طراحی هاب انرژی پایدار با درنظرگرفتن ریسک با استفاده از الگوریتم تجزیه بندرز

در این مقاله مدل برنامه ریزی خطی مختلط عدد صحیح (milp) برای طراحی پایدار هاب انرژی(eh)  ارائه شده است. برای دستیابی به eh  پایدار، چارچوب مدل سازی برای درنظرگرفتن اثرات زیست محیطی   و اجتماعی اجزای تشکیل دهنده eh ، ارائه شده است. ابتدا، چرخه عمر اجزای مختلف سیستم به منظور تعیین اثرات زیست محیطی و اجتماعی شان، بررسی شده است. سپس، مدل ریاضی مسئله، با استفاده از برنامه ریزی تصادفی مبتنی بر سناریو که از معیار ارزش در معرض ریسک شرطی (cvar) به‌منظور کنترل ریسک ناشی از ماهیت غیرقطعی پارامترها در تابع هدف استفاده‌‎ می‌نماید توسعه یافته است. برای مدلسازی درست عدم قطعیت ها، تعداد زیادی سناریو درنظرگرفته شده و مسئله به یک مسئله بهینه سازی بزرگ تبدیل شده است. لذا برای حل مدل، الگوریتم تجزیه بندرز   (bd)برای مواجهه با حجم محاسبات بالا ارائه شده است. نتایج، کارایی الگوریتم bd پیشنهادی را در مقایسه با روش حل معمول cplex برای حل ابعاد بزرگ مسئله، نشان می دهد. علاوه بر این نشان داده شده است که با درنظرگرفتن اثرات زیست محیطی و اجتماعی در طراحی، سهم منابع انرژی تجدیدپذیر که دارای کمترین اثرات نامطلوب هستند، در جواب بهینه مسئله، افزایش یافته است. در پایان، کارایی معیار cvar در کنترل سطح ریسک نشان داده شده است.

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

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 scenariosbased stochastic programming integrating Conditional ValueatRisk (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.