Оптимизация размещения возобновляемых источников энергии в «умных» городах с использованием многообъективных методов

По мере того, как городское население набухает и климатические императивы усиливаются, города обращаются к сложным технологическим структурам, чтобы переосмыслить свою энергетическую инфраструктуру. Концепция «умного города» превратилась из футуристического идеала в современную необходимость, особенно в области управления энергией. Центральным в этой трансформации является интеграция возобновляемых источников энергии - солнечной, ветровой, геотермальной и биомассы. Однако простое принятие возобновляемых источников энергии является недостаточным; их стратегическое размещение в городской ткани имеет первостепенное значение. Неэффективное размещение может привести к низкой производительности, нестабильности сети и потраченному впустую капиталу. Именно здесь становятся необходимыми многообъективные методы оптимизации, предлагая структурированную методологию для навигации по сложным компромиссам между воздействием на окружающую среду, экономическими затратами, выходом энергии и социальным равенством. В этой статье исследуется нюансы оптимизации размещения возобновляемых источников энергии в умных городах, рассматривая ключевые препятствия, математические и алгоритмические инструменты, используемые для их преодоления, и ощутимые преимущества многообъективного подхода.

Энергетическая парадигма умного города

Умные города определяются использованием информационных и коммуникационных технологий (ИКТ) для повышения операционной эффективности и обмена информацией с общественностью. В энергетической сфере это означает интеллектуальные сети, реагирование на спрос в реальном времени и распределенную генерацию. Возобновляемые источники энергии составляют основу города с низким уровнем выбросов углерода, но их прерывистая природа и пространственная изменчивость требуют тщательного планирования. Солнечная батарея, расположенная в тени аллеи, будет отставать, в то время как ветряная турбина, расположенная вблизи высоких зданий, может страдать от усталости, вызванной турбулентностью. Поэтому оптимизация не просто полезна — она необходима. Цель состоит в максимизации уравновешенной стоимости энергии (LCOE) , снижении выбросов парниковых газов и обеспечении энергетической устойчивости для критически важных городских услуг. Этот сдвиг парадигмы требует перехода от одноцелевого (например, самая низкая стоимость) мышления к многогранной перспективе, которая учитывает различные заинтересованные стороны в городе: жители, коммунальные службы, предприятия и экологические регуляторы.

Основные проблемы в области городского возобновляемого размещения

Размещение возобновляемых источников энергии в умном городе экспоненциально сложнее, чем размещение их в сельских или изолированных регионах. Городская среда вводит несколько взаимосвязанных ограничений, которые должны быть смоделированы одновременно.

Переменная ресурсная база и микроклиматы

Городские районы создают различные микроклиматы. Здания отбрасывают тени, которые меняются в течение дня, уменьшая солнечное излучение для панелей на крыше. И наоборот, эффекты тепловых островов могут немного повысить фотоэлектрическую эффективность в некоторых условиях. Ветровые модели нарушаются эффектами пробуждения, требующими детального вычислительной динамики жидкости (CFD) моделирования для размещения турбин. Геотермальный потенциал зависит от подземной инфраструктуры, такой как туннели метро и захороненные коммунальные услуги. Точное моделирование этих градиентов ресурсов является задачей, требующей больших данных. GIS (Geographic Information Systems) и LiDAR обследования.

Близость к центрам спроса

В идеале производство возобновляемой энергии должно быть расположено вблизи точек потребления, чтобы минимизировать потери от передачи и уменьшить нагрузку на сеть. В умном городе это означает размещение солнечных панелей вблизи коммерческих районов с высоким дневным спросом или размещение небольших ветряных турбин вблизи промышленных зон, которые работают круглосуточно. Компромисс: элитная недвижимость вблизи центров спроса является дорогостоящей и часто предназначена для других целей (жилье, парки). Многоцелевая оптимизация должна обрабатывать конкуренцию между территориальным землепользованием .

Экологические и эстетические ограничения

Города уже плотно связаны с инфраструктурой. Добавление возобновляемых установок может вступать в конфликт с экологическими коридорами, историческими достопримечательностями и эстетикой жилых помещений. Солнечные фермы на открытой земле могут посягать на городские зеленые насаждения, которые обеспечивают рекреационные и биологические преимущества. Ветровые турбины вводят шум и визуальное воздействие, что может вызвать противодействие сообщества. Оценки воздействия на окружающую среду (ОВОС) должны быть сложены в модели оптимизации в качестве ограничений или вторичных целей.

Интеграция и хранение сетки

Даже при оптимальном размещении возобновляемых источников энергии, прерывистость солнечной и ветровой энергии создает проблемы для стабильности сети. Умные города используют системы хранения энергии (ESS) — батареи, гидро- или тепловое хранение — для сглаживания колебаний. Размещение этих активов хранения само по себе является подзадачей: они должны быть размещены с генерацией или на стратегических узлах сети. Многообъективные методы могут одновременно оптимизировать генерацию и хранение, чтобы минимизировать сокращение и обеспечить качество мощности .

Экономические и финансовые соображения

Стоимость земли, разрешения, строительства и обслуживания резко варьируется в разных городах. Стимульные программы (налоговые кредиты, льготные тарифы) также могут создавать пространственную неоднородность. Комплексная оптимизация должна включать чистую приведенную стоимость (NPV) , период окупаемости и внутреннюю норму доходности (IRR) в качестве объективных функций. Эти экономические показатели часто противоречат экологическим или социальным целям, создавая классический компромисс, который предназначены для обработки многообъективными методами.

Многоцелевая оптимизация: рамки для компромиссов

Традиционная оптимизация фокусируется на одной цели (например, минимизации затрат). Но размещение возобновляемых источников энергии включает в себя по крайней мере три конкурирующие цели: минимизация затрат, максимизация выработки энергии и минимизация воздействия на окружающую среду. Многообъективная оптимизация (MOO) решает эту проблему, создавая набор Парето-оптимальные решения — сценарио, где никакая цель не может быть улучшена без ухудшения другой.

Математическая формулировка задачи многообъективного размещения может быть выражена как минимизация (или максимизация) вектора объективных функций, подверженных ограничениям. Для городских возобновляемых мест размещения общие цели включают:

  • Минимизируйте общую уравновешенную стоимость энергии (LCOE) на всех установках.
  • Максимизируйте годовую выработку энергии (кВтч) из портфеля.
  • Минимизировать выбросы CO2 и других загрязнителей.
  • Минимизируйте воздействие на землепользование (например, площадь используемых земельных участков).
  • Максимальная устойчивость сети (например, минимизация уязвимости к перебоям).

Ключевые многообъективные алгоритмы, применяемые к городским возобновляемым источникам энергии

Несколько вычислительных методов были адаптированы к проблеме размещения возобновляемых источников энергии в городах. Каждый из них имеет сильные стороны в решении различных типов ограничений и поисковых пространств.

Генетические алгоритмы (GAs)

Вдохновленные естественным отбором, GA развивают популяцию решений размещения кандидатов в течение последовательных поколений. Они особенно эффективны для проблем с дискретными или комбинаторными решениями (например, какие крыши выбрать для солнечных панелей). Широко используется многообъективный генетический алгоритм (MOGA) , такой как NGA-II (Non-dominated Sorting Genetic Algorithm II] . Он поддерживает разнообразие в фронте Парето и может обрабатывать сотни потенциальных участков с нелинейными целями. Например, исследование может использовать NSGA-II для размещения 50 небольших ветряных турбин по всему городу, балансируя выход энергии, шумовые ограничения и визуальное воздействие. IEEE документы на NSGA-II в возобновляемом планировании обеспечивают надежную проверку этого подхода.

Оптимизация теплоты частиц (PSO)

PSO имитирует социальное поведение птиц, стекающихся. Каждая «частица» представляет собой решение-кандидат и перемещается через пространство поиска под влиянием своего собственного наиболее известного положения и наиболее известного положения роя. Многообъективная PSO (MOPSO) часто быстрее, чем GA для непрерывных переменных (например, оптимальный угол наклона солнечных панелей) и может быть интегрирована с нечеткой логикой для динамических целей веса. В городских условиях MOPSO использовалась для оптимизации сочетания и местоположения солнечных фотоэлектрических и аккумуляторных батарей в городском районе, достигая почти оптимальных решений в меньшем количестве итераций, чем GA.

Многокритериальный анализ решений (MCDA)

Методы MCDA, такие как Аналитический процесс иерархии (AHP), TOPSIS и PROMETHEE, используются, когда человеческие предпочтения и качественные факторы (например, принятие заинтересованными сторонами, эстетическая ценность) должны быть включены. Эти методы позволяют планировщикам присваивать вес целям, основанным на приоритетах политики. Например, город может использовать AHP для решения, что воздействие на окружающую среду в два раза важнее стоимости. Затем взвешенные оценки используются для ранжирования сайтов-кандидатов. MCDA часто сочетается с ГИС для создания карт пригодности для солнечных, ветровых или геотермальных установок. NREL ГИС данные и инструменты обеспечивают базовые слои ресурсов, которые питаются в рамках MCDA.

Имитируемое отжиг (SA) и гибридные подходы

Моделируемое отжиг имитирует процесс отжиг в металлургии. Он сходится к глобальному оптимуму, позволяя случайным «вверху» двигаться на ранней стадии и постепенно уменьшая вероятность принятия. В то время как менее распространенный как автономный многообъективный метод, SA часто гибридизуется с GAs или MCDA для уточнения фронтов Парето. Например, многообъективная симулированная отжиг (MOSA) фреймворк может исследовать конфигурации размещения для тепловой сети соседнего масштаба, оптимизируя генерацию тепла от солнечных тепловых массивов и тепловых насосов грунтовых вод.

Практические преимущества многообъективного подхода

Принятие методов MOO для размещения в возобновляемых источниках дает несколько конкретных преимуществ, которые непосредственно поддерживают цели умного города.

  • Сбалансированное распределение ресурсов: Вместо того, чтобы максимизировать один показатель (например, наименьшую стоимость), нанося вред другому (например, уничтожая зеленые насаждения), MOO обеспечивает сбалансированный портфель.
  • Повышение устойчивости: При рассмотрении нескольких сценариев размещения планировщики могут идентифицировать конфигурации, которые уменьшают зависимость от точки одного поколения, повышая надежность сети от экстремальных погодных явлений или кибератак.
  • Экономия средств в течение жизненного цикла проекта: Избегание неправильных решений о размещении (например, размещение солнечных панелей в сильно затененных районах) предотвращает неисправность и снижает затраты на техническое обслуживание. Фронт Парето позволяет лицам, принимающим решения, видеть предельную стоимость дополнительной экологической выгоды, что позволяет эффективно компромиссы.
  • Принятие сообщества: Многообъективные модели могут включать показатели социальной справедливости, такие как обеспечение того, чтобы недобросовестные районы получали справедливую долю возобновляемых установок и связанные с ними экономические выгоды (создание рабочих мест, снижение счетов за электроэнергию).
  • Масштабируемость и воспроизводимость: Алгоритмические рамки являются модульными и управляемыми данными.Как только город разрабатывает свою модель, он может быть легко обновлен новыми данными о ресурсах или изменениями политики, что делает его вечнозеленым инструментом планирования.

Тематические исследования и реальные приложения

Несколько муниципалитетов, которые уже разработали многоцелевую оптимизацию для использования возобновляемых источников энергии, уже дали ценные уроки.

Солнечный PV Rooftop Placement в Барселоне

Инициатива Барселоны «Солнечная карта» использовала многокритериальный подход ГИС, сочетающий данные LiDAR о строительных крышах, моделях солнечного излучения и структурных ограничениях.Цели включали максимизацию годовой генерации кВтч, минимизацию затрат на установку (благоприятствуя более крупным, беспрепятственным крышам) и сохранение исторической эстетики района. Результатом был ранжированный набор крыш зданий; город тогда стимулировал установки на верхних 10% ранжированных крыш, достигнув 40% увеличения солнечной генерации по сравнению с исходным уровнем случайного размещения. Рамочная программа MOO была позже расширена, чтобы включить размещение аккумуляторов в сотрудничестве с местной коммунальной службой.

Гибридные ветро-солнечные микросети в Сингапуре

Сингапур, плотный город-государство, исследовал гибридные возобновляемые микросети для морских островов и новых районов. Исследователи использовали алгоритм NSGA-II для оптимизации местоположения небольших ветровых турбин и плавучих солнечных панелей, балансируя цели энергетической самодостаточности, стоимости и визуального воздействия от береговой линии. Фронт Парето предложил несколько жизнеспособных конфигураций; выбранное решение разместило ветряные турбины на менее посещаемом северо-восточном побережье и солнечную энергию на двух водохранилищах, достигнув 60% проникновения возобновляемых источников с минимальным вторжением в ландшафт. Проект Сингапура демонстрирует, что даже в городах с ограниченным пространством, MOO может идентифицировать возможные пути с высоким уровнем возобновляемых источников энергии. Статьи по оптимизации возобновляемых и устойчивых источников энергии в плотных городских районах обеспечивают дальнейший контекст.

Будущие направления и интеграция с системами «умного города»

Следующий рубеж включает в себя динамическую оптимизацию в реальном времени. Поскольку умные города развертывают датчики IoT — измерение скорости ветра, солнечного излучения и спроса на энергию с гранулированными интервалами — модели оптимизации могут стать адаптивными. Будущие алгоритмы будут не только определять, где размещать ресурсы, но и управлять ими в реальном времени, переключая генерацию и отправку хранения в ответ на изменяющиеся условия. Цифровые двойники городской энергетической системы позволят планировщикам имитировать влияние новых установок до выхода на волю. Машинное обучение (ML) может улучшить многообъективные решатели, прогнозируя доступность ресурсов и модели спроса с более высокой точностью, уменьшая зависимость от статических исторических данных.

Еще одна новая тенденция - интеграция показателей справедливости в оптимизацию. Исторически, размещение возобновляемых источников энергии благоприятствовало богатым областям с более высоким потенциалом установки. Многообъективные рамки могут явно включать цели, которые минимизируют энергетическое бремя (процент дохода, потраченного на энергию) во всех районах, гарантируя, что преимущества умного города распределяются справедливо. Этот фокус «просто перехода» набирает обороты в политических кругах и является естественным расширением философии оптимизации Парето.

Заключение

Оптимизация размещения возобновляемых источников энергии в умных городах - это не простая инженерная проблема - это сложная социально-техническая задача, которая требует балансирования затрат, эффективности, окружающей среды и справедливости. Традиционные однообъективные подходы больше не соответствуют многогранным потребностям современного городского планирования. Многообъективные методы оптимизации, от генетических алгоритмов и оптимизации роя частиц до анализа решений с несколькими критериями, обеспечивают строгую и прозрачную основу для навигации по этим компромиссам. Создавая портфель оптимальных решений Pareto, эти инструменты позволяют градостроителям, коммунальным предприятиям и сообществам принимать обоснованные, защитимые решения, которые соответствуют их уникальным приоритетам. Поскольку умные города продолжают развиваться, принятие многообъективных методов будет иметь решающее значение для достижения действительно устойчивого, жизнеспособного и справедливого энергетического будущего - будущего, где каждая солнечная панель, ветряная турбина и тепловой насос размещены не только там, где они могут функционировать, но и где они могут процветать в гармонии с городом и его жителями.