6. Planering för storskalig expansion

Handledare: Adrian Muntean (huvud, KAU), Grigor Nika (KAU), Andreas Theocharis (KAU)

Komplexa energisystem bygger på ett antal komponenter som samverkar via olika mekanismer. Utvärdering av hur väl sådana system fungerar när efterfrågan och energipriser varierar med tiden på ibland drastiska sätt, ställer krav på simuleringsverktyg som kan anpassas till stora osäkerheter. Startpunkten i det här arbetet är att undersöka fall där osäkerheten i data, antingen beroende på mätfel plötsliga fel i anläggningar eller nät, eller felaktiga prognoser inte kan inte bortses ifrån. För att ta hand om dessa osäkerheter behövs noggranna känslighetsanalyser av resultat utifrån ingående data. Detta projekt utvecklar små- och storskaliga stokastiska modellverktyg, multiskalig polynomiala kaos-expansioner, numerisk simulering och optimering av parameters, som används till att utarbeta styrsystem för solenergi. Ingående data används för att förbättra modellerna och därmed uppnås en bättre prognos av elproduktionen.

Handledare: Andreas Theocharis (huvud, KAU), Andreas Kassler (KAU), David Lingfors (UU)

Storskalig integration av distribuerade energiresurser, såsom solcellssystem blir möjliga genom digitaliserad och smarta elnät. Att hålla koll på elnätet, klimat och väder och slutanvändarnas elvanor via storskaliga dataserier och IoT blir allt viktigare för effektiv användning och planering av elnätet. Delar av elnätet leder av brist på tillgängliga data på grund av nätutbyggnad, tekniska fel, ekonomisk och sociala faktorer, cybersäkerhet och legala hinder, vilket begränsar möjligheterna till bra energiprognoser. I detta projekt så undersöker vi möjliga lösningar baserade på maskininlärning och edge-programmering. Dessa är viktiga komponenter för utvecklingen av smarta elnät och intelligent kontroll, vilket också leder till att investeringar i nya elnät och förstärkningar av befintliga nät potentiellt kan minska.

För att möjliggöra bra prognoser för flertal prosumenter i systemet ska vi undersöka hur maskinlärningsmetoder, som Federal Learning i kombination med edge-programmering kan fungera. Målet är att implementera dessa metoder i smarta elnät. Vi kommer också att sträva efter att göra algoritmer för maskininlärning lättare att förstå, genom att använda tolkningsbara maskininlärningssystem. Detta är viktigt för nätoperatörerna, eftersom det kan göra att prognoserna mer tillförlitliga när man förstår vilka komponenter som påverkar vilka delar. Vi kommer att använda prognoser som uppdateras löpande, som en viktig komponent för att säkerställa att prognoserna blir så bra som möjligt och för att upptäcka drift.

Handledare: Joakim Munkhammar (huvud, UU), David Lingfors (UU), Andreas Kassler (KAU)

Beskrivning: För att nå målet om 100% förnybar elproduktion i Sverige till 2040 krävs en omfattande utbyggnad av förnybar kraftproduktion under de kommande decennierna. En betydande del av detta kommer sannolikt att vara solkraft och, att döma av den senaste utvecklingen, i form av storskaliga solparker. Att integrera stora mängder solkraft i energisystemet kräver både optimering av hur den variabla kraften används och hanteras, och planering av var och hur solparkerna ska lokaliseras och dimensioneras. Därför kommer doktoranden att arbeta med att utveckla matematiska, statistiska och maskininlärningsmetoder för att optimera utnyttjandet av solenergi i lokala energisystem, med hjälp av elhanteringssystem i kombination med t.ex. batterilagring, laddning av elfordon, värmepumpsystem och tillhandahållande av stödtjänster till nätet. Utöver detta kommer doktoranden att utveckla och tillämpa metoder för optimal placering och dimensionering av solparker, med tanke på en mängd olika alternativa markanvändningar och begränsningar, inklusive eldistributionsnätets kapacitet. Projektet omfattar fallstudier av planering av solenergianvändning tillsammans med ett antal svenska kommuner och distributionssystemoperatörer som är partners i SOLVE.