IRPopt (Pianificazione e ottimizzazione integrata delle risorse)

Il framework di modellazione IRPopt (Integrated Resource Planning and optimization), sviluppato principalmente da Scheller(Fabian Scheller, 2018) presso l'Istituto per la gestione delle infrastrutture e delle risorse dell'Università di Lipsia, è un framework di modellazione di programmazione lineare mista-integrale per il dispacciamento economico con la massimizzazione del profitto come obiettivo primario. IRPopt è implementato sulla piattaforma di infrastruttura di modellazione IRPsim(Reichelt, Kühne, Scheller, Abitz, & Johanning, 2021) ed entrambi sono open source con licenza GPLv3(Fabian; Scheller & Reichelt, 2022).

IRPopt è un modello di sistema energetico municipale dinamico, deterministico e discreto con granularità temporale regolabile e orizzonte di ottimizzazione mobile. Il suo modello matematico è scritto in GAMS e utilizza il solutore IBM CPLEX.
Con questo framework, i modelli di sistemi energetici possono essere costruiti a partire da un ampio portafoglio di componenti tecnologici di consumo, stoccaggio, produzione e distribuzione e di vettori energetici come elettricità, calore, idrogeno e diversi combustibili fossili. Oltre al flusso di energia tra i componenti, è possibile modellare il flusso monetario tra agenti come diversi fornitori, distributori, consumatori o regolatori. La funzione obiettivo massimizza il profitto. Uno dei vincoli principali è che la domanda (ad esempio, di elettricità) deve essere coperta in ogni fase temporale se non è consentito lo spostamento del carico dal lato del consumatore. Se è consentito lo spostamento del carico dal lato del consumatore, la domanda deve essere coperta in periodi di spostamento del carico temporalmente regolabili. Le impostazioni di load shifting consentono di spostare da 0 a 100% del carico entro il periodo di load shifting specificato e sono regolabili.
L'IRPopt è già stato applicato in passato per rispondere a una più ampia gamma di domande di ricerca, ad esempio il potenziale della risposta alla domanda residenziale attraverso tariffe elettriche variabili(Fabian Scheller, Krone, Kühne, & Bruckner, 2018) o la competizione tra opzioni simultanee di flessibilità dal lato della domanda nel caso di sistemi di accumulo di energia elettrica a livello di comunità(Fabian Scheller, Burkhardt, Schwarzeit, McKenna, & Bruckner, 2020); si veda anche il capitolo seguente con i casi d'uso dell'IRPopt.

I principali vantaggi di IRPopt rispetto a molti altri modelli sono la modularità, la granularità temporale e l'orizzonte di ottimizzazione mobile. La modularità consente di costruire modelli in modo efficiente a partire da un ampio portafoglio di componenti tecnologiche su intere catene del valore. La granularità temporale può essere regolata liberamente, ad esempio con una risoluzione di ¼ d'ora. L'orizzonte di ottimizzazione di un anno, compreso un orizzonte mobile regolabile, copre gli effetti stagionali, pur mantenendo una previsione perfetta limitata. Una descrizione più dettagliata del modello si trova nel materiale supplementare di questo articolo e in(Fabian Scheller, 2018).

La Figura 1 visualizza concettualmente il modello incorporato e il flusso di dati di input/output di IRPopt, compreso il flusso di dati di input di un altro modello MICOES-Europe. La specificazione dei dati di input per i diversi scenari e per l'analisi di sensitività è introdotta in una sezione successiva. MICOES-Europe utilizza i principali parametri di input relativi alla domanda di energia elettrica specifica del Paese, al parco centrali, ai prezzi dei combustibili e della CO2 e alla produzione di energia elettrica rinnovabile per modellare i prezzi spot dell'energia elettrica e le intensità delle emissioni di CO2. Questi dati vengono inseriti in IRPopt. Altri dati provengono da un database tecno-economico creato che include dati empirici e di letteratura, ad esempio il profilo della domanda di cloro o le specifiche dell'elettrolizzatore del CAE. I dati di input vengono inviati al backend attraverso un frontend basato sul web, dove i dati vengono pre-elaborati prima di essere inviati al modello GAMS che utilizza il solutore IBM CPLEX. I dati di output grezzi risultanti in formato GDX contengono più di 100 variabili e più di 1000 parametri, la maggior parte dei quali distribuiti su insiemi che dipendono dalla granularità temporale che in questo lavoro è di un'ora o di un quarto d'ora (8760 o 35040 passi). Sul front-end e sul back-end viene utilizzato uno strumento di esportazione dei dati aggiornato per esportare i dati di output rilevanti dai file GDX grezzi. I dati di output rilevanti vengono ulteriormente valutati, ad esempio calcolando le differenze relative tra gli scenari o la sensibilità dei risultati. Gli indicatori di prestazione chiave in questo lavoro sono i costi dell'elettricità e le emissioni di CO2, che vengono confrontati su diversi scenari o casi di sensibilità e si traducono in potenziali risparmi attraverso il trasferimento del carico.

Il processo di modellazione dei vari portafogli è accelerato in IRPopt da una funzionalità di pull per quanto riguarda le configurazioni di base delle opzioni tecnologiche. In questo modo, l'unità di strategia ottiene un accesso efficiente alle specifiche tecniche degli impianti di generazione esistenti o pianificati dell'utility, frequentemente aggiornate dall'unità di ingegneria. Per quanto riguarda un caso d'uso esemplare, il margine lordo della vendita di calore ed elettricità al cliente è uno degli indicatori di prestazione chiave. Di conseguenza, i portafogli sono messi a confronto con l'impatto economico e ambientale. In questo modo, il decisore è in grado di trovare un compromesso tra i due fattori. Come dimensione aggiuntiva, è possibile valutare la spesa in conto capitale dei portafogli. Per quanto riguarda l'elevata complessità del processo decisionale strategico, il caso d'uso dimostra che IRPopt consente di valutare quantitativamente un'ampia gamma di incertezze e di rappresentare in modo significativo i risultati.