guest ::
Optimized placement of thermo-electric energy systems in city districts under uncertainty = Optimale Verteilung thermo-elektrischer Energiesysteme in Stadtquartieren unter Unsicherheit
2019
Dissertation, RWTH Aachen University, 2019
Veröffentlicht auf dem Publikationsserver der RWTH Aachen University
Genehmigende Fakultät
Fak04
Hauptberichter/Gutachter
;
Tag der mündlichen Prüfung/Habilitation
2019-06-04
Online
DOI: 10.18154/RWTH-2019-06887
URL: http://publications.rwth-aachen.de/record/764560/files/764560.pdf
Einrichtungen
Inhaltliche Beschreibung (Schlagwörter)
city districts (frei) ; energy system planning (frei) ; genetic algorithm (frei) ; optimization (frei) ; uncertainty (frei) ; urban energy systems (frei)
Thematische Einordnung (Klassifikation)
DDC: 620
Kurzfassung
Aufgrund ihres hohen Energieverbrauchs haben Städte ein großes Potential zur Reduktion von Treibhausgasen. Die optimierte Energieplanung kann die Identifikation von nachhaltigen und kosteneffizienten urbanen Energiesystemen unterstützen. Allerdings erschweren unsichere Parameterden Planungsprozess. Gängige Methoden zur Berücksichtigung der Unsicherheit, wie beispielsweise die robuste Optimierung sowie das Stochastic Programming, sind aufwändig und führen nicht zwingend zur Identifikation von Energiesystemen, welche weniger sensitiv gegenüber unsicheren Parametern sind. Ziel dieser Arbeit ist die Identifikation von urbanen Energiesystemen mitreduzierter Sensitivität gegenüber Unsicherheit. Hierfür wurde ein Optimierungstool entwickelt, welches einen Genetischen Algorithmus zur optimierten Verteilung mit einem ökonomischen und ökologischen Unsicherheitsrechner kombiniert. Bedarfe sowie technische und ökonomische Faktorenwerden als unsichere Parameter berücksichtigt. Verschiedene Risikoeinstellungen, von Risikoneutralität bis zu hoher Risikoaversion, werden analysiert. Die Analysen zeigen, dass eine Reduktion der ökonomischen und ökologischen Unsicherheit möglich ist. Allerdings geht diese Reduktionmit schlechteren mittleren Kosten- und Emissionswerten einher. Die Unsicherheitsreduktionwird primär über eine steigende Leistung der Kraft-Wärme-Kopplungsanlagen (KWK) sowie kleinere Photovoltaik-Flächen erreicht. Kosten-effiziente Lösungen basieren auf Kessel-Photovoltaik Konfigurationen. Eine weitere Reduzierung der Emissionen ist über den Einsatz von KWK Anlagenmit Nahwärmenetzen möglich. Die Referenzoptimierung ohne Unsicherheit liefert ähnliche Ergebnisse wie die Optimierung unter Unsicherheit. Allerdings haben nicht alle Lösungen der Referenzoptimierung akzeptable Zielfunktionswerte unter Unsicherheit. Während einige Mikro-KWK-Konfigurationen zu den pareto-optimalen Lösungen des Referenzszenarios gehören, sind diese Lösungen suboptimal für den Einsatz unter Unsicherheit. Die vorgestellte Methodik ermöglicht die Identifikation von Energiesystemen, welche vorteilhafte Zielfunktionswerte unter Unsicherheit liefern. Ebenso ermöglicht es die Reduktion der ökonomischen und ökologischen Unsicherheit über die Berücksichtigung verschiedene Risiko-Einstellungen. Jedoch zeigt sich, dass auch die vorgestellte Optimierung rechenintensiv ist. Daher sollte bei Anwendungsfällen mit geringer Rechenkapazität die Referenzoptimierung bevorzugt werden. Nichtsdestotrotz ermöglicht der vorgestellte Optimierungsansatz einen Einblick in die ökonomische und ökologische Unsicherheit der Zielfunktionswerte urbaner Energiesysteme.Cities, as large energy consumers, offer great potential for greenhouse gas emission reduction. Urban energy system planning is important to identify low-emission, cost-efficient solutions to contribute to global emission reduction aims. However, the planning process is challenging due to uncertainty. Conventional approaches to deal with uncertainty mainly use robust optimization or stochastic programming, which are computationally intensive on urban scale and might not support the identification of energy systems with reduced sensitivity to uncertainty. The subject of this thesis is to identify urban energy systems, which are less sensitive to uncertainty. An optimization framework is developed, which combines a genetic algorithm for optimized energy system placement with an economic and ecological uncertainty calculator. Demand-related, technical, and economic uncertainties are taken into account. The effect of different risk attitudes, from risk neutral to high risk-aversity, is analyzed. Results show that a reduction of economic and ecological uncertainty is possible but at the drawback of worse mean cost and emission values. The uncertainty reduction within the given case study is achieved by increasing the nominal power of the combined heat and power (CHP) units as well as the capacity of the thermal storage systems and decreasing photovoltaic (PV) area sizes. Boiler-PV combinations define cost-efficient results. CHP usage with local heating networks generates further emission reduction. Reference optimizations without uncertainty and the optimization with uncertainty lead to comparable results. However, not all reference optimization results perform well under uncertainty. While many small-scale CHP configurations have a pareto-optimal behavior for the reference scenario, they lead to suboptimal performance under uncertainty. The presented framework enables the identification of energy systems, which perform well under uncertainty. Moreover, it enables a reduction of economic and ecological uncertainty for different risk-attitudes. However, the optimization process turns out to be computationally intensive, too. Thus, a reference optimization without uncertainty should be preferred for applications with low availability of computational resources. Still, the presented method provides deeper insights into the economic and ecological uncertainty of urban energy systems.
OpenAccess: 
PDF
(additional files)
Dokumenttyp
Dissertation / PhD Thesis/Book
Format
online, print
Sprache
English
Externe Identnummern
HBZ: HT020150630
Interne Identnummern
RWTH-2019-06887
Datensatz-ID: 764560
Beteiligte Länder
Germany
|
The record appears in these collections: |