Hoe Werken Virtuele Energiecentrales (VPP's) in de Australische Groothandelsmarkt?

Virtuele Energiecentrales (VPP's) hebben de potentie om de manier waarop we energie opwekken en consumeren drastisch te veranderen. Door verschillende gedistribueerde energiebronnen (DER’s) zoals zonnepanelen, batterijen en andere hernieuwbare bronnen samen te voegen, kunnen VPP’s het elektriciteitsnet flexibiliteit bieden. In Australië worden VPP’s steeds meer geïntegreerd in de groothandelsmarkt, waar ze als een enkel entiteit kunnen opereren en bijdragen aan het balanceren van vraag en aanbod. De rol van VPP’s in het stroomnet is echter niet zonder uitdagingen, vooral door de verschillende mechanismen en marktomstandigheden die in werking zijn.

VPP’s opereren vaak als simulaties van de groothandelsmarkt, wat betekent dat ze deelnemen aan markten zonder dat hun handel invloed heeft op de daadwerkelijke marktprijzen of dispatching van energie. In Australië onderzoekt de Australian Energy Market Operator (AEMO) momenteel een "Scheduled Lite"-mechanisme voor de National Electricity Market (NEM), waarmee de toegang voor VPP’s wordt vergemakkelijkt, zodat ze direct kunnen deelnemen zonder een volledige marktaansluiting. Dit systeem stelt VPP’s in staat om als één enkele entiteit deel te nemen, mits ze voldoen aan bepaalde technische eisen en zich binnen een specifieke geografische regio bevinden.

De interactie van VPP’s met andere DER-controlesystemen is een ander belangrijk aspect om te begrijpen. Mechanismen zoals de dynamische bedrijfsomsluitingen (Dynamic Operating Envelopes, DOE’s), dynamische netwerkprijsstelling en het DER-backstopmechanisme werken vaak parallel aan de groothandelsmarkt. Deze systemen zijn bedoeld om de netwerkintegriteit en systeemveiligheid te waarborgen, en ze kunnen de prestaties en de mogelijkheden van VPP’s beïnvloeden.

Dynamische bedrijfsomsluitingen zijn bijvoorbeeld tijd-variabele technische limieten voor de invoer en uitvoer van DER’s naar het elektriciteitsnet, afhankelijk van lokale netcondities zoals spanning en netbelasting. Dit betekent dat de hoeveelheid elektriciteit die een VPP kan leveren of afnemen, kan worden beperkt door deze technische beperkingen. Het doel is om de benutting van de distributienetcapaciteit te optimaliseren, zodat er geen overbelasting van het net optreedt. Deze beperkingen kunnen echter de flexibiliteit van VPP’s verminderen wanneer ze actief proberen te handelen op de groothandelsmarkt.

Een andere benadering, de dynamische netwerkprijsstelling, is een marktgebaseerde oplossing die tijdsgebonden prijssignalen afgeeft die de kosten van het gebruik van het distributienet weerspiegelen. Wanneer er bijvoorbeeld hoge netwerkcongestie is, zal de prijs voor invoer van elektriciteit stijgen, terwijl de prijs voor uitvoer kan dalen. Dit prijsmechanisme biedt VPP’s een andere manier om hun handel te optimaliseren door netwerkkosten mee te nemen in de berekeningen. Dit kan echter leiden tot een grotere complexiteit in de algoritmes die door VPP’s worden gebruikt om de handel te plannen.

Naast deze mechanismen bestaat er ook het DER-backstopmechanisme, een veiligheidsmaatregel die in sommige regio’s van Australië wordt toegepast wanneer er onvoldoende vraag is om aan de minimum eisen voor systeemstabiliteit te voldoen. In situaties van extreme overproductie van zonne-energie, bijvoorbeeld, kunnen VPP’s worden gevraagd hun productie tijdelijk te verminderen om ervoor te zorgen dat er genoeg vraag is om andere systemen draaiende te houden.

De effectiviteit van deze systemen is van cruciaal belang voor VPP’s, aangezien ze hun energieaanbod moeten afstemmen op de marktomstandigheden en netbeperkingen. Het beheren van de capaciteiten van een VPP in relatie tot deze mechanismen vereist geavanceerde technologie en nauwkeurige gegevens over netwerkomstandigheden.

In de praktijk zijn retail VPP’s, zoals die van Origin Energy en AGL, de grootste spelers in de Australische markt. Klanten kunnen zich opt-in inschrijven voor VPP-programma’s door hun eigen zonnepanelen en batterijen aan te bieden, of door een compleet systeem van de VPP te kopen. In ruil voor lagere energiekosten, geven klanten de controle over hun batterijladingscycli aan de VPP. Dit systeem biedt een win-win voor zowel consumenten als de VPP-exploitanten, maar de specifieke waardeverdeling tussen de verschillende partijen is vaak moeilijk te kwantificeren.

Het NEM VPP Demonstration Project, gefinancierd door de Australian Renewable Energy Agency (ARENA), was een poging om de capaciteit van VPP’s om te reageren op marktprijzen en hun effect op de klantbeleving en cyberbeveiliging beter te begrijpen. Het project liet zien hoe VPP’s kunnen bijdragen aan de energiemarkt, maar benadrukte ook de uitdagingen van het integreren van gedistribueerde bronnen in een grootschalig netwerk.

Wat verder van belang is voor de lezer, is dat VPP’s steeds meer de flexibiliteit bieden die nodig is voor de energietransitie. Ze kunnen helpen bij het stabiliseren van netwerken die steeds vaker afhankelijk zijn van variabele hernieuwbare energiebronnen. De samenwerking tussen marktregelingen, netbeheer en VPP-technologie zal essentieel zijn voor het succes van de energiemarkt van de toekomst. Het volledige potentieel van VPP’s zal pas worden gerealiseerd wanneer alle systemen — van netwerkbeperkingen tot prijsmechanismen — naadloos samenwerken, en wanneer de marktomstandigheden voldoende ruimte bieden voor innovaties in energiebeheer.

Hoe wordt het Mixed-Strategy Nash Equilibrium berekend en toegepast?

In situaties waarbij er meerdere opties beschikbaar zijn voor de spelers en de keuze van een optie met een bepaalde waarschijnlijkheid moet worden gemaakt, kan de strategie van gemengde strategieën (Mixed-Strategy) worden gebruikt. Deze aanpak stelt de spelers in staat om hun keuzes te baseren op de waarschijnlijkheid van de keuzes van de andere speler. Het doel is om een evenwicht te bereiken waarbij geen enkele speler zijn strategie kan verbeteren door eenzijdig zijn keuze aan te passen, rekening houdend met de keuzes van anderen. Dit wordt het Mixed-Strategies Nash Equilibrium genoemd.

Om dit concept te begrijpen, laten we een voorbeeld gebruiken waarin twee spelers betrokken zijn. Speler 1 heeft de keuze tussen twee opties: C en D, en Speler 2 heeft de keuze tussen A en B. De keuzes worden niet strikt bepaald, maar elke speler kiest een optie met een bepaalde waarschijnlijkheid. De waarschijnlijkheid dat Speler 1 optie C kiest wordt aangeduid met "r", en de waarschijnlijkheid voor D wordt dan gelijk aan "1-r". Voor Speler 2 wordt de waarschijnlijkheid dat hij optie A kiest aangeduid met "q", en de kans op B is "1-q".

We beginnen met het berekenen van de verwachte waarde van een keuze voor Speler 1, bijvoorbeeld als Speler 1 kiest voor optie C. De verwachte waarde wordt berekend door de uitbetalingen te vermenigvuldigen met de waarschijnlijkheden van de keuzes van Speler 2, zoals weergegeven in de volgende formule:

EP(P1(C)) = vC,A * p(P2(A)) + vC,B * p(P2(B))

waarbij:

• EP(P1(C)) de verwachte opbrengst is voor Speler 1 als hij C kiest.

• vC,A de uitbetaling is voor Speler 1 als hij C kiest en Speler 2 A kiest.

• p(P2(A)) de waarschijnlijkheid is dat Speler 2 A kiest.

In ons voorbeeld, met de waarden q = 0,6 en 1-q = 0,4, krijgen we de verwachte waarde:

EP(P1(C)) = 1 * 0,6 + 2 * 0,4 = 1,4.

Dit betekent dat de verwachte opbrengst voor Speler 1 bij het kiezen van C gelijk is aan 1,4. Vervolgens herhalen we dit voor de andere optie, D, en voor de keuzes van Speler 2. Als we deze stappen voor beide spelers en beide keuzes volgen, verkrijgen we de verwachte opbrengsten voor alle opties en spelers.

Na het berekenen van de verwachte opbrengsten voor iedere speler, kunnen we het Mixed-Strategy Nash Equilibrium vinden. Dit wordt gedaan door de verwachte opbrengsten voor de verschillende keuzes van een speler gelijk te stellen. Zo zoeken we de waarde van r en q waarbij de verwachte opbrengsten voor een speler, ongeacht welke keuze hij maakt, gelijk zijn. Dit geeft ons de gemengde strategieën waarbij geen speler voordeel haalt uit het eenzijdig veranderen van zijn strategie.

In ons voorbeeld, na het oplossen van de gelijkingen voor beide spelers, krijgen we de gemengde strategieën voor Speler 1 als (3/5, 2/5) voor de keuzes C en D, en voor Speler 2 als (6/7, 1/7) voor de keuzes A en B.

Dit is het Mixed-Strategy Nash Equilibrium voor dit specifieke voorbeeld.

Naast het begrijpen van deze basisprincipes van het Mixed-Strategy Nash Equilibrium, is het belangrijk te realiseren dat het berekenen van dit evenwicht vaak afhankelijk is van de specifieke context en de payoffs in het spel. In veel gevallen kunnen de uitbetalingen tussen de spelers verschillen afhankelijk van hun keuzes, wat het nodig maakt om een wiskundige benadering te gebruiken om het evenwicht te vinden. Het is ook van belang dat spelers in echte situaties meestal niet in staat zijn om de strategieën van hun tegenstanders volledig te voorspellen, wat de toepassing van dit concept in dynamische omgevingen complexer maakt.

Daarom is het, naast het kennen van de theoretische basis, essentieel om in de praktijk rekening te houden met variabelen zoals imperfecte informatie en strategische aanpassingen van spelers, die de voorspelling van het Nash-evenwicht kunnen beïnvloeden. Het begrijpen van de robuustheid van gemengde strategieën in verschillende scenario's is een belangrijk aspect voor een dieper inzicht in besluitvorming en strategisch gedrag in speltheorie.

Hoe de Pure Strategie Nash Evenwicht en Optimalisatie Modellen Werken in Microgrid Integratie

In scenario's waarin meerdere agents samenwerken, zoals in de context van microgrid-integratie, is het van belang om hun acties en beslissingen te analyseren met behulp van wiskundige modellen. Dit stelt ons in staat om strategieën te bepalen die de kosten minimaliseren, terwijl tegelijkertijd de samenwerking tussen de verschillende partijen optimaal is.

Neem als voorbeeld een situatie waarin twee gebruikers, User 1 en User 2, betrokken zijn bij een samenwerking waarbij zij keuzes maken tussen ‘coöpereren’ of ‘niet coöpereren’. Dit proces kan in kaart worden gebracht met behulp van een zogenaamde payoff-matrix, die de uitkomsten van verschillende acties van beide gebruikers toont. Elke cel in deze matrix vertegenwoordigt een specifieke situatie van besparingen afhankelijk van de gekozen strategieën van beide gebruikers.

Stel je voor dat User 1 ervoor kiest om te coöpereren, maar User 2 kiest ervoor om dat niet te doen. In dit geval worden de besparingen voor User 1 berekend als 6,16 - 4,98 = 1,18, wat gelijkstaat aan 19,16% van de besparingen. Voor User 2 is de besparing gelijk aan 7,46 - 7,46 = 0,00, ofwel 0% besparing. Wanneer beide gebruikers coöpereren, worden de besparingen voor User 1 19,16%, terwijl User 2 42,92% bespaart. Dit scenario kan verder worden geanalyseerd door de andere mogelijke uitkomsten in de matrix op te stellen, gebaseerd op de keuzes van de twee gebruikers.

Zodra de payoff-matrix is vastgesteld, kunnen we een strategie kiezen die leidt tot een optimaal resultaat. Een van de manieren om dit te doen is door gebruik te maken van het concept van de Pure Strategie Nash Evenwicht. Dit houdt in dat het beste antwoord voor beide spelers is wanneer beide coöpereren. Dit komt overeen met de situatie waarin geen van beide gebruikers zijn strategie kan verbeteren door unilateraal van strategie te veranderen. Alternatief kan de oplossing worden benaderd via dominante strategieën, wat hetzelfde resultaat oplevert.

Het volgende deel betreft de implementatie van dit model in Python, waarmee we het probleem kunnen oplossen door optimalisatie. Het proces begint met het verkrijgen van gegevens uit een Excel-bestand, waarna de parameters en grenzen voor verschillende variabelen worden vastgesteld. Daarna wordt de objectieve functie geformuleerd, samen met de benodigde beperkingen. Het eindresultaat wordt verkregen door de uitvoering van de optimalisatie en de visualisatie van de resultaten.

In de Python-code, verdeeld over acht secties, wordt stap voor stap het volledige optimalisatieproces uitgevoerd. De eerste sectie is gewijd aan de installatie van de noodzakelijke bibliotheken zoals ‘pyomo’, die helpt bij de definitie van de optimalisatieproblemen, ‘pandas’ voor gegevensverwerking, en ‘matplotlib’ voor grafische weergave. De tweede sectie behandelt het laden van gegevens, zoals belasting- en generatieprofielen uit een Excel-bestand. Deze gegevens worden opgeslagen in variabelen die later in het model worden gebruikt.

In de derde sectie worden de initiële waarden en de maximale en minimale grenzen voor de parameters gedefinieerd. Dit omvat variabelen zoals de maximale opgeladen energiecapaciteit van een batterij, de efficiëntie van de batterij, en de kosten voor energieverbruik. De vierde sectie richt zich op de definitie van de variabelen, zoals de geabsorbeerde en geïnjecteerde energie, evenals de staat van de lading van de batterij. De vijfde sectie legt de objectieve functie uit, die het doel heeft om de kosten te minimaliseren door de optimale energiestromen te berekenen.

De zesde sectie behandelt de beperkingen die op het model van toepassing zijn, zoals de energiebehoeften van de verschillende gebruikers, de maximale capaciteit van de batterij en de grenzen voor de energiestromen tussen de gebruikers en het netwerk. De zevende sectie gaat over het kiezen van de oplosser voor het optimalisatieprobleem, terwijl de achtste sectie de resultaten visualiseert. Grafieken worden gegenereerd om de energiestromen, de status van de batterij en andere variabelen over de tijd te analyseren.

In dit proces is het essentieel om goed te begrijpen dat de keuze van de optimalisatiestrategie sterk afhankelijk is van de specifieke doelen en beperkingen van het systeem. In microgrid-integratie kunnen de parameters variëren, zoals de energieprijzen, de laad- en ontlaadcapaciteit van batterijen, en de afhankelijkheid van externe netwerken. Daarom is het belangrijk om deze variabelen zorgvuldig te modelleren en te begrijpen hoe ze de uiteindelijke oplossing beïnvloeden.

De optimalisatie kan verder worden verfijnd door meer geavanceerde technieken toe te passen, zoals stochastische modellen, die rekening houden met onzekerheid in de vraag en aanbod van energie. Bovendien kunnen de spelers hun strategieën aanpassen op basis van feedback van het systeem, wat resulteert in een dynamische samenwerking tussen de verschillende agents.

Hoe draagt IoT bij aan de optimalisatie en cyberweerbaarheid van maritieme microgrids?

De complexiteit van maritieme microgrids, die energietoelevering verzorgen voor havens, schepen, offshore-platforms en kustinstallaties, vereist een geavanceerde integratie van diverse energiebronnen en slimme technologieën. Traditionele dieselgeneratoren worden gecombineerd met hernieuwbare bronnen zoals zonnepanelen, windturbines en zelfs golf- of getijdenenergie. Geavanceerde energieopslagsystemen (ESS) verbeteren de betrouwbaarheid en efficiëntie van deze systemen. De integratie van ICT en intelligente elektronische apparaten (IED’s) heeft de operationele beheersing van deze microgrids aanzienlijk verbeterd, met name in uitdagende omgevingen zoals offshore windparken. Tegelijkertijd brengt deze digitalisering verhoogde kwetsbaarheid voor cyberaanvallen met zich mee, wat de noodzaak onderstreept van robuuste cybersecuritymaatregelen.

Een markant voorbeeld is het shipboard microgrid (SMG), dat een belangrijke rol speelt in de transitie van de maritieme sector naar duurzamere en efficiëntere energieoplossingen. SMG’s vervangen traditionele fossiele brandstofsystemen door een mix van hernieuwbare energiebronnen, geavanceerde ESS en intelligente besturingssystemen die zorgen voor een optimale energiedistributie aan boord. Deze systemen kunnen het energieverbruik verfijnen, de afhankelijkheid van brandstof verminderen en de operationele veiligheid verhogen, dankzij de integratie van machine learning en IoT-technologieën.

Het elektrische systeem aan boord van een semi-submersible deck cargo en heavy lift carrier vessel illustreert de complexiteit van SMG’s: propellers, thrusters (die tot 90% van het energieverbruik bepalen), dieselgeneratoren, en diverse hulpsystemen worden nauwkeurig beheerd. De implementatie van batterijen en brandstofcellen draagt bij aan energiebesparing en foutbescherming. Slimme energiemanagementsystemen coördineren generatoren, regelen spannings- en frequentiecontrole, balanceren de belasting, en bieden functies als black-out herstel en prioriteitskeuze van generatoren. Remote monitoring via ICT en IoT vergroot de controle, maar brengt ook risico’s van cyberinbraken mee die kritieke systemen kunnen ontregelen.

De operationele kosten, met name brandstofkosten die 50–60% van de totale uitgaven vormen, vormen een sterke drijfveer voor innovatie binnen SMG’s. De combinatie van IoT en ICT maakt het mogelijk om het reisplan in real-time te optimaliseren door gebruik te maken van monitoring, voorspellende analyses en intelligente energiemanagementsystemen. Hierdoor kunnen routes en brandstofverbruik dynamisch worden aangepast op basis van actuele data zoals weersomstandigheden, navigatierisico’s en energievraag.

Deze real-time integratie transformeert schepen in onderling verbonden eenheden die proactief energiebeheer voeren en daarmee brandstofefficiëntie en emissiereductie realiseren. Sensors en data-analyse ondersteunen voorspellend onderhoud en intelligent routebeheer, wat de betrouwbaarheid van systemen vergroot en operationele veiligheid waarborgt. Door energiedistributie nauwkeurig af te stemmen op navigatiedynamiek en operationele belasting, maximaliseren SMG’s hun prestaties en verlengen zij de vaartijd zonder extra brandstofverbruik.

De hybride SMG-configuratie, waarbij IoT-technologieën centraal staan, leidt tot een verhoogde intelligentie en duurzaamheid van de scheepvaart. Deze ontwikkeling markeert een belangrijke stap in het reduceren van de ecologische voetafdruk van de maritieme sector en in het sturen op efficiënte, technologisch geavanceerde en veilige vaarroutes.

Belangrijk is te beseffen dat ondanks alle voordelen van IoT-integratie en digitalisering, deze systemen continu kwetsbaar blijven voor cyberdreigingen. De veiligheid van data, de betrouwbaarheid van de connectiviteit en het voorkomen van dataverlies zijn cruciaal om storingen en fouten in de energievoorziening te vermijden. Het functioneren van deze intelligente systemen hangt nauw samen met de stabiliteit van het netwerk en de snelheid van internetverbindingen, waarbij onvoldoende capaciteit kan leiden tot fabricatie van gegevens en instabiliteit in het systeem. Dit vereist voortdurende aandacht voor netwerkcapaciteit en cybersecurity om de integriteit en betrouwbaarheid van maritieme microgrids te waarborgen.

Hoe kunnen P2P-energietransacties en frequentieresponsdiensten optimaal worden geïntegreerd in microgridmarkten?

Peer-to-peer (P2P) energiehandel binnen microgrids is een snelgroeiend onderzoeksgebied, gericht op het verbeteren van de efficiëntie in het gebruik van lokale energiebronnen. Binnen dit model treden prosumenten — producenten die ook consumenten zijn — met elkaar in directe interactie, buiten traditionele nutsbedrijven om. De infrastructuur van P2P-energietransacties in microgrids omvat doorgaans meerdere lagen: een businesslaag waar de handelslogica plaatsvindt, een besturingslaag, een ICT-laag en de fysieke energielaag. De nadruk ligt op het creëren van economische stimulansen voor participatie, zoals geïllustreerd door het platform ‘Elecbay’, dat een volledig functionele marktplaats biedt voor energie-uitwisseling tussen deelnemers aan het net.

Echter, in de overgrote meerderheid van de bestaande modellen wordt energie beschouwd als het enige verhandelbare goed. Deze benadering is te beperkt. In werkelijkheid kunnen coalities van kleinschalige prosumenten additionele diensten leveren die van vitaal belang zijn voor de stabiliteit van het net, zoals frequentierespons. Deze zogenaamde ancillary services, die in de traditionele netstructuren voornamelijk door grootschalige installaties worden geleverd, zijn in een gedistribueerd energielandschap niet langer het exclusieve domein van gecentraliseerde actoren. Flexibele systemen zoals energieopslag, aanstuurbare opwekkingseenheden en vraagresponsieve verbruikers kunnen lokaal ingezet worden om dynamische of niet-dynamische frequentieresponsdiensten te leveren.

Dynamische frequentierespons betreft continue aanpassingen om tweede-op-tweede variaties in netfrequentie te stabiliseren, terwijl niet-dynamische respons meestal reageert op specifieke drempeloverschrijdingen. In beide gevallen is het cruciaal dat microgridentiteiten economisch worden beloond voor hun bijdragen. Dit vereist een P2P-marktmechanisme dat deze diensten niet slechts ondersteunt, maar ze structureel integreert in het handelsproces. Zonder economische prikkels voor het leveren van frequentierespons wordt de stabiliteit van eilandbedrijven in microgrids een onhoudbaar ideaal.

De huidige literatuur toont een lacune: frequentierespons als verhandelbare dienst wordt zelden substantieel behandeld in microgrid-marktontwerpen. De relatie tussen marktmechanismen en hun effect op systeemstabiliteit is onderbelicht. Het is dan ook essentieel om hybride systemen te ontwikkelen waarin prosumenten gelijktijdig energie én frequentieresponsdiensten kunnen verhandelen, met oog voor economische efficiëntie en systeemintegriteit.

Naast het marktontwerp zelf is ook het evenwichtsanalyse van de P2P-markt een fundamenteel aspect. In dergelijke markten worden matches tussen producenten en consumenten gevormd op basis van biedprijzen in een merit-order. Hierbij ontstaat een competitieve dynamiek waarin actoren strategisch handelen op basis van beperkte informatie. Het concept van de Nash-evenwichtspunten (NEP) biedt inzicht in de stabiliteit van het systeem: wanneer geen enkele deelnemer zijn strategie kan verbeteren gezien de vaste strategieën van anderen, is een NEP bereikt. Deze evenwichtsanalyse is van cruciaal belang voor zowel het maximaliseren van individuele winsten als het waarborgen van een eerlijke marktwerking.

Traditionele benaderingen voor NEP-bepaling gaan uit van volledige informatie — een onrealistische aanname in werkelijke marktomstandigheden waar beslissingen privé blijven. Bovendien negeren ze de dynamiek van strategiewijziging. Daarom zijn meer geavanceerde, op leerprocessen gebaseerde modellen ontwikkeld. Versterkingsleren (Reinforcement Learning, RL) op basis van Q-learning biedt een eerste stap in het modelleren van adaptief gedrag. Toch blijft hi