طراحي هاب انرژي پايدار با درنظرگرفتن ريسك با استفاده از الگوريتم تجزيه بندرز

Benders decomposition algorithm for sustainable energy hub design under risk considering Conditional Value at Risk

در اين مقاله مدل برنامه ­ريزي خطي مختلط عدد صحيح (MILP) براي طراحي پايدار هاب انرژي(EH) ارائه شده است. براي دستيابي به EH پايدار، چارچوب مدل­سازي براي درنظرگرفتن اثرات زيست­ محيطي و اجتماعي اجزاي تشكيل ­دهنده EH ، ارائه شده است. ابتدا، چرخه عمر اجزاي مختلف سيستم به منظور تعيين اثرات زيست­ محيطي و اجتماعي ­شان، بررسي شده است. سپس، مدل رياضي مسئله، با استفاده از برنامه ­ريزي تصادفي مبتني بر سناريو كه از معيار ارزش در معرض ريسك شرطي (CVaR) به‌منظور كنترل ريسك ناشي از ماهيت غيرقطعي پارامترها در تابع هدف استفاده‌ مي‌نمايد توسعه يافته است. براي مدلسازي درست عدم قطعيت­ ها، تعداد زيادي سناريو درنظرگرفته شده و مسئله به يك مسئله بهينه ­سازي بزرگ تبديل شده است. لذا براي حل مدل، الگوريتم تجزيه بندرز (BD)براي مواجهه با حجم محاسبات بالا ارائه شده است. نتايج، كارايي الگوريتم BD پيشنهادي را در مقايسه با روش حل معمول CPLEX براي حل ابعاد بزرگ مسئله، نشان مي­دهد. علاوه بر اين نشان داده شده است كه با درنظرگرفتن اثرات زيست­ محيطي و اجتماعي در طراحي، سهم منابع انرژي تجديدپذير كه داراي كمترين اثرات نامطلوب هستند، در جواب بهينه مسئله، افزايش يافته است. در پايان، كارايي معيار CVaR در كنترل سطح ريسك نشان داده شده است.

This paper presents a mixed integer linear program (MILP) model as well as a solution method based on the Benders decomposition algorithm for optimal design of sustainable Energy Hub (EH). A modeling framework to consider environmental (Env) and social (Soc) impacts of the EH's components is incorporated to achieve sustainable EH. First, the life cycles of different components are analyzed in order to determine Env and Soc impacts. Then, the EH design model is developed by using scenarios-based stochastic programming integrating Conditional Value-at-Risk (CVaR) in its objective function as a risk criterion to deal with uncertain nature of parameters. Benders decomposition (BD) algorithm is used to decompose the original problem in order to address heavy computational burden of the problem, especially when a large number of scenarios is used to properly represent uncertainties. The results shows effectiveness of the proposed BD to handle large problem sizes compared to the CPLEX solver and indicates that taking the external cost into account resulted in higher renewable Distributed Energy Resources (DERs) in the optimal configuration, which have lower negative Env and Soc impacts. Also, strength of stochastic programming in handling data uncertainty and controlling risk level is investigated.