⚡ electrical engineering

Data-Driven Sequential Market Optimization for Front-of-the-Meter Battery Energy Storage Systems

Questo articolo introduce un framework di ottimizzazione sequenziale basato sui dati per i sistemi di accumulo di energia tramite batterie Front-of-the-Meter che modella realisticamente le chiusure dei mercati e le previsioni a finestra mobile per derivare strategie di offerta basate sul costo opportunità, migliorando così la fattibilità operativa e la redditività attraverso molteplici mercati elettrici.

Autori originali: Steffen Kortmann, Hannah Sanders, Andreas Ulbig

Pubblicato 2026-07-28

📖 6 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Steffen Kortmann, Hannah Sanders, Andreas Ulbig

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immaginate la rete elettrica come un gigantesco, adrenalinico gioco delle sedie musicali, ma invece di persone, sono elettroni che danzano tra le centrali elettriche e il vostro tostapane. L'obiettivo è mantenere la musica che suona perfettamente in sintonia; se ci sono troppi elettroni, la frequenza aumenta, e se ce ne sono troppo pochi, crolla. Per mantenere il ritmo costante, abbiamo bisogno di aiutanti "flessibili" che possano istantaneamente afferrare l'energia extra o lasciarne andare un po' quando la musica diventa caotica. Entra in scena il BESS (Battery Energy Storage System), una massiccia batteria digitale che agisce come un super-atleta, pronto a scattare in entrata o in uscita al minimo preavviso. Ma ecco la parte complicata: questo atleta non gioca solo un gioco. Deve destreggiarsi tra più mercati simultaneamente — vendendo energia quando è economica, trattenendola per aiutare a stabilizzare la rete e scambiandola di nuovo più tardi. Il problema è che le regole per questi mercati cambiano in momenti diversi, e i prezzi sono come le previsioni del tempo: cambiano man mano che ci si avvicina all'evento. Se pianificate tutta la strategia della giornata alle 6:00 del mattino basandovi su una supposizione, potreste perdere una improvvisa tempesta (o un improvviso picco di prezzo) che avviene a mezzogiorno.

Questo articolo affronta il mal di testa di come gestire queste batterie giganti senza cadere nella trappola delle cattive supposizioni. Gli autori, Steffen Kortmann, Hannah Sanders e Andreas Ulbig, si sono resi conto che la maggior parte dei metodi esistenti è come cercare di pianificare un intero viaggio on the road in un colpo solo, ignorando che gli aggiornamenti sul traffico arrivano ogni ora. Sostengono che, per guadagnare e mantenere sicura la rete, sia necessario un approccio "sequenziale" — una strategia passo dopo passo che aggiorna il proprio piano ogni volta che un nuovo mercato chiude le sue porte. Hanno costruito un framework intelligente e basato sui dati che agisce come un allenatore esperto, rivalutando costantemente le mosse della batteria man mano che arrivano nuove previsioni di prezzo, assicurando che la batteria non si impegni troppo o rimanga senza carica nel momento sbagliato.

Il Gioco del "Costo Opportunità"

Pensate all'energia della batteria come a uno zaino pieno di monete d'oro. Avete un numero limitato di monete e volete spenderle dove comprano la maggiore felicità (o profitto). Ma non potete spendere la stessa moneta due volte. Se usate una moneta per comprare un biglietto per un concerto (vendere energia ora), non potete usare quella stessa moneta per comprare un biglietto per una festa VIP più tardi (fornire energia di emergenza). Il "Costo Opportunità" è il valore del biglietto per la festa che non avete comprato perché avete usato la moneta per il concerto.

Il documento introduce un modo intelligente per calcolare questo costo. Invece di limitarsi a indovinare, il framework chiede: "Se impegno questa potenza della batteria nel Mercato A proprio ora, quanto profitto potenziale sto perdendo dai Mercati B, C e D che non sono ancora avvenuti?". Utilizza poi questo calcolo per stabilire un "prezzo minimo" per lare offerta. Se il mercato non offre abbastanza denaro per coprire la perdita di opportunità degli altri mercati, la batteria semplicemente dice: "No grazie", e conserva la sua potenza per un affare migliore. Ciò assicura che la batteria non faccia mai un accordo che sembra buono in isolamento, ma che è in realtà una mossa sbagliata per l'intera giornata.

La Strategia Passo dopo Passo

Gli autori hanno progettato un sistema che imita la cronologia reale dei mercati elettrici in Germania. Immaginate una serie di porte che si chiudono una dopo l'altra:

Frequency Containment Reserve (FCR): La prima porta si chiude presto. Questo serve per l'aiuto immediato di emergenza. La batteria blocca un piano qui.
Automatic Frequency Restoration Reserve (aFRR): La porta successiva si chiude. Questo è per un bilanciamento della rete leggermente più lento, ma comunque urgente.
Day-Ahead Auction (DAA): La porta grande per vendere energia il giorno successivo.
Intraday Auction (IDA): Le porte finali, che si aprono più vicino al tempo reale per aggiustamenti dell'ultimo minuto.

La magia del loro framework è che non pianifica solo per la prima porta e dimentica il resto. Risolve l'enigma per la porta corrente, poi risolve immediatamente l'enigma per tutte le porte rimanenti, utilizzando le ultime previsioni di prezzo. È come giocare a un videogioco in cui la mappa si aggiorna ogni volta che si sale di livello. Se il prezzo dell'elettricità aumenta nel pomeriggio, il sistema lo nota, ricalcola il "costo opportunità" e potrebbe decidere di trattenere dell'energia per il mercato Intraday invece di venderla tutta nel mercato Day-Ahead.

Cosa Hanno Trovato (e Cosa Non Hanno Trovato)

I ricercatori hanno testato la loro idea utilizzando una simulazione di un singolo giorno (1 aprile 2024) con una batteria dotata di una potenza di 3,65 MW e una capacità di 7,3 MWh. Non hanno solo tirato a indovinare; hanno fatto girare i numeri attraverso un complesso modello matematico che rispetta i limiti fisici della batteria (non può caricare e scaricare contemporaneamente, e non può scendere sotto lo 0% o superare il 100% di carica).

I risultati hanno dimostrato che il loro approccio passo dopo passo e basato sui dati funziona. Quando hanno confrontato il piano "Day-Ahead" (fatto la mattina presto) con il piano "Intraday" (fatto più tardi con informazioni migliori), hanno visto che il piano successivo era molto più vicino a ciò che è effettivamente accaduto. Il framework è riuscito ad adattarsi alle previsioni aggiornate, riducendo il divario tra ciò che era stato pianificato e ciò che è stato effettivamente fatto. Ciò significa che l'operatore della batteria può guadagnare di più ed evitare il rischio di infrangere le regole o rimanere senza energia.

Tuttavia, è importante notare che si tratta di una simulazione. Il documento dimostra che la matematica funziona e la logica regge in condizioni realistiche, ma non è ancora stato testato su una batteria reale in un mercato vivo e caotico. Gli autori suggeriscono che il loro metodo sia una solida base, ma il lavoro futuro dovrà aggiungere ancora più complessità, come l'uso dell'Intelligenza Artificiale per commerciare nel mercato finale "continuo" (Intraday Continuous) dove i prezzi cambiano ogni secondo.

Perché Questo è Importante

Per chiunque si occupi di energia pulita, questa è una grande notizia. Mentre passiamo all'energia eolica e solare, la rete diventa più imprevedibile. Abbiamo bisogno di batterie come ammortizzatori del sistema. Ma se gli operatori delle batterie utilizzano strumenti di pianificazione rigidi e obsoleti, potrebbero perdere profitti o, peggio, non riuscire ad aiutare la rete quando è necessario. Questo articolo offre un nuovo manuale di istruzioni: un modo per essere flessibili, intelligenti e basati sui dati. Trasforma la batteria da un'unità di stoccaggio statica in un giocatore dinamico che può navigare nel panorama complesso e mutevole dei moderni mercati energetici, assicurando che le luci restino accese e il portafoglio pieno.

Sintesi Tecnica: Ottimizzazione del Mercato Sequenziale Basata sui Dati per BESS Front-of-the-Meter

Definizione del Problema

L'integrazione dei sistemi di accumulo di energia tramite batterie (BESS) nei mercati elettrici ha aumentato la necessità di una partecipazione coordinata tra i mercati dell'energia e dei servizi di bilanciamento per massimizzare la flessibilità operativa. Tuttavia, i modelli esistenti di generazione di ricavi (revenue-stacking) si basano spesso su assunzioni semplificate, come la partecipazione simultanea a più mercati e la trascuratezza degli impatti delle previsioni mobili (rolling forecasts). Queste semplificazioni portano a pianificazioni irrealistiche, piani operativi non fattibili e stime eccessive dei ricavi. Gli operatori attualmente mancano di metodi trasparenti per determinare quantità e prezzi di offerta fattibili che siano allineati con la natura sequenziale delle operazioni di mercato, i specifici tempi di chiusura delle offerte (Gate Closure Times - GCT) e l'aggiornamento delle previsioni di prezzo.

Metodologia

Il documento propone un framework di ottimizzazione sequenziale basato sui dati, progettato per rispecchiare le reali operazioni di mercato per i BESS Front-of-the-Meter (FTM). La metodologia struttura il processo di pianificazione in fasi di mercato consecutive, aggiornando le decisioni ad ogni Gate Closure Time (GCT) sulla base dei risultati di mercato più recenti e delle revisioni delle previsioni.

1. Framework di Ottimizzazione Sequenziale

Il framework modella la sequenza cronologica dei mercati: Riserva di Contenimento della Frequenza (FCR), Riserva di Regolazione Automatica della Frequenza (aFRR), Asta Day Ahead (DAA) e Asta Intraday (IDA).

Propagazione dello Stato: Lo Stato di Carica (SoC) risultante da un mercato liquidato diventa una condizione al contorno fissa per la fase di ottimizzazione successiva.
Previsioni Mobili (Rolling Forecasts): Le previsioni di prezzo vengono aggiornate ad ogni fase, incorporando le informazioni dai mercati già liquidati per perfezionare l'ottimizzazione per i mercati rimanenti.
Vincoli: Il modello impone rigorosi vincoli tecnici e normativi, tra cui:
- Fisica della Batteria: Equazioni di bilancio energetico, limiti di potenza, perdite di efficienza e mutual esclusività tra carica e scarica.
- Regole di Mercato: Incrementi fissi delle offerte (es. 1 MW per le riserve, 0,1 MW per l'energia), coerenza dei blocchi e specifici rapporti energia-potenza ( $\gamma$ ) e fattori di potenza bloccata ( $\phi$ ) richiesti per i prodotti di riserva (es. la FCR richiede 1,25 MW di capacità di potenza per ogni 1 MW di riserva nelle fasi intraday).
- Blocco della Capacità: I vincoli assicurano che la capacità di riserva riservata blocchi la porzione necessaria della capacità di stoccaggio utilizzabile per il successivo scambio di energia.

2. Strategia di Offerta Basata sul Costo Opportunità

Un componente fondamentale della metodologia è la derivazione dei volumi di offerta e dei prezzi minimi basata sui costi opportunità (OC).

Ottimizzazione della Capacità Residua: Per una specifica fase di mercato, il framework risolve un problema di ottimizzazione "residua" per tutti i mercati futuri. Ciò determina la massima quantità di offerta fattibile ( $L_b$ ) e il valore ( $V_b$ ) dei mercati rimanenti qualora il mercato corrente non venisse partecipesse.
Calcolo dell'OC: Il costo opportunità è calcolato come il profitto mancato dai mercati futuri causato dalla prenotazione di capacità per il mercato corrente. Questo tiene conto dell'effetto di "blocco" degli impegni di riserva sulle capacità di trading future.
Formulazione del Prezzo di Offerta: Il prezzo minimo di offerta è derivato distribuendo il costo opportunità sulla quantità offerta e sulla durata temporale.
- FCR: Utilizza un prezzo singolo che copre l'OC del blocco (pay-as-cleared).
- aFRR: Impiega una strategia di offerta a "scala" (ladder), suddividendo la capacità in più offerte con prezzi che vanno da un pavimento conservativo (aggiustato da un fattore di rischio $\theta$ ) a prezzi aggressivi basati sulle previsioni di prezzo, per bilanciare la probabilità di accettazione e il margine.
- DAA & IDA: Determina la direzione del trading (acquisto/vendita) e stabilisce i prezzi basandosi sul pavimento del costo opportunità, aggiustato per la granularità del mercato e le regole di regolamento (pay-as-bid vs. pay-as-cleared).

3. Liquidazione e Regolamento del Mercato

Il framework simula la liquidazione del mercato dove le offerte vengono accettate o rifiutate in base al Prezzo di Mercato (MCP).

Allocazione: Le offerte accettate diventano parametri fissi per le fasi di ottimizzazione successive.
Riorganizzazione (Re-optimization): Se le allocazioni comportano posizioni aperte o inammissibilità (es. a causa dei requisiti di energia di squilibrio), il modello ri-ottimizza con variabili di scarto (slack variables) per derivare uno schema target fattibile per la fase successiva (es. intraday).

Principali Contributi

Il documento identifica quattro contributi primari:

Formulazione Multi-Mercato Sequenziale: Un framework unificato che modella esplicitamente la sequenza cronologica dei GCT e delle durate dei prodotti per FCR, aFRR e mercati energetici, andando oltre le assunzioni di ottimizzazione simultanea.
Accoppiamento di Mercato Basato sui Dati: L'integrazione di previsioni di prezzo mobili consente una ri-ottimizzazione adattiva ad ogni fase, utilizzando informazioni in tempo reale dai mercati liquidati.
Offerta Basata sul Costo Opportunità: La derivazione di volumi di offerta e prezzi minimi di offerta fattibili dalla ottimizzazione della capacità residua, garantendo la coerenza economica e prevenendo impegni inammissibili.
Validazione Realistica: Dimostrazione della coerenza e della fattibilità del framework attraverso uno studio di caso di un singolo giorno, confermando l'allineamento tra i piani day-ahead e il dispatch realizzato.

Risultati e Validazione

Il framework è stato validato utilizzando una giornata operativa rappresentativa (1 aprile 2024) per un BESS con 3,65 MW di potenza e 7,3 MWh di capacità.

Evoluzione dello Schema: Lo studio ha mostrato che gli scheoli evolvono significativamente tra le fasi di ottimizzazione (es. 8:00, 9:00, 12:00, 15:00) man mano che le previsioni vengono aggiornate e i mercati si liquidano.
Fattibilità: Il framework ha generato con successo schemi coerenti e tecnicamente fattibili. Le traiettorie dello Stato di Carica (SoC) sono rimaste entro i limiti tecnici richiesti per la fornitura di FCR durante tutta la simulazione.
Riduzione delle Deviazioni: I confronti tra il dispatch pianificato e quello realizzato hanno indicato che la ri-ottimizzazione intraday ha ridotto sostanzialmente le deviazioni rispetto ai piani day-ahead. Più lo schema era vicino al tempo di dispatch effettivo, più diventava accurato.
Impatto FCR: I risultati hanno evidenziato come l'allocazione FCR blocchi specifici intervalli di SoC (impedendo l'operatività vicino allo 0% o al 100% di SoC), aspetto che il modello ha correttamente considerato nelle offerte successive per aFRR e mercati energetici.

Significato

Il documento afferma che la sua importanza primaria risiede nel colmare il divario tra i modelli di ottimizzazione idealizzati e le realtà pratiche della partecipazione sequenziale al mercato. Modellando esplicitamente i Gate Closure Times, le previsioni mobili e i costi opportunità, il framework fornisce un metodo per determinare quantità di offerta e prezzi fattibili che siano coerenti con i reali tempi di mercato.

Gli autori sostengono che questo approccio migliora la realismo e la redditività delle operazioni BESS, minimizzando le deviazioni tra il dispatch pianificato e quello realizzato ed evitando la sovrastima dei ricavi comune nei modelli a singola fase o non basati sui dati. Il lavoro stabilisce una base per la partecipazione coordinata tra mercati di bilanciamento e mercati energetici senza richiedere complessi modelli basati sull'apprendimento (learning-based) sensibili ai cambiamenti dei dati, affidandosi invece a una robusta ottimizzazione e alla determinazione dei prezzi basata sul costo opportunità.