Multi-objective optimization of distributed energy systems with focus on robust solutions

2019 ◽  
Author(s):  
Μάριος Καρμέλλος

Μια λύση προς την κατεύθυνση των οικονομικά ελκυστικών και περιβαλλοντικά φιλικών ενεργειακών συστημάτων είναι η ανάπτυξη των συστημάτων διεσπαρμένης παραγωγής ενέργειας (ΣΔΠΕ). Τα ΣΔΠΕ έχουν πολλά πλεονεκτήματα με το σημαντικότερο να είναι η παραγωγή ενέργειας σε τοπικό επίπεδο, ελαχιστοποιώντας έτσι τις απώλειες. Τα ΣΔΠΕ μπορούν να προσφέρουν καλύτερη ενσωμάτωση μεταξύ των συμβατικών ενεργειακών συστημάτων και των ΑΠΕ, και μπορούν να καλύψουν τις ενεργειακές ανάγκες είτε πρόκειται για ένα κτήριο, ένα σύμπλεγμα κτηρίων ή ακόμη και μια πόλη, με το βαθμό αποκέντρωσης να διαφέρει. Ένα ΣΔΠΕ μπορεί να σχεδιαστεί για να καλύπτει τις ενεργειακές ανάγκες σε ηλεκτρισμό, θερμότητα και ψύξη. Επίσης, τα συστήματα αυτά μπορούν να προσφέρουν λύσεις με χαμηλό ετήσιο κόστος και χαμηλές εκπομπές CO2. Ο σχεδιασμός ενός ΣΔΠΕ είναι ένα περίπλοκο πρόβλημα στο οποίο πολλές πτυχές πρέπει να λαμβάνονται υπόψη. Αυτή η διατριβή έχει σκοπό να παρουσιάσει μια μεθοδολογία για τον βέλτιστο σχεδιασμό ΣΠΔΕ χρησιμοποιώντας πολυ-κριτηριακό μικτό-ακέραιο γραμμικό προγραμματισμό (ΜΑΓΠ) με αντικειμενικές συναρτήσεις το συνολικό ετήσιο κόστος και τις εκπομπές CO2. Οι υποψήφιες τεχνολογίες είναι: (α) μονάδες συμπαραγωγής ηλεκτρισμού και θερμότητας, (β) αντλίες θερμότητας, (γ) μονάδες ψύξεις με απορρόφηση, (δ) λέβητες, (ε) ηλιακοί συλλέκτες, (στ) φωτοβολταϊκά, (ζ) ανεμογεννήτριες, (η) μονάδες αποθήκευσης θερμότητας, (θ) μονάδες αποθήκευσης ηλεκτρισμού, (ι) δίκτυο διανομής θερμότητας και (κ) μικροδίκτυο. Τα αποτελέσματα δίνουν ως λύσεις τις τεχνολογίες που επιλέγονται να εγκατασταθούν σε κάθε κτήριο και την αντίστοιχη ισχύ τους, τη διάταξη του δικτύου διανομής θερμότητας (αν σχηματιστεί), το επιχειρησιακό προφίλ των τεχνολογιών, και την ανταλλαγή ηλεκτρισμού διαμέσου του μικροδικτύου καθώς και μεταξύ των κτηρίων και του εθνικού δικτύου ηλεκτρισμού. Επιπλέον, οι αντίστοιχες μελέτες που υπάρχουν στη βιβλιογραφία διαχωρίζονται σε δύο γενικές κατηγορίες, (α) στη «Μέθοδο Α» όπου γίνεται ταυτόχρονη επιλογή και διαστασιολόγηση των υποψήφιων τεχνολογιών, και (β) στη «Μέθοδο Β» όπου οι διαστάσεις των τεχνολογιών είναι προκαθορισμένες. Αυτή η διατριβή παρουσιάζει αρκετά καινοτομικά στοιχεία αναφορικά με τον βέλτιστο σχεδιασμό ΣΔΠΕ. Συγκεκριμένα, παρουσιάζονται δύο προσεγγίσεις για την μοντελοποίηση τεχνολογιών, επεκτείνοντας την σχετική βιβλιογραφία. Επιπλέον, παρουσιάζονται μαθηματικά μοντέλα για όλες οι διαθέσιμες τεχνολογίες. Αυτές οι προσεγγίσεις συγκρίνονται καθώς προσφέρουν διαφορετικές λύσεις, και εξετάζονται πλεονεκτήματα και μειονεκτήματα που έχουν. Πέρα απ’ αυτά, η διατριβή έχει ως σκοπό τον βέλτιστο σχεδιασμό ΣΔΠΕ υπό συνθήκες αβεβαιότητας. Οι αλλαγές στις τιμές των παραμέτρων σχεδιασμού μπορούν να επηρεάσουν τον βέλτιστο σχεδιασμό και αυτή η διατριβή σκοπεύει να προσφέρει στον αποφασίζων εύρωστες λύσεις. Στο πλαίσιο της διατριβής υποτίθεται ότι οι παράμετροι που είναι υπό αβεβαιότητα είναι οι τιμές ενέργειας (ηλεκτρισμού και φυσικού αερίου), το επιτόκιο αναγωγής, τα ενεργειακά φορτία, η ηλιακή ακτινοβολία και η ταχύτητα του ανέμου. Για την αντιμετώπιση της αβεβαιότητας και τον εντοπισμό των εύρωστων λύσεων χρησιμοποιούνται τέσσερις τεχνικές που ανήκουν στο πεδίο της «εύρωστης βελτιστοποίησης» ή της «στοχαστικής βελτιστοποίησης»: (α) objective-wise worst case, (β) minimax regret criterion (MMR), (γ) minimax expected regret (MER) και (δ) ανάλυση Monte Carlo. Συνολικά, αυτές οι τεχνικές προσφέρουν λύσεις πολύ διαφορετικές σε σχέση με την ντετερμινιστική προσέγγιση του προβλήματος, οι οποίες μπορούν να χαρακτηριστούν ως εύρωστες, υπογραμμίζοντας τη σημασία της θεώρησης της αβεβαιότητας κατά τη διαδικασία σχεδιασμού. Η διατριβή καταλήγει ότι η αντιμετώπιση της αβεβαιότητας κατά τον σχεδιασμό ενός ΣΔΠΕ είναι πολύ σημαντική καθώς οι λύσεις αλλάζουν σημαντικά, και αυτό έχει ιδιαίτερη σημασία για τον βέλτιστο σχεδιασμό του συστήματος, την οικονομική του βιωσιμότητα καθώς και την επιχειρησιακή του σταθερότητα. Εν τέλει, σημειώνεται ότι οι μεθοδολογίες που έχουν αναπτυχθεί είναι γενικές και μπορούν εύκολα να προσαρμοστούν και να εφαρμοστούν σύμφωνα με τις προτιμήσεις του αποφασίζων.

2016 ◽  
Vol 184 ◽  
pp. 1508-1516 ◽  
Author(s):  
Tobias Falke ◽  
Stefan Krengel ◽  
Ann-Kathrin Meinerzhagen ◽  
Armin Schnettler

2021 ◽  
Vol 290 ◽  
pp. 116746
Author(s):  
Juan D. Fonseca ◽  
Jean-Marc Commenge ◽  
Mauricio Camargo ◽  
Laurent Falk ◽  
Iván D. Gil

2010 ◽  
Vol 87 (12) ◽  
pp. 3642-3651 ◽  
Author(s):  
Hongbo Ren ◽  
Weisheng Zhou ◽  
Ken’ichi Nakagami ◽  
Weijun Gao ◽  
Qiong Wu

Author(s):  
Weijun Wang ◽  
Stéphane Caro ◽  
Fouad Bennis ◽  
Oscar Brito Augusto

For Multi-Objective Robust Optimization Problem (MOROP), it is important to obtain design solutions that are both optimal and robust. To find these solutions, usually, the designer need to set a threshold of the variation of Performance Functions (PFs) before optimization, or add the effects of uncertainties on the original PFs to generate a new Pareto robust front. In this paper, we divide a MOROP into two Multi-Objective Optimization Problems (MOOPs). One is the original MOOP, another one is that we take the Robustness Functions (RFs), robust counterparts of the original PFs, as optimization objectives. After solving these two MOOPs separately, two sets of solutions come out, namely the Pareto Performance Solutions (PP) and the Pareto Robustness Solutions (PR). Make a further development on these two sets, we can get two types of solutions, namely the Pareto Robustness Solutions among the Pareto Performance Solutions (PR(PP)), and the Pareto Performance Solutions among the Pareto Robustness Solutions (PP(PR)). Further more, the intersection of PR(PP) and PP(PR) can represent the intersection of PR and PP well. Then the designer can choose good solutions by comparing the results of PR(PP) and PP(PR). Thanks to this method, we can find out the optimal and robust solutions without setting the threshold of the variation of PFs nor losing the initial Pareto front. Finally, an illustrative example highlights the contributions of the paper.


Sign in / Sign up

Export Citation Format

Share Document