Optimization of Integrated Energy System Resilience

Мұқаба

Дәйексөз келтіру

Толық мәтін

Аннотация

Currently, the development of approaches that enhance the resilience of integrated energy systems is a highly relevant research direction. Such approaches are based on the structural and parametric optimization of integrated energy systems. Typically, these approaches are closely tied to a specific spatio-temporal scope and a particular optimization method. The application of developed approaches at other scopes often leads to a significant increase in computation time and a possible reduction of solution accuracy. This problem is due to the complexity of energy system optimization models and the differences between them. To solve this problem, we have developed a methodology for selecting the most suitable methods for the design of system resilience at a given spatio-temporal scope. The proposed methodology is based on testing methods within a specialized testbed and a multi-criteria analysis of test results. The indicators for evaluating the methods include both summary metrics of resilience and efficiency parameters of computational resources. The benefits of the proposed methodology are illustrated for the resilient design with respect to national and local integrated energy systems. Several dozen methods from the well-known Parallel Global Multiobjective Optimizer library were efficiently tested in up to 10 hours. The analysis of the testing results was performed with different multi-criteria algorithms regarding the prioritization of the indicators.

Авторлар туралы

I. Bychkov

IDSTU SB RAS

Email: idstu@icc.ru
Lermontova St. 134

A. Feoktistov

IDSTU SB RAS

Email: agf@icc.ru
Lermontova St. 134

M. Voskoboinikov

IDSTU SB RAS

Email: mikev1988@icc.ru
Lermontova St. 134

A. Edelev

ESI SB RAS

Email: flower@isem.irk.ru
Lermontova St. 130

N. Beresneva

ESI SB RAS

Email: beresneva@isem.irk.ru
Lermontova St. 130

O. Edeleva

ESI SB RAS

Email: edel@isem.irk.ru
Lermontova St. 130

Әдебиет тізімі

  1. Wu D., Zheng X., Xu Y., Olsen, D., Xia, B., Singh, C., Xie, L.: An open-source extendable model and corrective measure assessment of the 2021 Texas power outage. Advances in Applied Energy. 2021. vol. 4. pp. 100056. doi: 10.1016/j.adapen.2021.100056.
  2. Kemabonta T. Grid Resilience analysis and planning of electric power systems: The case of the 2021 Texas electricity crises caused by winter storm Uri (# TexasFreeze). The Electricity Journal. 2021. vol. 34(10). pp. 107044. doi: 10.1016/j.tej.2021.107044.
  3. Mancarella P. MES (multi-energy systems): An overview of concepts and evaluation models. Energy. 2014. vol. 65. pp. 1–17. doi: 10.1016/j.energy.2013.10.041.
  4. Poulin C.R., Kane M.B. Infrastructure resilience curves: Performance measures and summary metrics. Reliability Engineering & System Safety. 2021. vol. 216. pp. 107926. doi: 10.1016/j.ress.2021.107926.
  5. Dehghani A., Sedighizadeh M., Haghjoo F. An overview of the assessment metrics of the concept of resilience in electrical grids. International Transactions on Electrical Energy Systems. 2021. vol. 31(12). pp. e13159. doi: 10.1002/2050-7038.13159.
  6. Monakov Y., Tarasov A., Ivannikov A., Murzintsev, A., Shutenko, N. Optimization of equipment operation in power systems based on the use in the design of frequency-dependent models. Energies. 2023. vol. 16(18). pp. 6756. doi: 10.3390/en16186756.
  7. Karamov D.N., Suslov K.V. Structural optimization of autonomous photovoltaic systems with storage battery replacements. Energy Reports. 2021. vol. 7. pp. 349–358. doi: 10.1016/j.egyr.2021.01.059.
  8. Wang L., Yang Z., Sharma S., et al. A review of evaluation, optimization and synthesis of energy systems: methodology and application to thermal power plants. Energies. 2018. vol. 12(1). pp. 73. doi: 10.3390/en12010073.
  9. Mencarelli L., Chen Q., Pagot A., Grossmann I.E. A review on superstructure optimization approaches in process system engineering. Computers & Chemical Engineering. 2020. vol. 136. pp. 106808. doi: 10.1016/j.compchemeng.2020.106808.
  10. Lin S., Zhao L., Deng S., Zhao D., Wang W., Chen M. Intelligent collaborative attainment of structure configuration and fluid selection for the Organic Rankine cycle. Applied energy. 2020. vol. 264. pp. 114743. doi: 10.1016/j.apenergy.2020.114743.
  11. Lazzaretto A., Manente G., Toffolo A. SYNTHSEP: A general methodology for the synthesis of energy system configurations beyond superstructures. Energy. 2018. vol. 147. pp. 924–949. doi: 10.1016/j.energy.2018.01.075.
  12. Hoffmann M., Priesmann J., Nolting L., Praktiknjo, A., Kotzur, L., Stolten, D. Typical periods or typical time steps? A multi-model analysis to determine the optimal temporal aggregation for energy system models. Applied Energy. 2021. vol. 304. pp. 117825. doi: 10.1016/j.apenergy.2021.117825.
  13. Reinert C., Nilges B., Baumgärtner N., Bardow A. This is SpArta: Rigorous optimization of regionally resolved energy systems by spatial aggregation and decomposition. Applied Energy. 2024. vol. 367. pp. 123323. doi: 10.1016/j.apenergy.2024.123323.
  14. Castelli A.F., Pilotti L., Monchieri A., Martelli E. Optimal design of aggregated energy systems with (n-1) reliability: MILP models and decomposition algorithms. Applied Energy. 2024. vol. 356. pp. 122002. doi: 10.1016/j.apenergy.2023.122002.
  15. Patin M., Bégot S., Gustin F., Lepiller V. Enhancing Residential Sustainability: Multi-objective optimization of hydrogen-based multi-energy system. International Journal of Hydrogen. Energy. 2024. vol. 67. pp. 875–887. doi: 10.1016/j.ijhydene.2023.12.201.
  16. Gabrielli P, Fürer F, Mavromatidis G., Mazzotti M. Robust and optimal design of multi-energy systems with seasonal storage through uncertainty analysis. Applied Energy. 2019. vol. 238. pp. 1192–1210. doi: 10.1016/j.apenergy.2019.01.064.
  17. Baumgärtner N., Bahl B., Hennen M., Bardow A. RiSES3: Rigorous Synthesis of Energy Supply and Storage Systems via time-series relaxation and aggregation. Computers & Chemical Engineering. 2019. vol. 127. pp. 127–139. doi: 10.1016/j.compchemeng.2019.02.006.
  18. Fazlollahi S., Maréchal F. Multi-objective, multi-period optimization of biomass conversion technologies using evolutionary algorithms and mixed integer linear programming (MILP). Applied Thermal Engineering. 2013. vol. 50(2). pp. 1504–1513. doi: 10.1016/j.applthermaleng.2011.11.035.
  19. Schmeling L., Schönfeldt P., Klement P., Vorspel L., Hanke B., von Maydell K., Agert C. A generalised optimal design methodology for distributed energy systems. Renewable Energy. 2022. vol. 200. pp. 1223–1239. doi: 10.1016/j.renene.2022.10.029.
  20. Honarmand H.A., Rashid S. M. A sustainable framework for long-term planning of the smart energy hub in the presence of renewable energy sources, energy storage systems and demand response program. Journal of Energy Storage. 2022. vol. 52. pp. 105009. doi: 10.1016/j.est.2022.105009.
  21. Tsvirkun A.D., Rezchikov A.F., Dranko O.I., Kushnikov V.A., Bogomolov A.S. Optimization and simulation approach to determining critical combinations of company parameters. Avtomatika i telemehanika. 2024. vol. 10. pp. 53–64. doi: 10.31857/S0005231024100053. (In Russ.).
  22. Maulén L., Castro M., Lorca Á., Negrete-Pincetic M. Optimization-based expansion planning for power and hydrogen systems with feedback from a unit commitment model. Applied Energy. 2023. vol. 343. pp. 121207. doi: 10.1016/j.apenergy.2023.121207.
  23. Cho S., Tovar-Facio J., Grossmann I.E. Disjunctive optimization model and algorithm for long-term capacity expansion planning of reliable power generation systems. Computers & Chemical Engineering. 2023. vol. 174. pp. 108243. doi: 10.1016/j.compchemeng.2023.108243.
  24. Teichgraeber H., Küpper L.E., Brandt A.R. Designing reliable future energy systems by iteratively including extreme periods in time-series aggregation. Applied Energy. 2021. vol. 304. pp. 117696. doi: 10.1016/j.apenergy.2021.117696.
  25. Jing R., Wang X., Zhao Y., Zhou Y., Wu J., Lin J. Planning urban energy systems adapting to extreme weather. Advances in Applied Energy. 2021. vol. 3. pp. 100053. doi: 10.1016/j.adapen.2021.100053.
  26. Oster M.R., Amburg I., Chatterjee S., Eisenberg D.A., Thomas D.G., Pan F., Ganguly A.R. A tri-level optimization model for interdependent infrastructure network resilience against compound hazard events. IEEE International Symposium on Technologies for Homeland Security (HST). IEEE. Boston. 2024. vol. 47. pp. 1–3. doi: 10.1109/HST53381.2021.9619824.
  27. Pfetsch M.E., Schmitt A. A generic optimization framework for resilient systems. Optimization Methods and Software. 2023. vol. 38(2). pp. 356–385. doi: 10.1080/10556788.2022.2142581.
  28. Cao K.K., Von Krbek K., Wetzel M., Cebulla F., Schreck S. Classification and evaluation of concepts for improving the performance of applied energy system optimization models. Energies. 2019. vol. 12(24). pp. 4656. doi: 10.3390/en12244656.
  29. Biscani F., Izzo D. A parallel global multiobjective framework for optimization: pagmo. Journal of Open Source Software. 2020. vol. 5(53). pp. 2338. doi: 10.21105/joss.02338.
  30. Mikoni S.V., Sokolov B.V., Yusupov R.M. Kvalimetriya modeley i polimodel'nykh kompleksov [Qualimetry of Models and Polymodel Complexes]. Moscow: RAS, 2018. 314 p. (In Russ.).
  31. Valkman Y.R., Rykhalsky A.Y. Architecture of model parametric space: hierarchy in Simon's Architecture of Complexity. Proceedings of the 2nd International Conference on Inductive Modelling (ICTM' 2008). Kyiv. 2008. pp. 58–59.
  32. Danilov G., Voskoboinikov M. Testbed-based approach to testing a library for evaluating network reliability algorithms. Proceedings of the International Workshop on Critical Infrastructures in the Digital World (IWCI-2024). Irkutsk, 2024. pp. 3–4.
  33. Safonov G., Potashnikov V., Lugovoy O., Safonov M., Dorina A., Bolotov A. The low carbon development options for Russia. Climatic Change. 2020. vol. 162. pp. 1929–1945. doi: 10.1007/s10584-020-02780-9.
  34. Edeleva O., Edelev A., Voskoboinikov M., Feoktistov A. Scientific Workflow-Based Synthesis of Optimal Microgrid Configurations. Energies. 2024. vol. 17(23). pp. 1–25. doi: 10.3390/en17236138.
  35. Maulik A., Das D. Optimal operation of microgrid using four different optimization techniques. Sustainable Energy Technologies and Assessments. 2017. vol. 21. pp. 100–120, doi: 10.1016/j.seta.2017.04.005.
  36. Priesmann J., Nolting L., Praktiknjo A. Are complex energy system models more accurate? An intra-model comparison of power system optimization models. Applied Energy. 2019. vol. 255. pp. 113783. doi: 10.1016/j.apenergy.2019.113783.

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML
Жүктеу

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».