Районные тепловые сети образуют основу эффективного городского теплоснабжения, обеспечивая тепловую энергию из централизованных источников для жилых, коммерческих и промышленных потребителей. Поскольку города стремятся сократить выбросы углерода и затраты на энергию, оптимизация этих сетей становится императивной. Целостное программирование (IP) выделяется как мощная математическая структура, способная решать сложные, дискретные проблемы принятия решений, присущие проектированию, расширению и эксплуатации систем централизованного отопления. Ограничивая переменные целыми значениями, IP позволяет инженерам моделировать реальные варианты - такие как размер трубопровода для установки или какая установка для запуска - и определять решения, которые минимизируют стоимость, максимизируют эффективность и удовлетворяют спрос при нескольких ограничениях. В этой статье рассматриваются основы целочисленного программирования, его подробное применение в оптимизации централизованного отопления, преимущества, которые оно обеспечивает, вычислительные проблемы, связанные с и перспективные будущие направления.

Понимание целочисленного программирования

Целое программирование — это отрасль математической оптимизации, где некоторые или все переменные решения ограничены только целыми значениями. Во многих реальных задачах решения по своей сути дискретны: нельзя установить половину насоса, построить трубопровод с дробным диаметром или запустить котел на 1,5 единицы вывода. Эти дискретные варианты естественным образом представлены целочисленными переменными, а в сочетании с линейными ограничениями и объективной функцией полученная модель называется целочисленной линейной программой (ILP). Общим вариантом является смешанная целочисленная линейная программа (MILP), где только подмножество переменных является целым, в то время как другие остаются непрерывными.

Отличительной особенностью IP является его способность моделировать решения «да/нет» с использованием двоичных переменных (0 или 1) и подсчитываемых величин с общими целочисленными переменными. Например, решение о создании нового источника тепла в месте кандидата является двоичным; количество единиц генерации тепла, размещенных в этом месте, является общим целым числом. Цель обычно стремится минимизировать общую стоимость (капитал, эксплуатация и обслуживание) при удовлетворении спроса, соблюдении ограничений мощности и удовлетворении физических законов, таких как ограничения давления и температуры. Поскольку целочисленные проблемы являются NP-трудными (недетерминированные полиномиальные временные ограничения), решение их до оптимальности для крупномасштабных сетей может быть вычислительно интенсивным, но современные решатели и алгоритмические достижения сделали их тяготеющими для многих практических случаев.

Целые модели программирования для сетей централизованного отопления

Оптимизация сети централизованного теплоснабжения через IP предполагает построение математической модели, которая фиксирует основные решения, ограничения и цели.Модель обычно строится вокруг трех основных компонентов: переменных решений, ограничений и целевой функции.

Переменные решения

В оптимизации централизованного теплоснабжения переменные решения делятся на несколько категорий:

  • Бинарные переменные для дискретных вариантов: строить ли сегмент трубопровода по конкретному маршруту, эксплуатировать ли конкретный блок производства тепла в течение данного часа или устанавливать резервуар для хранения в определенном месте.
  • Целые переменные для подсчитываемых величин: количество идентичных котлов или тепловых насосов, размещенных на подстанции, количество трубных ветвей в траншее или целое число турбин на комбинированной теплоэнергетической (ТЭЦ) установке.
  • Непрерывные переменные для величин, которые могут непрерывно изменяться: скорость массового потока, температуры, тепловые нагрузки, показатели расхода топлива и падения давления.

Ограничения

Ограничения в модели ИС гарантируют, что решение уважает физические, эксплуатационные и финансовые ограничения.

  • Энергетический баланс: на каждом узле сумма подаваемого тепла (из производственных единиц и входящих труб) минус извлеченное тепло (по спросу и потерям) должна равняться нулю.
  • Пределы пропускной способности : каждый производственный блок имеет минимальную и максимальную тепловую мощность; трубопроводы имеют максимальную пропускную способность на основе диаметра и падения давления.
  • Температурные ограничения: температура подачи и возврата должна оставаться в пределах диапазонов проектирования для обеспечения теплового комфорта и предотвращения конденсации или кипения.
  • Логические ограничения: если трубопровод не построен (двоичная переменная = 0), то поток через него должен быть равен нулю; если установлен источник тепла, его пропускная способность должна быть ненулевой.
  • Бюджетные ограничения: общий объем капитальных вложений не может превышать заданную сумму.
  • Ограничения работы : минимальное время работы генерирующих устройств, предельные значения рампы и скорость зарядки/разрядки хранилища.

Объективная функция

Функция цели определяет, что должно быть оптимизировано. Типичные цели включают:

  • Минимизировать совокупные годовые затраты: сумма основных капитальных затрат (трубопроводы, установки, хранение) и переменные эксплуатационные расходы (топливо, электричество для насосов, техническое обслуживание).
  • Минимизировать потребление первичной энергии или выбросы углекислого газа.
  • Максимальная эффективность системы (например, отношение подаваемого тепла к вводу топлива).
  • Многообъективная оптимизация: часто обрабатывается путем преобразования в одну цель с помощью взвешенных сумм или с помощью методов ограничения эпсилон для генерации фронтов Парето.

Ключевые области применения в районном отоплении

Целое программирование применяется на нескольких этапах разработки систем централизованного отопления - от первоначального проектирования до работы в режиме реального времени. Ниже мы подробно расскажем о трех важных вариантах использования.

Сетевой дизайн и расширение

Проектирование новой сети централизованного отопления или расширение существующей включает в себя выбор маршрутов трубопроводов, диаметров и местоположений и размеров источников тепла. Это классическая проблема проектирования сети, часто моделируемая как вариант дерева Штайнера в теории графов. Цель состоит в том, чтобы подключить все узлы спроса к одному или нескольким узлам питания при минимальной общей стоимости (установка труб плюс потери тепла). Целые переменные представляют решения для построения сегментов трубопровода и установки компонентов; непрерывные переменные обрабатывают потоки и температуры. Ограничения гарантируют, что падения давления находятся в приемлемых пределах и что температуры остаются выше порога у самого дальнего клиента. Многие исследования успешно применили MILP к этой проблеме, включив подробные функции стоимости труб, а также формулы потерь тепла. Исследования по проектированию сети централизованного отопления показывают, что IP может дать решения на 10-30% дешевле, чем эвристические подходы, гарантируя оптимальность (в пределах допуска).

Операция Оптимизация

После того, как инфраструктура будет создана, ежедневная работа системы централизованного отопления должна удовлетворять изменяющимся во времени потребностям в тепле при минимизации затрат на топливо и электроэнергию. Это задача по целочисленным решениям для запуска / остановки блока и непрерывным решениям для уровней выпуска. Например, установка ТЭЦ может быть отключена в течение часов с низким спросом, а для покрытия оставшейся нагрузки могут быть отправлены только котлы или тепловые насосы. Решения по хранению (хранилище тепловой энергии) добавляют еще один слой: двоичные решения о состояниях зарядки / разрядки и целочисленные решения о количестве активированных единиц хранения. Формулировка MILP может включать в себя предельные значения, минимальные простои и зависящие от температуры окружающей среды эффективности. Реальные реализации показали, что оптимальное планирование может снизить эксплуатационные расходы на 5-15% по сравнению со стратегиями, основанными на правилах. Датский город Копенгаген, например, использует оптимизацию на основе MILP для отправки своей большой сети ТЭЦ и тепловых насосов, достигая значительной экономии и снижения выбросов.

Долгосрочное планирование расширения потенциала

Планирование будущего роста включает в себя решение о том, когда и где добавить новые производственные мощности, модернизировать трубопроводы или интегрировать возобновляемые источники энергии, такие как солнечные тепловые или крупномасштабные тепловые насосы. Это многопериодический MILP, где бинарные переменные представляют инвестиционные решения в каждый период времени, целочисленные переменные количество единиц и непрерывные переменные мощности. Ограничения должны гарантировать, что общая мощность соответствует прогнозируемому росту спроса при соблюдении доступности земли и нормативных ограничений. Цель обычно сводит к минимуму чистую приведенную стоимость общих инвестиций и эксплуатационных расходов в течение 20-30 лет. Такие модели помогают коммунальным предприятиям сравнивать альтернативы, такие как строительство новой электростанции на биомассе CHP по сравнению с установкой массивного теплового насоса, работающего на оффшорном ветре, в условиях неопределенности в отношении цен на топливо, налогов на углерод и моделей спроса. ] Целые модели программирования для расширения мощности хорошо установлены в энергетических системах и были адаптированы специально для централизованного отопления.

Преимущества целочисленного программирования при отоплении районов

Принятие Интегрального программирования для оптимизации централизованного теплоснабжения дает ощутимые преимущества:

  • Оптимальные или почти оптимальные решения — IP-методы могут найти доказуемо оптимальные решения (или решения в пределах небольшого разрыва оптимальности) для многих практических размеров сети, что-то, основанное на правилах, эвристика не может гарантировать.
  • Руководство дискретными реальностями — Моделируя двоичные и целые решения, IP избегает нереалистичных дробных решений, которые были бы бесполезны для фактической реализации.
  • Анализ сценариев (FLT:0) — лица, принимающие решения, могут систематически оценивать влияние различных предположений (например, более высокий налог на выбросы углерода, более низкая цена на электроэнергию, более строгие ограничения выбросов) путем повторного использования модели IP с измененными параметрами.
  • Интегрированное планирование (FLT:0) — IP позволяет одновременно оптимизировать взаимозависимые решения — расположение сети, выбор технологий и работу — что приводит к лучшим решениям в глобальном масштабе, чем последовательные подходы.
  • Экологические выгоды — Минимизация потребления топлива или выбросов напрямую поддерживает целевые показатели устойчивости. Коммунальные службы могут количественно оценить компромисс между стоимостью и сокращением выбросов CO2 с использованием многообъективных формулировок IP.

Вычислительные задачи и решения

Несмотря на свою мощность, интегральное программирование сталкивается с препятствиями при применении к крупным сетям централизованного теплоснабжения. Число бинарных переменных растет с количеством сегментов трубопровода, мест расположения установок-кандидатов и периодов времени, что приводит к комбинаторному взрыву. Сеть с 200 потенциальными сегментами труб и 50 временными шагами может включать десятки тысяч бинарных переменных, что делает проблему трудноразрешимой для наивных ветвей и связанных.

Чтобы преодолеть это, современные решатели используют передовые методы:

  • Предрешить — уменьшает модель, устраняя избыточные ограничения и фиксируя переменные.
  • Сокращение плоскостей — добавляет допустимые неравенства для ужесточения релаксации линейного программирования.
  • Эвристика — быстро находит хорошие осуществимые решения, улучшающие верхнюю границу.
  • Декомпозиция — разбивает проблему на более мелкие, более сцепляемые подзадачи (например, декомпозиция Бендеров для проектирования и эксплуатации сети или декомпозиция Данцига-Вольф для многопериодных моделей).

Коммерческие решатели, такие как CPLEX и Gurobi, широко используются для микросхем централизованного отопления из-за их высокой производительности и способности обрабатывать десятки тысяч переменных. Альтернативы с открытым исходным кодом, такие как SCIP и COIN-OR (CBC), также доступны, хотя они могут быть медленнее на очень больших экземплярах. Для оперативной оптимизации в режиме реального времени (например, почасовое планирование), модель должна быть решена в течение нескольких минут, что часто требует уменьшения размера проблемы путем агрегирования некритических деталей или использования подходов к прокатке горизонта.

Будущие направления и новые тенденции

Интеграция интегрального программирования с другими парадигмами оптимизации и методами, основанными на данных, открывает новые горизонты для оптимизации централизованного отопления.

Машинное обучение: улучшенный IP

Машинное обучение может помочь IP, предсказывая значения параметров (например, спрос на тепло, возобновляемая генерация) с большей точностью, преобразуя их в надежные формулы ограничений. Кроме того, нейронные сети могут изучать эвристические стратегии ветвления для ускорения ветвлений и связанных решателей, сокращая время решения для крупных MILP. Исследователи также изучают использование изученных суррогатных моделей для замены вычислительно дорогостоящих физических симуляций в цикле IP.

Стохастическая и надежная оптимизация

Системы централизованного теплоснабжения сталкиваются со значительной неопределенностью в связи с метеоустойчивым спросом на тепло, переменными ценами на электроэнергию и прерывистыми возобновляемыми источниками. Стохастическое интегральное программирование расширяет детерминированную структуру ИС, включая в себя несколько сценариев, позволяя принимать решения для учета будущей неопределенности. Надежная оптимизация ищет решения, которые возможны при наихудшем случае реализации неопределенных параметров. Оба подхода были применены к расширению и эксплуатации мощностей, с растущим вниманием, поскольку возобновляемые источники энергии проникают в районные энергетические системы.

Интеграция с географическими информационными системами (ГИС)

Объединение IP-решателей с данными ГИС позволяет автоматизировать генерацию потенциальных трубопроводных маршрутов на основе уличных карт, землепользования и препятствий. Это снижает ручное моделирование и позволяет городским планировщикам быстро исследовать многочисленные сценарии роста. Несколько исследовательских прототипов теперь связывают инструменты ГИС с открытым исходным кодом с решателями MILP для планирования централизованного отопления.

Многоэнергетическая оптимизация систем

Районные тепловые сети все чаще взаимодействуют с электрическими сетями, газовыми сетями и даже с районным охлаждением. Модели IP расширяются для охвата многовекторных энергетических систем, где дискретные решения в одной сети влияют на другие. Например, работа ТЭЦ определяет как производство тепла, так и электроэнергии, объединяя два рынка. Модели MILP могут захватить эти синергии и помочь проектировать интегрированные системы, которые максимизируют общую эффективность и гибкость.

Реальное время и модельный прогнозный контроль

Достижения в области вычислительной техники и сенсорной технологии позволяют использовать основанный на MILP Model Predictive Control (MPC) для работы в режиме реального времени. В этой структуре IP-модель решается неоднократно (например, каждые 15 минут) на горизонте в несколько часов, используя современные измерения. Дискретные решения (например, запуск блока) фиксируются после каждого шага времени, позволяя системе быстро реагировать на изменения, все еще оптимизируясь на более длинном горизонте. Этот подход был продемонстрирован в пилотных проектах и, как ожидается, станет стандартом в интеллектуальных тепловых сетях.

Заключение

Интегрированное программирование обеспечивает строгую, гибкую и проверенную математическую основу для оптимизации сетей централизованного теплоснабжения. Захватывая дискретный характер проектных и эксплуатационных решений, IP позволяет инженерам и планировщикам находить экономически эффективные, эффективные и устойчивые решения, которые отвечают сложным ограничениям. От проектирования сетевой планировки до приверженности единицам в режиме реального времени спектр приложений широк и растет. В то время как вычислительные проблемы остаются, достижения в технологии решателей, методы разложения и интеграция с машинным обучением обещают расширить охват IP до еще более крупных и динамичных систем. По мере того, как города во всем мире поворачиваются к декарбонизированным энергетическим системам, комплексное программирование будет оставаться незаменимым инструментом для создания следующего поколения эффективной инфраструктуры централизованного теплоснабжения.