HERAUSFORDERUNGEN DER MODELLIERUNG VON IN- UND DESINVESTITIONSENTSCHEIDUNGEN IM LANGFRISTIGEN STROMMARKTGLEICHGEWICHT - TU Graz

HERAUSFORDERUNGEN DER MODELLIERUNG VON
IN- UND DESINVESTITIONSENTSCHEIDUNGEN IM
LANGFRISTIGEN STROMMARKTGLEICHGEWICHT

Authors: Sebastian Busch, André Ortner et, Gerhard
Totschnig, Roman Mendelevitch, Lukas Liebmann
Vienna University of Technology | IIASA | DIW Berlin

14 Symposium Energieinnovation, TU Graz, 10.02-12.02.2016

Herausforderungen

 1. Liberalisierung der Stromwirtschaft hat Markt als vorrangiges
 Koordinationsinstrument etabliert. Entscheidungs- und
 Investitionskalkül einzelner Marktakteure unterscheidet sich von dem
 eines sozialen Planers, bzw. vertikal integriertem und reguliertem
 Unternehmen hinsichtlich Planungshorizont, Zugang zu
 Informationen, Anreizsstruktur oder Risikobewertung.

 2. Der steigende Anteil volatiler Stromerzeugung ändert die
 Preisstruktur am Strommarkt. Wegen der hohen intra- und
 interjährlichen Schwankung der Erzeugung, werden
 Investitionsmodelle mit einer hohen zeitlichen Auflösung benötigt,
 um Marktwerte korrekt ermitteln zu können. Zudem spielt das
 Marktdesign eine entscheidende Rolle, wie sich diese Einflüsse in den
 Preisen der einzelnen Marktsegmente und damit in den Anreizen von
 Akteuren niederschlagen.

Motivation / Kontext
 General framework (energy-, CO2-prices, grid development, electricity demand

 Framework assumptions
 § Applied RES policy instruments and targets
 § Techno-economic input data for RES generators
 § Non-economic barriers for RES deployment

 Indicators of RES development
 Green-X § Target achievement and corresponding
 support costs
 Geographical scope: EU28 § Technology mix of RES deployment per
 Time range: 2015-2050 year
 Time resolution: yearly § Avoided carbon emissions

 RES deployment paths
 § Generated RES electricity per year and
 technology
 § Diffusion constraints of RES-e expansion

 Electricity market equilibrium
Model iteration Market Inv. Mod. § In- and divestment decisions of
 conventional generators
§ RES-e market values Geographical scope: EU28
§ Additional grid costs § Electricity market price levels incl.
 Time range: 2015-2050 mark-ups resp. capacity prices
 Time resolution: system states § Merit-order effect induced by RES-e
 deployment

 Conventional generation mix evolvement
 § Installed capacities of conventional generators
 § Yearly market revenues per technology

 HiREPS Generation dispatch decision
 § Generation costs including operational
 Geographical scope: EU28 restrictions and costs for flexibility
 Time range: 2020, 2030, 2050 § Redispatch costs
 § Market values of RES-e generators
 Time resolution: hourly

Member State A Member State B
 Problem Classes
 National National
 Optimisation Problems Government Government

 Social Planner Generating capacity Organises Organises

 investor(s) Stage I

 Capacity
 Single Agent

 Capacity
 E.g.: Monopoly: Auctions Auctions
 Profit Maximization
 Regulator / Regulated
System Boundaries

 (LP, MILP)
 Entity (OPcOP)
 Electricity Market

 RES-E
 Welfare Generators

 maximization, Cost Conventional
 Conventional
 MPEC MCP
 MCP Generator
 minimization (QP, LP, Generator

 MILP)

 Ø Trade-Off zwischen Datengenauigkeit Determined Capacity
 Electricity
 und Abbildung von Anreizstrukturen
 Local Grid Forecasts Flow
 Electricity
 Consumer
 Consumer

 Stage II ENTSO-e
 Av ailable
 Transmission Capacity

 Av ailable
 Transmission Capacity Import / Export of
 Electricity

 Market Coupling
 System
 Market
 Participants
 Market Prices

 Market prices &
 indiv idual results
 Local Orders
 Bids & Of f ers

 Power
 Exchanges

 Integrated and coupled EU electricity market

Equilibrium Problem
Conventional Renewable electricity ENTSO-e`s
electricity producer‘s producer‘s optimization problem:
optimization optimization problem: Decide curtailment
problem: max ∏ max ∏

Electricity consumer´s Market coupler´s Capacity Auctioneer:
optimization problem: optimization problem: Walrasian Auction
max CS Decide welfare
 enhancing trade flows

 First order conditions

 Equilibrium Model

 KKT conditions of interrelated
 optimization problems

 Constraints of interrelated
 optimization problems

 Market clearing conditions

Auctions for conventional and RES-e generating capacities

construction period (CP) technical lifetime (LT)

 λa λa λa λa λa
 time
 a=a0 a0+CP+LT

 support duration (SD)

The Investment decision takes place in period a0, resulting capacity can be used
from a0+CP until a0+CP+LT (active time). The level of auction price depends on the
extend to which this capacity contributes to achieving the capacity target. In each
period the targets have dual variables (shadow prices λa). In each period the price
 #$# &'&()
is the sum of shadow prices over the active time ∑#*#%%&+' #.

 ⎡ ⎤
 ⎢∑ Td ⋅ ( p ele
 p ,n ,a − C gen _ var
 n ,c , a ) ⋅ x gen
 p , n ,c , a ⎥
 ⎢ p , n , c ⎥
 max x gen , xcap _ bid , xcap _ inv Π C = Df a ⋅ ⎢ + ∑ xncap cap
 ,c ,a ⋅ pn ,a ⋅ scale + ∑ xncap _ div cap _ fix
 ,c ,aa ⋅ Cn ,c ,a
 ⎥
 p ,n ,c ,a n ,c ,a n ,c ,a ⎢ n ,c a −lt

Auctions for conventional and RES-e generating capacities

construction period (CP) technical lifetime (LT)

 λa λa λa λa λa
 time
 a=a0 a0+CP+LT

 support duration (SD)

The Investment decision takes place in period a0, resulting capacity can be used
from a0+CP until a0+CP+LT (active time). The level of auction price depends on the
extend to which this capacity contributes to achieving the capacity target. In each
period the targets have dual variables (shadow prices λa). In each period the price
 #$# &'&()
is the sum of shadow prices over the active time ∑#*#%%&+' #.

 ⎡ ∑ Td ⋅ ( p ele gen _ var
 p , n , a − Cn , r , a ) ⋅ x pgen
 , n ,c , a
 ⎤
 ⎢ p ,n ,r ⎥
 ⎢ ⎥
 ⎛ ⎞
 max x gen , xcap _ inv Π R = Df a ⋅ ⎢ + ∑ Avail p ,n ,r ,a ⋅ invnR,r ,aa ⋅ ⎜ ∑ pncap _ prem
 ,r ,aaa ⎟
 ⎥
 p ,n ,r ,a n ,r ,a ⎢ a−sd / scale

⎛ 1 ele ⎞
max d shed Π CS = ⎜ Vollds ,n ,a + ⋅ Slope ⋅ ( d pload
 ,n ,a − d shed
 d , p ,n ,a ) − p p ,n ,a ⎟ ⋅ ( d load
 p ,n ,a − d d , p ,n ,a )
 shed
 d , p ,n ,a
 ⎝ 2 ⎠

 Price [EUR/MWh]
 Maximum VOLL

 Unterschiedliche
 Verbraucher mit
 unterschiedlichen
 Nuclear VOLL = unter-
 Lignite
 Coal
 schiedlichen
 Gas
 Oil
 Elastizitäten /
 Reserve
 Lastabwurfkalkülen

 Quantity [GW]

⎛ 1 ele ⎞
max d shed Π CS = ⎜ Vollds ,n ,a + ⋅ Slope ⋅ ( d pload
 ,n ,a − d shed
 ds , p ,n ,a ) − p p ,n ,a ⎟ ⋅ ( d load
 p ,n ,a − d d , p ,n ,a )
 shed
 d , p ,n ,a
 ⎝ 2 ⎠

 Lastabwurf
 Price [EUR/MWh]
 Maximum VOLL

 Unterschiedliche
 Verbraucher mit
 unterschiedlichen
 Nuclear VOLL = unter-
 Lignite
 Coal
 schiedlichen
 Gas
 Oil
 Elastizitäten /
 Reserve
 Lastabwurfkalkülen

 Quantity [GW]

Stündliche Profile Geclusterte Profile
 § Wasserkraft(linearisiert) § Maximale Reduktion der Zeitschritte /
 § Sonnenenergieeinstrahlung Systemzustände unter Beibehaltung
 § Wind (onshore / offshore) der Charakteristika der Residuallast
 § Ausgangsdatensatz enthält ~ 50.000 und vorgegebener maximaler
 Stunden Fehlertoleranz
 § Erhalt der geografischen Korrelation
+ + aber Verlust der zeitlichen
 Chronologie (Speicher!)
 § Reduktion der Zustände je 5 Jahres
 Zeitperiode auf ~50 (Mittel- und
 Spitzenlastwerte).
 § Zeitliche Gewichtung der Cluster
 Skalierte Profile
 § Skalierung auf Kapazitäten und
 Energiemengen aus Green-X / Primes
 Szenarien unter Berücksichtigung
 dynamischer Trends
 § Skalierung zu 5 Jahres Intervallen zum
 Erhalt der intra- und Interjährlichen
 Schwankungen

Ausgewählte Ergebnisse

 Energy
 G rid Electricity D em and-S ide
 R ES policy efficiency and Fuel prices
N r. T ype A cronym developm ent m arket design response
 carbon pricing
 LO W R EF H IG H R EF D ELA Y EO M CM R EF H IG H R EF H IG H R EF LO W
❶ P athw ay P -N oP olicy • • • • • •
❷ P athw ay P -R eference • • • • • •
❸ P athw ay P -H igh-R ES • • • • • •
❹ S ensitivity S -G rid • • • • • •
❺ S ensitivity S -M arket • • • • • •
❻ S ensitivity S -C arbon • • • • • •
❼ S ensitivity S -D em and • • • • • •
❽ T rend T -N oP olicy • • • • • •
❾ T rend T -T rend • • • • • •
❿ T rend T -O ptim • • • • • •

Marktwerte in € / MWh

 Marktwerte für Onshore Wind 2020 nach Szenario
90

80

70

60

50

40

30

20

10

 0
 1_P_nopolicy 2_P_reference 3_P_high_res 4_S_grid 5_S_market 6_S_carbon 7_S_demand 8_T_nopolicy 9_T_trend 10_T_optim

 AT BE BG CY CZ DE DK EE GR ES FI FR HR HU
 IE IT LT LU LV MT NL PL PT RO SE SI SK UK

400000
 Merit Order Effekt No Policy vs. Referenz Szenario (Mio €)

200000

 0
 Ergebnis
 Sum of 2015

 Sum of 2020

-200000 Sum of 2025

 Sum of 2030

 Sum of 2035

-400000 Netto ~ + 70. Mrd. €

-600000

-800000

Divestments (MW) kumulativ nach Szenario
120000

100000

80000

60000

40000

20000

 0
 1_P_nopolicy 2_P_reference 3_P_high_res 4_S_grid 5_S_market 6_S_carbon 7_S_demand 8_T_nopolicy 9_T_trend 10_T_optim

 o_lign 2015 CZ o_lign 2015 DE o_lign 2015 ES o_lign 2015 FR o_lign 2015 PL o_lign 2030 BG o_lign 2030 SI o_coal 2015 DK o_coal 2015 ES o_coal 2015 FI o_coal 2015 SE
 o_coal 2015 UK o_coal 2030 PT o_coal 2030 SE o_ccgt 2015 AT o_ccgt 2015 DE o_ccgt 2015 GR o_ccgt 2015 ES o_ccgt 2015 FI o_ccgt 2015 HR o_ccgt 2015 IE o_ccgt 2015 IT
 o_ccgt 2015 PT o_ccgt 2015 SE o_ccgt 2015 UK o_ccgt 2025 SE o_ccgt 2030 AT o_ccgt 2030 DE o_ccgt 2030 PT o_ccgt 2030 UK o_ocgt 2015 GR o_ocgt 2015 HU o_ocgt 2015 SE
 o_ocgt 2025 SE o_ocgt 2030 AT o_ocgt 2030 LT o_ocgt 2030 SE o_oil 2015 CY o_oil 2015 CZ o_oil 2015 EE o_oil 2015 FI o_oil 2015 HU o_oil 2015 IT o_oil 2015 MT
 o_oil 2015 SE o_oil 2020 EE o_oil 2025 EE o_oil 2025 SE o_oil 2030 AT o_oil 2030 EE o_oil 2030 SE n_coal 2025 CY n_coal 2030 MT n_ccgt 2025 CY n_ccgt 2030 MT
 n_ocgt 2020 LV n_ocgt 2025 CY n_ocgt 2025 SE n_ocgt 2030 BG n_ocgt 2030 LT n_ocgt 2030 LV n_ocgt 2030 SE n_ocgt 2030 SI biom 2030 SE

Schlussfolgerungen

• Unvermeidbarer Trade-Off zwischen Abbildung der
 Anreizsstrukturen und Genauigkeit der Inputdaten.
• Lösungszeit von MCP steigt exponentiell mit Anzahl der
 Optionen / Variablen
• Clustering kann Abhilfe schaffen; jedoch auch bei Clustering
 bei Überschreiten von Grenzwert nicht mehr tolerierbarer
 Genauigkeitsverlust.

VIELEN DANK FÜR IHRE AUFMERKSAMKEIT

 busch@eeg.tuwien.ac.at

⎡ inj ele ⎤
 ⎢Td ⋅ ∑ x p ,n ,a ⋅ p p ,n ,a ⎥
 ⎢ p ,n ⎥
max xinj ele gen _ curt Π MC = Df a ⎢ + ∑ Td ⋅ ( p ele p ,nn ,a − p ele
 p ,n ,a ) ⋅ dcflow ele
 p ,n ,nn ,a
 ⎥
 p ,n ,a ,dcflow p ,n ,nn ,a , x p ,n ,a ⎢ p ,n ,nn ⎥
 ⎢ ⎥
 ⎢ + ∑ Td ⋅ ( Pp ,n ,a − p p ,n ,a ) ⋅ x p ,n ,a
 ele _ min ele gen _ curt
 ⎥
 ⎢⎣ p ,n ⎥⎦
s.t. 0 ≥ dcflowele
 p ,n ,nn ,a − Flowlim cap
 n ,nn ,a ( λ Flowlim n ,nn ,a )
 0 = ∑ ( xinj
 p ,n ,a ) ( p ,a )
 λ p ele _ sys

 n

 0 ≥ ∑ PTDFl , gn ⋅ ( − x inj
 p , gn ,a ) − Lineliml ,a ( λ Linelim ) pos
 p ,l ,a
 gn

 0 ≥ ∑ PTDFl , gn ⋅ x inj
 p , gn ,a − Lineliml ,a ( λ Linelim p ,l ,a )
 neg

 gn