Modelling approaches for optimization of integrated regional energy systems

This thesis deals with the subject of energy system optimization models. Energy systems in this context are the connected networks of energy sources, energy conversion, transport and storage technologies, and various energy end users in different sectors of society. Energy in different forms such as heat, electricity or fuels is at the core of many functions in human societies, enabling activities such as cooking, manufacturing and global logistics. At the same time, detrimental environmental impacts of such energy use have been recognized, with the burning of fossil fuels accounting for a large part of anthropogenic climate change. Reducing impacts of energy systems while at the same time providing energy services to a growing global population means that energy systems must undergo transformation to more sustainable technologies and structures. Energy system optimization models can be used to plan both operation of and investments in energy systems. Optimization of operation takes place in short-term dispatch optimization of conversion units in existing systems as well as in investment planning models to evaluate how potential system structures would operate to satisfy estimated long-term energy demands. Investment optimization models can help identify favorable routes of development for energy systems with short-or long-term time horizons, on regional, national or even larger scales. In the research work behind this thesis, mixed-integer linear programming has been applied to optimize two types of energy system models: regional heating system models including district heating network topologies and regional integrated energy system models with a focus on incorporating intermittent renewable technologies. District heating network optimization entailed a high spatial resolution to capture the large amount of relevant pipeline options to consider, which in turn required reduced temporal resolution to ensure manageable computational times for solving the model. Despite this, the modelling approach was found practically viable for evaluating investments in district heating and decentralized options such as heat pumps, boilers and thermal storages. Additionally, a decomposition method was developed for solving complex model instances which the original model formulation could not solve. The other studied modelling approach sought for answers to questions of how intermittent renewable technologies could in practice interact with each other and with other more or less flexible technologies to satisfy varying energy demands in an integrated energy system, and how these modelled interactions would affect investment optimization solutions. This required high temporal resolutions, as wind speeds, solar irradiation and energy demands can all change rapidly. An hourly resolution over a one-year time horizon was thus selected, which in turn required very simple technical detail levels for the conversion technologies to reduce model complexity. Example cases showed how wind turbines, heat pumps and gas engines could interact to provide electricity and heat in a regional energy system. Since the relevant question regarding investment decisions is how to plan long-term investments starting from a present situation, the model was extended to span a selectable time-horizon divided into several periods. With this extension, estimates of near-future progression of energy demands, costs and efficiencies, as well as potential dismantling of existing powerplants could be taken into account in the optimization. Example cases again showed how sector integration can provide flexibility in regional energy systems and how long-term investment optimization can be formulated as mixed-integer linear programs, but also highlighted the necessity of dealing with uncertainties in model parameters and estimates of future circumstances. Research on energy system optimization models is ongoing and besides just developing the models themselves, it is necessary to develop frameworks and common practice for how to use the models in a decision-making process. Uncertainties are inherent in both the models and in the input data, and getting relevant information from the models requires careful formulation of optimization scenarios and analysis of the optimization output. Since this may involve large amounts of optimization runs, it is all the more desirable to reduce required computational efforts to solve the models. There is thus a call for general modelling formulations that are malleable to problems of different scales and with different technological options as energy system planning problems exist in diverse circumstances with different geographic, climatic and social conditions.Denna avhandling behandlar optimeringsmodeller för energisystem. Energisystem i detta sammanhang syftar på sammankopplade nätverk av energikällor, teknologier för omvandling, transport och lagring av energi, samt diverse slutanvändare i olika samhällssektorer. Energi iolika former som värme, elektricitet eller bränslen ligger som grund förmånga funktioner i mänskliga samhällen, och möjliggör aktiviteter sommatlagning, varutillverkning och global logistik. Samtidigt har skadliga följder av dylik energianvändning uppmärksammats, särskiltmed förbränningen av fossila bränslen som en av de största orsakernabakom antropogen klimatförändring. Att minska miljöpåverkan av energisystemen samtidigt som de lämpligen borde försäkra energiförsörjningen för en växande global population kräver att systemen genomgår en förändring mot mer hållbara teknologier och strukturer. Optimeringsmodeller för energisystem används för att planera både drift av och investeringar i energisystem. Driftsoptimering sker i kortsiktig optimering av hur enheter i existerande system fungerarsamt i modeller för investeringsplanering för att utvärdera hur möjligasystemstrukturer kunde tillgodose energibehov på längre sikt. Optimeringsmodeller kan användas för att identifiera gynnsammautvecklingssteg på kort eller lång sikt, i regionala, nationella eller ännustörre skalor. I det forskningsarbete som ligger som grund för denna avhandling har linjär blandad heltalsprogrammering tillämpats för attoptimera två slags modeller av energisystem: modeller av regionala värmesystem inklusive topologier för fjärrvärmenätverk och modellerför regionala integrerade energisystem med fokus på införandet av förnybara energiteknologier. Optimeringen av fjärrvärmenätverk krävde en hög detaljnivå gällande olika relevanta alternativ för nätverkets rörlinjer, vilket i sin tur krävde en förenklad tidsresolution för att hålla beräkningstiderna hanterbara. Trots detta kunde modellprincipen konstateras vara praktiskt användbar för att bedömainvesteringar i fjärrvärmenät och decentraliserade enheter såsom värmepumpar, värmepannor och värmelager. Därtill utvecklades en nedbrytningsmetod för att lösa komplexa nätverksmodeller som den ursprungliga modellformuleringen inte kunde lösa. Den andra typen av modeller som studerades sökte svar på frågor omhur starkt varierande förnybara energikällor i praktiken kunde samverka med varandra och med andra mer eller mindre flexibla teknologier för att tillgodose likaså varierande energibehov i ett integrerat energisystem och hur denna modellerade samverkan skullepåverka optimeringen av investeringar. Detta krävde hög tidsresolution eftersom vindhastigheter, solinstrålning och energibehov alla kan variera snabbt. En tidsskala på ett år uppdelad i timmar valdes, vilket i sin tur krävde relativt låg detaljnivå för energiöverföringsteknologierna för att minska modellernas komplexitet. Optimeringsexempel visade hur vindturbiner, värmepumpar och gasmotorer kunde samverka för att förse ett regionalt energisystem med elektricitet och värme. Eftersom den relevanta frågan gällande investeringsbeslut är hur långtida investeringar kunde planeras utgående från nuläget utvidgadesettårsmodellen till att sträcka sig över en valbar tidshorisont uppdeladi flera perioder. Med denna utvidgning gick det att i optimeringenbeakta uppskattningar av utvecklingen av energibehov, kostnader ochverkningsgrader, samt eventuell nedmontering av befintliga anläggningar. Optimeringsexempel visade igen hur sektorsintegrering kan bidra med flexibilitet i regionala energisystem och hur långsiktig investeringsoptimering kan formuleras som linjär blandad heltalsoptimering, men påvisade också nödvändigheten av att beakta osäkerheter i modellparametrar och i uppskattningar av framtida förhållanden. Forskningen kring optimeringsmodeller för energisystem pågår och utöver att bara utveckla själva modellerna är det nödvändigt att utveckla ramverk och praxis för hur modellerna används i en beslutsprocess. Osäkerheter är inneboende både i modeller och i deras indata, och för att få relevant information ur modellerna krävs omtanke i formuleringen av optimeringsscenarion och i analysen av optimeringsresultaten. Eftersom detta kan medföra ett stort antal optimeringskörningar är det desto mer önskvärt att minska behövligberäkningstid för att lösa modellerna. Därmed finns det en efterfrågan av generella modellformuleringar som kan omformas för problem i olika skalor och med olika teknologialternativ, emedan energiplaneringsker i diverse situationer med olika geografiska, klimatiska och samhälleliga förhållanden