guest ::
Optimal design and operation of energy systems under uncertainty via two-stage stochastic programming = Optimaler Entwurf und Betrieb von Energiesystemen unter Unsicherheit mittels Two-Stage Stochastic Programming
2024 & 2025
Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2024
Veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2025
Genehmigende Fakultät
Fak04
Hauptberichter/Gutachter
;
Tag der mündlichen Prüfung/Habilitation
2024-11-22
Online
DOI: 10.18154/RWTH-2025-01116
URL: https://publications.rwth-aachen.de/record/1003545/files/1003545.pdf
Einrichtungen
Inhaltliche Beschreibung (Schlagwörter)
COMANDO (frei) ; MUSE-BB (frei) ; algebraic modeling (frei) ; artificial neural networks (frei) ; branch and bound (frei) ; decomposition algorithms (frei) ; differential-algebraic modeling (frei) ; dynamic optimization (frei) ; energy systems (frei) ; global optimization (frei) ; nonlinear modeling (frei) ; optimization (frei) ; organic Rankine cycle (frei) ; stochastic optimization (frei) ; surrogate models (frei) ; system design (frei) ; uncertainty (frei)
Thematische Einordnung (Klassifikation)
DDC: 620
Kurzfassung
Die vorliegende Arbeit befasst sich mit der Modellierung von Energiesystemen für den optimalen Entwurf und Betrieb unter Unsicherheit, sowie mit der effizienten Lösung der resultierenden Optimierungsprobleme. Zu diesem Zweck entwickelten wir das open-source Python-Paket COMANDO (component-oriented modeling and optimization for nonlinear design and operation), welches eine strukturierte und flexible Modellierung von Energiesystemen unter detaillierter Berücksichtigung von Nichtlinearitäten, dynamischem Verhalten und diskreten Entscheidungen ermöglicht. COMANDO verbindet Ansätze zur strukturierten Modellierung aus algebraischen Modellierungssprachen und differentiell-algebraischen Modellierungsframeworks mit der Flexibilität einer allgemeinen Programmiersprache, um benutzerspezifische Problemformulierungen und Lösungsroutinen zu ermöglichen. Wir demonstrieren die Fähigkeiten von COMANDO anhand von Fallstudien, in denen automatische Linearisierung, dynamische und stochastische Optimierung sowie neuronale Netze als datengetriebene Ersatzmodelle in der deterministisch globalen Optimierung zur Anwending kommen. In einem realistischen Anwendungsfall verwenden wir COMANDO um einen luftgekühlten geothermischen Organic Rankine Cycle für den Betrieb unter variablen Umgebungstemperaturen auszulegen. Dazu erstellen wir detaillierte Komponentenmodelle, von Pumpen, Wärmetauschern, Turbinen und Kondensatoren und verwenden künstliche neuronale Netze zur genauen Vorhersage von Fluideigenschaften sowie Off-designeigenschaften der Komponenten. Wir optimieren Design und Betrieb global, wobei wir gleichzeitig mehrere Betriebspunkte betrachten, um den erwarteten annualisierten Gesamtumsatz zu maximieren. Unsere Ergebnisse zeigen, dass die alleinige Betrachtung einzelner Betriebszustände im Allgemeinen zu Systemdesigns führt, die nicht über den gesamten Bereich der Umgebungstemperaturen betrieben werden können. Die Ergebnisse der Systemoptimierung für einzelne Temperaturen können jedoch bei der Suche nach einem optimalen Design, das den gesamten Betriebsbereich abdeckt, hilfreich sein. Um realistische Design- und Betriebsprobleme effizienter und skalierbarer zu lösen, entwickeln wir einen neuen Dekompositionsalgorithmus namens MUSE-BB (multi-section branch & bound), welcher mehrere potentielle Schwachstellen existierender Methoden adressiert. Zu diesem Zweck kombiniert MUSE-BB das gleichzeitige Branchen auf mehreren Betriebsvariablen mit einer Branch &Bound Suche, die explizit sowohl Design- als auch Betriebsvariablen berücksichtigt. Unsere theoretischen und numerischen Ergebnisse zeigen, dass MUSE-BB sowohl mit Standard Branch & Bound, als auch mit bestehenden Dekompositionsalgorithmen konkurrieren kann. Die Arbeit schließt mit einer Diskussion der Implikationen unserer Ergebnisse und mit Vorschlägen für die zukünftige Forschung auf dem Gebiet der Modellierung und Optimierung von Energiesystemen.This thesis deals with the modelling of energy systems for optimal design and operation under uncertainty, as well as the efficient solution of the resulting optimization problems. For this purpose, we have developed the open-source Python package COMANDO (component-oriented modeling and optimization for nonlinear design and operation), which enables structured and flexible modelling of energy systems with detailed consideration of nonlinearities, dynamic behavior and discrete decisions.COMANDO combines structured modeling features of algebraic modelling languages and differential-algebraic modelling frameworks with the flexibility of a general-purpose programming language to allow for user-specific problem formulations and solution routines. We demonstrate the capabilities of COMANDO through case studies involving automatic linearization, dynamic and stochastic optimization, and the use of artificial neural networks as data-driven surrogate models in deterministic global optimization.In a realistic use-case we employ COMANDO to design an air-cooled geothermal organic Rankine cycle for operation under variable ambient temperatures. For this, we create detailed component models for pumps, heat exchangers, turbines and condensers, and make use of artificial neural networks to accurately predict fluid properties and off-design characteristics of the components. We globally optimize the system design and operation under simultaneous consideration of multiple operating points, to maximize the expected total annualized revenue. Our results show that the consideration of individual operating points generally results in designs that cannot be operated over the full range of ambient temperatures. Nevertheless, the results from optimizing the system for individual temperatures can be used to support the search for an optimal design that covers the entire operating range. For a more efficient and scalable solution of realistic design and operation problems, we develop a new decomposition-based algorithm called MUSE-BB (multi-section branch & bound), which addresses several potential issues of existing methods.To do this, MUSE-BB combines simultaneous branching of multiple operational variables with a branch & bound search that explicitly considers both design and operational variables. Our theoretical and computational results indicate that MUSE-BB can be competitive with respect to both standard branch & bound, as well as existing decomposition algorithms. The thesis concludes with a discussion of the implications of our results and with suggestions for future research in the field of power system modelling and optimization.
OpenAccess: 
PDF
(additional files)
Dokumenttyp
Dissertation / PhD Thesis/Book
Format
online
Sprache
English
Externe Identnummern
HBZ: HT030964400
Interne Identnummern
RWTH-2025-01116
Datensatz-ID: 1003545
Beteiligte Länder
Germany
|
The record appears in these collections: |