25937

مدل‌سازي و بهينه‌سازي سيستم‌هاي تجديد‌پذير هيبريدي خورشيدي و بادي

دكتري

مهندسي مكانيك/تبديل انرژي

1392

1400/08/29

دكتر سپهر صنايع

مهندسي مكانيك

سيستم‌هاي انرژي هيبريدي با بكارگيري از چند منبع انرژي، همچون منابع انرژي خورشيدي و بادي بطور همزمان، جهت تأمين بهتر بارهاي مصرفي و كاهش وابستگي انرژي توليد شده به شرايط محيطي و جوّي بكارگرفته‌شده‌اند. در اين رساله انتخاب بهينه ظرفيت تجهيزات سيستم انرژي هيبريدي و همچنين تعيين عملكرد هر بخش سيستم در تأمين انرژي ارائه ‌شده‌اند. براي اين منظور، بهينه‌سازي و مديريت انرژي سيستم هيبريدي متشكل از گردآورهاي حرارتي و فتوولتائيك، توربين بادي، باطري، مخزن آب‌گرم، آبگرمكن، سرماساز الكتريكي، آب‌شيرين‌كن اسمز معكوس و سيستم توليد همزمان حرارت و توان كه تأمين بارهاي الكتريكي، گرمايشي، سرمايشي و آب‌شيرين را برعهده دارند، بررسي شدند. سيستم انرژي مذكور براي استفاده چهار ساختمان مسكوني در جزيره نگين (نزديك به بندر بوشهر) مورد مطالعه قرار گرفت. استفاده از انرژي گرمايي مازاد بر بار مصرفي جهت گرم‌ نمودن آب ورودي به آب‌شيرين‌كن اسمز معكوس (كه سبب كاهش برق مصرفي آن مي‌شود) نيز در نظر گرفته شد. پس از مدل‌سازي تجهيزات، شيوه‌اي با بكارگيري از شبكه عصبي مصنوعي و همچنين الگوريتم بهينه‌ساز ازدحام ذرات براي بهينه‌سازي ظرفيت تجهيزات سيستم ارائه گشت. همچنين، جهت تعيين عملكرد تجهيزات در سيستم انرژي، روش جديدي مبتني بر الگوريتم يادگيري تقويتي براي مديريت انرژي سيستم توسعه داده‌ شد. در اين روش بر اساس وضعيت سيستم انرژي (ذخيره انرژي الكتريكي و حرارتي، بارهاي مصرفي و ميزان انرژي تجديد‌پذيري كه سيستم دريافت مي‌كند) تصميم مديريتي مناسب براي عملكرد تجهيزات سيستم انرژي اتخاذ شد. نتايج نشان دادند كه در روش مورد استفاده براي بهينه‌سازي تجهيزات سيستم، استفاده از شبكه عصبي سبب كاهش حدود 10% در زمان محاسبات گشته است. بهره‌ بردن از حرارت مازاد بر مصرف جهت گرم نمودن آب ورودي به آب‌شيرين‌كن، 95/4 درصد برق مصرفي سالانه براي اين منظور را كاهش داد. همچنين روش ارائه شده مديريت انرژي با روش‌هاي مرسوم مديريت انرژي مقايسه شد. مشاهده گرديد كه روش پيشنهادي نسبت به روش مديريت انرژي از طريق تعقيب بار 4/12% هزينه‌بهره‌برداري و 1/13% توليد CO2 را كاهش داده‌است و نسبت به روش مديريت انرژي با رويكرد شارژ كامل مخازن ذخيره 59/38% هزينه بهره‌برداري و 5/48% انتشار CO2 كمتري را به‌دنبال داشته‌است.

1400/11/05

Modeling and optimization of hybrid solar and wind renewable energy systems

11/20/2022 12:00:00 AM

Renewable energy sources such as solar and wind energies are dependent on environmental and weather conditions. Therefore, the simultaneous use of several energy sources in the form of a hybrid energy system can fulfill energy demands more efficiently and reliably. Sizing the system equipment and also specifying its operation, as the prerequisites for using an energy system, are addressed in this thesis. Thus, optimization and energy management of a hybrid energy system consisting of photovoltaic and thermal collectors, wind turbines, batteries, hot water storage tanks, a water heater, reverse osmosis desalination system (RO), electric chiller, and CHP units that provide electricity, heating, cooling, and freshwater demands, is considered. The mentioned energy system was studied for four residential buildings in Negin Island (near the port of Bushehr). The effect of using excess thermal energy for preheating the RO feedwater (which reduces its electricity consumption) is also investigated. In order to determine the system configuration, a technique was proposed to model and optimize the system equipment by employing an artificial neural network (ANN) and particle swarm optimization (PSO) algorithm. Besides, for determining the operation of the system equipment, a new method based on reinforcement learning was developed for system energy management. In this method, based on the state of the energy system (the stored electrical and thermal energies, the loads, and the amount of renewable energy that the system receives), an appropriate management decision is made for the operation of the equipment. Results showed that in optimizing the system equipment, the use of ANN reduced the run time by about 10%. The use of excess heat to warm the inlet water of RO reduced the annual electricity consumption of desalination by 4.95%. Moreover, the proposed method of energy management was compared with conventional methods of energy management. It was observed that the presented method reduces 12.4% the operational cost and 13.1% the CO2 production compared to the load following (LF) method and it has 38.59% less operational cost and 48.5% lower CO2 emissions compared to the energy management with full state of charge (FSC) approach.

سيستم انرژي هيبريدي , بهينه‌سازي تجهيزات , مديريت انرژي , الگوريتم يادگيري تقويتي , شبكه عصبي مصنوعي

Hybrid Energy System , Size Optimization , Energy Management , Reinforcement Learning Algorithm , Artificial Neural Network