پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 43 |
| تعداد شمارهها | 1,792 |
| تعداد مقالات | 14,626 |
| تعداد مشاهده مقاله | 38,952,055 |
| تعداد دریافت فایل اصل مقاله | 15,163,680 |
بهینهسازی چند-هدفه عملکرد یک هاب انرژی شامل منابع تجدیدپذیر و ذخیرهسازها | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| هوش محاسباتی در مهندسی برق | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| دوره 16، شماره 2، تیر 1404، صفحه 53-70 اصل مقاله (1.05 M) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| نوع مقاله: مقاله پژوهشی فارسی | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| شناسه دیجیتال (DOI): 10.22108/isee.2025.146048.1755 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| نویسندگان | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| مریم موذن* ؛ مهدی ثقفی | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| استادیار، دانشکدۀ فنی و مهندسی، دانشگاه بناب، بناب، ایران | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| چکیده | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| در این مقاله، بهینهسازی چند-هدفه عملکرد یک هاب انرژی شامل بارهای الکتریکی، گرمایشی و سرمایشی، به منظور دستیابی همزمان به کمینه مقدار هزینه مصرف سوخت و انتشار گازهای آلاینده محیطزیست انجام شده است. جهت پوشش عدمقطعیت در پارامترهای مدلسازی نظیر میزان تولید از منابع تجدیدپذیر و همچنین مقدار بارهای الکتریکی، گرمایشی و سرمایشی در طول یک شبانهروز، از روش مونتکارلو برای تولید 1000 سناریوی تصادفی بهره گرفته شده است. سپس برای کنترل حجم محاسبات، با کاهش سناریوهای مشابه و سناریوهای با احتمال کم، تعداد 10 سناریو از بین سناریوهای تولیدی به عنوان سناریوهای نماینده انتخاب شدهاند. همچنین، برنامه مدیریت تقاضا با ایجاد مشوق برای مصرفکنندگان بارهای الکتریکی، گرمایشی و سرمایشی به منظور جابجایی نیازها پیادهسازی شده است. فرآیند بهینهسازی چند-هدفه برای عملکرد هاب انرژی، در نرمافزار GAMS جهت تعیین مجموعه راهحلهای غیر غالب (جبهه پارتو) در فصول تابستان و زمستان، در حضور ذخیرهسازهای انرژی و با در نظر گرفتن محدودیتهای بهرهبرداری تجهیزات انجام شده است. نتایج این شبیهسازی برای تعیین جبهه پارتوی بدون بعد، امکان برنامهریزی بلندمدت برای انتخاب سیاستهای بهینه انرژی در مواجهه با عدمقطعیتها و سناریوهای مختلف بهرهبرداری با توجه به مصالح تصمیمگیرنده در شرایط مختلف نظیر نوسان قیمت سوخت و تغییر جرائم محیط زیستی را ایجاد میکند. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| کلیدواژهها | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| انرژیهای تجدیدپذیر؛ برنامه مدیریت تقاضا؛ بهینهسازی چند-هدفه؛ روش مونتکارلو؛ هاب انرژی | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| اصل مقاله | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
1- مقدمه[1]1-1- بیان مسئلهمصرف روزافزون سوختهای فسیلی برای تأمین انرژی مورد نیاز جوامع بشری منجر به انتشار گازهای آلایندۀ محیطزیست میشود [1] که علاوه بر مخاطرات برای سلامت افراد [2]، باعث افزایش سرعت پدیدۀ گرمایش کرۀ زمین میشود [3]. از طرفی، تأمین بخشی از توان مصرفی جوامع از طریق منابع تجدیدپذیر انرژی مانند نیروگاههای خورشیدی، بادی و آبی، میتواند آلایندههای کمتری را در محیطزیست آزاد کند [4] و سهم بسزایی در کاهش اثرات منفی مصرف سوختهای فسیلی و تولید گازهای گلخانهای داشته باشد [5]. پیشرفتهای جدید در فناوریهای تولید و ذخیرهسازی انرژی حاصل از منابع تجدیدپذیر مانند باد و خورشید، باعث شده است تا سهم این انرژیها در سالهای اخیر به طور فزاینده رشد کند [6]. از طرفی، افزایش سهم اینگونه از انرژیها در سبد تأمین انرژی جوامع چالشهایی جدید به طراحی و بهرهبرداری از کل سیستم اضافه میکند [7، 8]. عدم تولید پایدار در طول شبانه-روز و عدم قطعیت در میزان تولید انرژی، از مشکلات افزودهشدن نیروگاههای فتوولتائیک و بادی به شبکۀ تأمین توان الکتریکی هستند [9]. استفاده از ذخیرهسازهای انرژی یکی از راهحلهای مؤثر برای غلبه بر نوسانات تولید توان با صفحات فتوولتائیک و توربینهای بادی است که استفادۀ مقرونبهصرفه از این انرژیها را مقدور میکند [10، 11]. گسترش نفوذ فناوری در جوامع و افزایش نیاز برای تأمین همزمان توان الکتریکی، گرمایش و سرمایش باعث شده است تا تأمین انرژی با روشهای سنتی با محدودیتهایی مواجه باشد [12]. از این رو، به منظور مدیریت هماهنگ بهرهبرداری از منابع مختلف تولید انرژی و تأمین بهینۀ نیازهای مصرفی، مفهومی به نام هاب انرژی تعریف شده است [13]. در یک هاب انرژی که مجموعهای از تأمینکنندگان و مصرفکنندگان حاملهای مختلف انرژی است، ضمن ایجاد مسیرهای مختلف برای تأمین یکپارچۀ نیازها، اهداف دیگری مانند کاهش هزینهها، ادغام نیروگاههای تجدیدپذیر، کاهش انتشار آلایندهها و افزایش قابلیت اطمینان مجموعه نیز را میتوان دنبال کرد [14-16]. اجرای برنامههای مدیریت پاسخگویی به تقاضا در یک هاب انرژی یکی دیگر از روشهای برقراری تعادل مابین عرضه و تقاضای حاملهای مختلف انرژی است [17، 18]. در این برنامهها، با ایجاد مشوقهای اقتصادی، کاربران به تغییر الگوی مصرف در زمانهای اوج بار ترغیب میشوند. به دلیل وابستگی مابین حاملهای انرژی، پیچیدگیهای فنی و وجود عدم قطعیت در برخی از پارامترها، مدیریت عملکرد یک هاب انرژی نیازمند بهینهسازی نحوۀ بهرهبرداری از منابع مختلف انرژی و انتخاب مسیرهای تبادل انرژی است [19]. در این میان، اهداف تعریفشده برای بهینهسازی عملکرد هاب انرژی ممکن است چندگانه و در تقابل با هم باشند، مانند کاهش هزینۀ بهرهبرداری و کاهش انتشار آلایندهها. از این رو، استفاده از روشهای بهینهسازی چندهدفه لازم است تا مصالحۀ مناسب مابین اهداف مختلف انجام شود. هرچند میتوان با استفاده از روشهایی مانند مجموع وزندار، چند هدف را در یک هدف ادغام کرد، استفاده از روش جبهۀ پارتو[i]، امکان تصمیمگیری شفافتری را فراهم میآورد. در روش جبهۀ پارتو، مجموعهای از راهحلهای غیرغالب به تصمیمگیرنده ارائه میشود که در آن هیچ راهحلی بدون بدترشدن دستکم یکی از اهداف، بهتر نمیشود و انتخاب نقاط روی جبهۀ پارتو صرفاً با توجه به اولویتهای تصمیمگیرنده انجام میشود. به عبارتی، کاهش هزینۀ سوخت مصرفی و هزینۀ جبران آثار محیطزیستی از اهداف متقابل بهینهسازی چندهدفه هستند که پس از رسیدن به جبهۀ پارتو، کاهش یکی منجر به افزایش دیگری خواهد شد. برای ارزیابی هزینههای محیطزیستی در برنامهریزیهای مختلف تولید، لازم است میزان آلایندههای منتشرشده مانند دیاکسید کربن، دیاکسید نیتروژن و دیاکسید گوگرد، در سناریوهای مختلف تولید توان از هر یک از منابع تعیین شود [20]. برآورد میزان تولید آلایندهها میتواند فقط شامل دورۀ بهرهبرداری باشد یا دورههای ساخت، حملونقل، نصب و ازکاراندازی را نیز شامل شود [21]. در نهایت، لازم است تا هزینۀ جبران آثار محیطزیستی انتشار تمام آلایندهها متناسب با حجم تولیدشدۀ هر کدام از هر منبع و در هر سناریو محاسبه شود تا بتوان برنامهریزی بهینۀ تولید را با در نظر گرفتن آثار محیطزیستی انجام داد. با اینکه هزینۀ آلایندگی در برخی از مراجع به صورت مجموع وزندار با هزینههای تولید در نظر گرفته شده است [22]، ممکن است میزان تأثیرگذاری هر یک از هزینهها در شرایط مختلف بهرهبرداری تغییر کند، مانند بروز نوسانات در قیمت سوخت یا تغییر جرائم محیطزیستی در مناطق مختلف. از این رو، تعیین جبهۀ پارتو بدون بُعد مابین هزینۀ سوخت مصرفی و هزینۀ انتشار آلایندهها بهترین دید را در زمینۀ تغییرات نسبی این دو پارامتر به تصمیمگیران خواهد داد. علاوه بر هزینۀ انتشار آلایندههای محیطزیستی، وجود عدمقطعیت در پارامترهایی مانند تقاضای انرژی، قیمت حاملها، تولید انرژی تجدیدپذیر و حتی شرایط آبوهوایی، میتواند بر عملکرد واقعی سیستمهای انرژی بسیار مؤثر باشد [7]. برای مثال، میزان ابریبودن آسمان یا وجود غبار در هوا میتواند به صورت عمده بر میزان تولید انرژی از صفحات خورشیدی مؤثر باشد. همچنین، تغییر در میزان مصرف یکبهیک وسایل الکتریکی متصل به شبکه میتواند منجر به نوسان مصرف در طول ساعات شبانهروز شود. از این رو، لازم است تا تأثیر وجود انحراف در اینگونه پارامترها در برنامهریزی تولید، هزینۀ تمامشده و میزان رهاسازی آلایندهها در نظر گرفته شود. رفتار این دست پارامترها معمولاً تصادفی است و نمیتوان با مدلهای یقینی (قطعی) بهدرستی آنها را مدلسازی کرد. از روشهای مدیریت عدمقطعیت در هابهای انرژی میتوان به روش احتمالاتی/تصادفی[ii]، روش مقاوم[iii] و روش بازهای[iv] اشاره کرد. در روش احتمالاتی، به منظور تحلیل رفتار سیستم انرژی تحت شرایط مختلف، مجموعهای از سناریوها با نمونهگیری تصادفی به روش مونتکارلو از متغیرهای دارای عدم قطعیت با استفاده از توزیعهای احتمال ایجاد میشود. سپس، بهینهسازی عملکرد هاب انرژی در سناریوهای ایجادشده انجام میشود و بر مبنای احتمال هر کدام از سناریوها، جمعبندی هزینه صورت میگیرد [23، 24]. در روش مقاوم، عملکرد هاب انرژی برای بدبینانهترین حالت پارامترهای نامطمئن بهینهسازی میشود و با توجه به اینکه هاب انرژی در حالت بدبینانه جوابگوی تأمین نیازها بوده است، برای سایر شرایط هم جوابگو خواهد بود. در برخی از مطالعات، مقدار بدبینانهبودن شرایط قابل تنظیم در نظر گرفته شده است تا در حالتهای بدون خطرپذیری[v] و خطرپذیر[vi] یا حالتهای بینابینی، هزینۀ بهرهبرداری بهینهسازی شود [13، 15، 25]. در روش بازهای، عملکرد هاب انرژی در بازۀ تغییرات پارامترهای نامطمئن بهینه میشود. مشابه روش مقاوم، در روش بازهای نیز، با توجه به جوابگویی در تمام بازه، هاب انرژی برای شرایط بدبینانه نیز جوابگو است. روشهای مقاوم و بازهای با توجه به رویکرد بدبینانه، پاسخهای محتاطانه ارائه میدهند که در بهرهبرداری از هاب انرژی میتواند منجر به پیشبینی هزینۀ بیشتر برای بهرهبرداری شود. ولی در روش احتمالاتی، هزینۀ بهرهبرداری از هاب انرژی با توجه به احتمال وقوع هر سناریو با مقداری واقعبینانه محاسبه میشود و بهتبع، سناریوهای کماحتمال دارای کمترین تأثیر در هزینه هستند. با افزایش تعداد سناریوها در روش مونتکارلو، بار محاسباتی بهینهسازی مدل به طرزی جالب توجه افزایش مییابد [26]. از این رو، پس از تولید سناریوها، کاهش سناریو برای حذف حالتهای غیرنماینده و حفظ ویژگیهای آماری مجموعۀ اولیه ضروری است [27]. در این مقاله، علاوه بر در نظر گرفتن اهداف اقتصادی و محیطزیستی، تأثیر عدم قطعیت در میزان تولید انرژی حاصل از صفحات خورشیدی و توربین بادی و همچنین، میزان بارهای الکتریکی، گرمایشی و سرمایشی، با تولید سناریو از طریق روش مونتکارلو در نظر گرفته شده است. سپس، به منظور کاهش بار محاسباتی، کاهش سناریو با روشهای آماری انجام شده و بهینهسازی برای تعدادی محدود از سناریوها به عنوان نماینده صورت گرفته است. بهینهسازی چندهدفه به روش جبهۀ پارتو در محیط نرمافزار GAMS به منظور بررسی عملکرد یک هاب انرژی در وضعیت متصل به شبکه با حضور ذخیرهسازهای انرژی بررسی و ارزیابی شده است. این نرمافزار به علت دارابودن قابلیت مدلسازی و بهینهسازی مسائل پیچیده با تعداد زیاد سناریوها، متغیرها و محدودیتها، یکی از پرکاربردترین نرمافزارها در بهینهسازی شبکههای حامل انرژی است [28-31]. در این مطالعه، علاوه بر هزینۀ بهرهبرداری از هاب انرژی، هزینۀ جبران اثرات محیطزیستی انتشار گازهای آلاینده نیز در تعیین عملکرد بهینه با توجه به پیشبینی بارهای مصرفی و توان تولیدی از سیستم فتوولتائیک و توربین بادی در طول یک شبانهروز در نظر گرفته شده است. فلوچارت نحوۀ مدلسازی فرایند بهینهسازی چندهدفه در هاب انرژی در شکل (1) آورده شده است.
شکل (1): فلوچارت نحوۀ اجرای فرایند بهینهسازی هاب انرژی 2-1- مرور پیشینۀ پژوهش در ادامه، مرور پژوهشهای منتشرشده در زمینۀ کاری این مقاله تحت عنوانهای روش بهینهسازی، مدیریت عدم قطعیت، مطالعات بارهای چندحاملی، برنامۀ پاسخگویی به تقاضا و هزینۀ آلایندگی هوا گردآوری و خلاصه شده است.
بهینهسازی برنامهریزی مدیریت بارها در هاب انرژی میتواند به صورت تکهدفه و چندهدفه باشد. در بهینهسازی تکهدفه، تمام توابع باید با استفاده از ضرایب به یک جنس تبدیل شوند و در قالب یک تابع هدف تجمیع شوند [16، 24، 25، 32]. ولی در بهینهسازی چندهدفه نیاز به تجمیع وجود ندارد و توابع هدف میتوانند دارای ماهیت متفاوت باشند. روش تحلیل جبهۀ پارتو یکی از روشهای بهینهسازی چندهدفه است که به طور گسترده در مدلسازی هابهای انرژی استفاده میشود [15، 17، 18، 33، 34].
مدیریت عدم قطعیت در یک هاب انرژی میتواند به روشهای گوناگون انجام شود. میتوان با روش احتمالاتی، مجموعهای از سناریوها را با نمونهگیری تصادفی از متغیرهای نامطمئن ایجاد کرد [23، 24]. در روش مقاوم، عملکرد هاب انرژی برای بدبینانهترین حالتها بهینهسازی میشود تا برای سایر شرایط هم جوابگو باشد. در برخی از مطالعات، مقدار بدبینانهبودن شرایط، قابل تنظیم در نظر گرفته شده است تا در حالتهای بدون خطرپذیری و خطرپذیر یا حالتهای بینابینی، هزینۀ بهرهبرداری محاسبه شود [13، 15، 25]. همچنین، روشهای ترکیبی نیز با استفادۀ همزمان از روشهای بالا و روشهایی مانند شبکههای عصبی مصنوعی برای مدیریت عدم قطعیت به کار گرفته شدهاند [7، 16، 35].
در یک هاب انرژی، حاملهای مختلف انرژی میتوانند در تبادل انرژی دخیل باشند. هرچه تعداد حاملهای انرژی بیشتر باشد، نیاز به در نظر گرفتن فرایندهای تبدیل و محدودیتهای مرتبط بیشتر میشود و در نتیجه، بار محاسباتی برنامهریزی افزایش مییابد. علاوه بر بارهای الکتریکی [33]، بارهای گرمایشی [15، 16، 20، 36] و بارهای سرمایشی [25، 37] نیز میتوانند در برنامهریزی هاب انرژی در نظر گرفته شوند.
با انعطافپذیر در نظر گرفتن بارهای مختلف و جابهجایی آنها از بازههای پرتقاضا به بازههای کمتقاضا، میتوان ضمن پرداخت پاداش به مصرفکنندگان، سود بهرهبرداری از هاب انرژی را نیز افزایش داد. این جابهجایی میتواند علاوه بر بارهای الکتریکی [15-18، 20، 24، 25، 32، 33]، بر بارهای گرمایشی [15، 24، 25، 32] و سرمایشی [24، 25، 32] نیز اعمال شود.
ورود آلایندههای ناشی از احتراق سوختهای فسیلی به جو زمین میتواند مشکلات بهداشتی و محیطزیستی زیادی را به همراه داشته باشد. در برخی از مطالعات، صرفاً مقدار جرمی انتشار آلایندههای ناشی از بهرهبرداری هاب انرژی محاسبه شده است [7، 17، 33]. در برخی دیگر، با توجه به جرائم محیطزیستی، هزینۀ انتشار آلایندهها هم محاسبه شده است [13، 16، 20، 25].
3-1- نوآوریها و مشارکتهای پژوهشمقایسۀ نوآوریها و مشارکتهای پژوهش جاری با پژوهشهای قبلی مرتبط در جدول (1) آورده شده است. به طور خلاصه، نوآوری این پژوهش در ترکیب چهار محور اصلی زیر است:
تعیین جبهۀ پارتو بدون بُعد، ضمن مشخصکردن مرز راهحلهای بهینه در مواجهه با عدمقطعیتها و سناریوهای مختلف بهرهبرداری، امکان برنامهریزی بهینۀ بهرهبرداری از هاب انرژی مستقل از نوسان قیمتهای سوخت و تغییر جرائم محیطزیستی را ایجاد میکند.
جدول (1): مقایسۀ نوآوریها و مشارکتهای پژوهش جاری با پیشینه
سایر بخشهای مقاله به صورت زیر تنظیم شدهاند: مدل هاب انرژی و محدودیتهای بهرهبرداری سیستم شامل تولید توربینهای گاز، مبادلۀ توان با شبکه و ذخیرهسازهای انرژی در بخش 2 توضیح داده شدهاند. بخش 3 نیز به توضیح و تحلیل نتایج اختصاص یافته است. در نهایت، در بخش 4 نیز مطالب جمعبندی و نتیجهگیری انجام شده است.
در هاب انرژی مورد مطالعه در این پژوهش، بارهای مصرفی الکتریکی، گرمایشی و سرمایشی در دو فصل تابستان و زمستان در نظر گرفته شدهاند. تجهیزات مدلشده برای تبادل انرژی در این هاب انرژی شامل سیستم فتوولتائیک (PV)، توربین بادی (WT)، بویلر گازی (B)، توربین گازی (G) برای تولید همزمان برق و حرارت (CHP)، ذخیرهساز انرژی الکتریکی (ES)، ذخیرهساز حرارتی (HS)، چیلر جذبی (AC) و چیلر تراکمی الکتریکی (EC) هستند. بارهای الکتریکی مصرفی ( ) توسط توان الکتریکی تولیدی در هاب انرژی یا خریداریشده از شبکه تأمین میشوند. بار گرمایشی در زمستان برای تأمین آب گرم مصرفی ( ) و گرمایش سیستم تهویۀ هوا ( ) مصرف میشود و در تابستان صرف تأمین آب گرم مصرفی و گرمای مورد نیاز چیلر جذبی ( ) میشود. سرمایش در هاب انرژی صرفاً در تابستان برای سیستم تهویۀ هوا ( ) مورد نیاز است. در این بخش، روابط حاکم بر مدلهای استفادهشده در شبیهسازی هاب انرژی آورده شدهاند. در این روابط، زیرنویس t بیانگر زمان، زیرنویس i بیانگر شمارۀ ژنراتور و زیرنویس s نشانگر شمارۀ سناریوی مدنظر است. همچنین، تعداد کل دورههای زمانی، کل توربینها و کل سناریوها بهترتیب با ، و نشان داده شده است. از گاز طبیعی ( ) برای تولید حرارت ( ) در بویلر و برای تولید توان الکتریکی ( ) و حرارت ( ) در سیستم تولید همزمان استفاده میشود [25]: در روابط بالا، ارزش حرارتی سوخت، بازده حرارتی بویلر، بازده الکتریکی و بازده حرارتی تولید همزمان است. محدودیتهای بهرهبرداری شامل حداکثر مقدار تأمین سوخت ( )، مقدار توان الکتریکی تولیدی واحدهای تولید همزمان در افزایش یا کاهش توان ( و )، نرخ افزایش یا کاهش توان مجاز ( و )، به همراه افزایش هزینههای ناشی از روشن یا خاموش شدن واحدها ( و ) با روابط زیر اعمال شدهاند [38]: در روابط بالا، u، y و z اعدادی هستند که فقط میتوانند مقدار 0 یا 1 داشته باشند. همچنین، هاب انرژی با استفاده از روابط زیر میتواند در مواقع لزوم بخشی از توان الکتریکی مورد نیاز خود را از شبکه تأمین کند یا توان الکتریکی مازاد خود را به شبکه بفروشد. ضریب مقدار افت در حین انتقال توان را وارد محاسبات میکند. مقادیر و بهترتیب حداکثر توان قابل انتقال از طریق اتصال هاب انرژی به شبکۀ اصلی هستند. به منظور جلوگیری از خرید و فروش همزمان، محدودیت زیر با استفاده از متغیرهای i و j (با مقادیر 0 یا 1) در نظر گرفته شده است: برای تأمین بار سرمایشی (C) از سیستم تبرید تراکمی به همراه سیستم تبرید جذبی استفاده شده است. در سیستم تبرید تراکمی با مصرف توان الکتریکی، تبرید لازم با توجه به ضریب عملکرد دستگاه ( ) تولید میشود. سیستمهای تبرید جذبی معمولاً دارای ضرایب عملکرد ( ) کمتر نسبت به سیستمهای تبرید تراکمی هستند، ولی استفاده از گرمای هدررفته در گازهای خروجی توربینهای گاز منجر به افزایش بهرهوری خواهد شد. در این پژوهش، از ذخیرهسازهای حرارتی و الکتریکی استفاده شده است تا در مواقع تولید مازاد، ذخیرهسازی انجام و در مواقع کمبود، از انرژی ذخیرهشده استفاده شود. در مدلسازی ذخیرهساز حرارتی، از متغیرهای انرژی ذخیرهشده ( )، توان حرارتی شارژ ( )، توان حرارتی تخلیه ( )، ضریب اتلاف انرژی ذخیرهساز حرارتی ( )، بازدهی فرایندهای شارژ و تخلیه ( و ) استفاده شده است. حداکثر و حداقل انرژی حرارتی قابل ذخیره بهترتیب با و ، و همچنین، حداکثر توان حرارتی شارژ و تخلیه بهترتیب با و نشان داده شدهاند. برای جلوگیری از شارژ و تخلیۀ همزمان ذخیرهساز از معادلات (26) تا (28) استفاده شده است [15]: به طور مشابه، معادلات (29) تا (34) روابط و محدودیتهای بهرهبرداری ذخیرهساز الکتریکی را نشان میدهند. در این روابط، انرژی ذخیرهشده با ، ضریب اتلاف انرژی ذخیرهساز الکتریکی با ، توان الکتریکی شارژ با ، توان الکتریکی تخلیه با ، بازدهی فرایندهای شارژ و تخلیه بهترتیب با و ، حداکثر و حداقل انرژی الکتریکی قابل ذخیره بهترتیب با و ، و حداکثر توان الکتریکی شارژ و تخلیه بهترتیب با و بیان شدهاند. همچنین، برای جلوگیری از شارژ و تخلیۀ همزمان ذخیرهساز از محدودیتهای موجود در روابط (31) تا (33) استفاده شده است [15]: برنامۀ پاسخگویی به تقاضا، با کنترل مصرف انرژی کاربران نهایی، تأمین انرژی را تسهیل میکند. از کل بار الکتریکی مصرفی ( )، بارهای قابل انتقال در هاب انرژی میتوانند از ساعات اوج مصرف به ساعات غیر اوج منتقل شوند. بار جدید پس از انتقال ( )، از رابطۀ زیر به دست میآید [18]: که و بهترتیب بار افزودهشده و بار کسرشده در هر ساعت است. معادلۀ (35) نشان میدهد مجموع بار افزودهشده و بار کسرشده باید برابر باشند. معادلات (36) و (37) حداکثر بار قابل جابهجایی در هر ساعت را محدود میکنند. برای جلوگیری از افزایش و کسر همزمان بار از معادلۀ (38) استفاده شده است. برای رضایت مشترکان، هزینۀ جبران ( ) برای مرکز انرژی پیشبینی شده است: که ضریب جریمۀ قیمت برای بارهای الکتریکی جابهجاشده است. وقتی بارهای گرمایشی را انعطافپذیر در نظر میگیریم، انرژی گرمایشی ورودی ( ) میتواند بین حداقل و حداکثر مقدار تغییر کند [25]: عبارت در معادلات بالا به ضریبی اشاره دارد که نسبت به دمای داخل تغییر و انعطافپذیری بار گرمایشی را تعیین میکند. معادله (44) نشان میدهد در مجموع باید انرژی گرمایشی ورودی با انرژی گرمایشی پیشبینیشده ( ) برابر باشد. با انعطافپذیر در نظر گرفتن آب گرم مصرفی، انرژی آب گرم ورودی ( ) نیز بین حداقل و حداکثر مقدار تغییر میکند: معادلات (46) تا (48) انعطافپذیری بار آب گرم مصرفی را تعیین میکنند. معادلۀ (49) نشان میدهد در مجموع باید انرژی آب گرم ورودی با انرژی آب گرم پیشبینیشده ( ) برابر باشد. همچنین، وقتی بارهای سرمایشی را انعطافپذیر در نظر میگیریم، انرژی سرمایشی ورودی ( ) میتواند بین حداقل و حداکثر مقدار تغییر کند: معادلات (51) تا (53) انعطافپذیری بار سرمایشی را تعیین میکنند. معادلۀ (54) نیز نشان میدهد در مجموع باید انرژی سرمایشی ورودی با انرژی سرمایشی پیشبینیشده ( ) برابر باشد. توان تولیدی PV ( ) با معادلۀ زیر بیان میشود [25]: که ، ، و بهترتیب بازده PV، سطح PV، میزان تابش خورشید و دمای محیط بیرون هستند. معادلۀ زیر نیز توان خروجی توربین بادی را برحسب سرعت باد نشان میدهد [25]: که کمترین سرعت باد است که در آن توربین شروع به کار میکند و بیشترین سرعت باد است که در آن توربین از مدار خارج میشود. مدل سیستم شامل تعدادی پارامتر غیرقطعی است که به طور دقیق قابل پیشبینی نیستند. میزان تولید PV به دلیل عدم قطعیت میزان تابش خورشید و توان تولیدی توربین بادی به دلیل غیرقابل پیشبینی بودن سرعت باد، پارامترهای غیرقطعی هستند. همچنین، همۀ بارهای الکتریکی، گرمایشی و سرمایشی در سمت تقاضا غیرقابل پیشبینی هستند. در این مقاله، برای بررسی عدم قطعیت پارامترها از روش مونتکارلو برای تولید سناریو استفاده شده است. برای مدلسازی پارامترهای نامعین، بهترتیب تابع توزیع احتمال بتا برای سیستم فتوولتائیک، تابع توزیع احتمال ویبال برای توربین بادی و تابع توزیع احتمال نرمال برای بارها استفاده شده است. در هر دورۀ زمانی، توان الکتریکی تولیدی باید با توان الکتریکی مصرفی برابر باشد: به طور مشابه، برای بارهای گرمایشی و سرمایشی نیز میتوان روابط تعادل مابین تولید و مصرف در هر دورۀ زمانی را نوشت: تولید توان الکتریکی، گرمایش و سرمایش با سوختهای فسیلی منجر به تولید مقداری جالب توجه گازهای گلخانهای میشود. معادلۀ (60) کل میزان انتشار گازهای گلخانهای CO2، NOx و SOx تولیدشده توسط هاب انرژی را نشان میدهد: که و بهترتیب ضرایب انتشار برای برق خریداریشده از شبکۀ برق و گاز طبیعی مصرفی هستند. معادلۀ (61) هزینۀ انتشار گازهای آلاینده را با ضریب جریمۀ نشان میدهد: به منظور تعیین عملکرد بهینۀ هاب انرژی نیاز است تا جنبههای متقابل هزینۀ سوخت مصرفی و هزینۀ جرائم محیطزیستی به طور جداگانه در نظر گرفته شوند. به منظور تفکیک این دو عامل، از تابع هدف F1 برای تعریف هزینۀ سوخت مصرفی و سایر هزینههای بهرهبرداری استفاده شده است. همچنین، تابع هدف F2 برای تعریف هزینۀ آلایندگی (معادل جبران اثرات محیطزیستی) به کار گرفته شده است. در تابع F1، هزینههای بهرهبرداری شامل اختلاف هزینۀ خرید و فروش برق، هزینۀ گاز مصرفی در واحدهای CHP و بویلر، هزینۀ جابهجایی بارها و هزینۀ روشن یا خاموش کردن واحدها هستند. در تابع F2 نیز هزینۀ آلایندگی هوا شامل آلایندگی ناشی از مصرف گاز در واحدهای CHP و بویلر (داخل هاب انرژی) و آلایندگی ناشی از خرید برق از شبکه (خارج از هاب انرژی) است. در توابع هزینه، احتمال وقوع سناریوی s، قیمت برق شبکه در ساعت t و هزینۀ گاز مصرفی است. با توجه به اینکه ممکن است میزان تأثیرگذاری هر یک از این عوامل در شرایط مختلف بهرهبرداری مانند نوسانات قیمت سوخت و جرائم محیطزیستی متفاوت در مناطق مختلف تغییر کند، بهینهسازی دوهدفه مابین F1 و F2 انجام خواهد شد. هدف بهینهسازی کمینهکردن همزمان هر دو تابع هزینه در مقابل هم است. در این پژوهش، به منظور انجام بهینهسازی چندهدفه، از روش قیود اپسیلون استفاده شده است که با حل چندباره، امکان تعیین جبهۀ بهینۀ پارتو را دارد تا کاربر بتواند متناسب با شرایط، مصالحۀ لازم مابین اهداف متضاد را انتخاب کند [38].
مدل سیستم، شامل تمام معادلات و محدودیتهای بیانشده در بخش قبل، در نرمافزار GAMS اجرا شده است. در این مقاله، برای مدلسازی عدم قطعیت، نمونهبرداری از پنج متغیر انجام شده است: (1) تولید پنلهای خورشیدی، (2) تولید توربین بادی، (3) بار الکتریکی، (4) بار گرمایشی آب مصرفی و (5) بار سرمایشی سیستم تهویه در تابستان یا بار گرمایشی سیستم تهویه در زمستان. تولید 1000 سناریوی اولیه با نمونهبرداری مونتکارلو از این پنج متغیر انجام شده است و سپس کاهش تعداد سناریوها به 10 عدد به روش کاهش سناریو انجام شده است تا بهینهسازی برنامهریزی در هر یک از فصول تابستان و زمستان برای تمام این 10 سناریو انجام شود. در نهایت، حاصل جمع هزینههای تمام سناریوها با ضریب احتمال وقوع هر کدام برابر هزینۀ بهرهبرداری هاب انرژی در هر فصل است. این 10 سناریو به نحوی انتخاب شدهاند تا شکل توزیع احتمالات مابین مجموعۀ اولیۀ 1000عددی و مجموعۀ 10عددی نهایی دارای کمترین تغییر باشد. مجموعۀ نهایی متشکل از سناریوهایی است که حذفشان میتوانست بیشترین تغییر را در شکل توزیع احتمالاتی داشته باشد. با اضافهشدن احتمالات سناریوهای حذف =شده به این 10 سناریو، هر کدام از آنها عملاً نمایندۀ بخشی از سناریوهای حذفشده هستند. برای اجرای کاهش سناریو، از کتابخانۀ SCENRED در نرمافزار GAMS استفاده شده است. در این کتابخانه، کاهش سناریو به دو روش کلی Forward (دقیق ولی زمانبر، مناسب برای تعداد کم سناریو) و Backward (سریع ولی با کاهش دقت، مناسب برای تعداد زیاد سناریو) قابل انجام است. در این کتابخانه، امکان استفادۀ ترکیبی از دو روش بالا در مراحل مختلف انجام کاهش سناریو از تعداد اولیه تا تعداد مدنظر وجود دارد. همچنین، این امکان نیز فراهم است تا به صورت خودکار، زمان و دقت انجام روشهای مختلف ترکیبی استخراج و روش با کمترین زمان محاسباتی و انحراف از دادههای اصلی اجرا شود. در این مدلسازی، با انتخاب روش خودکار در کتابخانۀ SCENRED، کاهش سناریو به روش ترکیبی، ابتدا با روش Backward انجام و سپس از روش Forward استفاده شده است. مقادیر پارامترهای استفادهشده برای مدلسازی هاب انرژی در جدول (2) گردآوری شدهاند. شکل (2) نیز مقادیر پیشبینیشده برای قیمت برق شبکه و تولید توربین بادی و سیستم فتوولتائیک در تابستان و زمستان را نشان میدهد. مدلسازی برای برنامهریزی روزانۀ بهرهبرداری در دو حالت بدبینانه (تابستان در حضور بار سرمایشی بیشینه و زمستان در حضور بار گرمایشی بیشینه) انجام شده است. با توجه به توانایی هاب انرژی در تأمین و پاسخگویی به تقاضاها در این دو حالت (فصل) بدبینانه، هاب انرژی میتواند در تمام طول سال نیز پاسخگوی تأمین نیاز به حاملهای مختلف انرژی باشد. با توجه به اینکه توابع هدف هزینۀ سوخت و هزینۀ جبران آلایندگی هوا در تضاد با هم هستند و کاهش یکی منجر به افزایش دیگری خواهد شد، لازم است تا بهینهسازی چندهدفه برای این دو تابع به صورت تعیین جبهۀ پارتو انجام شود. در این روش، ابتدا بهینهسازی برای هر یک از توابع به صورت جداگانه انجام میشود و سپس بر مبنای مقادیر کمینه و بیشینۀ بهدستآمده برای توابع، تقسیمبندی فاصلۀ کمینه و بیشینۀ یکی از توابع به تعداد مشخص (در این پژوهش 10 قسمت) انجام و بهینهسازی برای تمام نقاط انجام میشود تا جبهۀ پارتو تعیین شود. در شکل (3) و شکل (4)، نمودار تغییرات جبهۀ پارتو توابع هدف برای فصول تابستان و زمستان نشان داده شده است. همانگونه که مشاهده میشود، با مدیریت بارها به منظور کاهش هزینۀ سوخت، افزایش هزینۀ آلایندگی هوا رخ خواهد داد و برعکس. تمام نقاط منطبق بر جبهۀ پارتو نسبت به سایر نقاط بالای جبهه، دارای عملکرد بهینه هستند و انتخاب نقاط روی جبهه با توجه به مصالح تصمیمگیرنده باید انجام شود.
جدول (2): مقادیر پارامترهای سیستم
شکل (2): مقادیر پیشبینیشده برای قیمت برق شبکه و تولید سیستم فتوولتائیک و توربین بادی شکل (3): منحنی هزینۀ سوخت برحسب هزینۀ آلایندگی (تابستان) شکل (4): منحنی هزینۀ سوخت برحسب هزینۀ آلایندگی (زمستان) با توجه به امکان بروز نوسان قیمتها در سوخت مصرفی و همچنین تغییر جرائم محیطزیستی مربوط به آلایندههای هوا در شرایط مکانی و زمانی مختلف، بهتر است نتایج به صورت بیبُعد ارزیابی شوند. رسم نتایج بیبُعد هزینۀ سوخت مصرفی و هزینۀ آلایندگی هوا برای 11 نقطۀ موجود بر روی جبهۀ پارتو در شکل (5) و شکل (6) آورده شده است. همانطور که مشخص است، برای انجام مصالحۀ یکسان مابین هر دو تابع هدف، میتوان نقطۀ شمارۀ 5 در فصل تابستان و نقطۀ شمارۀ 6 در فصل زمستان را انتخاب کرد (از محل تلاقی یا تقرب خطوط رسم شده). نقطۀ شمارۀ 5 در فصل تابستان، 23 درصد از کاهش هزینۀ سوخت مصرفی و 22 درصد از کاهش هزینۀ آلایندگی هوا نسبت به بیشینۀ مقدار هر کدام دارد. به عبارتی، هزینۀ سوخت بدون در نظر گرفتن هزینۀ آلایندگی میتواند به 60 درصد مقدار بیشینۀ آن کاهش یابد، ولی تصمیمگیرنده با انتخاب نقطۀ شمارۀ 5، ضمن پذیرش 17 درصد از افزایش هزینۀ سوخت، هزینۀ آلایندگی را 15 درصد کاهش میدهد. همچنین، نقطۀ شمارۀ 6 در زمستان 16 درصد کاهش هزینۀ سوخت مصرفی و 13 درصد کاهش هزینۀ آلایندگی هوا نسبت به بیشینۀ مقدار هر کدام دارد. به صورت مشابه، در زمستان نیز هزینۀ مصرف سوخت بدون در نظر گرفتن هزینۀ آلایندگی میتواند به 76 درصد مقدار بیشینۀ آن کاهش یابد، ولی تصمیمگیرنده با انتخاب نقطۀ شمارۀ 6، ضمن پذیرش 8 درصد از افزایش هزینۀ سوخت، هزینۀ آلایندگی را 13 درصد کاهش میدهد. نکتهای که موجب تمایز رفتار هاب انرژی در فصول تابستان و زمستان میشود، بارهای بزرگ سرمایشی در تابستان و بارهای بزرگ گرمایشی در زمستان است. با توجه به وجود هر دو نوع چیلر (تراکمی و جذبی) در هاب انرژی، سرمایش مورد نیاز میتواند از طریق مصرف توان الکتریکی یا گرمایی ایجاد شود. همین امر موجب میشود تا بتوان از طریق تولید همزمان در واحدهای CHP آلایندگی کمتری ایجاد کرد. در نتیجه، با در نظر گرفتن جرائم محیطزیستی برای انتشار آلایندهها در تابستان، مقدار هزینۀ بهرهبرداری از هاب انرژی کمتر از زمستان افزایش مییابد. در فصل زمستان نیز، با اینکه گرمایش مورد نیاز سیستم تهویه میتوانست از هر دو طریق فرایند CHP و بویلر تولید شود، نیاز داخلی کم به توان الکتریکی و محدودیت خط انتقال در فروش برق به شبکه باعث میشود تا تأمین گرمایش از طریق بویلر بسیار بیشتر از تابستان باشد. همین امر موجب کاهش بهرهوری انرژی و افزایش مصرف سوخت میشود که به تبع آن، آلایندگی نیز در زمستان افزایش مییابد. از این رو، تأثیر عامل آلایندگی هاب انرژی در زمستان قویتر از تابستان است. برای مقایسۀ نتایج این پژوهش با پژوهشهای مشابه میتوان از شکل بدون بُعد نتایج استفاده کرد. در مرجع [17]، برای حداکثر مقدار کاهش انتشار آلایندگی (3 درصد)، هزینۀ بهرهبرداری 32 درصد افزایش مییابد. در مرجع [37] نیز برای 33 درصد کاهش آلایندگی (حداکثر مقدار)، هزینۀ بهرهبرداری 51 درصد افزایش مییابد. در حالی که در پژوهش جاری، همانطور که در شکل (5) و شکل (6) نشان داده شده است، در تابستان برای کاهش 35 درصد آلایندگی (حداکثر مقدار)، نیاز به 40 درصد افزایش هزینۀ بهرهبرداری و در زمستان برای کاهش 27 درصد آلایندگی (حداکثر مقدار)، نیاز به 25 درصد افزایش هزینۀ بهرهبرداری است. همانطور که پیشتر اشاره شد، اتکای بیشتر به بویلر در فصل زمستان برای تأمین بارهای گرمایشی دلیل اختلاف رفتار هاب انرژی در این دو حالت است. با انتخاب نقطۀ شمارۀ 5 در فصل تابستان، هزینۀ مصرف سوخت 4194 دلار و هزینۀ آلایندگی محیطزیست 109 دلار است. همچنین، با انتخاب نقطۀ شمارۀ 6 در فصل زمستان، هزینۀ مصرف سوخت و هزینۀ آلایندگی هوا بهترتیب برابر8110 و 188 دلار است. همانطور که مشخص است، بارهای بزرگ گرمایشی مورد نیاز برای کارکرد سیستم تهویه در زمستان باعث افزایش هزینۀ سوخت نسبت به تابستان میشوند. با افزایش مصرف سوخت، مقدار آلایندههای بیشتری آزاد و به تبع، هزینۀ آلایندگی در یک روز زمستانی بیشتر از یک روز تابستانی شده است. در ادامه، نتایج مدیریت بارهای الکتریکی، گرمایشی و سرمایشی در فصول تابستان و زمستان برای سناریوی محتمل آمده است. شکل (5): منحنی بیبُعد هزینهها در جبهۀ بهینهسازی (تابستان) شکل (6): منحنی بیبُعد هزینهها در جبهۀ بهینهسازی (زمستان) شکل (7) نتیجۀ پخش بهینۀ بار الکتریکی در هاب انرژی را برای تابستان نشان میدهد. منابع انرژی تجدیدپذیر بخشی از نیاز هاب انرژی را تأمین میکنند. در ساعات ابتدایی روز که هزینۀ برق کم است، توربینها خاموش هستند و هاب انرژی از شبکۀ برق خریداری میکند. اما با افزایش قیمت برق، توربینها وارد مدار میشوند و هاب انرژی به شبکۀ برق میفروشد. همچنین، تغییرات بار الکتریکی مورد نیاز و جابهجاشده در تابستان در شکل (8) نشان داده شده است. شکل (7): پخش بهینۀ بار الکتریکی (تابستان) شکل (8): تغییرات بار الکتریکی مورد نیاز و جابهجاشده (تابستان) پخش بار بهینۀ هاب سرمایشی در تابستان در شکل (9) نشان داده شده است. در ساعات ابتدایی روز که قیمت برق کم است، چیلر الکتریکی عمدۀ بار سرمایشی مورد نیاز را تأمین میکند. با افزایش قیمت برق که توربینها هم وارد مدار میشوند، چیلر جذبی عمدۀ بار سرمایشی هاب را تأمین میکند. شکل (10) تغییرات بار سرمایشی مورد نیاز و جابهجاشده در تابستان را نشان میدهد. شکل (9): پخش بهینۀ بار سرمایشی (تابستان) شکل (10): تغییرات بار سرمایشی مورد نیاز و جابهجاشده (تابستان) شکل (11) پخش بار بهینۀ هاب گرمایشی را در تابستان نشان میدهد. در ساعات ابتدایی روز، انرژی حرارتی مورد نیاز برای آب گرم مصرفی، توسط بویلر و تخلیۀ انرژی از ذخیرهساز حرارتی تأمین میشود. با وارد مدار شدن توربینهای گاز، انرژی حرارتی مورد نیاز توسط CHP تأمین میشود. شکل (12) هم تغییرات بار گرمایشی مورد نیاز و جابهجاشده برای آب گرم در تابستان را نشان میدهد. شکل (11): پخش بهینۀ بار گرمایشی (تابستان) شکل (12): تغییرات بار گرمایشی مورد نیاز و جابهجاشده برای آب گرم (تابستان) نتیجۀ پخش بهینۀ بار الکتریکی در هاب انرژی برای زمستان در شکل (13) نشان داده شده است. بخشی از نیاز هاب انرژی توسط منابع انرژی تجدیدپذیر تأمین میشود. در ساعات ابتدایی روز (1-7) فقط یکی از توربینها در مدار است، و کمکم بقیۀ توربینها هم شروع به کار میکنند تا هم بار مصرفی را تأمین کنند و هم زمانی که قیمت برق زیاد است، به شبکه برق بفروشند. در ساعات انتهایی روز هم با کاهش بار، تعدادی از توربینها خاموش میشوند. ذخیرهساز الکتریکی نیز با تخلیه در ساعات مورد نیاز بخشی از انرژی الکتریکی مصرفی هاب انرژی را تأمین میکند. در سناریوی نشان داده شده، هاب انرژی خرید از شبکه ندارد. شکل (14) تغییرات بار الکتریکی مورد نیاز و جابهجاشده را در زمستان نشان میدهد. شکل (13): پخش بهینۀ بار الکتریکی (زمستان) شکل (14): تغییرات بار الکتریکی مورد نیاز و جابهجاشده (زمستان) پخش بار بهینۀ هاب گرمایشی برای فصل زمستان در شکل (15) نشان داده شده است. در اواسط روز که همۀ توربینها در مدار هستند، تأمین بار حرارتی مصرفی عمدتاً توسط CHP صورت میگیرد. اما در ساعات ابتدایی و انتهایی روز، بویلر نقش اساسی در تأمین بار حرارتی را دارد. تغییرات بار گرمایشی مورد نیاز و جابهجاشده در زمستان برای تهویه و آب گرم بهترتیب در شکل (16) و شکل (17) نشان داده شده است. شکل (15): پخش بهینۀ بار گرمایشی (زمستان) شکل (16): تغییرات بار گرمایشی مورد نیاز و جابهجاشده برای تهویه (زمستان) شکل (17): تغییرات بار گرمایشی مورد نیاز و جابهجاشده برای آب گرم (زمستان)
استفاده از سوختهای فسیلی برای تولید توان مورد نیاز جوامع منجر به رهاسازی گازهای آلایندۀ محیطزیست میشود که علاوه بر مخاطرات محیطزیستی، باعث افزایش دمای کرۀ زمین نیز میشود. استفاده از انرژیهای تجدیدپذیر برای تأمین بخشی از انرژی مصرفی و کاهش وابستگی به سوختهای فسیلی میتواند منجر به کاهش رهاسازی آلایندههای محیطزیست و توسعۀ پایدار شود. گسترش استفاده از تجهیزات مبتنی بر انرژیهای تجدیدپذیر و ذخیرهسازهای انرژی بر پیچیدگی بهرهبرداری از سیستمهای انرژی میافزاید. در این مقاله، چارچوبی جامع برای بهینهسازی چندهدفۀ عملکرد یک هاب انرژی چندحامله شامل توان الکتریکی، گرمایشی و سرمایشی، با در نظر گرفتن اهداف هزینۀ سوخت مصرفی و جبران آثار محیطزیستی ناشی از انتشار گازهای آلایندۀ هوا، ارائه شد. نوآوری این پژوهش در ترکیب این چهار مبحث است: (1) مدلسازی هاب انرژی با چند حامل انرژی (الکتریسیته، گرما، سرما)، (2) استفاده از روش احتمالاتی برای بررسی عدمقطعیتها در تولید تجدیدپذیر و بارهای مصرفی، و سپس انجام کاهش سناریو به روش قیود اپسیلون، (3) اجرای برنامۀ پاسخگویی به تقاضا در سمت مصرفکنندگان با استفاده از جابهجایی بارهای الکتریکی، گرمایشی و سرمایشی و (4) حل مسئله به صورت چندهدفه و دستیابی به جبهۀ پارتو بدون بُعد مابین متغیرهای هزینۀ بهرهبرداری و آلایندگی هوا. از محدودیتهای این پژوهش میتوان به عدم در نظر گرفتن هزینهها در طول عمر هاب انرژی و عدم تسری حاملهای انرژی به هیدروژن اشاره کرد. در این هاب انرژی، مدیریت تولید، تبدیل و مصرف حاملهای مختلف انرژی در حضور ذخیرهسازها و همچنین تولید انرژی تجدیدپذیر از طریق صفحات فتوولتائیک و نیروگاه بادی انجام شده است. در این مطالعه، به منظور در نظر گرفتن تأثیر عدم قطعیت در میزان تولید انرژی از طریق صفحات فتوولتائیک و توربین بادی، و همچنین عدم قطعیت در میزان بارهای مصرفی الکتریکی، گرمایشی و سرمایشی، از روش مونتکارلو برای تولید 1000 سناریوی مختلف استفاده شده است. سپس، برای کاهش بار محاسباتی، با اعمال روش کاهش سناریو، 10 سناریو به عنوان نماینده انتخاب شدهاند. مدلسازی و بهینهسازی توزیع بار بهینۀ این هاب انرژی برای 10 سناریو انجام شده است تا کمترین مقادیر برای توابع هدف هزینۀ سوخت مصرفی و هزینۀ جبران آثار محیطزیستی آلایندهها تعیین شوند. با توجه به اینکه توابع هدف انتخابشده در تضاد با هم هستند (کاهش یکی منجر به افزایش دیگری میشود و برعکس)، بهینهسازی چندهدفه در نرمافزار GAMS به روش جبهۀ پارتو انجام شده است. جبهۀ پارتو مابین هزینۀ سوخت مصرفی و هزینۀ جبران آثار انتشار آلایندههای هوا، با ارائۀ راهحلهای غیرغالب، بهترین دید را در زمینۀ تغییرات نسبی این دو پارامتر به تصمیمگیران میدهد که در حالت بدون بُعد، مستقل از نوسانات قیمت سوخت و تغییر جرائم محیطزیستی است. در این پژوهش، عملکرد بهینۀ هاب انرژی در دو فصل تابستان و زمستان در حالت مصالحۀ بیبُعد میان توابع هدف به دست آمده است. تصمیمگیرنده در فصل تابستان، میتواند ضمن پذیرش 17 درصد از افزایش هزینۀ سوخت، هزینۀ آلایندگی را 15 درصد کاهش دهد تا 23 درصد کاهش هزینۀ سوخت مصرفی و 22 درصد کاهش هزینۀ آلایندگی نسبت به بیشینۀ مقدار هر کدام رخ دهد. در فصل زمستان نیز، ضمن پذیرش 8 درصد از افزایش هزینۀ سوخت، هزینۀ آلایندگی را میتوان 13 درصد کاهش داد تا 16 درصد کاهش هزینۀ سوخت مصرفی و 13 درصد کاهش هزینۀ آلایندگی نسبت به بیشینۀ مقدار هر کدام حاصل شود. برنامهریزی و مدیریت هاب انرژی با در نظر گرفتن همزمان هزینههای بهرهبرداری و هزینههای انتشار آلایندهها، برای بهرهبرداران هاب انرژی این امکان را فراهم میکند تا ضمن استفادۀ بهینۀ اقتصادی از تمام منابع در دسترس، توازن مابین کاهش هزینههای تولید و افزایش جرائم محیطزیستی را نیز برقرار کنند. از طرفی، سیاستگذاران حوزۀ انرژی نیز، با استفاده از نتایج مدل ارائهشده، میتوانند با تدوین یا بازنگری پاداشها و جریمههای مربوط به انتشار آلایندهها، تعادل پایدار میان توسعۀ اقتصادی و حفاظت از محیطزیست را در بلندمدت حفظ کنند. برای مطالعات آتی، پیشنهاد میشود مدیریت تولید، ذخیرهسازی و مصرف آب به عنوان یکی از نیازهای هاب انرژی در مدل لحاظ شود و بهینهسازی یکپارچۀ آب و انرژی انجام شود. همچنین، در ادامۀ این پژوهش، میتوان عملکرد بهینۀ هاب انرژی را در طول عمر آن با در نظر گرفتن عواملی مانند هزینۀ سرمایهگذاری اولیه، نرخ بهره، عمر تجهیزات در فناوریهای مختلف، نرخهای متفاوت تخریب و آلایندگی تجهیزات مختلف تعیین کرد.
[1] تاریخ ارسال مقاله : 30/04/1404 تاریخ پذیرش مقاله : 12/07/1404 نام نویسنده مسئول : مریم موذن نشانی نویسنده مسئول: ایران، بناب، دانشگاه بناب، داانشکدۀ فنی و مهندسی
[i] Pareto front [ii] Probabilistic/Stochastic [iii] Robust [iv] Interval [v] Risk-averse [vi] Risk-taker | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| مراجع | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
[1] M. Saghafi, A. Hajiabdollahi Mamaghani, "Modeling the dispersion of pollutant gases from the chimney of the Tabriz thermal power plant with AERMOD software", Journal of Research in Environmental Health, Vol. 9, No. 4, 2024. https://doi.org/10.22038/jreh.2024.23859 [2] Y. Zhang, A. Han, S. Deng, X. Wang, H. Zhang, S. Hajat, ..., C. Huang, "The impact of fossil fuel combustion on children's health and the associated losses of human capital", Global Transitions, Vol. 5, 2023. https://doi.org/10.1016/j.glt.2023.07.001 [3] Afifa, K. Arshad, N. Hussain, M. H. Ashraf, M. Z. Saleem, "Air pollution and climate change as grand challenges to sustainability", Science of The Total Environment, Vol. 928, 2024. https://doi.org/10.1016/j.scitotenv.2024.172370 [4] L. Pan, X. Xu, J. Liu, W. Hu, "Adaptive robust scheduling of a hydro/photovoltaic/pumped-storage hybrid system in day-ahead electricity and hydrogen markets", Sustainable Cities and Society, Vol. 95, 2023. https://doi.org/10.1016/j.scs.2023.104571 [5] M. Li, F. Li, J. Qiu, H. Zhou, H. Wang, H. Lu, …, Zh. Song, "Multi-objective optimization of non-fossil energy structure in China towards the carbon peaking and carbon neutrality goals", Energy, Vol. 312, 2024. https://doi.org/10.1016/j.energy.2024.133643 [6] Z. Wei, Y. Geng, H. Tang, Y. Zhao, B. Lin, "Cost-effective sizing method of Vehicle-to-Building chargers and energy storage systems during the planning stage of smart micro-grid", eTransportation. 2024. https://doi.org/10.1016/j.etran.2024.100343 [7] H. Li, C. Zhang, B. Sun, "Optimal design and operation method of integrated energy system based on stochastic scenario iteration and energy storage attribute evaluation", Sustainable Cities and Society, Vol. 95, 2023. https://doi.org/10.1016/j.scs.2023.104585 [8] S. M. Tatar, H. Akulker, H. Sildir, E. Aydin, "Optimal design and operation of integrated microgrids under intermittent renewable energy sources coupled with green hydrogen and demand scenarios", International Journal of Hydrogen Energy, Vol. 47, No. 65, 2022. https://doi.org/10.1016/j.ijhydene.2022.06.130 [9] M. Kiani-Moghaddam, M. N. Soltani, S. A. Kalogirou, O. Mahian, A. Arabkoohsar, "A review of neighborhood level multi-carrier energy hubs—uncertainty and problem-solving process", Energy, Vol. 281, 2023. https://doi.org/10.1016/j.energy.2023.128263 [10] Y. Zhao, H. Yuan, Z. Zhang, Q. Gao, "Performance analysis and multi-objective optimization of the offshore renewable energy powered integrated energy supply system", Energy Conversion and Management, Vol. 304, 2024. https://doi.org/10.1016/j.enconman.2024.118232 [11] H. Yin, Y. Wang, G. Wu, Y. Liu, Y. Chen, J. Liu, "Distributed optimal operation of PV-storage-load micro-grid considering renewable and load uncertainties", Journal of Energy Storage, Vol. 86, 2024. https://doi.org/10.1016/j.est.2024.111168 [12] A. Dolatnia, P. Sarvari, B. K. Sarmadi, A. Baghramian, "An interval-based model for stochastic optimal scheduling of multi carrier energy hubs in the presence of multiple sources of uncertainty", Electric Power Systems Research, Vol. 242, 2025. https://doi.org/10.1016/j.epsr.2025.111447 [13] G. Lin, B. Qi, C. Ma, "Optimization of virtual energy hub with hybrid vehicles in power-transportation networks towards a low-carbon sustainable transition: A probabilistic regret adjustment", Sustainable Cities and Society, Vol. 120, 2025. https://doi.org/10.1016/j.scs.2025.106159 [14] G. Abdulnasser, E. E. M. Mohamed, M. F. Shaaban, A. Ali, "A multi-objective strategic planning of smart energy hubs and hydrogen refueling stations toward net-zero emissions", Sustainable Energy, Grids and Networks, Vol. 42, 2025. https://doi.org/10.1016/j.segan.2025.101690 [15] L. Zhang, T. Liu, C. Xu, J. Zhang, Y. Gao, X. C. Li, …, M. Mir, "A risk-averse cooperative framework for neighboring energy hubs under joint carbon, heat and electricity trading market with P2G and renewables", Renewable Energy, Vol. 250, 2025. https://doi.org/10.1016/j.renene.2025.123241 [16] H. Yousefi Khasraghi, T. R. Alsenani, "Robust energy and carbon trading model for interconnected energy hub centers in active distribution networks", Energy, Vol. 321, 2025. https://doi.org/10.1016/j.energy.2025.135303 [17] S. Ma, T. Li, J. Ni, J. Chen, J. Li, "Multi-objective modeling of price and pollution in large-scale energy hubs with load management", Engineering Applications of Artificial Intelligence, Vol. 137, 2024. https://doi.org/10.1016/j.engappai.2024.109162 [18] L. Yan, L. Lyu, Q. Niu, "Towards efficient energy hubs: Two-stage robust optimization with compressed air storage, electric vehicles and renewable energy integration", Journal of Energy Storage, Vol. 111, 2025. https://doi.org/10.1016/j.est.2025.115338 [19] H. Jokar, "Robust optimization for operational management of microgrids integrated with energy hubs and hydrogen refueling stations", International Journal of Hydrogen Energy, Vol. 135, 2025. https://doi.org/10.1016/j.ijhydene.2025.05.006 [20] J. Zhang, Z. Liu, "Low carbon economic scheduling model for a park integrated energy system considering integrated demand response, ladder-type carbon trading and fine utilization of hydrogen", Energy, Vol. 290, 2024. https://doi.org/10.1016/j.energy.2024.130311 [21] M. Moazen, M. Saghafi, "Investigating the environmental impacts of developing application of wind turbines and the need for the related policies", Quarterly Journal of Energy Policy and Planning Research, Vol. 9, No. 2, 2023. http://epprjournal.ir/article-1-1128-en.html [22] H. Fan, Q. Yuan, H. Cheng, "Multi-Objective Stochastic Optimal Operation of a Grid-Connected Microgrid Considering an Energy Storage System", Applied Sciences, Vol. 8, No. 12, 2018. https://doi.org/10.3390/app8122560 [23] A. Ghasemloo, A. Kazemi, M. Moeini-Aghtaie, "Developing an optimization framework for capacity planning of hydrogen-based residential energy hub", International Journal of Hydrogen Energy, Vol. 86, 2024. https://doi.org/10.1016/j.ijhydene.2024.08.378 [24] M. Moazen, M. Saghafi, "Performance optimization of an energy hub in the presence of a micro modular reactor and renewable energy sources", Nuclear Engineering and Design, Vol. 444, 2025. https://doi.org/10.1016/j.nucengdes.2025.114426 [25] K. Saberi-Beglar, K. Zare, H. Seyedi, M. Marzband, S. Nojavan, "Risk-embedded scheduling of a CCHP integrated with electric vehicle parking lot in a residential energy hub considering flexible thermal and electrical loads", Applied Energy, Vol. 329, 2023. https://doi.org/10.1016/j.apenergy.2022.120265 [26] A. Rezaee Jordehi, S. A. Mansouri, M. Tostado-Véliz, M. Safaraliev, S. M. Hakimi, M. Nasir, "A tri-level stochastic model for operational planning of microgrids with hydrogen refuelling station-integrated energy hubs", International Journal of Hydrogen Energy, Vol. 96, 2024. https://doi.org/10.1016/j.ijhydene.2024.11.401 [27] S. Kammammettu, Z. Li, "Scenario reduction and scenario tree generation for stochastic programming using Sinkhorn distance", Computers & Chemical Engineering, Vol. 170, 2023. https://doi.org/10.1016/j.compchemeng.2022.108122 [28] M. Shabanian-Poodeh, R. Hooshmand, "Reliability Evaluation of Integrated Power-Gas System in the Presence of Gas Storage Systems: A Machine Learning-Based Model", Computational Intelligence in Electrical Engineering, Vol. 15, No. 2, 2024. https://doi.org/10.22108/isee.2024.138564.1641 [29] M. Aryannezhad, A. Rastgou, S. Ghasemi, "Optimal Power Management and Energy Cost Saving for the Hybrid Microgrids under Uncertainties of Wind Speed and Solar Radiation Considering Demand Side Management (DSM)", Computational Intelligence in Electrical Engineering, Vol. 15, No. 3, 2024. https://doi.org/10.22108/isee.2023.134620.1576 [30] R. Darshi, S. Shamaghdari, A. Jalali, H. Arasteh, "Optimal Decentralized Energy Management of Electrical and Thermal Distributed Energy Resources and Loads in Microgrids Using Reinforcement Learning", Computational Intelligence in Electrical Engineering, Vol. 14, No. 3, 2023. https://doi.org/10.22108/isee.2022.133209.1556 [31] M. Haghshenas, R. Hooshmand, "Resilience-Oriented Power Distribution System Planning and Outage Management Based on Operational Situation Awareness", Computational Intelligence in Electrical Engineering, Vol. 16, No. 1, 2025. https://doi.org/10.22108/isee.2025.144861.1729 [32] A. Siroos, H. Samarghandi, "Modeling a realistic integrated energy hub with growing demand for electric vehicles: The case of the province of Ontario, Canada", Energy, 2025. https://doi.org/10.1016/j.energy.2025.134678 [33] M. Elsir, A. S. Al-Sumaiti, M. S. El Moursi, "Towards energy transition: A novel day-ahead operation scheduling strategy for demand response and hybrid energy storage systems in smart grid", Energy, Vol. 293, 2024. https://doi.org/10.1016/j.energy.2024.130623 [34] J. Lou, J. Wang, L. Chen, M. Wang, J. Xia, M. Islam, …, K. J. Chua, "Analysis of power load tracking and regulation performance in a distributed multi-energy coupled system with nuclear and solar sources", Energy, Vol. 307, 2024. https://doi.org/10.1016/j.energy.2024.132681 [35] S. Sadeghi, A. Ahmadian, A. Diabat, A. Elkamel, "Modeling energy management of an energy hub with hybrid energy storage systems for a smart island considering water–electricity nexus", International Journal of Hydrogen Energy, Vol. 71, 2024. https://doi.org/10.1016/j.ijhydene.2024.05.250 [36] J. Rahman, R. A. Jacob, J. Zhang, "Multi-timescale power system operations for electrolytic hydrogen generation in integrated nuclear-renewable energy systems", Applied Energy, Vol. 377, 2025. https://doi.org/10.1016/j.apenergy.2024.124346 [37] L. Fan, D. Ji, G. Lin, P. Lin, L. Liu, "Information gap-based multi-objective optimization of a virtual energy hub plant considering a developed demand response model", Energy, Vol. 276, 2023. https://doi.org/10.1016/j.energy.2023.127462 [38] A. Soroudi, "Power System Optimization Modeling in GAMS", Switzerland: Springer; 2017. https://doi.org/10.1007/978-3-319-62350-4 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
آمار تعداد مشاهده مقاله: 75 تعداد دریافت فایل اصل مقاله: 45 |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||