IRPopt (Integrierte Ressourcenplanung und -optimierung)

Der Modellierungsrahmen IRPopt (Integrierte Ressourcenplanung und -optimierung), der in erster Linie von Scheller(Fabian Scheller, 2018) am Institut für Infrastruktur- und Ressourcenmanagement der Universität Leipzig entwickelt wurde, ist ein gemischt-ganzzahliger linearer Programmiermodellierungsrahmen für den ökonomischen Dispatch mit Gewinnmaximierung als Hauptziel. IRPopt ist auf der Modellierungsinfrastrukturplattform IRPsim(Reichelt, Kühne, Scheller, Abitz, & Johanning, 2021) implementiert und beide sind Open Source unter der GPLv3(Fabian; Scheller & Reichelt, 2022) lizenziert.

IRPopt ist ein dynamisches, deterministisches und diskretes kommunales Energiesystemmodell mit einstellbarer zeitlicher Granularität und rollierendem Optimierungshorizont. Das mathematische Modell ist in GAMS geschrieben und verwendet den IBM CPLEX Solver.
Mit diesem Framework können Energiesystemmodelle aus einem großen Portfolio von Verbraucher-, Speicher-, Erzeuger- und Verteilerkomponenten und Energieträgern wie Strom, Wärme, Wasserstoff und verschiedenen fossilen Brennstoffen aufgebaut werden. Neben den Energieflüssen zwischen den Komponenten können auch die Geldflüsse zwischen den Akteuren, wie z.B. verschiedenen Lieferanten, Verteilern, Verbrauchern oder Regulierungsbehörden, modelliert werden. Die Zielfunktion maximiert den Gewinn. Eine wichtige Bedingung ist, dass die Nachfrage (z. B. nach Strom) in jedem Zeitschritt gedeckt werden muss, wenn keine Lastverschiebung auf der Verbraucherseite erlaubt ist. Wenn die Lastverschiebung auf der Verbraucherseite erlaubt ist, muss der Bedarf über einstellbare Zeiträume der Lastverschiebung gedeckt werden. Die Lastverschiebungseinstellungen erlauben die Verschiebung von 0 - 100% der Last innerhalb der angegebenen Lastverschiebungsperiode und sind einstellbar.
IRPopt wurde bereits in der Vergangenheit zur Beantwortung einer größeren Bandbreite von Forschungsfragen eingesetzt, z. B. zum Potenzial von Demand Response in Haushalten durch variable Stromtarife(Fabian Scheller, Krone, Kühne, & Bruckner, 2018) oder zum Wettbewerb zwischen gleichzeitigen nachfrageseitigen Flexibilitätsoptionen im Fall von kommunalen Stromspeichern(Fabian Scheller, Burkhardt, Schwarzeit, McKenna, & Bruckner, 2020), siehe auch das folgende Kapitel mit IRPopt-Anwendungsfällen.

Die Hauptvorteile von IRPopt im Vergleich zu vielen anderen Modellen sind Modularität, zeitliche Granularität und rollierender Optimierungshorizont. Die Modularität erlaubt es, Modelle effizient aus einem großen Portfolio von Technologiekomponenten über ganze Wertschöpfungsketten aufzubauen. Die zeitliche Granularität ist frei einstellbar, zum Beispiel auf ¼-Stunden-Auflösung. Der Optimierungshorizont von einem Jahr inklusive eines einstellbaren rollierenden Horizonts deckt saisonale Effekte ab, wobei die perfekte Vorausschau eingeschränkt bleibt. Eine detailliertere Modellbeschreibung findet sich im Zusatzmaterial dieses Artikels und in(Fabian Scheller, 2018).

Abbildung 1 veranschaulicht konzeptionell die Modelleinbettung und den Input/Output-Datenstrom von IRPopt einschließlich des Input-Datenstroms eines anderen Modells MICOES-Europe. Die Spezifikation der Eingabedaten über verschiedene Szenarien und über die Sensitivitätsanalyse wird in einem folgenden Abschnitt vorgestellt. MICOES-Europe verwendet die Haupteingabeparameter länderspezifische Elektrizitätsnachfrage, Kraftwerkspark, Brennstoff- und CO2-Preise und erneuerbare Elektrizitätsproduktion, um die Spotpreise für Elektrizität und die CO2-Emissionsintensitäten für den nächsten Tag zu modellieren. Diese werden in IRPopt eingespeist. Weitere Daten stammen aus einer erstellten techno-ökonomischen Datenbank, die empirische und literaturbasierte Daten enthält, z.B. das Chlorbedarfsprofil oder die Elektrolyseur-Spezifikation der CAE. Die Eingangsdaten werden über ein webbasiertes Frontend in das Backend eingespeist, wo die Daten vorverarbeitet werden, bevor sie an das GAMS-Modell weitergeleitet werden, das den IBM CPLEX-Solver verwendet. Die sich daraus ergebenden Rohdaten im GDX-Format enthalten mehr als 100 Variablen und mehr als 1000 Parameter, von denen die meisten auf Sätze verteilt sind, die von der zeitlichen Granularität in dieser Arbeit entweder stündlich oder viertelstündlich (8760 oder 35040 Schritte) abhängen. Über das Front- und Backend wird ein erweitertes Datenexporttool verwendet, um die relevanten Ausgabedatenelemente aus den GDX-Rohdateien zu exportieren. Die relevanten Ausgabedaten werden weiter ausgewertet, z. B. durch Berechnung der relativen Unterschiede zwischen den Szenarien oder der Ergebnissensitivität. Die wichtigsten Leistungsindikatoren in dieser Arbeit sind Stromkosten und CO2-Emissionen, die über verschiedene Szenarien oder Sensitivitätsfälle verglichen werden und zu potenziellen Einsparungen durch Lastverschiebung führen.

Der Modellierungsprozess der verschiedenen Portfolios wird in IRPopt durch eine Pull-Funktionalität in Bezug auf die Grundkonfigurationen der Technologieoptionen beschleunigt. So erhält die Strategieeinheit einen effizienten Zugriff auf technische Spezifikationen für bestehende oder geplante Erzeugungsanlagen des Versorgers, die von der Engineering-Einheit regelmäßig aktualisiert werden. In einem beispielhaften Anwendungsfall dient die Bruttomarge aus dem Verkauf von Wärme und Strom an den Kunden als eine der wichtigsten Leistungsindikatoren. Dementsprechend werden die Portfolios gegen die wirtschaftlichen und ökologischen Auswirkungen aufgetragen. Auf diese Weise ist der Entscheidungsträger in der Lage, einen Kompromiss zwischen beiden Faktoren zu finden. Als zusätzliche Dimension kann der Kapitalaufwand der Portfolios bewertet werden. Im Hinblick auf die hohe Komplexität strategischer Entscheidungen zeigt der Anwendungsfall, dass IRPopt die quantitative Bewertung eines breiten Spektrums von Unsicherheiten in Verbindung mit einer aussagekräftigen Darstellung der Ergebnisse ermöglicht.