550 kW te BSEE 50 kW i 100 kWh.
Slika 9.28. Godišnja emisija CO2 za sve tri mikromreže
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
76
Prema prikazanim rezultatima najveće emisije CO2 ima mikromreža TC što je i
očekivano s obzirom da mikromreža TC ima i najveću potrošnju električne energije. S
obzirom da smo kod analiza emisija CO2 u svim mikromrežama koristili jednake veličine
FNE i BSEE postignuto smanjenje emisija CO2 ovisi o potrošnji električne energije u
mikromreži. Tako je u mikromreži FER postignuto smanjenje emisija CO2 od 27%, u
mikromreži TC od 14% i u mikromreži RZ od 23%. U mikromrežama izvor emisija CO2 je
električna energija iz distribucijske mreže koja u našem slučaju ima emisijski faktor prema
tablici 9.3. Smanjenje emisija CO2 u mikromrežama postignuto je korištenjem FNE kao
izvora električne energije bez ugljičnog otiska, odnosno emisijski faktor električne energije
proizvedene iz FNE jednak je nuli. Iz rezultata možemo vidjeti da u mikromrežama kod
kombinacije FNE i BSEE imamo približno jednaku emisiju CO2 kao kada koristimo samo
FNE. BSEE u mikromrežama doprinosi smanjenju emisija CO2 u slučajevima kada se puni
električnom energijom proizvedenom iz FNE. Ukoliko se pak BSEE puni električnom
energijom iz mreže tada BSEE doprinosi povećanju emisija CO2 u mikromreži.
Smanjenjem emisija CO2 u mikromreži korištenjem distribuiranih jedinica smanjujemo i
emisijski faktor mikromreže koji ovisi o ukupnoj količini emisija CO2 i ukupno potrošenoj
električnoj energiji u mikromreži. Manji emisijski faktor znači i ukupno manji ugljični otisak
mikromreže.
Tablica 9.3. Godišnji emisijski faktor za sve tri mikromreže (kg CO2/kWh)
Mikromreža Samo mreža FNE FNE + BSEE
FER 0,220 0,161 0,157
TC 0,220 0,189 0,188
RZ 0,220 0,170 0,163
U tablici 9.3. prikazani su dobiveni iznosi za godišnje emisijske faktore mikromreža za
prethodno navedene slučajeve. U slučajevima kada koristimo samo električnu energiju iz
distribucijske mreže emisijski faktor mikromreže jednak je emisijskom faktoru za
distribucijsku mrežu. Navedeni iznosi emisijskih faktora određeni su pomoću izraza (9.1).
𝑘𝑒𝑚𝑠 =𝑘𝑒𝑚𝑠_𝑛𝑒𝑡 ∙ 𝐸𝑛𝑒𝑡
𝐸𝑢𝑘 (9.1)
PRIMJENA OPTIMIZACIJSKOG MODELA NA RJEŠAVANJE PROBLEMA PLANIRANJA I OPTIMIZACIJE POGONA MIKROMREŽE
77
gdje je kems – emisijski faktor mikromreže, kems_net – emisijski faktor za električnu energiju iz
distribucijske mreže, Enet – potrošena električna energija iz distribucijske mreže i Euk –
ukupno potrošena električna energija u mikromreži.
Emisijski faktor mikromreže prvenstveno ovisi o proizvedenoj električnoj energiji iz FNE
tako da može varirati od godine do godine. Zbog toga što struktura proizvodnje ili potrošnje
električne energije varira, uobičajeno je da se emisijski faktor određuje za period od jedne
godine.
Doprinos mikromreže smanjenju emisija CO2 u distribucijskoj mreži direktno ovisi o
količini električne energije proizvedene iz FNE koja je predana u mrežu. Predaja električne
energije proizvedene iz FNE ili OIE općenito, svakako smanjuje emisijski faktor u
distribucijskoj mreži. U tablici 9.4. prikazane su godišnje količine električne energije predane
u distribucijsku mrežu i pripadajuće smanjenje emisija CO2 u distribucijskoj mreži za sve tri
mikromreže.
Tablica 9.4. Predana električna energija i smanjenje emisija CO2 u mreži
Mikromreža FNE FNE + BSEE Jedinica
FER 81970 71130 kWh
FER 18034 15649 kg CO2
TC 283 72 kWh
TC 62 16 kg CO2
RZ 144292 120175 kWh
RZ 31745 26439 kg CO2
Iz rezultata prikazanih u tablici 9.4. možemo vidjeti da mikromreža TC ima malo
električne energija koja se predaje u distribucijsku mrežu jer se većina proizvedene električne
energije proizvedene iz FNE potroši u mikromreži. Mikromreža RZ ima najveći iznos
električne energije koji se predaje u distribucijsku mreže pa je stoga i njezin doprinos
smanjenju emisija CO2 u distribucijskoj mreži najveći.
Svi ovdje prikazani rezultati ukazuju da primjena FNE i/ili kombinacije FNE i BSEE
doprinose smanjenju emisija CO2, te ukoliko se uz njih primjene dodatne mjere energetske
učinkovitosti, smanjenje emisija CO2 u mikromreži može biti još značajnije. Trenutno
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
78
relativno niska cijena emisija CO2 na tržištu ne stimulira proizvodnju nisko ugljične električne
energije iz tehnološki naprednijih ali i skupljih proizvodnih jedinica i OIE.
9.7. Analiza pogona mikromreža u karakterističnim danima
Kroz dnevne simulacije biti će prikazana analiza pogona mikromreža u karakterističnim
danima i to za sva tri perioda u godini. Analiza pogona mikromreža biti će prikazana za
slučajeve 1 i 3. Na slici 9.29. prikazane su satne cijene električne energije korištene kod
simulacija za slučaj 1 gdje su cijene električne energije jednake u svim periodima u godini i
slučaj 3 gdje se cijena električne energije mijenja na satnoj razini. U simulacijama se koriste
prethodno određene optimalne veličine FNE i BSEE za pojedini slučaj. Proizvodni faktor koji
određuje proizvodnju FNE u karakterističnim danima prikazan je na slici 9.4.
Slika 9.29. Cijena električne energije za karakteristične dane u godini
Slika 9.30. Dnevna količina energije koju je potrebno pohraniti u bateriju EV
PRIMJENA OPTIMIZACIJSKOG MODELA NA RJEŠAVANJE PROBLEMA PLANIRANJA I OPTIMIZACIJE POGONA MIKROMREŽE
79
Kod punjenja EV za sve tri mikromreže korištene su pretpostavke navedene u poglavlju
9.1.2.4. i korištene u prethodnim simulacijama. Za svaku mikromrežu se u simulacijama
koriste isti zahtjevi za energijom koju je potrebno pohraniti u baterije svakog EV. Na slici
9.30. prikazana je potražnja EV za svaku od mikromreža korištena u dnevnim simulacijama.
9.7.1. Mikromreža FER
U simulacijama gdje se optimizira pogon mikromreže funkcija cilja je minimiziranje
troškova pogona mikromreža u vremenskom periodu od jednog dana. Vremenska
diskretizacija ili vremenski interval proračuna kod simulacija iznosi jedan sat.
Na slici 9.31. prikazani su rezultati simulacije za karakteristične dane u godini za
mikromrežu FER kod slučaja 1. Uz opterećenje nefleksibilnih trošila (plava linija) na slici je
prikazano i ukupno opterećenje u mikromreži (crvena linija) koje podrazumijeva opterećenje
nefleksibilnih trošila, fleksibilnih trošila (punionice za EV) i punjenje BSEE. Osim krivulja
opterećenja na slici su prikazani i izvori kojima se pokriva potrošnja električne energije
mikromreže, a to su distribucijska mreža, FNE i BSEE. Kao rezultat simulacije dobivamo i
optimalan angažman svih jedinica u mikromreži pri kojem su troškovi pogona minimalni.
Kako je vidljivo iz rezultata prikazanih na slici 9.31., da bi troškovi pogona bili minimalni
BSEE se puni za vrijeme niže dnevne tarife dok se prazni za vrijeme više tarife. Isto tako, iz
rezultata se može vidjeti da je punjenje EV prilagođeno proizvodnji iz FNE i potrošnji
električne energije iz FNE u mikromreži kako bi se izbjegla predaja električne energije u
distribucijsku mrežu kao u periodu 2. S obzirom da je cilj optimizacije minimiziranje troškova
pogona odnosno troškova za potrošenu električnu energiju, angažman BSEE nije u svrhu
smanjenja vršnog opterećenja u mikromreži. Naravno moguće je koristiti BSEE isključivo u
svrhu smanjenja vršnog opterećenja, ali to u našem slučaju nije bio primarni cilj.
Slikom 9.32. prikazani su rezultati punjenja svih EV u karakterističnim danima za
mikromrežu FER kod slučaja 1. Rezultati na slici 9.32. prikazuju izlaznu snagu svakog
punjača ili snagu punjenja pojedinog EV u određenom satu odnosno strukturu potrošnje
fleksibilnih trošila prikazanoj na slici 9.31. Iz rezultata možemo vidjeti da potrošnja električne
energije za punjenje EV ovisi o proizvodnji FNE i opterećenju nefleksibilnih trošila koji
variraju tijekom godine ovisno o periodu u godini.
Dnevni profili opterećenja za sva tri perioda u godini za mikromrežu FER kod slučaja 3
prikazani su slikom 9.33. Kako je vidljivo iz dobivenih rezultata u ovom slučaju gdje je cijena
električne energije promjenjiva na satnoj razini punjenje EV i BSEE prati, osim proizvodnje
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
80
FNE i opterećenja nefleksibilnih trošila, promjenu cijene električne energije. Tako iz rezultata
možemo vidjeti da se BSEE prazni u satima kada je cijena električne energije visoka, a puni
za vrijeme niske cijene. Kod slučaja 3 imamo manju instaliranu snagu FNE nego kod slučaja
1, pa je iz tog razloga potrošnja električne energije iz distribucijske mreže veća nego kod
slučaja 1.
Slika 9.31. Dnevni profili opterećenja za mikromrežu FER – slučaj 1
PRIMJENA OPTIMIZACIJSKOG MODELA NA RJEŠAVANJE PROBLEMA PLANIRANJA I OPTIMIZACIJE POGONA MIKROMREŽE
81
Slika 9.32. Snaga punjenja EV u mikromreži FER – slučaj 1
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
82
Isto kao i za slučaj 1, na slici 9.34. prikazana je izlazna snaga svakog punjača ili snaga
punjenja svakog EV u karakterističnim danima za sva tri perioda kod slučaja 3 u mikromreži
FER.
Slika 9.33. Dnevni profili opterećenja za mikromrežu FER – slučaj 3
PRIMJENA OPTIMIZACIJSKOG MODELA NA RJEŠAVANJE PROBLEMA PLANIRANJA I OPTIMIZACIJE POGONA MIKROMREŽE
83
Slika 9.34. Snaga punjenja EV u mikromreži FER – slučaj 3
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
84
9.7.2. Mikromreža trgovačkog centra
Dnevni profili opterećenja za mikromrežu TC za karakteristične dane u sva tri perioda u
godini kod slučaja 1 prikazani su na slici 9.35. U usporedbi s mikromrežom FER potrošnja
električne energije veća je kod mikromreže TC, a profili opterećenja nefleksibilnih trošila u
različitim periodima približno su jednaki i ne variraju kao kod mikromreže FER.
Slika 9.35. Dnevni profili opterećenja za mikromrežu TC – slučaj 1
PRIMJENA OPTIMIZACIJSKOG MODELA NA RJEŠAVANJE PROBLEMA PLANIRANJA I OPTIMIZACIJE POGONA MIKROMREŽE
85
Ostale činjenice i obrazloženja navedena kod mikromreže FER primjenjiva su i u ovom
slučaju. Na slici 9.36. prikazana je izlazna snaga svakog punjača ili snaga punjenja svakog
EV u karakterističnim danima za sva tri perioda kod slučaja 1 u mikromreži TC.
Slika 9.36. Snaga punjenja EV u mikromreži TC – slučaj 1
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
86
S obzirom da su profili opterećenja nefleksibilnih trošila približno jednaki kod sva tri
perioda, a cijena električne energije u razdoblju u kojem se pune EV jednaka, profili punjenja
EV kod sva tri perioda u godini su slični.
Slikom 9.37. prikazani su dnevni profili opterećenja za mikromrežu TC za karakteristične
dane u sva tri perioda u godini kod slučaja 3.
Slika 9.37. Dnevni profili opterećenja za mikromrežu TC – slučaj 3
PRIMJENA OPTIMIZACIJSKOG MODELA NA RJEŠAVANJE PROBLEMA PLANIRANJA I OPTIMIZACIJE POGONA MIKROMREŽE
87
Profili opterećenja fleksibilnih trošila kod slučaja 1 i slučaja 3 međusobno se razlikuju
prvenstveno zbog cijene električne energije. Iz rezultata možemo vidjeti da punjenje EV te
punjenje i pražnjenje BSEE i u ovom slučaju jako ovisi o cijeni električne energije. Struktura
opterećenja kod punjenja EV za karakteristične dane u sva tri perioda u godini dana je na slici
9.38.
Slika 9.38. Snaga punjenja EV u mikromreži TC – slučaj 3
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
88
9.7.3. Mikromreža rezidencijalne zgrade
Za razliku od prethodne dvije mikromreže, dnevni profil opterećenja kod mikromreže RZ
prikazan je za vremenski period od osmog sata do sedmog sata sljedećeg dana zbog različitog
vremena punjenja EV. Dnevni profili opterećenja za mikromrežu RZ za karakteristične dane u
sva tri perioda u godini kod slučaja 1 prikazani su na slici 9.39.
Slika 9.39. Dnevni profili opterećenja za mikromrežu RZ – slučaj 1
PRIMJENA OPTIMIZACIJSKOG MODELA NA RJEŠAVANJE PROBLEMA PLANIRANJA I OPTIMIZACIJE POGONA MIKROMREŽE
89
Slika 9.40. Snaga punjenja EV u mikromreži RZ – slučaj 1
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
90
Zbog toga što je potrošnja električne energije kod mikromreže RZ manja nego kod ostale
dvije mikromreže, ovdje imamo u periodu 2 i 3 višak proizvedene električne energije iz FNE
koja se predaje u distribucijsku mrežu. Ovdje možemo zaključiti da vrijede iste činjenice koje
su navedene kod prethodne dvije mikromreže.
Isto tako, iz rezultata možemo vidjeti da punjenje EV ovisi o cijeni električne energije jer
se kod slučaja 1, za razliku od ostale dvije mikromreže, kod mikromreže RZ cijena električne
energije mijenja iz dnevne u noćnu tarifu u predviđenom vremenskom razdoblju za punjenje
EV. Iz rezultata prikazanih na slici 9.39. možemo vidjeti da se BSEE u vremenskim
intervalima gdje imamo višak električne energije proizvedene iz FNE naizmjenično puni i
prazni. Razlog tome je korištenje dvije tarife za poticanje proizvodnje električne energije iz
FNE jer se na taj način smanjuju troškovi pogona mikromreže.
Izlazna snaga pojedinog punjača za punjenje EV u svakom vremenskom intervalu
simulacije prikazana je na slici 9.40. Punjenje EV kod slučaja 1 u svim periodima u godini
traje praktički kroz cijelo vrijeme trajanja niže tarife. Manji broj EV koji se pune kroz dan
uglavnom koriste električnu energiju proizvedenu iz FNE.
Rezultati simulacija za slučaj 3 prikazani su na slici 9.41. Kod slučaja 3 instalirana snaga
FNE manja je nego kao kod slučaja 1, pa ovdje nemamo višak električne energije proizvedene
iz FNE koji se predaje u mrežu. Kao i kod ostale dvije mikromreže, angažiranje BSEE i
punjenje EV najviše ovisi o cijeni električne energije. Iz razloga što je cijena električne
energije najniža nakon 24. sata kod slučaja 3 punjenje EV odvija se između drugog i sedmog
sata što je vidljivo iz prikazanog profila opterećenja.
Na slici 9.42. prikazana je izlazna snaga svakog punjača ili snaga punjenja svakog EV u
karakterističnim danima za sva tri perioda kod slučaja 3 u mikromreži RZ. Iz prikazanih
rezultata možemo vidjeti da punjenje EV isključivo ovisi o cijeni električne energije jer u tom
vremenskom periodu nema proizvodnje električne energije iz FNE. Punjenje manjeg broja EV
koji se pune kroz dan uglavnom ovisi o proizvodnji FNE ali i cijeni električne energije.
Iz svih prikazanih rezultata dnevnih simulacija možemo zaključiti da se primjenom sustava
za optimiranje pogona mikromreže i fleksibilnih trošila mogu smanjiti troškovi pogona
mikromreže. Primjena optimalne veličine FNE i BSEE uz fleksibilna trošila također može
doprinijeti manjoj potrošnji električne energije iz distribucijske mreže ali i smanjiti utjecaj
distribuirane proizvodnje na distribucijsku mrežu. Ukoliko usporedimo rezultate za slučaj 1 i
slučaj 3 možemo vidjeti da angažman BSEE jako ovisi o dinamici promjene cijene električne
energije. Analizom prikazanih podataka možemo primijetiti da se opterećenje fleksibilnih
trošila prilagođava cijenama električne energije što nameće zaključak da korištenje nekoliko
PRIMJENA OPTIMIZACIJSKOG MODELA NA RJEŠAVANJE PROBLEMA PLANIRANJA I OPTIMIZACIJE POGONA MIKROMREŽE
91
tarifa kroz dan može pomaknuti dio potrošnje iz perioda velikog opterećenja u period manjeg
opterećenja u distribucijskoj mreži. Iznosi tarifa za električnu energiju kroz dan trebaju biti
prilagođeni opterećenju u distribucijskoj mreži, pri čemu se kod velikog opterećenja koriste
više tarife, a kod manjeg opterećenja niže tarife.
Slika 9.41. Dnevni profili opterećenja za mikromrežu RZ – slučaj 3
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
92
Slika 9.42. Snaga punjenja EV u mikromreži RZ – slučaj 3
PLANIRANJE OPSEGA I ODREĐIVANJE CIJENE POMOĆNE USLUGE U MIKROMREŽAMA
93
PLANIRANJE OPSEGA I ODREĐIVANJE CIJENE 10.
POMOĆNE USLUGE U MIKROMREŽAMA
Kako bi mogli kvalitetno planirati opseg pomoćne usluge, odrediti cijenu te usluge i
optimalno planirati pogon mikromreže u takvim uvjetima, potreban nam je optimizacijski
program koji može obuhvatiti sve ključne parametre. Optimizacijski model opisan u poglavlju
8. svakako se može koristiti u prethodno navedenim situacijama ali su potrebne manje
izmjene vezano uz definiranje pomoćne usluge. U nastavku će biti prikazane izmjene koje su
napravljene u optimizacijskom modelu kako bi se on dodatno mogao koristiti za planiranje
pomoćne usluge od strane mikromreže.
Pružanje pomoćnih usluga od strane mikromreže jednim dijelom već je obrađeno u
poglavlju 5. pa će ovdje biti prikazana realizacija optimizacijskog modela i rezultati
simulacija za jedan mogući koncept pružanja pomoćnih usluga. Koncept pružanja pomoćne
usluge temelji se na pružanju usluge energije uravnoteženja u distribucijskoj mreži gdje se na
zahtjev ODS električna energija preuzima iz ili predaje u distribucijsku mrežu. Kako u
mikromreži postoje fleksibilna trošila (punionice za EV) i BSEE njihova pogonska
fleksibilnost iskoristiti će se za pružanje pomoćne usluge. U vremenskim intervalima kada u
distribucijskoj mreži ima viška električne energije angažmanom fleksibilnih trošila možemo
povećati potrošnju električne energije u mikromreži i na taj način povećati potrošnju u
distribucijskoj mreži. Isto tako, u vremenskim intervalima kada je u distribucijskoj mreži
veliko opterećenje potrebno je predati električnu energiju u mrežu ili smanjiti potrošnju u
mikromreži što opet možemo postići adekvatnim angažmanom fleksibilnih trošila. Iz gore
navedenih činjenica vidljivo je da opseg pomoćne usluge ovisi o raspoloživom kapacitetu
fleksibilnih trošila. Prema prethodno opisanom konceptu realiziran je optimizacijski model.
Funkciju cilja iz izraza (8.1) potrebno je proširiti prema izrazu (10.2).
Minimiziraj 𝐶𝑝𝑜𝑔 = ∑ (𝐶𝑒𝑙𝑒𝑛_𝑛𝑒𝑡(𝑡) +
𝑁𝐼𝑁𝑇
𝑡=1
𝐶𝑒𝑚𝑠(𝑡) − 𝐶𝑝𝑜𝑡𝑓𝑛𝑒(𝑡) − 𝐶𝑒𝑙𝑒𝑛_𝑒𝑥𝑝(𝑡) − 𝐶𝑒𝑝𝑢(𝑡)) (10.2)
gdje je Cepu(t) – prihod za električnu energiju kroz pružanje pomoćnih usluga u vremenskom
intervalu t.
Prihod od pružanja pomoćne usluge izračunava se prema izrazu (10.3).
𝐶𝑒𝑝𝑢(𝑡) = (𝑃𝑔𝑜𝑟𝑒(𝑡) + 𝑃𝑑𝑜𝑙𝑗𝑒(𝑡)) ∙ 𝑐𝑒𝑙𝑒𝑛_𝑝𝑢 ∙ 𝑇𝑖𝑛𝑡 (10.3)
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
94
gdje je Pgore(t) – angažirana snaga za pružanje pomoćne usluge kod povećanja opterećenja
mikromreže u vremenskom intervalu t, Pdolje(t) – angažirana snaga za pružanje pomoćne
usluge kod smanjenja opterećenja mikromreže u vremenskom intervalu t i celen_pu – cijena
električne energije za pružanje pomoćne usluge (€/kWh). U modelu se koristi ista cijena
električne energije kod pomoćnih usluga za povećanje i smanjenje opterećenja mikromreže jer
se na taj način u praksi obračunava energija uravnoteženja. Za razliku od velikih proizvodnih
jedinica u našem slučaju nije predviđeno plaćanje zakupljene snage već samo stvarno
angažirana energija.
Osim izmjene funkcije cilja u optimizacijski model je potrebno ugraditi i tehnička
ograničenja vezana uz pogon mikromreže kod pružanja pomoćnih usluga koja su navedena u
izrazima od (10.4) do (10.7).
0 ≤ 𝑃𝑔𝑜𝑟𝑒(𝑡) ≤ 𝑃𝑓𝑡(𝑡) + 𝑃𝑏𝑠𝑒𝑒𝑝𝑢𝑗
(𝑡) (10.4)
𝑃𝑔𝑜𝑟𝑒(𝑡) ≤ 𝑃𝑔𝑜𝑟𝑒_𝑧𝑎ℎ(𝑡) (10.5)
0 ≤ 𝑃𝑑𝑜𝑙𝑗𝑒(𝑡) ≤ 𝑃𝑏𝑠𝑒𝑒𝑝𝑟𝑗
(𝑡) (10.6)
𝑃𝑑𝑜𝑙𝑗𝑒(𝑡) ≤ 𝑃𝑑𝑜𝑙𝑗𝑒_𝑧𝑎ℎ(𝑡) (10.7)
gdje je Pgore_zah (t) – zahtijevano povećanje opterećenja mikromreže od korisnika pomoćne
usluge u vremenskom intervalu t i Pdolje_zah (t) – zahtijevano smanjenje opterećenja
mikromreže od korisnika pomoćne usluge u vremenskom intervalu t. Kao što je vidljivo iz
izraza (10.4) i (10.6) opseg pomoćne usluge u svakom vremenskom intervalu ograničen je
stvarnim raspoloživim kapacitetom fleksibilnih trošila i BSEE. Isto tako, prema izrazima
(10.5) i (10.7) opseg pomoćne usluge ograničen je i zahtjevom korisnika pomoćne usluge jer
angažman fleksibilnih trošila i BSEE ne može biti u istom vremenskom intervalu veći od
zahtjeva.
Svi ostali izrazi i činjenice navedene u poglavlju 8. vezano uz optimizacijski model
primjenjuju se i ovdje.
10.1.1. Određivanje cijene pomoćne usluge
Za prethodno definirane i razmatrane modele mikromreža definirati će se cijena električne
energije za pružanje pomoćne usluge. Cijena električne energije definirati će se za slučaj 3 iz
razloga što je primjena kombinacije FNE i BSEE kod slučaja 3 ekonomski neisplativa.
Pružanjem pomoćnih usluga želi se postići da takvi sustavi postanu ekonomski isplativi u
PLANIRANJE OPSEGA I ODREĐIVANJE CIJENE POMOĆNE USLUGE U MIKROMREŽAMA
95
potpuno tržišnim uvjetima. Pokazatelj ekonomske isplativosti projekta je iznos NSV koji
treba iz negativne vrijednosti postati pozitivan, a jedna od mogućnosti je smanjenje troškova
pogona mikromreže kroz prihod od pružanja pomoćne usluge.
Cijena električne energije za pomoćne usluge koja će se ovdje odrediti predstavlja
minimalnu cijenu koja omogućava ekonomsku isplativost projekta. Postizanje više cijene od
ovdje određene znači da se povećava ekonomska isplativost projekta. Iznos cijene pomoćne
usluge između ostalog ovisi i o količini pružane usluge. Kako bi mogli odrediti cijenu
pomoćne usluge prvo moramo odrediti maksimalni opseg pomoćne usluge koji možemo
pružiti i to u našem slučaju za razdoblje od godinu dana. Za potrebe simulacije također
moramo odrediti zahtjeve korisnika pomoćne usluge koji je u našem slučaju ODS. Kod
definiranja zahtjeva pretpostavili smo da korisnik usluge treba povećanje potrošnje
mikromreže u vremenskim intervalima kada u distribucijskoj mreži ima viška električne
energije proizvedene iz FNE i smanjenje potrošnje kada je u distribucijskoj mreži vršno
opterećenje. S obzirom da je FNE najčešće instalirani OIE u distribucijskim mrežama i da se
problemi u pogonu distribucijske mreže javljaju u trenucima kada je proizvodnja iz FNE
instaliranim u mreži velika, a opterećenje u mreži malo, uzeli smo u obzir tu situaciju kao
mogućnost za pružanje pomoćne usluge. Stalno povećanje potrošnje električne energije pa
tako i vršnog opterećenja u distribucijskoj mreži također je jedna od mogućnosti za pružanje
pomoćne usluge.
Glavna ideja kod pružanja pomoćnih usluga je da se kroz pomoćne usluge u smislu
energije uravnoteženja izbjegne dodatno ulaganje u ojačanje mreže od strane ODS, a s druge
strane da sustavi poput FNE i BSEE postanu ekonomski isplativi bez poticaja.
Kod određivanja cijene pomoćne usluge za sve tri mikromreže razmatrali smo dvije
tehnologije BSEE, najjeftiniju NaNiCl i najskuplju Li-Ion u kombinaciji s FNE instalirane
snage od 200 kW. Maksimalni opsezi pomoćne usluge koja može biti pružana na godišnjoj
razini za razmatrane varijante prikazani su u tablici 10.1.
Iz rezultata prikazanih u tablici 10.1. možemo vidjeti da mikromreža TC ima najviše
električne energije koju može pružati za potrebe pomoćne usluge, dok mikromreža RZ ima
najmanje raspoložive električne energije. Bez obzira što se koristi ista veličina BSEE i FNE,
razlika u raspoloživoj električnoj energiji ili opsegu pomoćne usluge dolazi od raspoloživog
kapaciteta fleksibilnih trošila odnosno punjenja EV. Prema rezultatima možemo zaključiti da
ukoliko imamo veću potrošnju fleksibilnih trošila imamo i veći opseg pomoćne usluge koji
možemo pružati.
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
96
Tablica 10.1. Maksimalni opseg pomoćne usluge na godišnjoj razini (kWh)
Mikromreža
BSEE NaNiCl BSEE Li-Ion
50 kW
100 kWh
100 kW
300 kWh
300 kW
500 kWh
50 kW
100 kWh
100 kW
300 kWh
300 kW
500 kWh
FER 70378 140502 296321 72478 145962 298967
TC 77636 147760 303522 79736 153220 306181
RZ 52203 122327 278146 54303 127786 280792
Veličina BSEE također utječe na opseg pomoćne usluge jer se povećanjem snage i
kapaciteta BSEE povećava raspoloživa električna energija koju je moguće predati u
distribucijsku mrežu ili preuzeti iz distribucijske mreže. Dodatno korištenje BSEE i za
potrebe pružanja pomoćnih usluga dovodi do povećanja broja ciklusa punjenja i pražnjenja
BSEE što dovodi do smanjenja životnog vijeka baterija. Navedeno smanjenje životnog vijeka
baterija utječe na konačnu cijenu pomoćne usluge te ga svakako treba uzeti u obzir.
Na slici 10.1. prikazana je ovisnost cijene električne energije za pomoćne usluge o
godišnjoj količini angažirane usluge od strane korisnika za mikromrežu FER. Cijene
električne energije ili pomoćne usluge prikazane su za različite veličine i tehnologije BSEE.
Iz prikazanih rezultata možemo vidjeti da cijena pada s povećanjem angažmana pomoćne
usluge od stane korisnika što je i za očekivati. Povećanjem kapaciteta BSEE povećava se
cijena pomoćne usluge zbog povećanja troškova izgradnje, ali se povećava i opseg pomoćne
usluge.
Slika 10.1. Ovisnost cijene o angažiranom kapacitetu pomoćne usluge – mikromreža FER
Kako je prethodno navedeno prikazana cijena električne energije za pomoćne usluge
predstavlja minimalnu cijenu koja omogućava ekonomsku isplativost projekta u potpuno
tržišnim uvjetima odnosno kod slučaja 3. U simulacijama na temelju kojih su određene cijene
PLANIRANJE OPSEGA I ODREĐIVANJE CIJENE POMOĆNE USLUGE U MIKROMREŽAMA
97
pomoćne usluge korišteni su isti ulazni podaci kao i u prethodnim analizama. Naravno
ukoliko se promjene vrijednosti ulaznih podataka koji utječu na promjenu iznosa NSV
razmatranog projekta promijeniti će se i iznosi cijena pomoćne usluge.
Slika 10.2. Ovisnost cijene o angažiranom kapacitetu pomoćne usluge – mikromreža TC
Slika 10.2. prikazuje rezultate određivanja cijene električne energije za pomoćnu uslugu
ovisno o godišnjoj količini angažirane usluge od strane korisnika pomoćne usluge za
mikromrežu TC. U usporedbi s mikromrežom FER možemo vidjeti da osim većeg opsega
pomoćne usluge imamo kod malog angažmana pomoćne usluge neznatno višu cijenu
električne energije te kod maksimalnog angažmana neznatno nižu cijenu u mikromreži TC.
Rezultati za mikromrežu RZ prikazani su na slici 10.3. Mikromreža RZ ima najmanji
opseg pomoćne usluge iz razloga što je struktura potrošnje fleksibilnih trošila drugačija u
odnosu na ostale dvije mikromreže.
Slika 10.3. Ovisnost cijene o angažiranom kapacitetu pomoćne usluge – mikromreža RZ
Iz prethodno prikazanih rezultata možemo vidjeti da kapacitet fleksibilnih trošila uz BSEE
određuje opseg pomoćne usluge koji može biti pružan od strane mikromreže. S obzirom na tu
činjenicu možemo zaključiti da i cijena električne energije za pomoćnu uslugu također ovisi o
kapacitetu fleksibilnih trošila.
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
98
10.1.2. Dnevno planiranje pomoćne usluge
Planiranje pogona mikromreže vrlo je važno kako bi se raspoloživi kapacitet fleksibilnih
trošila i BSEE mogao što bolje iskoristiti za pružanje pomoćne usluge, a time i osigurati veći
prihod od pomoćne usluge. Rezultati planiranja opsega ili pružanja pomoćne usluge na
dnevnoj razini za sve tri mikromreže prikazani su u nastavku.
U simulacijama je korištena kombinacija BSEE snage 50 kW i kapaciteta 100 kWh i FNE
snage 200 kW. Opseg zahtjeva od korisnika pomoćne usluge korišten u simulacijama bazira
se na pretpostavkama i služi kako bi se što bolje mogla pokazati funkcionalnost
optimizacijskog modela i svrha planiranja pružanja pomoćne usluge. Cijene električne
energije za pomoćnu uslugu korištene u simulacijama određene su u prethodnom
potpoglavlju. Rezultati dobiveni simulacijama odnose se na karakterističan dan u godini za
svaku mikromrežu.
Slika 10.4. Rezultati planiranja pomoćne usluge za mikromrežu FER
Dobiveni rezultati simulacije kod planiranja pomoćne usluge za mikromrežu FER
prikazani su na slici 10.4. Iz prikazanih rezultata možemo vidjeti da se zahtjev za povećanjem
opterećenja u mikromreži u potpunosti uspio realizirati. Zahtjev za smanjenjem opterećenja
mikromreže nije u potpunosti moguće zadovoljiti zbog ograničenja kapaciteta BSEE. Za
povećanje opterećenja mikromreže koriste se BSEE i punjači za EV, dok se za smanjenje
opterećenja mikromreže koristi samo BSEE. Na slici možemo vidjeti da angažirana snaga iz
distribucijske mreže prati ostvarenu realizaciju pomoćne usluge u obje situacije.
PLANIRANJE OPSEGA I ODREĐIVANJE CIJENE POMOĆNE USLUGE U MIKROMREŽAMA
99
Za mikromrežu TC možemo reći da je situacija identična kao kod mikromreže FER, a
rezultati simulacija prikazani su na slici 10.5.
Slika 10.5. Rezultati planiranja pomoćne usluge za mikromrežu TC
Slika 10.6. Rezultati planiranja pomoćne usluge za mikromrežu RZ
Kod mikromreže RZ, kako je vidljivo iz rezultata prikazanih na slici 10.6., nije se uspio u
potpunosti zadovoljiti ni zahtjev za povećanjem opterećenja ni zahtjev za smanjenjem
opterećenja u mikromreži. Zahtjev za povećanjem opterećenja u mikromreži nije zadovoljen
jer se kod mikromreže RZ punjenje EV odvija u noćnim satima, a samo se mali broj EV puni
kroz dan pa je stoga opseg pomoćne usluge u tom slučaju znatno manji i ovisi o kapacitetu
BSEE. Smanjenje opterećenja u mikromreži također ovisi o kapacitetu BSEE i jednak je kao i
u ostale dvije mikromreže.
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
100
Prema ovdje prikazanim rezultatima možemo zaključiti da se planiranjem pogona
mikromreže prema unaprijed poznatom zahtjevu za pružanje pomoćne usluge može postići
optimalan angažman fleksibilnih trošila i BSEE kako bi se što više električne energije
iskoristilo za pružanje pomoćne usluge. U našem slučaju opseg pomoćne usluge osim o
kapacitetu BSEE ovisi i o broju EV koji su priključeni na punionice. Zbog fleksibilnosti koju
imamo kod punjenja EV vrlo je važno unaprijed planirati vrijeme punjenja EV kako ne bi
smanjili potencijalni opseg pomoćne usluge.
U stvarnosti se mogu pojaviti i zahtjevi za povećanje i smanjenje opterećenja u mikromreži
koje ne možemo unaprijed planirati. Kod takvih situacija opseg pomoćne usluge ovisi o
trenutnom statusu BSEE odnosno o količini energije pohranjene u BSEE te o napunjenosti
baterija EV. Kod mikromreža razmatranih u ovom radu opseg pomoćne usluge može po snazi
biti značajan u kratkom vremenskom razdoblju zbog malog energetskog kapaciteta. Rezultati
pokazuju da razmatrane mikromreže imaju potencijal za pružanje pomoćnih usluga
distribucijskoj mreži zbog mogućnosti brzog reagiranja na zahtijevanu promjenu opterećenja,
ali s ograničenim energetskim kapacitetom.
ZAKLJUČAK
101
ZAKLJUČAK 11.
Današnje energetske politike koje imaju za cilj postići smanjenje staklenički plinova
odnosno manju upotrebu fosilnih goriva uglavnom se provode kroz primjenu različitih mjera
energetske učinkovitosti i obnovljivih izvora energije. Kako bi primjena novih tehnologija za
proizvodnju električne energije iz OIE bila interesantna investitorima, proizvodnja električne
energije iz OIE se subvencionira što je dovelo do masovnije primjene distribuiranih izvora u
distribucijskim mrežama. Integracija sve većeg broja distribuiranih izvora i to pogotovo FNE
u distribucijskim mrežama osim pozitivnih učinaka ima i negativne učinke na pogon
distribucijske mreže. Kako bi se dio negativnih učinaka distribuiranih izvora na mrežu sveo
na minimum u ovom radu predložen je novi model poticanja proizvodnje električne energije
iz OIE gdje se favorizira da proizvedena električna energija u mikromreži bude i potrošena u
njoj. Na taj način stimulira se investitora da prilagodi veličinu distribuiranog izvora potrošnji
električne energije u mikromreži. Drugi doprinos primjene ovog modela poticanja
proizvodnje električne energije iz OIE je smanjenje iznosa poticajnih sredstava koje operator
tržišta treba isplatiti povlaštenom proizvođaču. Iz dobivenih rezultata vidljivo je da primjena
takvog modela poticanja proizvodnje električne energije iz OIE na primjeru FNE i dalje
osigurava ekonomsku isplativost investicija u takve projekte.
Jedan od ciljeva istraživanja bilo je definiranje ili razvoj sveobuhvatne optimizacijske
platforme koja će omogućiti pouzdanu tehničko-ekonomsku analizu investicijskih projekata
FNE i BSEE u postojećim mikromrežama ali i kod planiranja novih mikromreža. Procjena
isplativosti u optimizacijskom modelu prikazanom u ovom radu bazira se na uštedama na
troškovima pogona koje je moguće ostvariti primjenom razmatranih tehnologija u odnosu na
slučaj kada svu potrebnu električnu energiju preuzimamo iz distribucijske mreže. Osim
troškova pogona u analizu isplativosti uključeni su troškovi izgradnje i održavanja te okolišni
aspekti prikazani kroz emisije CO2.
U svrhu dokazivanja funkcionalnosti i robusnosti predložene optimizacijske platforme
napravljene su tehničko-ekonomske analize primjene FNE i BSEE na tri modela mikromreža
iz kojih se može vidjeti da odabir optimalne veličine FNE ovisi o potrošnji električne energije
u mikromreži te troškovima izgradnje i održavanja razmatrane FNE. Iz dobivenih rezultata je
vidljivo da primjenom FNE i BSEE možemo smanjiti troškove pogona i emisija CO2 u
mikromreži i distribucijskoj mreži. Također, iz provedenih analiza primjene FNE i BSEE u
potpuno tržišnim uvjetima bez poticanja proizvodnje električne energije iz OIE možemo
vidjeti da izgradnja takvih sustava nije ekonomski opravdana zbog visokih troškova izgradnje.
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
102
Nadalje, cilj istraživanja bio je definirati i optimizacijski model za optimalno upravljanje i
vođenje pogona mikromreže s FNE, BSEE te nefleksibilnim i fleksibilnim trošilima pri čemu
je funkcija cilja optimizacije minimiziranje troškova pogona mikromreže. Kao fleksibilna
trošila u mikromrežama kod simulacija korištene su punionice za električna vozila odnosno
punjenje električnih vozila. Kroz optimizaciju pogona mikromreža za karakteristične dane u
godini prikazana je funkcionalnost optimizacijskog modela. Rezultati simulacija pokazuju da
optimizacijom pogona mikromreže možemo upravljati s BSEE i fleksibilnim trošilima u
svrhu smanjenja troškova pogona mikromreže. Također, prema dobivenim rezultatima
dnevnih simulacija možemo zaključiti da ukoliko bi se koristilo više tarifa za električnu
energiju kroz dan, ovisno o opterećenju u distribucijskoj mreži, optimizacijom pogona
mikromreže s fleksibilnim trošilima možemo postići djelomično preseljenje potrošnje iz
razdoblja većeg u razdoblje manjeg opterećenja u distribucijskoj mreži.
Uz prethodno navedeno, cilj istraživanja bio je i definirati optimizacijski model za
planiranje opsega pomoćne usluge u mikromrežama s fleksibilnim trošilima i BSEE. Pomoću
navedenog optimizacijskog modela za razmatrane mikromreže definirana je cijena pomoćne
usluge ovisno o godišnjem angažmanu pomoćne usluge od strane korisnika gdje možemo
vidjeti da cijena pomoćne usluge između ostalog ovisi i o opsegu pomoćne usluge. Opseg
pomoćne usluge koja može biti pružena od strane mikromreže isključivo ovisi o raspoloživom
kapacitetu fleksibilnih trošila i BSEE. Pružanje pomoćnih usluga na razini mikromreža prema
modelu prikazanom u ovom radu svakako može doprinijeti isplativosti primjene FNE i BSEE
u potpuno tržišnim uvjetima te učiniti takve investicije ekonomski isplativim i bez poticaja.
U ovom doktorskom radu dani su sljedeći očekivani znanstveni doprinosi:
višekriterijski algoritam za određivanje optimalne veličine fotonaponskog izvora u
mikromreži,
metodologija određivanja optimalne veličine skladišta električne energije u
mikromreži,
optimizacijski model za upravljanje mikromrežom s fotonaponskim sustavom,
skladištem električne energije i fleksibilnim trošilima ,
optimizacijski model za planiranje opsega pomoćne usluge mikromreže sa skladištem
električne energije i fleksibilnim trošilima.
Cilj kod budućih istraživanja je pomoću prikazane optimizacijske platforme analizirati
različite oblike poticanja i modele ekonomske opravdanosti ulaganja u obnovljive izvore u
distribucijskim mrežama. Dodatno u daljnjim istraživanjima cilj je napraviti nadogradnju
ZAKLJUČAK
103
postojećeg optimizacijskog modela da omogući analizu drugih tehnologija i vrsta fleksibilnih
trošila.
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
104
LITERATURA
[1] Borbely, A. M., Kreider, J. F., “Distributed Generation: The Power Paradigm for the
New Millennium“, CRC Press, 2001.
[2] Sciulli, M., “The Potential Benefits of Distributed Generation and Rate-Related Issues
That May Impede Their Expansion”, U.S. Department of Energy, February 2007.
[3] Strnad, I., “Pregled metoda planiranja proizvodnje vjetroagregata primjenom fuzzy
logike”, 9. Simpozij o sustavu vođenja EES-a HRO CIGRE, Zadar, Croatia, 2010.
[4] Kolenc, M., Papič, I., Blažič, B., “Assessment of maximum distributed generation
penetration levels in low voltage networks using a probabilistic approach”,
International Journal of Electrical Power & Energy Systems, Vol. 64, January 2015,
str. 505–515.
[5] Koutroumpezis, G. N., Safigianni, A. S., “Optimum allocation of the maximum
possible distributed generation penetration in a distribution network”, Electric Power
Systems Research, Vol. 80, No. 12, December 2010, str. 1421–1427,
[6] Pavić, A., Tunjić, A., Strmečki, G., Lukač, M., Čavlović, M., Trupinić, K., Ćućić, R.,
Jadrijev, Z., “Izvještaj s 21. međunarodne konferencije CIRED-a”, Zagreb, 2011.
[7] Borges, C. L. T., Falcão, D. M., “Optimal distributed generation allocation for
reliability, losses, and voltage improvement”, International Journal of Electrical Power
& Energy Systems, Vol. 28, No. 6, July 2006, str. 413–420.
[8] Soroudi, A., Ehsan, M., Caire, R., Hadjsaid, N., “Possibilistic Evaluation of Distributed
Generations Impacts on Distribution Networks”, IEEE Transactions on Power Systems,
Vol. 26, No. 4, October 2011, str. 2293–2301.
[9] Quezada, V. H. M., Abbad, J. R., Gómez, T., Román, S., “Assessment of Energy
Distribution Losses for Increasing Penetration of Distributed Generation”, IEEE
Transactions on Power Systems, Vol. 21, No. 2, April 2006, str. 533–540.
[10] Borges, C. L. T., Falcão, D. M., “Impact of Distributed Generation Allocation and
Sizing on Reliability , Losses and Voltage Profile”, IEEE Bologna PowerTech
Conference Proceedings, Bologna, Italy, 2003.
[11] Widén, J., Wäckelgård, E., Paatero, J., Lund, P., “Impacts of distributed photovoltaics
on network voltages: Stochastic simulations of three Swedish low-voltage distribution
grids”, Electric Power Systems Research, Vol. 80, No. 12, December 2010, str. 1562–
1571.
[12] Ipinnimo, O., Chowdhury, S., Chowdhury, S. P., Mitra, J., “A review of voltage dip
mitigation techniques with distributed generation in electricity networks”, Electric
Power Systems Research, Vol. 103, October 2013, str. 28–36.
LITERATURA
105
[13] Khani, D., Sadeghi Yazdankhah, A., Madadi Kojabadi, H.,“Impacts of distributed
generations on power system transient and voltage stability”, International Journal of
Electrical Power & Energy Systems, Vol. 43, No. 1, December 2012, str. 488–500.
[14] Sun, Q., Li, Z., Zhang, H., “Impact of Distributed Generation on Voltage Profile in
Distribution System”, International Joint Conference on Computational Sciences and
Optimization, Sanya, Hainan, China, 2009., str. 249–252.
[15] Olatoke, A., Darwish, M. K., “A study of the impact of Distributed Generation on
Power Quality”, 47th International Conference on Universities Power Engineering,
2012., London, England, str. 1-5.
[16] Hussain, B., Sharkh,S. M., Hussain,S., “Impact Studies of Distributed Generation on
Power Quality and Protection setup of an Existing Distribution Network”, International
Symposium on Power Electronics, Electrical Drives, Automation and Motion, Pisa,
Italy, 2010., str. 1243–1246.
[17] Kuiava, R., Ramos, R. A., De Oliveira, R. V., Bretas, N. G., “An Analysis of the
Potential Impacts of Electromechanical Oscillations on the Stability and Power Quality
of Distributed Generation Systems”, Power and Energy Society General Meeting -
Conversion and Delivery of Electrical Energy in the 21st Century, Pittsburg, USA,
2008., str. 1–7.
[18] Khan, U. N., “Distributed Generation and Power Quality”, Proceedings of IEEE
International Conference on Environment and Electrical Engineering, Krakow, Poland,
2014., str. 2–5.
[19] Lombardi, P., Powalko, M., Rudion, K., “Optimal operation of a virtual power plant”,
IEEE Power & Energy Society General Meeting, Calgary, Canada, 2009., str. 1–6.
[20] Setiawan, E. A., “Concept and Controllability of Virtual Power Plant”, doktorski rad,
University of Kassel, Germany, 2007.
[21] Werner, T. G., Remberg, R., “Technical , Economical and Regulatory Aspects of
Virtual Power Plants”, Third International Conference on Electric Utility Deregulation
and Restructuring and Power Technologies, Nanjuing, China, 2008., str. 2427–2433.
[22] Oyarzabal, J., Martí, J., Ilo, A., Sebastian, M., Alvira, D., Johansen, K., “Integration of
DER into power system operation through Virtual Power Plant concept applied for
voltage regulation”, CIGRE/IEEE PES Joint Symposium on Integration of Wide-Scale
Renewable Resources Into the Power Delivery System, Calgary, Canada, 2009., str. 1–
7.
[23] Saboori, H., Mohammadi, M., Taghe, R., “Virtual Power Plant ( VPP ), Definition ,
Concept , Components and Types”, IEEE Asia-Pacific Power and Energy Engineering
Conference, Wuhan, China, 2011., str. 1–4.
[24] Zurborg, A., “Unlocking Customer Value : The Virtual Power Plant”, U.S. Department
of Energy, dostupno na:
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
106
http://energy.gov/sites/prod/files/oeprod/DocumentsandMedia/ABB_Attachment.pdf.
(5. sudenog 2014.)
[25] Chowdhury, S., Chowdhury, S. P., Crossley, P., “Microgrids and Active Distribution
Networks“, The Institution of Engineering and Technology, London, 2009.
[26] Gomes, M. H., Saraiva, J. T., “Allocation of reactive power support, active loss
balancing and demand interruption ancillary services in MicroGrids”, Electric Power
Systems Research, Vol. 80, No. 10, October 2010, str. 1267–1276.
[27] Madureira, A., Bessa, R., Gomes, M. H., Saraiva, J. T., Pudjanto, D., Mancarella, P.,
Strbac, G., Tsikalakis, A., Assimakopoulou, G., Hatziaryriou, N., “Advanced
Architectures and Control Concepts for Deliverable DD4 Definition of Ancillary
Services and Short-Term Energy Markets”, Project More Microgrids, December 2009.
[28] Buhler, R., “Integration of Renewable Energy Sources Using Microgrids, Virtual
Power Plants and the Energy Hub Approach”, Swiss Federal Institute of Technology
Zurich, 2010.
[29] Project More Microgrids, dostupno na: http://www.microgrids.eu/default.php (6.
sudenog 2014.)
[30] Roberts, S., Guariento, N., “Building integrated photovoltaics - a handbook“
Birkhauser Verlag AG, Berlin, 2009.
[31] Deutsche Gesellschaft Für Sonnenenergie, “Planning and Installing Photovoltaic
Systems – A guide for Installers, Architects and Engineers“, Earthscan, London, 2008.
[32] Labudović, B., “Osnovne primjene fotonaponskih sustava“, Energetika marketing,
Zagreb, 2011.
[33] National Renewable Energy Laboratory, “OpenEI Transparent Cost Database”,
dostupno na: http://en.openei.org/wiki/Transparent_Cost_Database (12. srpnja 2014.)
[34] U.S. Energy Information Administration, “Levelized Cost of New Generation
Resources in the Annual Energy Outlook 2013” dostupno na:
http://www.eia.gov/forecasts/aeo/pdf/electricity_generation.pdf (14. srpnja 2014.)
[35] Hu, Z., Jewell,W. T., “Optimal Power Flow Analysis of Energy Storage for Congestion
Relief , Emissions Reduction and Cost Savings”, IEEE/PES Power Systems
Conference and Exposition, Phoenix, USA, 2011., str. 1–8.
[36] Alamri, B. R., Alamri, A. R., “Technical Review of Energy Storage Technologies
When Integrated With Intermittent Renewable Energy”, International Conference on
Sustainable Power Generation and Supply, Nanjing, China, 2009., str. 1–5.
[37] Martinez, J. A., “Modeling and characterization of energy storage devices”, IEEE
Power and Energy Society General Meeting, San Diego, USA, 2011., str. 1–6.
LITERATURA
107
[38] Nourai, A., “Large-Scale Electricity Storage Technologies for Energy Management”,
IEEE Power Engineering Society Summer Meeting, Chicago, USA, 2002., str. 310–
315.
[39] Schoenung, S., “Energy Storage Systems Cost Update - A Study for the DOE Energy
Storage Systems Program”, Sandia National Laboratories, April 2011.
[40] Chatzivasileiadi, A., Ampatzi, E., Knight, I., “Characteristics of electrical energy
storage technologies and their applications in buildings”, Renewable and Sustainable
Energy Reviews, Vol. 25, September 2013, str. 814–830.
[41] T. M. Masaud, K. Lee, P. K. Sen, “An Overwiev of Energy Storage Technologies in
Electric Power Systems: What is the Future?”, North American Power Symposium,
Arlington, USA, 2010., str. 1–6.
[42] Toledo, O. M., Oliveira Filho, D., Diniz,A. S. A. C., “Distributed photovoltaic
generation and energy storage systems: A review”, Renewable and Sustainable Energy
Reviews, Vol. 14, No. 1, January 2010, str. 506–511.
[43] Tan, X., Li, Q., Wang, H., “Advances and trends of energy storage technology in
Microgrid”, International Journal of Electrical Power & Energy Systems, Vol. 44, No.
1, January 2013, str. 179–191.
[44] Sparacino, A. R., Reed, G. F., Kerestes, R. J., Smith, Z. T., “Survey of Battery Energy
Storage Systems and Modeling Techniques”, IEEE Power and Energy Society General
Meeting, San Diego, USA, 2012., str. 1–8.
[45] Alotto, P., Guarnieri, M., Moro, F., “Redox flow batteries for the storage of renewable
energy: A review”, Renewable and Sustainable Energy Reviews, Vol. 29, January
2014, str. 325–335.
[46] Bussar, R., Lippert, M., Bonduelle, G., Linke, R., Crugnola, G., Cilia, J., Merz, K.D.,
Heron, C., Marckx, E., “Battery Energy Storage for Smart Grid Applications”, Eurobat,
Brussel, 2012.
[47] Poonpun, P., Jewell, W. T., “Analysis of the Cost per Kilowatt Hour to Store
Electricity”, IEEE Transactions on Energy Conversion, Vol. 23, No. 2, June 2008. str.
529–534.
[48] Goldie-Scot, L.,“Energy Smart Technologies - Energy Storage - Research Note 2013
advanced energy storage cost outlook”, Bloomberg, 2013.
[49] Mendil, M., Terenti, M., Wloch, F., “Demand side management certification and
control on the distribution network”, 11th International Conference on the European
Energy Market, Krakow, Poland, 2014., str. 1–4.
[50] Berardino, J., Nwankpa, C. O., “Economic Demand Dispatch of Controllable Building
Electrical Loads Incorporating Delayed Response Times”, IEEE PES Innovative Smart
Grid Technologies, Washington, USA, 2013., str. 1–6.
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
108
[51] Brandoni, C., Ciriachi, G., Polonara, F., Arteconi, A., “Heat Pumps and Demand Side
Management for Renewable Energy Integration in Sustainable Communities”,
International Conference and Utility Exhibition on Green Energy for Sustainable
Development, Pattaya, Thailand, 2014., str. 19–21.
[52] Schachter, J., Mancarella, P., “A Short-term Load Forecasting Model for Demand
Response Applications”, 11th International Conference on the European Energy
Market, Krakow, Poland, 2014., str. 1–5.
[53] Strbac, G., “Demand side management: Benefits and challenges”, Energy Policy, Vol.
36, No. 12, December 2008, str. 4419–4426.
[54] EUR Lex - legislation Europa, “Promotion of the use of energy from renewable
sources”, dostupno na:
http://europa.eu/legislation_summaries/energy/renewable_energy/en0009_en.htm (15.
studenog 2014.)
[55] European Commission, “The 2020 climate and energy package”, dostupno na:
http://ec.europa.eu/clima/policies/package/index_en.htm (15. studenog 2014.)
[56] Europen Commission, “2030 framework for climate and energy policies”, dostupno na:
http://ec.europa.eu/clima/policies/2030/index_en.htm (15. studenog 2014.)
[57] European Council, “2030 Climate and Energy Policy Framework”, dostupno na:
http://www.consilium.europa.eu/uedocs/cms_data/docs/pressdata/en/ec/145397.pdf
(15. studenog 2014.)
[58] Ministarstvo gospodarstva i Energetski institut Hrvoje Požar, “Energija u Hrvatskoj
2012“, Zagreb, 2013.
[59] “Fond za zaštitu okoliša i energetsku učinkovitost”, dostupno na:
http://www.fzoeu.hr/hrv/pdf/Obavijest o zatvaranju Javnog poziva_hibr. i el.
vozila_Gradani.pdf (16. studenog 2014.)
[60] “Fond za zaštitu okoliša i energetsku učinkovitost”, dostupno na:
http://www.fzoeu.hr/hrv/pdf/Obavijest o zatvaranju Javnog poziva_hibr. i el.
vozila_Trgovacka drustva i obrti.pdf (16. studenog 2014.)
[61] Hassett, B., Bower, E., Alexander, M., “Evaluation of the Impact That a Progressive
Deployment of EV Will Provoke on Electricity Demand, Steady State Operation,
Market Issues, Generation Schedules and on the Volume of Carbon Emissions”,
Project Merge, Vol. WP 3, No. Task 3.2, 2011.
[62] Emadi, A., “Transportation 2.0”, IEEE Power and Energy Magazine, Vol. 9, No. 4,
July 2011, str. 18.–29.
[63] “Battery University”, dostupno na:
http://batteryuniversity.com/learn/article/electric_vehicle (7. listopada 2014.)
LITERATURA
109
[64] Ball, R., Keers, N., Alexander, M., Bower, E., “Modelling Electric Storage Devices for
EV”, Project Merge, Vol. WP 2, 2010.
[65] Yilmaz, M., Krein, P. T., “Review of Battery Charger Topologies, Charging Power
Levels, and Infrastructure for Plug-In Electric and Hybrid Vehicles”, IEEE
Transactions on Power Electronics, Vol. 28, No. 5, May 2013, str. 2151–2169.
[66] “Overview of existing standards and standards under development”, dostupno na:
http://www.elektromobilitaet.din.de/cmd?level=tpl-home&contextid=emobilitaet (7.
listopada 2014.)
[67] Bending, S., Ferdowsi, M., Channon, S., Strunz, K., “Specification for an Enabling
Smart Technology”, Project Merge, Vol. WP 1, 2010.
[68] “RWE eMobility”, dostupno na: https://www.rwe-
mobility.com/web/cms/en/1157924/rwe-emobility/ (7. listopada 2014.)
[69] Putrus, G. A., Suwanapingkarl, P., Johnston, D., Bentley, E. C., Narayana, M., “Impact
of electric vehicles on power distribution networks”, IEEE Vehicle Power and
Propulsion Conference, Dearborn, USA, 2009., str. 827–831.
[70] Soares, F. J., Almeida, P. M., “Smart Charging Strategies for Electric Vehicles :
Enhancing Grid Performance and Maximizing the Use of Variable Renewable Energy
Resources”, Proceedings 24th International Electric Vehicle Symposium and
Exposition, Stavanger, Norway , 2009., str. 1–11.
[71] Zhao, L., Prousch, S., Hübner, M., Moser, A., “Simulation Methods for Assessing
Electric Vehicle Impact on Distribution Grids”, Transmission and Distribution
Conference and Exposition, New Orleans, USA, 2010., str. 1–7.
[72] Strnad, I., Škrlec, D., Tomiša, T., “A model for the efficient use of electricity produced
from renewable energy sources for electric vehicle charging”, Proceedings of 4th
International Youth Conference on Energy, Siofok, Hungary, 2013., str.1–8.
[73] Drude, L., Junior, L. C. P., Rüther, R., “Photovoltaics (PV) and electric vehicle-to-grid
(V2G) strategies for peak demand reduction in urban regions in Brazil in a smart grid
environment”, Renewable Energy, Vol. 68, August 2014, str. 443–451.
[74] Goli, P., Shireen,W., “PV powered smart charging station for PHEVs”, Renewable
Energy, Vol. 66, June 2014, str. 280–287.
[75] Sojoudi, S., Low, S. H., “Optimal charging of plug-in hybrid electric vehicles in smart
grids”, IEEE Power and Energy Society General Meeting, San Diego, USA, 2011., str.
1–6.
[76] Zhu, L., Yu, F. R., Ning, B., Tang, T., “Optimal Charging Control for Electric Vehicles
in Smart Microgrids with Renewable Energy Sources”, IEEE Vehicular Technology
Conference, Yokohama, Japan, 2012., str. 1–5.
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
110
[77] Guille, C., Gross, G., “A conceptual framework for the vehicle-to-grid (V2G)
implementation”, Energy Policy, Vol. 37, No. 11, November 2009, str. 4379–4390.
[78] Kempton, W., Tomić, J., “Vehicle-to-grid power fundamentals: Calculating capacity
and net revenue”, Journal of Power Sources, Vol. 144, No. 1, June 2005, str. 268–279.
[79] Richardson, P., Flynn, D., Keane, A., “Impact Assessment of Varying Penetrations of
Electric Vehicles on Low Voltage Distribution Systems”, Power and Energy Society
General Meeting, Minneapolis, USA, 2010., str. 1–6.
[80] Tran-Quoe, T., Le Pivert, X., Saheli, M., Beaude, O., “Stochastic Approach to Assess
Impacts of Electric Vehicles on the Distribution Network”, 3rd Innovative Smart Grid
Technologies, Berlin, Germany, 2012., str. 1–8.
[81] Xu, L., Marshall, M., Dow, L., “A Framework for Assessing the Impact of Plug- in
Electric Vehicle to Distribution Systems”, Power Systems Conference and Exposition,
Phoenix, USA, 2011., str. 1–6.
[82] Acha, S., Green, T. C., Shah, N., “Impacts of Plug-in Hybrid Vehicles and Combined
Heat and Power Technologies on Electric and Gas Distribution Network Losses”, IEEE
PES/IAS Conference on Sustainable Alternative Energy, Valencia, Spain, 2009., str. 1–
7.
[83] Sheikhi, A., Bahrami, S., Ranjbar, A. M., Oraee, H., “Strategic charging method for
plugged in hybrid electric vehicles in smart grids; a game theoretic approach”,
International Journal of Electrical Power & Energy Systems, Vol. 53, December 2013,
str. 499–506.
[84] Hu, W., Chen, Z., Bak-Jensen, B.,“Optimal Operation of Electric Vehicles in
Competitive Electricity Markets and Its Impact on Distribution Power Systems”, IEEE
PowerTech, Trondheim, Norway, 2011., str. 1–7.
[85] Van Roy, J., Leemput, N., Geth, F., Büscher, J., Salenbien, R., Driesen, J., “Electric
Vehicle Charging in an Of fi ce Building Microgrid With Distributed Energy
Resources”, IEEE Transactions on Sustainable Energy, Vol. 5, No. 4, May 2014, str.
1389–1396.
[86] Saker, N., Petit, M., Vannier, J-C., “Electric Vehicles Charging Scenarios Associated
to Direc Load Control Programs (DLC)”, North American Power Symposium, Boston,
USA, 2011., str. 1–7.
[87] Karnama, A., Resende, F. O., Lopes, J. A. P., “Optimal Management of Battery
Charging of Electric Vehicles : A New Microgrid Feature”, IEEE PowerTech,
Trondheim, Norway, 2011., str. 1–8.
[88] Yuen, C., Oudalov, A., “The Feasibility and Profitability of Ancillary Services
Provision from Multi-MicroGrids”, IEEE Power Tech, Lausanne, Switcherland, 2007.,
str. 598–603.
LITERATURA
111
[89] Saraiva, J. T., Gomes, M. H., “Provision of some ancillary services by microgrid
agents”, 7th International Conference on the European Energy Market, Madrid, Spain,
2010., str. 1–8.
[90] Kueck, J. D., Staunton, R. H., Labinov, S. D., Kirby, B. J., “Microgrid Energy
Management System”, Oak Ridge National Laboratory, 2003.
[91] Kirschen, D., Strbac, G., “Fundamentals of Power System Economics“, John Wiley &
Sons Ltd, Chichester, 2004.
[92] Bendeković, J., “Analiza i struktura investicijskih projekata,” Računovodstvo, revizija i
financije, Vol. 4, 2008., str. 76–82.
[93] Vidučić, L., “Financijski menadžment“ RRIF-plus d.o.o., Zagreb, 2012.
[94] Bendeković, J., Et.al, “Priprema i ocjena investicijskih projekata“, FOIP 1974 d.o.o.,
Zagreb, 2007.
[95] Helfert, E. A., “Financial Analysis Tools and Techniques“, McGraw-Hill, New York,
2001.
[96] Sabolić, D., “Procjena investicijskih projekata”, Bilješke s predavanja, FER, 2013.
[97] Damodaran, A., “Valuation Approaches and Metrics : A Survey of the Theory and
Evidence”, Stern School of Business, 2006., str. 1–77.
[98] Čulo, K., “Ekonomika investicijskih projekata“, Sveučilište J.J. Strossmayera u
Osijeku, Osijek, 2010.
[99] Connolly, D., Lund, H., Van Mathiesen, B., Leahy, M., “A review of computer tools
for analyzing the integration of renewable energy into various energy systems”,
Applied Energy, Vol. 87, April 2010, str. 1059–1082.
[100] Rau, N. S., “Optimization Principles - Practical Applications to the Operation and
Markets of the Electric Power Industry“, John Wiley & Sons Ltd, 2003.
[101] Zhu, J., “Optimization of Power System Operation“, John Wiley & Sons Ltd, 2009.
[102] Kirschen, D., Strbac, G., “Fundamentals of Power System Economics“, John Wiley &
Sons Ltd, Chichester, 2004.
[103] Milan, C., Bojesen, C., Nielsen, M. P., “A cost optimization model for 100%
renewable residential energy supply systems,” Energy, Vol. 48, No. 1, December 2012,
str. 118–127.
[104] Ren, H., Gao, W., “A MILP model for integrated plan and evaluation of distributed
energy systems”, Applied Energy, Vol. 87, No. 3, March 2010, str. 1001–1014.
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
112
[105] Mehleri, E. D., Sarimveis, H., Markatos, N. C., Papageorgiou, L. G., “A mathematical
programming approach for optimal design of distributed energy systems at the
neighbourhood level”, Energy, Vol. 44, No. 1, August 2012, str. 96–104.
[106] Zhang, X., Sharma, R., He, Y., “Optimal Energy Management of a Rural Microgrid
System Using Multi-objective Optimization”, IEEE PES Innovative Smart Grid
Technologies, Washington, 2012., USA, str. 1–8.
[107] Jallouli, R., Krichen, L., “Sizing, techno-economic and generation management
analysis of a stand alone photovoltaic power unit including storage devices”, Energy,
Vol. 40, No. 1, April 2012, str. 196–209.
[108] Fux, S. F., Benz, M. J., Guzzella, L., “Economic and environmental aspects of the
component sizing for a stand-alone building energy system: A case study”, Renewable
Energy, Vol. 55, July 2013, str. 438–447.
[109] Rezvan, A. T., Gharneh, N. S., Gharehpetian, G. B., “Robust optimization of
distributed generation investment in buildings”, Energy, Vol. 48, No. 1, December
2012, str. 455–463.
[110] Hafez, O., Bhattacharya , K., “Optimal planning and design of a renewable energy
based supply system for microgrids”, Renewable Energy, Vol. 45, September 2012, str.
7–15.
[111] Strnad, I., Škrlec, D., “An Approach to the Optimal Operation of the Microgrid With
Renewable Energy Sources and Energy Storage Systems”, IEEE EuroCon, Zagreb,
Croatia, 2013., str. 1135–1140.
[112] Cerón, I., Caamaño-Martín, E., Neila, F. J., “‘State-of-the-art’ of building integrated
photovoltaic products”, Renewable Energy, Vol. 58, October 2013, str. 127–133.
[113] Ribeiro, P. F., Johnson, B. K., Crow, M. L., Arsoy, A., Liu, Y., “Energy Storage
Systems for Advanced Power Applications”, Proceedings of the IEEE, Vol. 89, No. 12,
December 2001, str. 1744–1756.
[114] Chacra, F. A., Bastard, P., Fleury, G., Clavreul, R., “Impact of Energy Storage Costs
on Economical Performance in a Distribution Substation”, IEEE Transactions on
Power Systems, Vol. 20, No. 2, May 2005, str. 684–691.
[115] Oudalov, A., Cherkaoui, R., Beguin, A., “Sizing and Optimal Operation of Battery
Energy Storage System for Peak Shaving Application”, IEEE Power Tech, Lausanne,
Switcherland, 2007., str. 621–625.
[116] Lee, T., Chen, N., “Determination of optimal contract capacities and optimal sizes of
battery energy storage systems for time-of-use rates industrial customers”, IEEE
Transactions on Energy Conversion, Vol. 10, No. 3, September 1995, str. 562–568.
[117] Borowy, B. S., Salameh, Z. M., “Methodology for optimally sizing the combination of
a battery bank and PV array in a wind/PV hybrid system”, IEEE Transactions on
Energy Conversion, Vol. 11, No. 2, June 1996, str. 367–375.
LITERATURA
113
[118] Prasad, A., Natarajan, E., “Optimization of integrated photovoltaic–wind power
generation systems with battery storage”, Energy, Vol. 31, No. 12, September 2006,
str. 1943–1954.
[119] Ekren, O., Ekren, B. Y., Ozerdem, B., “Break-even analysis and size optimization of a
PV/wind hybrid energy conversion system with battery storage – A case study”,
Applied Energy, Vol. 86, No. 7–8, July-August 2009, str. 1043–1054.
[120] Kaldellis, J. K., Zafirakis, D., Kondili, E., “Optimum sizing of photovoltaic-energy
storage systems for autonomous small islands”, International Journal of Electrical
Power and Energy Systems, Vol. 32, No. 1, January 2010, str. 24–36.
[121] Swift-Hook, D., “Wind energy really is the last to be stored and solar energy cannot be
stored economically”, Renewable Energy, Vol. 50, February 2013, str. 971–976.
[122] “FICO Xpress”, dostupno na: http://www.fico.com/en/ , (18. lipnja 2014.)
[123] Element Energy, “Pathways to high penetration of electric vehicles”, University of
Aberdeen, Cambridge, 2013.
[124] Alizadeh, M., Scaglione, A., Davies, J., Kurani, K. S., “A Scalable Stochastic Model
for the Electricity Demand of Electric and Plug-in Hybrid Vehicles”, IEEE
Transactions on Smart Grid, Vol. 5, No. 2, March 2014, str. 848–860.
[125] Darabi, Z., Ferdowsi, M., “An Event-Based Simulation Framework to Examine the
Response of Power Grid to the Charging Demand of Plug-In Hybrid Electric
Vehicles”, IEEE Transactions on Industrial Informatics, Vol. 10, No. 1, February 2014,
str. 313–322.
[126] “Tehnička škola Ruđera Boškovića Zagreb”, dostupno na: http://www.suntrol-
portal.com/en/page/tsrb , (2. svibnja 2014.)
[127] “Hrvatski operator tržišta energije”, dostupno na:
http://www.hrote.hr/default.aspx?id=123 , (2. svibnja 2014.)
[128] “HEP ODS d.o.o.”, dostupno na: http://www.hep.hr/ods/en/customers/Tariff.aspx , (2.
svibnja 2014.)
[129] “Hungarian Power Exchange”, dostupno na:
https://www.hupx.hu/en/Pages/hupx.aspx?remsession=1 , (19. svibnja 2014.)
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
114
POPIS SLIKA
Slika 2.1. Organizacija EES s centraliziranom proizvodnjom ................................................... 5
Slika 2.2. Organizacija EES s distribuiranom proizvodnjom .................................................... 5
Slika 2.3. Koncept virtualne elektrane ....................................................................................... 9
Slika 2.4. Primjer različitih veličina mikromreže .................................................................... 11
Slika 2.5. Prikaz vremena pražnjenja i raspona instalirane snage za različite tehnologije
skladišta električne energije .................................................................................... 15
Slika 3.1. Korelacija između koncentracije CO2 i temperature na Zemlji ............................... 19
Slika 3.2. Struktura emisija CO2 po sektorima u Hrvatskoj za 2012. godinu .......................... 21
Slika 4.1. Koncept hibridnih električnih vozila ........................................................................ 23
Slika 4.2. Koncept hibridnih električnih vozila s mogućnošću punjenja ................................. 23
Slika 4.3. Koncept baterijskih električnih vozila ...................................................................... 23
Slika 4.4. Opterećenje u mikromreži kod primjene nekontroliranog i kontroliranog punjenja
električnih vozila ...................................................................................................... 25
Slika 8.1. Shematski prikaz optimizacijskog modela ................................................................ 42
Slika 9.1. Model mikromreže .................................................................................................... 51
Slika 9.2. Profil opterećenja mikromreža za dan s najvećom angažiranom snagom ............... 52
Slika 9.3. Godišnji profili opterećenja mikromreža ................................................................. 53
Slika 9.4. Vrijednosti faktora proizvodnje FNE za tri karakteristična dana ............................ 54
Slika 9.5. Cijene električne energije ......................................................................................... 57
Slika 9.6. Iznosi NSV za FNE u mikromreži FER..................................................................... 60
Slika 9.7. Iznosi NSV za FNE u mikromreži trgovačkog centra ............................................... 61
Slika 9.8. Iznosi NSV za FNE u mikromreži rezidencijalne zgrade ......................................... 61
Slika 9.9. Interna stopa rentabilnosti za FNE u tržišnim uvjetima .......................................... 62
Slika 9.10. Iznosi NSV za kombinaciju FNE i BSEE u mikromreži FER – slučaj 1 ................. 63
Slika 9.11. Iznosi NSV za kombinaciju FNE i BSEE u mikromreži FER – slučaj 2 ................ 65
Slika 9.12. Iznosi NSV za kombinaciju FNE i BSEE u mikromreži FER – slučaj 3 ................ 65
Slika 9.13. Iznosi NSV za kombinaciju FNE i BSEE u mikromreži TC – slučaj 1 .................. 66
Slika 9.14. Iznosi NSV za kombinaciju FNE i BSEE u mikromreži TC – slučaj 2 .................. 67
Slika 9.15. Iznosi NSV za kombinaciju FNE i BSEE u mikromreži TC – slučaj 3 .................. 67
Slika 9.16. Iznosi NSV za kombinaciju FNE i BSEE u mikromreži RZ – slučaj 1 .................. 69
Slika 9.17. Iznosi NSV za kombinaciju FNE i BSEE u mikromreži RZ – slučaj 2 .................. 69
POPIS SLIKA
115
Slika 9.18. Iznosi NSV za kombinaciju FNE i BSEE u mikromreži RZ – slučaj 3 .................. 70
Slika 9.19. Godišnji troškovi pogona za mikromrežu FER ...................................................... 71
Slika 9.20. Godišnji troškovi pogona za mikromrežu TC ......................................................... 71
Slika 9.21. Godišnji troškovi pogona za mikromrežu RZ ......................................................... 71
Slika 9.22. Analiza osjetljivosti na promjenu cijena električne energije – mikromreža FER .. 73
Slika 9.23. Analiza osjetljivosti na promjenu cijena električne energije – mikromreža TC .... 73
Slika 9.24. Analiza osjetljivosti na promjenu cijena električne energije – mikromreža RZ .... 74
Slika 9.25. Analiza osjetljivosti na promjenu diskontne stope – mikromreža FER .................. 74
Slika 9.26. Analiza osjetljivosti na promjenu diskontne stope – mikromreža TC .................... 74
Slika 9.27. Analiza osjetljivosti na promjenu diskontne stope – mikromreža RZ .................... 75
Slika 9.28. Godišnja emisija CO2 za sve tri mikromreže ......................................................... 75
Slika 9.29. Cijena električne energije za karakteristične dane u godini .................................. 78
Slika 9.30. Dnevna količina energije koju je potrebno pohraniti u bateriju EV ...................... 78
Slika 9.31. Dnevni profili opterećenja za mikromrežu FER – slučaj 1 .................................... 80
Slika 9.32. Snaga punjenja EV u mikromreži FER – slučaj 1 .................................................. 81
Slika 9.33. Dnevni profili opterećenja za mikromrežu FER – slučaj 3 .................................... 82
Slika 9.34. Snaga punjenja EV u mikromreži FER – slučaj 3 .................................................. 83
Slika 9.35. Dnevni profili opterećenja za mikromrežu TC – slučaj 1 ...................................... 84
Slika 9.36. Snaga punjenja EV u mikromreži TC – slučaj 1 .................................................... 85
Slika 9.37. Dnevni profili opterećenja za mikromrežu TC – slučaj 3 ...................................... 86
Slika 9.38. Snaga punjenja EV u mikromreži TC – slučaj 3 .................................................... 87
Slika 9.39. Dnevni profili opterećenja za mikromrežu RZ – slučaj 1 ....................................... 88
Slika 9.40. Snaga punjenja EV u mikromreži RZ – slučaj 1 ..................................................... 89
Slika 9.41. Dnevni profili opterećenja za mikromrežu RZ – slučaj 3 ....................................... 91
Slika 9.42. Snaga punjenja EV u mikromreži RZ – slučaj 3 ..................................................... 92
Slika 10.1. Ovisnost cijene o angažiranom kapacitetu pomoćne usluge – mikromreža FER .. 96
Slika 10.2. Ovisnost cijene o angažiranom kapacitetu pomoćne usluge – mikromreža TC ..... 97
Slika 10.3. Ovisnost cijene o angažiranom kapacitetu pomoćne usluge – mikromreža RZ ..... 97
Slika 10.4. Rezultati planiranja pomoćne usluge za mikromrežu FER .................................... 98
Slika 10.5. Rezultati planiranja pomoćne usluge za mikromrežu TC ...................................... 99
Slika 10.6. Rezultati planiranja pomoćne usluge za mikromrežu RZ ....................................... 99
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
116
POPIS TABLICA
Tablica 2.1. Učinkovitost najčešćih izvedbi fotonaponskih ćelija ........................................... 13
Tablica 2.2. Troškovi izgradnje i održavanja fotonaponskih elektrana ................................... 14
Tablica 2.3. Tehničke karakteristike baterijskih skladišta električne energije ........................ 17
Tablica 4.1. Osnovne karakteristike različitih razina punjenja električnih vozila .................. 24
Tablica 9.1. Ulazni podaci korišteni u simulacijama za FNE ................................................. 55
Tablica 9.2. Ulazni podaci korišteni u simulacijama za BSEE ................................................ 56
Tablica 9.3. Godišnji emisijski faktor za sve tri mikromreže (kg CO2/kWh) ........................... 76
Tablica 9.4. Predana električna energija i smanjenje emisija CO2 u mreži ............................ 77
Tablica 10.1. Maksimalni opseg pomoćne usluge na godišnjoj razini (kWh) .......................... 96
Slika 10.1. Ovisnost cijene o angažiranom kapacitetu pomoćne usluge – mikromreža FER .. 96
Slika 10.2. Ovisnost cijene o angažiranom kapacitetu pomoćne usluge – mikromreža TC ..... 97
Slika 10.3. Ovisnost cijene o angažiranom kapacitetu pomoćne usluge – mikromreža RZ ..... 97
Slika 10.4. Rezultati planiranja pomoćne usluge za mikromrežu FER .................................... 98
Slika 10.5. Rezultati planiranja pomoćne usluge za mikromrežu TC ...................................... 99
Slika 10.6. Rezultati planiranja pomoćne usluge za mikromrežu RZ ....................................... 99
ŽIVOTOPIS AUTORA
117
ŽIVOTOPIS AUTORA
Ivan Strnad rođen je 4. kolovoza 1982. godine u Varaždinu. Diplomirao je 2007. godine
na Fakultetu elektrotehnike i računarstva, Sveučilišta u Zagrebu. Doktorirao je na Fakultetu
elektrotehnike i računarstva, Sveučilišta u Zagrebu 2016. godine. Njegova područja
znanstvenog istraživanja su mikromreže, napredne mreže, optimizacija u elektroenergetici i
distribuirana proizvodnja.
2007. godine zapošljava se u HEP Proizvodnja d.o.o., PP HE Sjever na radno mjesto
inženjer za procesne sustave gdje obavlja poslove vođenja projekata te uvođenja novih
tehnologija i održavanje različitih tehničkih sustava vezano uz procesne sustave
hidroelektrana i SCADA sustava.
Ivan Strnad član je međunarodne organizacije IEEE te hrvatskog ogranka CIGRE i
CIRED. Tijekom znanstvenog istraživanja objavio je dva znanstvena rada na međunarodnim
konferencijama te osam stručnih radova na međunarodnim konferencijama iz područja
istraživanja i radnog iskustva.
Popis objavljenih radova:
Strnad, I., Škrlec, D., Tomiša, T., “A model for the efficient use of electricity
produced from renewable energy sources for electric vehicle charging”, 4th
International Youth Conference on Energy, Siofok, Hungary, 2013.
Strnad, I., Škrlec, D., “An Approach to the Optimal Operation of the Microgrid With
Renewable Energy Sources and Energy Storage Systems”, IEEE EuroCon, Zagreb,
Croatia, 2013.
Strnad, I., “Pregled metoda planiranja proizvodnje vjetroagregata primjenom fuzzy
logike”, 9. Simpozij o sustavu vođenja EES-a HRO CIGRE, Zadar, Croatia, 2010.
Strnad, I., “Kogeneracija - usporedba legislative i tehnilogije u Hrvatskoj i Europskoj
uniji”, 2.(8.) Savjetovanje HO CIRED, Umag, Croatia, 2010.
Vrdoljak, K., Strnad, I., Horvat, B., Štefan, Ž., “Integration of applications for
revitalization of remote control centre Hydro North”, HYDRO 2015, Bordeaux,
France, 2015.
Crnarić, D., Vrdoljak, K., Horvat, B., Strnad, I., Štefan, Ž., Cmuk, D., Špišić, V.,
Bračić, A., “Sustav obračunskih mjerenja na proizvodnom području HE Sjever”, 12.
Savjetovanje HRO CIGRE, Šibenik, Croatia, 2015.
OPTIMALNO PLANIRANJE I UPRAVLJANJE MIKROMREŽOM S LOKALNOM VIRTUALNOM ELEKTRANOM
118
Vrdoljak, K., Strnad, I., Horvat, B., Pavlović, B., Sekulić, S., Štefan, Ž., Mudri, Z.,
Krneta, M., “Optimiranje rada sustava lanca hidroelektrana na PP HE Sjever”, 12.
Savjetovanje HRO CIGRE, Šibenik, Croatia, 2015.
Vrdoljak, K., Strnad, I., Horvat, B., Štefan, Ž.,“Razlozi i opseg revitalizacije centra
daljinskog nadzora i upravljanja KL Varaždin”, 11. Simpozij o sustavu vođenja EES-a
HRO CIGRE, Opatija, Croatia, 2014.
Šijak, T., Horvatek, H., Horvat, K., Kuljača, O., Nemec, D., Vrdoljak, K., Strnad, I.,
Brezovec, M., Štefan, Ž., Marković, D., “Pilot projekt sustava za monitoring agregata
u primarnoj regulaciji frekvencije”, 11. Simpozij o sustavu vođenja EES-a HRO
CIGRE, Opatija, Croatia, 2014.
Štefan, Ž., Brezovec, M., Strnad, I., Mudri, Z., Krneta, M., “Efikasnije korištenje
statističkih podataka o radu lanca hidroelektrana u planiranju i određivanju termina
održavanja”, 10. Simpozij o sustavu vođenja EES-a HRO CIGRE, Opatija, Croatia,
2012.
AUTHOR'S BIOGRAPHY
119
AUTHOR'S BIOGRAPHY
Ivan Strnad was born in Varaždin, Croatia, on August 4th
, 1982. He received his Master
of Electrical Engineering degree from the Faculty of Electrical Engineering and Computing at
the University of Zagreb in 2007. He obtained his doctoral degree from the Faculty of
Electrical Engineering and Computing at the University of Zagreb in 2016. His research
interests include microgrids, smart grids, optimization in power systems, and distributed
generation.
In 2007 he was employed by HEP Proizvodnja Ltd, Hydro North, as an engineer working
on control systems and SCADA. His work includes project management, introduction of new
technologies and maintenance of different kinds of technical systems in the field of control
systems and SCADA.
Ivan Strnad is a member of IEEE, and the Croatian National Committees of CIRED and
CIGRÉ. During his scientific research he published two international conference research
papers and eight technical papers from his field of research and work experience.