Toekomstbestendig belastingmodel
De energietransitie veroorzaakt grote veranderingen in de belasting van laagspanningsaansluitingen (huishoudens, kantoren, winkels etc.). De typische belasting van laagspanningsnetten werd tot voor kort gedomineerd door gloeilampen, wasmachines, koelkasten en televisies. Nu komen daar steeds meer warmtepompen, zonnepanelen en elektrisch vervoer bij, waardoor de onzekerheid van de belasting van een aansluiting toeneemt. Om de elektriciteitsnetten aan deze energietransitie aan te kunnen passen, moeten netbeheerders en distributiebedrijven snel uiteenlopende scenario's kunnen doorrekenen en analyseren. Het traditionele belastingmodel van Strand-Axelsson is daarvoor niet langer bruikbaar.
Phase to Phase heeft daarom een geheel nieuw modulair belastingmodel ontwikkeld. Met dit model kunt u de toekomstige belasting van laagspanningnetten accuraat berekenen. U bent bovendien in staat efficiënt uiteenlopende mogelijke toekomstscenario’s door te rekenen. Met behulp van slimme-meterdata, is het model daarbij eenvoudig up-to-date te houden.
Standaardbelasting
Met behulp van slimme-meterdata wordt per categorie (rij- en vrijstaande woningen, appartementen, winkelpanden e.d.) de standaardbelasting bepaald.
Nieuwe extra belastingen
Warmtepompen, zonnepanelen, elektrische auto’s, etc. kunnen alle met één methode worden gemodelleerd en eenvoudig met de standaardbelasting worden gecombineerd.
Scenario’s
Met de gecombineerde belasting kunnen eenvoudig scenario’s worden gemaakt. Zo wordt snel duidelijk in welke netten problemen te verwachten zijn en waar nog voldoende ruimte is.
Zelflerend
Slimme-meterdata
Steeds meer meetgegevens van het laagspanningsnetwerk komen beschikbaar via de slimme meter. Deze slimme-meterdata geeft de huidige belasting van een aansluiting weer. Door een model te laten leren van slimme-meterdata ontstaat een accuraat model van het verbruik. Het model kan verder worden getraind voor verschillende type aansluitingen, zoals winkels, vrijstaande woningen en appartementen door daarbij gebruik te maken van specifieke slimme-meterdata.
Modellen trainen
Belastingtypes kunnen worden getraind door gebruik te maken van slimme-meterdata of meetdata van individuele apparaten. Met meer meetdata zullen de modellen accurater worden.
Belastingtypes aanmaken
Verschillende categorieën van slimme-meterdata (bijv. appartementen, vrijstaande woningen) leveren verschillende modellen en apparaat-meetdata levert apparaatspecifieke belastingmodellen op. Dit geeft de gebruiker de vrijheid om belastingtypes te maken met de voor hem meest interessante kenmerken.
Tijd
Met slimme-meterdata kan ook de tijdsvariatie in de belasting worden meegenomen. Hierdoor kan voor elk moment op een dag de verdeling van de belasting bepaald worden. Dit gebeurt met de wegingsfactoren van de samengestelde verdelingen die variëren over de dag.
Modulair
Flexibele modellering
De belastingen in het nieuwe model worden gemodelleerd als gemixte normaalverdelingen. Door gebruik te maken van gemixte normaalverdelingen in plaats van een enkele normaalverdeling kunnen bijna alle verdelingen gemodelleerd worden. Zo kunnen belastingtypes niet alleen voor huishoudens maar ook voor winkels, kantoren, etc. getraind worden.
Belastingtypes kunnen ook worden aangepast aan lokale karakteristieken of uit data van smart-gridpilots om zo de effecten van het opschalen van een pilot te kunnen simuleren.
Verschillende belastingen combineren
Verschillende belastingen kunnen eenvoudig gecombineerd worden omdat elke belasting op dezelfde manier gemodelleerd wordt. Zo kunnen er makkelijk verschillende scenario’s worden gemaakt en doorgerekend. Hierdoor is het mogelijk om deze belastingen makkelijk samen te voegen tot één nieuwe stochastische belasting.
Stochastisch
Gelijktijdigheid
De stochastische belasting wordt op twee momenten bepaald: piek en dal (PV-piek). Omdat de belasting getraind wordt op verbruiksdata van huishoudens, kan het gedrag van bewoners meegenomen worden. Een kansverdeling van de belasting is voor elk huishouden beschikbaar. Voor de meeste berekeningen zal dan eerst het ideale rekenmoment bepaald worden.
- De belasting- en PV-piek kunnen netwerkbreed en per veld worden bepaald.
- In het belastingmodel is de tijd verwerkt (dag, jaar). Hierdoor kan op elk moment de belasting worden bepaald met de correcte gelijktijdigheid.
Loadflow
- Stochastische loadflow door middel van Monte Carlo-simulatie.
- Linearisatie van de belastingen om de loadflow te versnellen.
- Even snel als de huidige loadflow voor de stochastische belasting.
- Parallel berekeningen binnen de loadflow.
- Orthogonaal matrix-gebaseerd Latin hypercube sampling.
- Quasi-stochastische loadflow met deterministische resultaten.
- Keuze uit percentiel-resultaten of werkelijke verdelingen.
Profielen
Met voldoende slimme-meterdata kan ook een profiel met het belastingmodel bepaald worden. Voor de profiel-loadflow is veel slimme-meterdata nodig, omdat je een voorspelling moet maken over een lange periode.
- Bij een profielberekening kunnen zowel stochastische als deterministische belasting worden meegenomen.
- Via de netbelasting wordt een inschatting gemaakt van het profiel over de dag.
Praktijk
Makkelijke invoer
Met het nieuwe belastingmodel is de invoer van de belasting heel gemakkelijk. Alle apparaten en de standaardbelasting worden via het typenbestand ingevoerd. Het is dus mogelijk om met één klik PV, laadpalen, warmtepompen, etc. toe te voegen. Daarnaast is ook de oude uitgebreidere invoer beschikbaar, zodat – indien beschikbaar – gedetailleerde informatie kan worden ingevoerd.
Belastingtypes kunnen aan de lokale karakteristieken worden aangepast of worden getraind uit data van smart-gridpilots om zo de effecten van het opschalen van een pilot te kunnen simuleren.
Scenarioberekeningen
Scenario’s kunnen vrij worden gedefinieerd om te bepalen of het net nog wel toekomstvast is. Niet alleen de penetratiegraden van specifieke apparaten kunnen worden aangepast, ook kan de standaard huishoudbelasting worden veranderd van het ene belastingtype naar het andere.
Met scenarioberekeningen kan de kans op overbelasting en spanningsproblemen worden weergegeven als functie van de tijd.
Scenario’s maken
Voor de loadflow- en netbelastingberekeningen zijn ook uitgebreidere stochastische resultaten beschikbaar, die kunnen worden gebruikt voor uitvoeriger analyses.
- Nieuwe belastingen (PV, warmtepompen, etc.) hoeven niet meer apart gemodelleerd te worden.
- Vertaling van lokale penetratiegraad naar individuele huishoudens.
- De kans dat een huishouden in de toekomst bijv. zonnepanelen krijgt zit in de stochastische belasting.
- Een kansverdeling kan worden opgebouwd voor verschillende penetratiegraden van specifieke technieken.
Gepubliceerd: januari 2020