Dette er mit afsluttende masterspeciale, som jeg arbejdede på alene i forbindelse med min Master of Science (Msc) i Datalogi og Informatik på Roskilde Universitet. Emneområdet for mit masterspeciale var Datalogi med fokus på at udforske nye innovative løsninger til grøn-it og bæredygtig energi. Projektets varighed var 6 måneder med start fra juni 2021 til januar 2022 med en arbejdsindsats på 480 timer.
Mit masterspeciale var noget af et eventyr, hvor jeg gik i dybden med et teknisk emne i energisektoren, som jeg kaldte digital twin data modellering med internet of things streaming telemetry i virtual power plants.
Diagrammet herunder viser den centrale idé i løsningen: en hierarkisk digital twin-model, hvor telemetri fra enheder aggregeres til højere systemtilstande, som kan bruges i prognoser og peak-shaving beslutninger.
Forskningsproblem
Min forsknings hypotese var at teste, om batteri-lagringsenheder kan bruges til at udjævne spidsbelastningsperioder i energisektoren. Spidsbelastningsperioder er korte tidsperioder, hvor der er stor efterspørgsel efter elektricitet, f.eks. om aftenen, hvor de fleste er hjemme og laver aftensmad, vasker tøj osv. Spidsperioder er i øjeblikket meget dyre på grund af udfordringer med at imødekomme spidsbelastningsperioder for elektricitet. Ny innovativ forskning i software- og hardware løsninger til bæredygtig energi er nødvendig for at løse dette problem.
Metode
Min metode var en eksperimentel datalogisk tilgang, som jeg brugte til at udforske nye innovative løsninger gennem konstruktion og evaluering af et virtual power plant prototype system. En virtual power plant er en virtuel repræsentation af et kraftværk, der kan aggregere energi fra et stort sæt af mindre heterogene energienheder såsom bolig- og kommercielle batteri-lagringsenheder, elbiler, smarte termostater osv, for at levere peak-shaving løsninger ved at bruge den aggregerede energi i spidsbelastningsperioder eller handle med energien på elmarkederne, hvis det er nødvendigt.
Jeg brugte computersimulering som en metode til at simulere batteri-lagringsenheder, som jeg brugte til at evaluere mit prototype system ved at eksperimentere med store mængder simulerede streaming-telemetry data.
Potentiel løsning
Mit job var at udforske nye innovative løsninger på dette problem. Batteri-lagringsenheder kombineret med bæredygtig energi (vind og sol) er en løsning, der potentielt kan hjælpe med at udligne spidsbelastningsperioder ved at aflade elektricitet fra batteriet, når der er mest behov for elektricitet, hvilket resulterer i reducerede omkostninger for både producenter og forbrugere af elektricitet. Batteriet kan genoplades, når elproduktionen er høj, for eksempel når vinden blæser eller solen skinner.
Resultater
Min virtual power plant prototype bestod af en microservice baseret data platform bygget med avancerede teknologier såsom Apache Kafka, for at give høj gennemstrømning af data, skalerbarhed, permanent lagring og høj tilgængelighed. Jeg kombinerede Apache Kafka med actor model programmering i Scala og Akka for at udnytte actors, avanceret streaming og følge de reactive principper for at designe en digital twin prototype for at give realtids indsigt i batteri-lagringsenheder til peak-shaving use-cases.
Jeg endte også med at indsamle og aggregere vejrdata og strøm-markedsdata, som jeg brugte til at træne et kunstigt neuralt netværk til elpris prognose for at finde ud af, hvornår fremtidige spidsbelastningsperioder ville finde sted. Jeg udviklede derefter algoritmer til at planlægge batteri-lagringsenheder for at reducere spidsbelastningsperioder baseret på prognose.
Mine resultater viste, at virtual power plants kan bygges med state of the art teknologier såsom Apache Kafka og actor model programmering, og det er muligt at bruge elpris forudsigelser og batteri-lagrings-planlægnings algoritmer til at udjævne peaks.
Du kan tjekke combotto.io ud, hvis du vil lære mere om projektet.
