بهینه سازی تولید همزمان گرما و برق با ذخیره سازی گرما بر اساس روش پنجره زمانی لغزان
چکیده
الگوی بهینه سازی همزمان برق و گرما (CHP) با ذخیره سازی گرما برای کمینه سازی هزینه تولید و بیشینه سازی درآمد از فروش برق بر اساس روش پنجره زمانی لغزان ارائه شده است. این الگو می تواند برای ذخیر سازی گرما به طور بهینه و همچنین پشتیبانی از برنامه ریزی سرمایه گذاری برای ذخیره سازی جدید به کار رود. تقاضای گرما بر اساس پیش بینی وضع هوا پیش بینی می شود. هر روز تقاضای گرما و پیش بینی قیمت برق به عنوان ورودی به مدل کلی بهینه سازی CHP برای پنجره زمانی چند روزه داده می شوند تا برنامه ریزی عملیات ذخیر سازی گرما به دست آید. سپس تنها اولین روز برنامه با قیمت واقعی برق و تقاضای گرما با استفاده از مدل بهینه سازی تک روزه پیاده سازی می شود تا میزان واقعی تولید، هزینه های سوخت و درآمد از فروش برق محاسبه شود. پس از آن، پنجره زمانی یک روز به جلو لغزانده می شود و فرآیند اشاره شده در بالا تکرار می شود. در راه اندازی های آزمایشی، پیش-بینی ها برای قیمت برق و دما با ایجاد اغتشاش در اطلاعات واقعی (تاریخی) از طریق فرآیند وینر (گردش تصادفی) شبیه سازی می شوند. به منظور ارزیابی مزایا و تایید اعتبار روش ارائه شده، نتایج با حالت بدون ذخیره-سازی و حالت بهینه ی نظری با فرض پیش بینی کامل تقاضا و قیمت مقایسه می شوند. نتایج نشان می دهند که درآمد حاصل از فروش برق می تواند به طور قابل توجهی بهتر شود. این روش برای ارزیابی مزایای مخازن با اندازه-های مختلف برای سیستم CHP به کار می رود. همچنین اثر عرض پنجره های زمانی بر عملکرد این روش ارزیابی می شود. این مدل با استفاده از داده های تقاضای گرمای واقعی برای شهر اسپو در فنلاند و داده های بازار معاملات نقدی نوردپول برای قیمت برق در افق زمانی یک سال آزمایش شده است. نتایج نشان می دهند که با در نظر گرفتن عدم قطعیت پیش بینی، روش پنجره زمانی لغزان 5 روزه می تواند به 90 درصد صرفه جویی هزینه ممکن به صورت نظری دست یابد که می تواند بر اساس پیش بینی های کامل به دست آید.
1. مقدمه
تولید همزمان گرما و برق (CHP) یک فناوری پررونق است که با بازیابی گرمایی که در تولید متراکم معمول قدرت الکتریکی به هدر می رود، به طور همزمان گرما و برق را تولید می کند. از سال 2007 شورای اروپایی برای مقابله با تغییرات آب و هوایی جدی و مسائل مرتبط با انرژی هدف گذاری کرده است. به طور جزئی: 20% کاهش انتشار دی اکسیدکربن در مقایسه با سال 1990؛ 20% بهبود در راندمان انرژی؛ 20% مشارکت منابع انرژی تجدیدپذیر در مصرف نهایی، که اهداف 20-20-20 نامیده می شود، باید تا سال 2020 حاصل شود [1]. CHP یک فناوری پایدار و اقتصادی برای رسیدن به اهداف اشاره شده در بالا در نظر گرفته می شود زیرا دارای عملکرد قابل توجهی در کاهش تقاضای سوخت، کاهش گازهای گلخانه ای و استقلال از سوخت فسیلی است [2]. برای مثال، کارخانه های CHP که با زیست توده کار می کنند، با داشتن راندمان های مناسب سیستم، هزینه های سوخت، محرک ها، کاربرد انرژی حرارتی و غیره، از نظر فنی و اقتصادی برای کاهش انتشار کربن سودمند هستند. برای CHP مقیاس کوچک، واحدهای میکرو-CHP برای جایگزینی مولدهای بخار مرسوم در تاسیسات خانگی در نظر گرفته می شوند. تولید همزمان الکتریسیته با تولید گرما مزایای اقتصادی برای کاربر را در پی دارد. همچنین مصرف سوخت فسیلی و انتشار دی اکسیدکربن به طور موثری کاهش می یابند. این عملکردهای مناسب برای میکرو-CHP در [3،4] ارزیابی شده اند.
6. بحث و نتیجه گیری
روش پنجره زمانی لغزان را برای برنامه ریزی تولید CHP و عملیات ذخیره سازی گرما معرفی کردیم. این روش را با استفاده از داده های تقاضای گرما برای شهر اسپو و اطلاعات قیمت برق از نوردپول نشان دادیم. این روش برای استفاده از پیش بینی های غیر قطعی برای تقاضای گرما و قیمت برق طراحی شده است. در اجراهای آزمایشی، با استفاده از پنجره زمانی 5 روزه، روش ما به 90% صرفه جویی ممکن نظری دست می یابد که می تواند بر اساس پیش بینی های کامل حاصل شود. با این وجود این صرفه جویی ها به چگونگی تقاضای گرمای غیرهماهنگ و منحنی-های قیمت برق و همچنین به دقت پیش بینی ها بستگی دارند. در این مطالعه پیش بینی ها با ایجاد اغتشاش در داده های واقعی با فرآیند وینر شبیه سازی شدند. هنگام اعمال این روش در حالت واقعی، پیش بینی های واقعی باید به کار روند.
Abstract
A combined heat and power (CHP) optimization model with heat storage is proposed to minimize the production cost and to maximize the revenue from power sales based on a sliding time window method. The model can be applied both for operating heat storage optimally and supporting investment planning for a new storage. Heat demand is forecasted based on a weather forecast. Each day the heat demand and power price forecasts are input to a generic CHP optimization model for a several-day time window to obtain a heat storage operation plan. Then only the first day of the plan is implemented with actual power price and heat demand using a single-day optimization model to compute the actual production amount, fuel costs and revenue from power sales. After that, the time window is slid one day forward, and the above-mentioned process is repeated. In the test runs, forecasts for power price and temperature are simulated by disturbing actual (historical) data by the Wiener process (random walk). To evaluate the benefit and validate the proposed method, the results are compared with the no-storage case and the theoretical optimum assuming perfect demand and price forecasts. The results show that the revenue from power sales can be significantly improved. The method is used to evaluate the benefit of different sized storages for the CHP system. Also the effect of the width of the time windows on the performance of the method is evaluated. The model was tested using real-life heat demand data for the city of Espoo in Finland, and NordPool spot market data for power price for a one year time horizon. The results indicate that considering the forecasting uncertainty, 5-day sliding time window method can obtain 90% of the theoretically possible cost savings that can be derived based on perfect forecasts.
1. Introduction
Combined heat and power (CHP) is a booming technology which simultaneously produces heat and power by recovering heat that would otherwise be wasted in conventional condensing generation of electric power. Since 2007, the European Council has targeted to tackle several serious climate change and energy related issues. In details: 20% CO2 emissions reduction comparing to 1990; 20% improvement in energy efficiency; 20% share of renewable energy sources in the end-use, which is called 20–20–20 goals, should be acquired by 2020 [1]. CHP is considered a sustainable and economic technology to fulfill those abovementioned goals for its significant performance in fuel demand reduction, greenhouse gas reduction and fossil fuel independency [2]. For instance, biomass-fired CHP plants are technically and economically advantageous for carbon emission reduction given the proper system efficiencies, fuel costs, incentives, thermal energy usage, etc. For small scale CHP, Micro-CHP units are considered to replace conventional boilers in home installations. The production of electricity simultaneously with the generation of heat yields an economic benefit for the user. Also, the fossil fuel consumption and CO2-emissions are effectively lowered. These good performances for micro-CHP are evaluated in [3,4] .
6. Discussions and conclusions
We have introduced the sliding time window method for planning CHP production and heat storage operation. We have demonstrated the method using heat demand data for the city of Espoo and power price information from NordPool. The method is designed to use uncertain forecasts for heat demand and power price. In the test runs, using a 5-day time window, our method obtained 90% of the theoretically possible savings that can be derived based on perfect forecasts. However, the savings depend on how non-coincident the heat demand and power price curves are, and also on the accuracy of the forecasts. In this study the forecasts were simulated by disturbing actual data by the Wiener process. When applying the method in real life, real forecasts should be applied.
چکیده
1. مقدمه
2. روش ها
2.1. مدل CHP
2.2. روش پنجره زمانی لغزان
2.3. شبیه سازی پیش بینی ها
2.4. ارزیابی و اعتباربخشی این روش
3. نتایج محاسبات
4. اثر عرض پنجره زمانی و اندازه مخزن بر هزینه بهینه
4.1. هزینه بهینه عملیاتی شبکه به عنوان تابعی از عرض پنجره زمانی لغزان
4.2. هزینه عملیات شبکه بهینه به عنوان تابعی از اندازه مخزن
5. اثر اندازه مخزن بر راندمان کلی انرژی
6. بحث و نتیجه گیری
Abstract
1. Introduction
2. Methods
2.1. The CHP model
2.2. Sliding time window method
2.3. Simulation of forecasts
2.4. Evaluation and validation of the method
3. Computational results
4. The effect of width of the time window and the storage size on the optimal cost
4.1. The optimal net operating cost as a function of the width of the sliding time window
4.2. The optimal net operating cost as a function of the storage size
5. The effect of the storage size on the overall energy efficiency
6. Discussions and conclusions
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه