تحليل اگزرژي و بهينه‌سازي چندهدفه يك سيستم‌ توليد چندگانه بر پايه ميكروتوربين

Exergy Analysis and Multiobjective Optimization of Microturbine Based Multigeneration Energy System

در اين مقاله با استفاده از قوانين ترموديناميكي، يك سيستم توليد چندگانه با محرك‌ اوليه ميكروتوربين مدل‌سازي شده‌است. سپس با استفاده از مفهوم اگزرژي و به‌كارگيري توابع اقتصادي و زيست‌محيطي، راندمان اگزرژي و نرخ هزينه كل به‌عنوان دو تابع هدف سيستم محاسبه شده‌اند. با توجه به متضادبودن توابع هدف، براي بهينه‌سازي سيستم از الگوريتم بهينه‌سازي كرم شب‌تاب چندهدفه استفاده شده ‌است. به‌منظور تسريع در فرآيند بهينه‌سازي و جلوگيري از گيرافتادن الگوريتم در بهينه‌هاي محلي، راهكارهاي ابتكاري جديدي به الگوريتم اضافه شده‌اند. نتيجه اعمال الگوريتم بر سيستم توليد چندگانه مورد مطالعه، منجر به مجموعه‌اي از جواب‌هاي بهينه‌ پارتو خواهد شد كه نشان‌دهنده ناحيه مصالحه بين توابع هدف است. براي انتخاب جواب نهايي از بين چندين جواب بهينه موجود از روش تصميم‌گيري فازي max-min بهره گرفته شده است. به‌منظور بررسي كارآيي الگوريتم بهينه‌سازي پيشنهادي نتايج حاصل از اين الگوريتم با دو الگوريتم بهينه‌سازي ازدحام ذرات و الگورتيم ژنتيك چندهدفه مقايسه شده است. براساس نتايج حاصل از بهينه‌سازي سيستم، راندمان اگزرژي مي‌تواند تا 69% افزايش يابد. همچنين با درنظرگرفتن نرخ هزينه كلي سيستم به‌عنوان تنها تابع هدف، اين مقدار مي‌تواند تا 572$/h كاهش يابد.

In this paper, using a thermodynamic rules, a multigeneration energy system with an initial stimulus of microturbine has been modeled. Then, using the concept of exergy and applying economic and environmental functions, exergy efficiency and total cost rate are calculated as two objective functions. Due to the contradiction of the objective functions, a multiobjective firefly algorithm is used to optimize the system. To accelerate the process of optimization and to prevent algorithm capture in local optimizations, new algorithms have been added to the innovative algorithm. The result of applying the algorithm on the multigeneration energy system will result in a set of Pareto-optimal solutions, indicating the compromise between the target functions. A fuzzy decision making based on max-min approach is used to select the desired solution between the Pareto-optimal solutions. In order to evaluate the efficiency of the proposed optimization algorithm, the results of this algorithm are compared with two particle swarm optimization algorithms and multi-objective genetic algorithm. Based on the results of system optimization, the exergy efficiency can increase up to 69%. Also, considering the total cost rate of the system as the only target function, this can be reduced to 572$/h.