Automated Optimization-Based Synthesis of Distributed Energy Supply Systems (Paperback)

Der konzeptionelle Entwurf dezentraler Energieversorgungssysteme stellt ein komplexes Problem dar, das durch eine unüberschaubare Vielfalt möglicher Kombinationen der verschiedenen Versorgungsanlagen inklusive deren Auslegung und Betrieb charakterisiert ist. In der Regel führen Ingenieure zur Lösung dieses Problems Variantenvergleiche mittels Simulationsstudien durch. Dieser Ansatz erfordert allerdings die explizite Vorgabe aller zu bewertenden Alternativen, wodurch praktisch nur eine geringe Anzahl an Versorgungskonzepten untersucht werden kann. Insbesondere kann nicht garantiert werden, dass die optimale Lösung identifiziert wird. Der Einsatz mathematischer Optimierungsmethoden ermöglicht hingegen die Berücksichtigung einer unbegrenzten Anzahl von Varianten, um vorurteilsfrei das optimale Energieversorgungssystem zu identifizieren. Für den optimierungsbasierten Entwurf von Energieversorgungssystemen wird ¨ublicherweise die Methodik der Superstruktur-Optimierung eingesetzt. Diese Methodik ermöglicht die Bestimmung der optimalen Versorgungsstruktur inklusive Dimensionierung und Betrieb der installierten Anlagen. Allerdings muss eine Superstruktur vorgegeben werden, die alle denkbaren Lösungsstrukturen enthält. Dieser Schritt stellt wiederum ein komplexes Problem dar: Zum Einen kann nicht gewährleistet werden, dass die Superstruktur die optimale Lösung enthält. Zum Anderen ist die Optimierung einer unnötig großen Superstruktur mit nicht vertretbarem Rechenaufwand verbunden. In der Literatur ist derzeit keine Methode verfügbar, die in geeigneter Weise den Entwurf dezentraler Energieversorgungssysteme ohne Vorgabe einer Superstruktur erm öglicht. In der vorliegenden Arbeit werden zwei neue Methoden für den optimierungsbasierten Entwurf dezentraler Energieversorgungssysteme vorgestellt, die den Entwurfsprozess automatisieren, um die Vorgabe einer Superstruktur durch den Nutzer zu vermeiden. Es handelt sich um eine superstrukturbasierte und eine superstrukturfreie Methodik. Die superstrukturbasierte Methodik wendet einen Algorithmus zur automatischen Superstruktur-Generierung an. Die zu Grunde liegende Optimierungsstrategie erhöht ausgehend von einer minimalen Superstruktur sukzessive die Zahl der in der Superstruktur vorgesehenen Anlagen, bis eine erneute Optimierung keine bessere Lösung mehr identifiziert – also die optimale Lösung gefunden ist. Für den superstrukturfreien Ansatz wird ein wissensintegrierter Evolutionärer Algorithmus eingesetzt, der mittels Ersetzungsregeln Teile einer L¨osung gegen alternative Teilstrukturen ersetzt, um so neue Lösungen zu generieren, die anschließend hinsichtlich der Anlagendimensionierung und des Anlagenbetriebs optimiert werden. Zur automatischen Definition der Ersetzungsregeln werden alle betrachteten Versorgungstechnologien in einem hierarchisch strukturierten Graphen, der sogenannten Energy Conversion Hierarchy, hinsichtlich ihrer Funktionen klassifiziert. Beide Methoden beruhen auf einer generischen, komponentenbasierten Modellierung, die den Einsatz beliebiger Modellformulierungen ermöglicht. In der vorliegenden Arbeit wird quasistation¨ares Systemverhalten angenommen und eine robuste gemischt ganzzahlige lineare (MILP) Formulierung gew¨ahlt. Die MILP Formulierung ber¨ucksichtigt eine kontinuierliche Anlagendimensionierung, Größenabhängigkeit der Investitionskosten sowie die Betriebscharakteristika der Versorgungstechnologien. Der optimierungsbasierte Entwurf mittels der neu entwickelten Methoden wird anhand eines Beispiels der Pharmaindustrie demonstriert. Das betrachtete Unternehmen besitzt zeitlich variable Energiebedarfe, die auf dem Produktionsstandort verteilt vorliegen. Als Zielfunktion zur Optimierung wird der Kapitalwert maximiert. Der optimierungsbasierte Entwurf führt zu einer kostengünstigen und energieeffizienten Lösung, die die bestehende Infrastruktur, d.h. bereits installierte Anlagen sowie bauliche Einschränkungen, berücksichtigt. Zusätzlich werden nahoptimale Lösungsalternativen und Pareto-optimale Kompromisslösungen generiert. Die nahoptimalen Lösungsalternativen unterscheiden sich zwar hinsichtlich der installierten Anlagen, besitzen aber praktisch gleich gute Kapitalwerte. Die Pareto-optimalen Lösungen stellen die besten Kompromissl¨osungen einer zweikriteriellen Optimierung dar, die als Ziel die gleichzeitige Minimierung der Investitionen und des kumulierten Energieaufwands verfolgt. Abschließend werden die generierten L¨osungen hinsichtlich weiterer Randbedingungen diskutiert, die während der Optimierung vernachlässigt wurden oder die sich im Laufe der Zeit ändern könnten. Somit wird der Entscheider in die Lage versetzt, die für den jeweiligen Anwendungsfall am besten geeignete Lösung auszuwählen. Das reale Fallbeispiel zeigt, dass die entwickelten Methoden einen automatisierten Entwurf optimaler Energieversorgungssysteme ermöglichen und somit entscheidend zur Akzeptanz von Optimierungswerkzeugen in der Praxis beitragen können.