Modeling battery sizing optimization algorithms for various use cases

Abstract

Battery energy storage systems (BESS) increase energy controllability and grid flexibility. One of the most important issues in BESS investments is optimal BESS sizing for various needs. In this thesis, it is aimed to develop an optimal battery sizing methodology for the consumer, producer and prosumer. By using Mixed-Integer Linear Programming and Mixed-Integer Quadratic Programming methods, optimal battery sizing algorithms that can be used by all end-user types for different purposes were developed. The advantage of this mathematical modeling is that it can be adapted for different scenario constraints with minor modifications. Various estimation algorithms were used to get more realistic results from the optimization algorithms for the future. Artificial neural network (ANN), deep neural network (DNN), and Long-Short Term Memory models were used to predict generation, consumption, and electricity market data. The importance of estimation algorithms in the smart grid ecosystem was emphasized and it was aimed to predict the needs for the future. Prediction methods and optimization algorithms were developed in the Python environment. Pandas, numpy, sklearn, keras, cvxpy libraries were actively used. It is hoped that it will be beneficial for the investments to be made within the scope of the smart grid concept.

Batarya enerji depolama sistemleri (BESS), enerjinin kontrol edilebilirliğini ve şebeke esnekliğini arttırmaktadır. BESS yatırımlarındaki en önemli konulardan bir tanesi çeşitli ihtiyaçlara yönelik olarak optimal BESS boyutlandırmasıdır. Bu tezde tüketici, üretici ve üreten-tüketici (prosumer) için optimal batarya boyutlandırma metodolojisi geliştirmek hedeflenmiştir. Karmaşık Tamsayılı Lineer Programlama ve Karmaşık Tamsayılı Kuadratik Programlama yöntemleri kullanılarak tüm son kullanıcı tiplerinin farklı amaçlar ile kullanabileceği optimal batarya boyutlandırma algoritmaları geliştirilmiştir. Bu matematiksel modellemenin avantajı küçük değişiklikler ile farklı senaryo kısıtları için uyarlanabilmesidir. Optimizasyon algoritmalarından geleceğe yönelik daha gerçekçi sonuçlar alabilmek için çeşitli tahmin algoritmaları kullanılmıştır. Üretim, tüketim, ve elektrik market verilerini tahmin edebilmek için yapay sinir ağları (ANN), derin sinir ağları (DNN), ve Uzun-Kısa Süreli Bellek modelleri kullanıldı. Tahminleme algoritmaları ile hem akıllı şebeke ekosisteminde tahminleme algoritmalarının önemi vurgulanmış hem de geleceğe yönelik ihtiyaçların tahmin edilebilmesi hedeflenmiştir. Tahminleme yöntemleri ve optimizasyon algoritmaları Python ortamında geliştirilmiştir. Pandas, numpy, sklearn, keras, cvxpy kütüphaneleri aktif olarak kullanılmıştır. Akıllı şebeke konsepti kapsamında yapılacak yatırımlar için faydalı bir çalışma olması umulmaktadır.