| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 7.92 MB | Adobe PDF |
Advisor(s)
Abstract(s)
Renewable energy communities (RECs) have gained popularity as a new mean of
reducing carbon emissions and enhancing energy independence. However, determining
the optimal sizing for each production and storage unit within RECs poses challenges
due to conflicting objectives, such as minimizing costs while maximizing energy
production. In an attempt to optimally address this issue, this paper proposes a new
multi-objective optimization algorithm (MOA) denoted Multi-Objective Arithmetic &
Differential Evolution Optimization (MOADEO). Nevertheless, to determine the optimal
sizing of each of the production and storage units in RECs, this paper employs an existent
and widely used MOA present in the literature, named Multi-Objective Particle Swarm
Optimization (MOPSO), with multiple swarms. This multiple swarms approach aims to
foster a broader diversity of solutions while concurrently ensuring a good plurality of
nondominant solutions that define the Pareto Front. To evaluate the effectiveness and
reliability of this approach, four case studies with different energy management
strategies (EMSs) focused on real-world operations were evaluated, aiming to replicate
the practical challenges encountered in actual RECs. The results demonstrate the
effectiveness of the proposed approach in determining the optimal size of production and
storage units, while simultaneously addressing multiple conflicting objectives, including
economic and flexibility viability, specifically Levelized Cost of Energy (LCOE), SelfConsumption Ratio (SCR) and Self-Sufficiency Ratio (SSR). The findings also provide
valuable insights that clarify which EMSs are most suitable for this type of communities.
As comunidades de energia renovável (RECs) ganharam popularidade como uma nova forma de reduzir as emissões de carbono e promover a independência energética. No entanto, a determinação do dimensionamento ótimo de cada unidade de produção e armazenamento nas RECs impõe desafios devido a objetivos contraditórios, tais como a minimização dos custos e a maximização da produção de energia. Numa tentativa de abordar esta questão de forma otimizada, este documento propõe um novo algoritmo de otimização multiobjectivo (MOA) denominado por Multi-Objective Arithmetic & Differential Evolution Optimization (MOADEO). No entanto, para determinar o dimensionamento ótimo de cada unidade de produção e de armazenamento em RECs, este trabalho recorre a um outro algoritmo de otimização multiobjectivo já existente e amplamente utilizado na literatura, chamado Multi-Objective Particle Swarm Optimization (MOPSO), com múltiplos enxames. Esta abordagem com múltiplos enxames visa promover uma maior diversidade de soluções, assegurando simultaneamente uma boa pluralidade de soluções não dominantes que definem a fronteira de Pareto. Para avaliar a eficácia e a fiabilidade desta abordagem, foram avaliados quatro estudos de caso com diferentes estratégias de gestão de energia (EMSs) baseadas em operações reais, com o objetivo de reproduzir os desafios práticos encontrados em RECs reais. Os resultados demonstram a eficácia da abordagem proposta na determinação do dimensionamento ótimo das unidades de produção e armazenamento, abordando ao mesmo tempo vários objetivos contraditórios, incluindo a viabilidade económica e a flexibilidade, especificamente o custo nivelado da energia (LCOE), o rácio de autoconsumo (SCR) e o rácio de autossuficiência (SSR). Os resultados fornecem também informações importantes que esclarecem quais as EMSs mais adequadas para este tipo de comunidades.
As comunidades de energia renovável (RECs) ganharam popularidade como uma nova forma de reduzir as emissões de carbono e promover a independência energética. No entanto, a determinação do dimensionamento ótimo de cada unidade de produção e armazenamento nas RECs impõe desafios devido a objetivos contraditórios, tais como a minimização dos custos e a maximização da produção de energia. Numa tentativa de abordar esta questão de forma otimizada, este documento propõe um novo algoritmo de otimização multiobjectivo (MOA) denominado por Multi-Objective Arithmetic & Differential Evolution Optimization (MOADEO). No entanto, para determinar o dimensionamento ótimo de cada unidade de produção e de armazenamento em RECs, este trabalho recorre a um outro algoritmo de otimização multiobjectivo já existente e amplamente utilizado na literatura, chamado Multi-Objective Particle Swarm Optimization (MOPSO), com múltiplos enxames. Esta abordagem com múltiplos enxames visa promover uma maior diversidade de soluções, assegurando simultaneamente uma boa pluralidade de soluções não dominantes que definem a fronteira de Pareto. Para avaliar a eficácia e a fiabilidade desta abordagem, foram avaliados quatro estudos de caso com diferentes estratégias de gestão de energia (EMSs) baseadas em operações reais, com o objetivo de reproduzir os desafios práticos encontrados em RECs reais. Os resultados demonstram a eficácia da abordagem proposta na determinação do dimensionamento ótimo das unidades de produção e armazenamento, abordando ao mesmo tempo vários objetivos contraditórios, incluindo a viabilidade económica e a flexibilidade, especificamente o custo nivelado da energia (LCOE), o rácio de autoconsumo (SCR) e o rácio de autossuficiência (SSR). Os resultados fornecem também informações importantes que esclarecem quais as EMSs mais adequadas para este tipo de comunidades.
Description
Keywords
Algoritmo de Otimização Multi-Objetivo (Moa) Comunidade de Energia Renovável (Rec) Estratégia de Gestão de Energia (Ems) Multi Enxame Mopso Partilha de Armazenamento de Energia Sistemas de Armazenamento de Energia (Esss)