OPTIMALNO PLANIRANJE I UPRAVLJANJE - fer.unizg.hr · PDF filei distribuirane proizvodnje u elektroenergetski sustav, te primjenu geoinformacijskih sustava u elektrotehnici i računarstvu

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


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.


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.


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


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


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.


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,


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).


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


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).


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


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,


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


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.


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


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:


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%


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


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


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.


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


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


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.


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


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.


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)


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.


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


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]


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


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


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,


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.


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.


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.


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).


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.


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


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


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


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


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 -


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),


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


25 kW – 100 kW 25 €/kW 15 €/kW 25 €/kW 20 €/kW


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


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


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.


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.


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%.


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


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.


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


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.


65




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


67




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.


69

Slika 9.16. Iznosi NSV za kombinaciju FNE i BSEE u mikromreži RZ – slučaj 1



70


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


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


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


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


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


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


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)


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


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


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


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


81

Slika 9.32. Snaga punjenja EV u mikromreži FER – slučaj 1


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


83

Slika 9.34. Snaga punjenja EV u mikromreži FER – slučaj 3


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


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


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


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


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


89

Slika 9.40. Snaga punjenja EV u mikromreži RZ – slučaj 1


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


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


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)


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


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.


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


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.


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.


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.


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.


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.


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:


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.

http://energy.gov/sites/prod/files/oeprod/DocumentsandMedia/ABB_Attachment.pdf

http://www.microgrids.eu/default.php

http://en.openei.org/wiki/Transparent_Cost_Database

http://www.eia.gov/forecasts/aeo/pdf/electricity_generation.pdf

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.


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.)

http://europa.eu/legislation_summaries/energy/renewable_energy/en0009_en.htm

http://ec.europa.eu/clima/policies/package/index_en.htm

http://ec.europa.eu/clima/policies/2030/index_en.htm

http://www.consilium.europa.eu/uedocs/cms_data/docs/pressdata/en/ec/145397.pdf

http://batteryuniversity.com/learn/article/electric_vehicle

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.

http://www.elektromobilitaet.din.de/cmd?level=tpl-home&contextid=emobilitaet

https://www.rwe-mobility.com/web/cms/en/1157924/rwe-emobility/

https://www.rwe-mobility.com/web/cms/en/1157924/rwe-emobility/


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.


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.)

http://www.fico.com/en/

http://www.suntrol-portal.com/en/page/tsrb

http://www.suntrol-portal.com/en/page/tsrb

http://www.hrote.hr/default.aspx?id=123

http://www.hep.hr/ods/en/customers/Tariff.aspx

https://www.hupx.hu/en/Pages/hupx.aspx?remsession=1


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 9.16. Iznosi NSV za kombinaciju FNE i BSEE u mikromreži RZ – slučaj 1 .................. 69


POPIS SLIKA

115


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


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.

https://bib.irb.hr/prikazi-rad?&rad=634360

https://bib.irb.hr/prikazi-rad?&rad=634360


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.