مدل بهینه‌سازی سه‌سطحی برای سیستم‌های انرژی تجدیدپذیر ترکیبی: یک تحلیل جامع

1. مقدمه

ادغام منابع متنوع انرژی تجدیدپذیر در یک سیستم منسجم و کارآمد، یک چالش عمده در دنیای واقعی محسوب می‌شود. سیستم‌های انرژی تجدیدپذیر ترکیبی (HRES) که منابعی مانند فتوولتائیک خورشیدی (PV) را با سیستم‌های ذخیره‌سازی انرژی (ESS) ترکیب می‌کنند، برای تأمین انرژی پایدار و مطمئن حیاتی هستند. با این حال، بهینه‌سازی چنین سیستم‌هایی مستلزم متعادل‌سازی همزمان چندین هدف، که اغلب در تضاد با یکدیگرند، است. این مقاله یک مدل ریاضی سه‌سطحی را معرفی می‌کند که به‌طور خاص برای HRES طراحی شده است. هدف اصلی ارائه یک چارچوب ساختاریافته است که بتواند به‌طور همزمان به سه سطح حیاتی تصمیم‌گیری بپردازد: بیشینه‌سازی کارایی فتوولتائیک خورشیدی، بهبود عملکرد ESS و حداقل‌سازی انتشار گازهای گلخانه‌ای (GHG). این رویکرد فراتر از بهینه‌سازی تک‌هدفی رفته و وابستگی‌های متقابل پیچیده درون شبکه‌های انرژی مدرن را در بر می‌گیرد.

2. چارچوب مدل سه‌سطحی

مدل پیشنهادی، مسئله بهینه‌سازی HRES را در سه سطح سلسله‌مراتبی ساختار می‌دهد که هر سطح اهداف و محدودیت‌های متمایزی دارد و خروجی آن به سطح بعدی وارد می‌شود.

3. جزئیات فنی و فرمول‌بندی ریاضی

مدل سه‌سطحی را می‌توان به‌عنوان یک مسئله بهینه‌سازی تو در تو فرمول‌بندی کرد. فرض کنید $x_1$ متغیرهای تصمیم برای سیستم فتوولتائیک خورشیدی (مانند ظرفیت، جهت‌گیری)، $x_2$ برای ESS (مانند ظرفیت، برنامه توزیع) و $x_3$ پارامترهای سطح سیستم مؤثر بر انتشارات باشند.

سطح ۳ (سطح بالایی - حداقل‌سازی انتشارات):

$\min_{x_3} \, F_{GHG}(x_1^*, x_2^*, x_3)$

مشروط به محدودیت‌های سطح سیستم (مانند بودجه کل هزینه، کاربری زمین).

که در آن $x_1^*$ و $x_2^*$ جواب‌های بهینه از سطوح پایین‌تر هستند.

سطح ۲ (سطح میانی - بهینه‌سازی ESS):

$\max_{x_2} \, F_{ESS}(x_1^*, x_2)$

مشروط به دینامیک ذخیره‌سازی: $SOC_{t+1} = SOC_t + \eta_{ch} \cdot P_{ch,t} - \frac{P_{dis,t}}{\eta_{dis}}$، که در آن $SOC$ حالت شارژ، $\eta$ راندمان و $P$ توان است.

سطح ۱ (سطح پایینی - بهینه‌سازی PV):

$\max_{x_1} \, F_{PV}(x_1) = \sum_{t} P_{PV,t}(x_1, G_t, T_t)$

که در آن $P_{PV,t}$ توان خروجی در زمان $t$ است که تابعی از تابش خورشیدی $G_t$ و دما $T_t$ می‌باشد.

4. نتایج آزمایشی و توصیف نمودار

اگرچه بخش ارائه‌شده PDF حاوی نتایج عددی خاصی نیست، اعتبارسنجی آزمایشی معمول چنین مدلی شامل شبیه‌سازی‌هایی است که HRES بهینه‌شده سه‌سطحی را در برابر یک خط پایه بهینه‌سازی تک‌سطحی یا دو سطحی متعارف مقایسه می‌کند.

توصیف فرضی نمودار: یک نتیجه کلیدی احتمالاً به‌صورت یک نمودار چندخطی ارائه می‌شود. محور x نشان‌دهنده زمان (مثلاً طی ۲۴ ساعت یا یک سال) خواهد بود. چندین محور y می‌توانند نشان‌دهنده موارد زیر باشند: ۱) تولید فتوولتائیک خورشیدی (کیلووات)، ۲) حالت شارژ ESS (درصد)، ۳) واردات/صادرات توان شبکه (کیلووات)، و ۴) انتشار تجمعی گازهای گلخانه‌ای (کیلوگرم معادل CO2). نمودار نشان می‌دهد که چگونه مدل سه‌سطحی با موفقیت بار را جابجا می‌کند، باتری را در ساعات اوج خورشیدی شارژ می‌کند، در زمان اوج تقاضای عصر دشارژ می‌کند و وابستگی به شبکه را به حداقل می‌رساند که منجر به پروفیل انتشارات به‌طور قابل‌توجهی پایین‌تر و هموارتر در مقایسه با یک سیستم بهینه‌نشده یا تک‌بهینه می‌شود. یک نمودار میله‌ای که انتشارات سالانه کل گازهای گلخانه‌ای، هزینه سیستم و نرخ بهره‌برداری از انرژی خورشیدی را در رویکردهای بهینه‌سازی مختلف مقایسه می‌کند، به‌طور بیشتر بر کارایی برتر پارتو مدل سه‌سطحی تأکید می‌کند.

5. چارچوب تحلیل: مطالعه موردی نمونه

سناریو: یک ساختمان تجاری متوسط‌اندازه در پی کاهش هزینه‌های انرژی و ردپای کربن خود است.

کاربرد چارچوب:

1. ورودی داده: جمع‌آوری داده‌های تاریخی بار ساعتی یک ساله، داده‌های محلی تابش/دمای خورشیدی، تعرفه برق (شامل نرخ‌های زمان‌مصرف) و شدت کربن شبکه.
2. تحلیل سطح ۱: با استفاده از نرم‌افزارهایی مانند PVsyst یا SAM، مدل‌سازی اندازه‌ها و پیکربندی‌های مختلف سیستم PV. تعیین راه‌اندازی بهینه که بیشترین بازده سالانه را با توجه به محدودیت‌های فضای پشت‌بام فراهم می‌کند.
3. تحلیل سطح ۲: وارد کردن پروفیل تولید بهینه PV به یک مدل ESS (مثلاً با استفاده از پایتون و کتابخانه‌هایی مانند Pyomo). بهینه‌سازی اندازه باتری و یک برنامه توزیع ۲۴ ساعته برای بیشینه‌سازی آربیتراژ (خرید ارزان، فروش گران) و مصرف خودی، با در نظر گرفتن محدودیت‌های چرخه عمر باتری.
4. تحلیل سطح ۳: محاسبه انتشارات گازهای گلخانه‌ای چرخه عمر برای سیستم پیشنهادی PV+ESS (با استفاده از پایگاه‌های داده‌ای مانند Ecoinvent). مقایسه با سناریوی معمول کسب‌وکار (شبکه تنها) و یک سناریوی ساده PV تنها. مدل سه‌سطحی پیکربندی‌ای را شناسایی می‌کند که در آن افزودن ذخیره‌سازی بیشترین کاهش انتشار را به ازای هر دلار سرمایه‌گذاری فراهم می‌کند، که ممکن است با پیکربندی‌ای که صرفاً بازده مالی را بیشینه می‌کند یکسان نباشد.

6. بینش کلیدی و دیدگاه تحلیلگر

بینش کلیدی: ارزش بنیادی مقاله صرفاً ارائه یک الگوریتم بهینه‌سازی دیگر نیست؛ بلکه یک نوآوری ساختاری است. این مدل به‌طور رسمی اهداف درهم‌تنیده سنتی طراحی HRES را به یک آبشار تصمیم‌گیری سلسله‌مراتبی تفکیک می‌کند. این امر فرآیندهای تصمیم‌گیری مهندسی و سرمایه‌گذاری دنیای واقعی (انتخاب فناوری -> تنظیم عملیاتی -> انطباق با سیاست) را بازتاب می‌دهد و مدل را برای ذینفعان نسبت به یک بهینه‌ساز چندهدفی جعبه‌سیاه، قابل‌درک‌تر و عملی‌تر می‌سازد.

جریان منطقی: منطق مدل مستدل و عمل‌گرایانه است. شما نمی‌توانید ذخیره‌سازی را بهینه کنید اگر پروفیل تولید خود را ندانید، و نمی‌توانید ادعای مزایای زیست‌محیطی کنید بدون آنکه تعامل کامل سیستم را مدل کنید. ساختار سه‌سطحی این رابطه علّی را الزامی می‌کند. با این حال، بخش ارائه‌شده مقاله به شدت بر استناد به یک کتاب‌شناسی گسترده ([1]-[108]) برای ایجاد بافت تکیه دارد که اگرچه دقت علمی را نشان می‌دهد، اما خطر تحت‌الشعاع قرار دادن هسته نوآورانه کار را دارد. آزمون واقعی در فرمول‌بندی خاص محدودیت‌ها و متغیرهای اتصال بین سطوح نهفته است، جزئیاتی که در چکیده ارائه نشده است.

نقاط قوت و ضعف:
نقاط قوت: چارچوب بسیار انعطاف‌پذیر است. اهداف در هر سطح را می‌توان بر اساس اولویت‌های پروژه جایگزین کرد (مثلاً سطح ۱ می‌تواند به جای بیشینه‌سازی کارایی، LCOE را کمینه کند). این چارچوب به‌طور طبیعی دیدگاه‌های مختلف ذینفعان (تأمین‌کننده فناوری، اپراتور سیستم، تنظیم‌گر) را در بر می‌گیرد.
نقطه ضعف بحرانی: فیل در اتاق، قابلیت محاسباتی است. مسائل بهینه‌سازی تو در تو به‌طور بدنامی حلشان دشوار است و اغلب نیازمند الگوریتم‌های تکراری یا بازفرمول‌بندی به مسائل تک‌سطحی با استفاده از تکنیک‌هایی مانند شرایط کاروش-کوهن-تاکر (KKT) هستند که می‌توانند پیچیده و تقریبی باشند. موفقیت مقاله به روش حل پیشنهادی آن بستگی دارد که در اینجا به تفصیل شرح داده نشده است. بدون یک حل‌کننده کارآمد، مدل صرفاً یک سازه نظری باقی می‌ماند. علاوه بر این، مدل فرض می‌کند پیش‌بینی کامل منبع خورشیدی و بار وجود دارد که در مقایسه با واقعیت تصادفی که توسط چارچوب‌های پیشرفته‌تری مانند آنهایی که از فرآیندهای تصمیم‌گیری مارکوف استفاده می‌کنند (همان‌طور که در کاربردهای یادگیری تقویتی پیشرفته برای مدیریت انرژی دیده می‌شود) ساده‌سازی قابل‌توجهی است.

بینش‌های عملی: برای متخصصان، این مقاله یک نقشه راه قانع‌کننده برای طراحی سیستم است. اقدام ۱: از این تفکر سه‌سطحی به‌عنوان یک چک‌لیست برای الزامات پروژه HRES خود استفاده کنید. قبل از اجرای هر نرم‌افزاری، اهداف سطح ۱، ۲ و ۳ خود را به‌طور صریح تعریف کنید. اقدام ۲: هنگام ارزیابی پیشنهادات فروشندگان، بپرسید که پیشنهاد آن‌ها کدام سطح از بهینه‌سازی را پوشش می‌دهد. بسیاری تنها بر سطح ۱ (بازده PV) یا سطح ۲ (آربیتراژ باتری) تمرکز می‌کنند و تأثیر یکپارچه سطح ۳ (انتشارات) را نادیده می‌گیرند. اقدام ۳: برای محققان، شکافی که باید پر شود، توسعه روش‌های ابتکاری یا فراابتکاری (مانند الگوریتم NSGA-II که معمولاً در بهینه‌سازی چندهدفی استفاده می‌شود) قوی و سریع است که به‌طور خاص برای حل کارآمد این ساختار سه‌سطحی تحت شرایط عدم قطعیت طراحی شده باشند و پلی بین فرمول‌بندی ظریف و پیاده‌سازی عملی ایجاد کنند.

7. چشم‌انداز کاربرد و جهت‌گیری‌های آینده

مدل سه‌سطحی پتانسیل قابل‌توجهی فراتر از کاربرد میکروگرید مستقل ارائه‌شده دارد.

• ادغام در مقیاس شبکه: این چارچوب را می‌توان برای بهینه‌سازی سبدی از دارایی‌های تجدیدپذیر و ذخیره‌سازی در مقیاس شبکه (مانند باتری‌های جریانی، پمپاژ آبی) برای اپراتورهای سیستم انتقال مقیاس‌بندی کرد که مستقیماً به اهداف پایداری شبکه و کربن‌زدایی کمک می‌کند.
• تولید هیدروژن سبز: سطح ۱ می‌تواند یک مزرعه ترکیبی باد-خورشیدی را بهینه کند، سطح ۲ می‌تواند یک بافر ذخیره‌سازی اختصاصی را مدیریت کند و سطح ۳ می‌تواند شدت کربن هیدروژن تولیدشده توسط الکترولایزرها را کمینه کند که یک چالش حیاتی برای اقتصاد هیدروژن سبز است.
• مراکز شارژ وسایل نقلیه الکتریکی (EV): ادغام تقاضای شارژ EV به‌عنوان یک بار پویا. سطح ۱ منابع تجدیدپذیر محلی را بهینه می‌کند، سطح ۲ ذخیره‌سازی ثابت و قابلیت‌های وسیله به شبکه (V2G) از EVهای متصل را مدیریت می‌کند و سطح ۳ ردپای کربن کل تحرک را به حداقل می‌رساند.
• جهت‌گیری‌های تحقیقاتی آینده: فوری‌ترین جهت، گنجاندن عدم قطعیت (بهینه‌سازی تصادفی) برای تولید خورشیدی، بار و قیمت‌های انرژی است. دوم، ادغام یادگیری ماشین برای پیش‌بینی و مدل‌سازی جایگزین می‌تواند زمان محاسباتی را به شدت کاهش دهد. در نهایت، گسترش به یک مدل چهارسطحی که سطح چهارمی را برای تحلیل استهلاک دارایی بلندمدت و برنامه‌ریزی جایگزینی در بر می‌گیرد، تحلیل چرخه عمر را بهبود می‌بخشد.

8. مراجع

1. Hosseini, E. (سال). مدل سه‌سطحی برای سیستم‌های انرژی تجدیدپذیر ترکیبی. نام مجله، جلد(شماره)، صفحات. (منبع PDF)
2. Deb, K., Pratap, A., Agarwal, S., & Meyarivan, T. (2002). یک الگوریتم ژنتیک چندهدفی سریع و نخبه‌گرا: NSGA-II. IEEE Transactions on Evolutionary Computation, 6(2), 182-197.
3. آژانس بین‌المللی انرژی (IEA). (2023). انرژی‌های تجدیدپذیر 2023. بازیابی شده از https://www.iea.org/reports/renewables-2023
4. آزمایشگاه ملی انرژی تجدیدپذیر (NREL). (2023). مدل مشاور سیستم (SAM). https://sam.nrel.gov/
5. Zhu, J., et al. (2017). یک مدل بهینه‌سازی چندهدفی برای برنامه‌ریزی تولید و ذخیره‌سازی انرژی تجدیدپذیر. Applied Energy, 200, 45-56.
6. F. R. de Almeida, et al. (2022). بهینه‌سازی تصادفی برای سیستم‌های انرژی تجدیدپذیر ترکیبی: یک مرور. Renewable and Sustainable Energy Reviews, 168, 112842.
7. W. G. J. H. M. van Sark, et al. (2020). انرژی خورشیدی فتوولتائیک: از مبانی تا کاربردها. Wiley.