Identifying Representative Weeks for the Finnish Power Sector with Time-Series Clustering

Abstract

The share of power generation from variable renewable energy sources (VRE) has increased in the Finnish power system. Intermittent production from VRE plants increases model complexity, creating demand for methods to reduce the temporal resolution of models. Time-series aggregation (TSA) methods, such as representative periods, achieve complexity reduction by representing long time periods with fewer time steps.

This thesis studies power demand as well as solar and wind availability data from the Finnish power system in 2023. Two different approaches to selecting four representative weeks from the data are studied with the goal of assessing their ability to retain key features of the original time series. The seasonal approach selects a week from four predetermined seasons based on their mean and standard error. By contrast, the partitional approach applies the clustering algortihm partitioning around medoids (PAM), which compares each pair of weeks to each other, and groups the data into four clusters. Various methods for measuring dissimilarity of weeks are compared with the partitional method. The representativity of the selected weeks is compared in terms of both statistical values and a benchmark optimisation model.

Both approaches were found to underrepresent extreme values, which led to significantly lower objective-function values than in the full time resolution (FTR) benchmark model. Including solar power availability as a factor in determining the representative weeks did not improve results.

The seasonal approach performed especially well in terms of the statistical value metrics. However, it had high errors in the objective-function value. The partitional approach struggled more in retaining the means of the data, but had smaller errors in the objective function value. Implementing dynamic time warping for the dissimilarity computation with the partitional approach was found to improve aggregation of wind availability.

Uusiutuvien energialähteiden osuus Suomen sähköntuotannosta on kasvanut merkittävästi viime vuosina. Tuuli-, vesi- ja aurinkovoiman tuotannon vaihtelevuus kasvattaa sähköverkkoa kuvaavien mallien laskennallista vaativuutta tehden tarpeen mallien ajallisen ulottuvuuden pienentämiseen. Aikasarjojen aika-aggregointimenetelmät (engl. time-series aggregation), kuten edustavien aikavälien (engl. representative periods) valitseminen, mahdollistavat kompleksisuuden vähentämisen, kun täyttä aikaresoluutiota (engl. full time resolution) voidaan kuvata pienemmällä määrällä aika-askelia.

Tässä kandidaatintyössä tutkitaan dataa sähkön kysynnästä sekä aurinko- ja tuulivoiman saatavuudesta Suomen sähköjärjestelmässä vuonna 2023. Datasta identifioidaan neljä edustavaa viikkoa kahden eri lähestymistavan varianttien avulla pyrkien samalla säilyttämään alkuperäisten aikasarjojen keskeisimmät piirteet. Vuodenaikamenetelmässä jokaisesta neljästä ulkoisesti määritellystä vuodenajasta valitaan edustava viikko perustuen eroihin keskiarvossa ja -hajonnassa. Ositusmenetelmässä hyödynnetään medoidien ympärille osittaminen -ryvästysalgoritmia (engl. Partitioning Around Medoids), joka ryhmittelee viikot perustuen niiden keskinäisiin eroavaisuuksiin. Viikkojen eroavaisuuden mittaamisen käytetään useita eri mittoja ja niiden valinnan vaikutuksia tuloksiin analysoidaan. Edustavien viikkojen laatua arvioidaan sekä tilastollisten tunnuslukujen että mittapuuoptimointimallin tulosten perusteella.

Kummallakin lähestymistavalla datan äärimmäiset arvot jäivät aliedustetuiksi edustavissa viikoissa, mikä johti merkittävästi matalampaan mittapuumallin kohdefunktion arvoon verrattuna täyden aikaresoluution malliin. Aurinkovoiman saatavuuden sisällyttäminen muuttujaksi edustavien viikkojen valinnassa ei parantanut tuloksia kummallakaan lähestymistavalla.

Vuodenaikamenetelmä suoriutui erityisen hyvin tilastollisten tunnuslukujen arvojen säilyttämisessä, mutta sai ison negatiivisen virheen kohdefunktiossa. Toisaalta ositusmenetelmällä oli enemmän vaikeuksia datan keskiarvon säilyttämisessä, mutta se saavutti vuodenaikamenetelmää selvästi pienempiä virheitä kohdefunktiossa. Dynaamisen ajan vääristämisen (engl. Dynamic Time Warping) hyödyntäminen ositusmenetelmässä paransi tuulivoiman saatavuuden aggregaatiota.