Diese Dissertation beschäftigt sich mit dem Thema der Optimierung des Marktverhaltens eines Übertragungsnetzbetreibers (ÜNB). Dabei ist die Position eines Marktteilnehmers relativ neu für den ÜNB. Sie entstand erst in den letzten Jahren infolge des Strebens der deutschen Regierung, die Abhängigkeit des nationalen Energiesystems von den Energieimporten zu reduzieren und dieses umweltfreundlicher zu gestalten. Demzufolge wurde der ÜNB dazu verpflichtet, all die Einspeisungen von den Quellen der erneuerbaren Energie aufzunehmen und diese zu vermarkten. Dabei wurde der ÜNB mit den speziellen Charakteristika des neuen „Marktprodukts“ konfrontiert: durch den hohen Anteil der stochastischen Windenergie an dem aufgenommenen Energiemix, wird die Verlässlichkeit eines solchen Marktgeschäfts gefährdet. Damit die aufgenommenen Windeinspeisungen optimal vermarktet werden können, muss der ÜNB über eine zuverlässige day-ahead Prognose verfügen. Deutsche ÜNBs verwenden dabei eine Metaprognose, gewichtet von den mehreren Windenergieprognosen, die in den letzten Jahren entwickelt wurden. Die Mehrheit dieser Prognosen basiert auf numerischen Wettervorhersagemodellen, welche die ÜNBs über die in jedem Zeitpunkt zu erwartende Windenergiemenge informieren. Damit reduziert sich weitgehend die der Windenergie zugeordnete Zufälligkeit. Nichtsdestotrotz sind die verbleibenden Abweichungen zwischen der day-ahead Prognose und den tatsächlich auftretenden Windeinspeisungen der Grund für den immensen zusätzlichen Kostenaufwand wie für den ÜNB (z.B. für die Leistungsvorhaltung und das Einsetzen der Regelenergie) als auch für den Letztverbraucher (erhöhte Elektrizitätstarife infolge der Umwälzung der genannten Zusatzkosten). Eine sinnvolle Maßnahme um diesen Abweichungen entgegenzuwirken wäre, die Qualität der day-ahead Prognose zu verbessern. Dementsprechend groß ist die Forschungsgemeinschaft, die sich mit dieser Fragenstellung auseinandersetzt. Der ÜNB an sich hat allerdings keine Möglichkeit die potentiellen Fehlerquellen zu beeinflussen. Die begrenzten Informationen, die er zur Verfügung hat (die gewichtete day-ahead Prognose und Online-Hochrechnungsdaten, die er bekommt mit der Verzögerung von 24 Stunden) zwingen den ÜNB, solche Methoden für die Optimierung seines Marktverhaltens aufzusuchen, die mit diesen wenigen Angaben arbeiten können. Genau diese Tatsache macht die vorliegende Arbeit neuartig, da die präsentierten Methoden – Q-Learning und Kalman-Filter – diesen Anforderungen entsprechen. Ihre Leistung wird binnen des nachsimulierten EEG-Ausgleichsmechanismus getestet und anhand von realen Windeinspeisungsdaten verifiziert. Die erreichten Ergebnisse werden mit den üblichen statistischen Kennwerten bewertet.
This thesis is devoted to the search of the methods to optimize the market performance of a Transmission System Operator (TSO). The position of a TSO as a market player is a quite new one, since its traditional obligations consist in ensuring of network availability, congestion prevention and management, ensuring the system stability. It is emerged from the pursuit of German government of reducing the dependency of national energy system on energy imports and environmental and climate protection. In these circumstances a TSO was obliged to assume all the energy produced by renewable energy sources (RES) to bid it further on the energy market. Thereby it is faced with the special characteristics of this "market product": due to the significant share of stochastic wind power in the assumed energy mix the reliability of its trading operations becomes risky. In order to bring the wind power feed-in a TSO receives in line with the regulations of German energy market, it must have a trustworthy day-ahead forecast. German TSOs use by their operation the weighted average of several wind power forecast tools developed in the recent years. The majority of them is based on numerical weather predictions and provides the information how much wind power can be expected at each point of time. Thus they announce the variations in the electricity production of wind farms in advance and largely reduce the degree of randomness attributed to wind energy. However there are still deviations to be observed between the day-ahead forecast and real wind power feed-in. These deviations result in significant costs both for TSOs (i.e. for provision and application of control energy) and end-customers (increased electricity tariffs due to additional balancing costs of TSOs). The reasonable measure to countervail these problems is the improvement of the day-ahead forecast a TSO receives as a service. Respectively the research community occupied with the search of the adequate solutions is rather meaningful. However, a TSO as a recipient of a day-ahead forecast does not have any possibility to influence the potential sources of forecast inaccuracy. It needs therefore a solution that could optimize its day-ahead market operation regarding the limited information resources it has: the weighted day-ahead wind power forecast it receives as a service and the real-time values of wind power feed-in that it is given in 24-hours-delay. This consideration turns the current research topic into the rather novel one. Two alternative methods to solve the mentioned problem are proposed: Q-Learning and Kalman filter. Their performance is tested within the simulated model of German RES-equalisation scheme and verified with the real-life data of wind energy feed-in. Achieved results are evaluated with the common accepted error measures.