Co-optimisation of the sizing and control of an urban microgrid
Co-optimisation du dimensionnement et du contrôle d'un micro-réseau urbain
Résumé
The modernization of the electricity grid (EG) through the implementation of microgrids offers significant potential for enhancing energy resilience, sustainability, and efficiency. However, this transition involves navigating a complex web of technical, economic, and environmental challenges. Microgrids require meticulous planning and optimization to balance energygeneration, storage, and consumption while minimizing costs and carbon emissions. Achievingthis balance calls for advanced optimization strategies, which are capable of addressing theintricacies of system components and operational dynamics. The objective of this research is to enhance the decision-making capabilities of microgrid designers by providing a comprehensive approach for microgrid planning. The study offers an in-depth analysis of the project’s lifetime from technical, economic, and environmental perspectives. Implemented in Python and solved using CPLEX, the optimization process aims to minimize both the levelized cost of energy (LCOE) and the levelized cost of emissions (LCE). The study utilizes real economic and environmental data considering load growth as well as actual solar irradiation, ambient temperature, and wind speed data. The load for the university building is based on data from the Université de Technologie de Compiègne, France with the electric vehicle (EV) load modeled using probabilistic modeling. The study introduces a joint multi-objective optimization strategy usingMixed-Integer Linear Programming (MILP) to ensure globally optimal solutions, thereby that facilitates obtaining more informed and effective design choices. These choices involve evaluating various proposed solutions to balance cost and carbon emissions while addressing the complexities and technical constraints of the energy management (EM) problem. A novel aspect of this work is the integration of EM and component sizing into a unified optimization problem, aiming for an optimality gap of 0% with reduced computation time compared to existing literature. The proposed method evaluates the inherent trade-offs among various solutions by identifying the Pareto front and allowing for an optimal balance between economic and environmental objectives. The results indicate a significant reduction in LCOE and LCE in the GCMG compared to the IMG. The study reveals that Battery Energy Storage System (BESS) capacity increases as the LCE decreases, and the number of Photovoltaic (PV) systems is higher when the LCOE is lower for both operation modes. This occurs because the BESS has a slightly lower LCE compared to PV, and the LCOE of PV is also lower than that of BESS. Furthermore, as the limit of the EG increases, the Pareto fronts become lower and steeper. Additionally, the same MILP algorithm is applied to optimize microgrids from a tertiary university campus across various cities. The study further integrates wind turbines (WT) and EV loads into the microgrid. The study provides a comparative analysis of three scenarios (PV/BESS, WT/BESS, and PV/WT/BESS) across different cities for evaluating the impacts of seasonal fluctuations on LCOE and LCE, and for assessing how microgrid component technologies influence LCOE and LCE outcomes. The results indicate that scenarios including PV/WT/BESS yield the lowest LCOE and LCE values, while the WT/BESS scenario results in the highest LCOE and LCE. It is also observed that the order of cities based on average solar irradiation or wind speed does not necessarily correspond to the order of LCOE and LCE. Monthly and daily fluctuations in solar irradiation and wind speed significantly impact these results. Regarding the technologies, locally produced PV panels contribute positively to the overall LCE of the microgrid, with PV panels incorporating phase changing material showing higher LCE. The research also compares two distinct algorithms.
La modernisation du réseau électrique (RE) par la mise en œuvre de micro-réseaux offre un potentiel significatif pour améliorer la résilience énergétique, la durabilité et l'efficacité. Cependant, cette transition implique de naviguer dans un ensemble complexe de défis techniques, économiques et environnementaux. Les micro-réseaux nécessitent une planification et une optimisation méticuleuses pour équilibrer la génération, le stockage et la consommation d'énergie tout en minimisant les coûts et les émissions de carbone. Atteindre cet équilibre nécessite des stratégies d'optimisation avancées capables de traiter les subtilités des composants du système et des dynamiques opérationnelles. L'objectif de cette recherche est d'améliorer les capacités de prise de décision des concepteurs de micro-réseaux en fournissant une approche globale pour la planification des micro-réseaux. L'étude offre une analyse approfondie du projet sur toute sa durée de vie, du point de vue technique, économique et environnemental. Implémenté en Python et résolu à l'aide de CPLEX, le processus d'optimisation vise à minimiser à la fois le « Levelized Cost of Energy » (LCOE) et le « Life Cycle Emission » (LCE). L'étude utilise des données économiques et environnementales réelles, en tenant compte de la croissance de la charge ainsi que des données réelles d'irradiation solaire, de température ambiante et de vitesse du vent. La charge pour le bâtiment universitaire est basée sur des données de l'Université de Technologie de Compiègne, France, avec la charge des véhicules électriques (VE) modélisée à l'aide d'une modélisation probabiliste. L'étude introduit une stratégie d'optimisation multi-objectifs conjointe utilisant le « Mixed Integer Linear Programming » (MILP) pour garantir des solutions globalement optimales, facilitant ainsi des choix de conception plus informés et efficaces. Ces choix impliquent l'évaluation de diverses solutions proposées pour équilibrer les coûts et les émissions de carbone tout en abordant les complexités et les contraintes techniques du problème de gestion de l'énergie. Un aspect novateur de ce travail est l'intégration de la gestion d'énergie (GE) et du dimensionnement des composants dans un problème d'optimisation unifié, visant un écart d'optimalité de 0 % avec un temps de calcul réduit par rapport à la littérature existante. La méthode proposée évalue les compromis inhérents entre diverses solutions, identifiant le front de Pareto et permettant un équilibre optimal entre les objectifs économiques et environnementaux. Les résultats indiquent une réduction significative du LCOE et du LCE dans le GCMG par rapport à l'IMG. L'étude révèle que la capacité du système de stockage d'énergie par batterie (BESS) augmente à mesure que le LCE diminue, et que le nombre de systèmes photovoltaïques est plus élevé lorsque le LCOE est plus bas pour les deux modes de fonctionnement. Cela se produit parce que le BESS a un LCE légèrement inférieur à celui du PV, et que le LCOE du PV est également inférieur à celui du BESS. De plus, à mesure que la limite du RE augmente, les fronts de Pareto deviennent plus bas et plus raides. En outre, le même algorithme MILP est appliqué pour optimiser les micro-réseaux d'un campus universitaire tertiaire dans diverses villes. L'étude intègre également des éoliennes (WT) et des charges de VE dans le micro-réseau. L'étude fournit une analyse comparative de trois scénarios (PV/BESS, WT/BESS et PV/WT/BESS) dans différentes villes, évalue les impacts des fluctuations saisonnières sur le LCOE et le LCE, et évalue comment les technologies des composants des micro-réseaux influencent les résultats du LCOE et du LCE. Les résultats indiquent que les scénarios incluant PV/WT/BESS produisent les valeurs de LCOE et de LCE les plus basses, tandis que le scénario WT/BESS aboutit aux valeurs de LCOE et de LCE les plus élevées.
Mots clés
Microgrids
Multi-objective optimization
Optimal sizing
Energy management
Renewable energy integration
Electric vehicles
Electric vehicle integration
Life cycle emission (LCE)
Levelized cost of energy (LCOE)
Mixed integer linear programming (MILP)
Wind turbines
Wind power
Carbon offsetting
Mathematical models
Batteries
Domaines
Energie électriqueOrigine | Version validée par le jury (STAR) |
---|