1 . معرفی

با افزایش تقاضا برای انرژی و افزایش خطرات ناشی از سوزاندن سوخت های فسیلی بر روی کره زمین ، پایبندی به منابع انرژی تجدیدپذیر بهترین راه حل برای بهره مندی از استفاده از منابع رایگان و محدود کردن انتشار کربن است . ساختمان‌های سبز به‌عنوان راه‌حل جایگزین، به‌عنوان یک عامل کلیدی در کمک به دستیابی به پایداری ، علاقه زیادی به دست آورده‌اند [1] ، [2] . ساختمان‌های سبز که به‌عنوان «ساختمان‌های پایدار»، «ساختمان‌های کم انرژی» یا «ساختمان‌های زیست‌محیطی» نیز شناخته می‌شوند، عمدتاً برای استفاده کارآمد از منابع طبیعی پایدار و در عین حال فراهم کردن شرایط زندگی مناسب طراحی شده‌اند [3] . بنابراین، دولت‌ها در کشورهایی مانند – اما نه محدود به – ایالات متحده، بریتانیا، کانادا، چین و سنگاپور، ضمن ارائه سیاست‌های تشویقی به عنوان انگیزه‌ای برای ترویج سرمایه‌گذاری در ساختمان‌های سبز، برنامه‌های اقدام و مقرراتی را صادر می‌کنند. مخصوصاً برای صاحبان ساختمان های تجاری [3] , [4] , [5] , [6] .

ساخت ساختمان های سبز لزوماً تضمین کننده استفاده کارآمد از انرژی نیست، به خصوص که منابع طبیعی متناوب هستند. در نتیجه مقدار قابل توجهی از انرژی از بین می رود یا کاهش می یابد. این منجر به معرفی استراتژی های مختلف مدیریت انرژی مانند تغییر تقاضا و سیستم های ذخیره انرژی (ESSs) شد. هدف تغییر تقاضا کاهش تقاضای انرژی در زمان اوج تقاضا با تنظیم زمان مصرف انرژی است. از سوی دیگر، سیستم‌های ذخیره‌سازی انرژی انرژی اضافی را در زمان‌های کم تقاضا ذخیره می‌کنند تا در زمان‌های تقاضای بالا آن را تامین کنند . هر دو استراتژی از نظر اقتصادی راه حل های مقرون به صرفه ای برای کاهش انرژی هستند و هر کدام بسته به موقعیت می توانند اعمال شوند. بنابراین، ما سیستم‌های ذخیره‌سازی انرژی را انتخاب کردیم، زیرا یک ساختمان تجاری را در نظر می‌گیریم که در آن نیاز مداوم به انرژی وجود دارد. ESS را می توان به پنج نوع اصلی تقسیم کرد: شیمیایی (هیدروژن، یعنی سلول های سوختی)، الکتروشیمیایی (باتری های قابل شارژ، مانند باتری های لیتیوم یونی)، الکتریکی (ابر خازن)، مکانیکی (سیستم های هوای فشرده)، و حرارتی (نمک های مذاب) . 1] . سیستم‌های ذخیره‌سازی انرژی مختلف ویژگی‌های متفاوتی دارند، زیرا این‌ها عمدتاً در رتبه‌بندی توان، طول عمر، راندمان و زمان پاسخ متفاوت هستند [8] و [9] . برای این تحقیق، ما سیستم‌های ذخیره‌سازی انرژی شیمیایی و الکتروشیمیایی را در نظر می‌گیریم و آن‌ها سلول‌های سوختی برگشت‌پذیر غشای تبادل پروتون (PEM RFC)، سلول‌های اکسید جامد برگشت‌پذیر (SOC) و باتری‌های Li-ion (LIB) هستند. LIB ها رایج ترین نوع ESS هستند، زیرا برای مدت زمان طولانی تری مورد استفاده قرار می گیرند. از سوی دیگر، هیدروژن سبز اخیرا به عنوان یکی از حامل های انرژی کلیدی که به کربن زدایی سیاره در آینده کمک می کند، در حال رشد است [10] . هیدروژن سبز دارای مزایای تمیز بودن و حمل و نقل آسان بین محل تولید و محل استفاده است. با این حال، ذخیره آن به دلیل چگالی کم آن دشوار است [11] ، [12] . از این پس، تلاش‌ها و ابتکارات قابل توجه در حال حاضر بر تولید هیدروژن سبز و ذخیره هیدروژن ، یعنی DOE Hydrogen Shot متمرکز شده‌اند.

در مطالعه قبلی، چادلی و همکاران. [7] نشان داد که چگونه تغییرات در پارامترهای مالی به شدت بر LCOS برای همان سه ESS تأثیر می گذارد. در مطالعه حاضر، ما دامنه را گسترش می دهیم تا تغییرات تقاضا و عدم اطمینان در هر مکان را شامل شود. به این ترتیب، در این تحقیق، ما تأثیر مکان، نوع ساختمان و رفتار مصرف کننده انرژی را تعیین می کنیم. ما سه مکان اصلی را در نظر می گیریم: روچستر، سیاتل، و توسان. سه نوع ساختمان اصلی: کوچک، متوسط ​​و بزرگ. و سه نمایه اشغال متمایز: مصرف انرژی کم، متوسط ​​و بالا. در [7] ، نویسندگان کارهای قبلی انجام شده در مورد عدم قطعیت و تجزیه و تحلیل ریسک در مورد سیستم های ذخیره انرژی را فهرست کردند. آنها شکاف هایی را در ادبیات به شکل عدم قطعیت در پارامترهایی مانند نرخ تورم شناسایی کردند [14] . با این حال، کار آنها تک بعدی بود زیرا عدم قطعیت در تقاضا با ثابت در نظر گرفتن آن نادیده گرفته شد. در زندگی واقعی، تقاضای بار به اندازه عرضه بار مهم است، اما معمولاً در تحقیقات نادیده گرفته می‌شود، از این رو هدف این مطالعه برجسته کردن چگونگی واکنش ESSهای مختلف به مناطق مختلف آب و هوایی و پروفایل‌های مصرف انرژی مختلف است.

هنگام در نظر گرفتن تقاضا، بیشتر روش ها به جای تعیین کمیت، بر پیش بینی تقاضا تمرکز می کنند. در سرتاسر ادبیات، عدم قطعیت تقاضا تنها یک محدودیت یا پارامتری بود که باید در حین به حداقل رساندن هزینه کل سیستم یا به حداکثر رساندن سود آن یا سایر توابع هدف در نظر گرفته شود. کیم و همکاران [15] از بهینه سازی تصادفی برای به حداقل رساندن هزینه تولید روزانه زنجیره تامین هیدروژن تحت عدم قطعیت تقاضا استفاده کرد. آنها در تحقیقات خود، یک پیکربندی پیش‌بینی‌شده برای عدم قطعیت تقاضا را تعیین کردند. المنصوری و شاه [16] یک مدل برنامه ریزی خطی عدد صحیح مختلط چند دوره ای (MILP) برای برنامه ریزی و طراحی یک شبکه زنجیره تامین هیدروژن در حالی که عدم قطعیت تقاضا در هیدروژن را شامل می شود، ساختند. فتحی و بورانی [17] و مهری و کلانتر [18] دو برنامه انرژی را به ترتیب برای یک ساختمان مسکونی و وسایل نقلیه الکتریکی از طریق یک MILP با هدف به حداقل رساندن هزینه و مصرف برق در حالی که عدم قطعیت تقاضا را به عنوان یک محدودیت در نظر می گیرند، مدل کردند. نوجوان و همکاران [19] راهبردهای تدارکاتی را برای به کارگیری عدم قطعیت بار برای سیستم هیبریدی PV/باتری/دیزل با به حداقل رساندن هزینه کل و انتشار گازهای گلخانه ای ارائه کرد. دی پیازا و همکاران [20] از بهینه سازی دو مرحله ای برای کاهش جریان های نقدی مشتریان و کاهش عدم قطعیت تقاضا استفاده کرد. Vepsäläinen و همکاران [21] راه حلی برای مشکل مسیریابی اتوبوس ها ارائه کرد زیرا آنها تقاضای نامشخصی را در ایستگاه های مختلف تجربه می کنند. جینگ و همکاران [22] برنامه ریزی تصادفی را برای به حداقل رساندن هزینه های سیستم در حالی که عدم قطعیت در سرمایش و گرمایش در نظر می گیرد، اعمال کرد. سنجری و کرمی [23] یک برنامه بهینه شارژ/دشارژ یک سیستم انرژی یکپارچه با باتری (BIES) را به منظور پیش‌بینی خطاها در پیش‌بینی بار تعیین کردند. Tsao و Thanh [24] با عدم قطعیت تقاضا از منظر مالی مقابله کردند، زیرا نویسندگان عدم اطمینان در تقاضا را به خطرات مالی و موارد عدم پرداخت وام ها مرتبط کردند. اخیراً، شن و همکاران. [25] برنامه‌ریزی غیرخطی عدد صحیح مختلط (MINLP) را برای به حداقل رساندن کل مصرف انرژی در حالی که عدم قطعیت در تقاضای برق کمپرسورها در نظر می‌گیرد، توسعه داد.

به طور خلاصه، اکثر مقالات تحقیقاتی از ادبیات، فرآیندها، تکنیک‌ها و روش‌های بهینه‌سازی مختلفی مانند نظریه بازی [26] ، ازدحام ذرات [27] ، انفجار بزرگ ترکیبی (HBB-BC) [28] ، الگوریتم ژنتیک [28] را به کار می‌گیرند . 29] ، نظریه تصمیم گیری شکاف اطلاعاتی (IGDT) [19] ، الگوریتم اجماع افزایشی [30] ، زنجیره مارکوف [31] ، زنجیره بلوکی [24] ، برنامه نویسی بهینه سازی فازی قوی نوع 2 (RT2FOP) [24] و غیره. اگرچه این مقالات شامل عدم قطعیت تقاضا در مدل‌های خود می‌شدند، اما در نشان دادن میزان تأثیر آن بر یک معیار خاص موفق نبودند. اهداف این مدل‌ها عمدتاً یافتن راه‌حل بهینه یا شرایط عملیاتی با توجه به مجموعه محدودیت‌ها در هر مدل بود. به عبارت دیگر، هدف آنها دستیابی به یک پیکربندی یا برنامه ریزی انرژی بهینه بدون بیان تغییرات در آن خروجی ها به تغییرات در تقاضا بود. همچنین، هنگام مدل‌سازی عدم قطعیت تقاضا، این مقالات هیچ هزینه سطح‌بندی شده، نه ذخیره‌سازی، نه انرژی یا هیدروژن را در نظر نمی‌گیرند. در نتیجه، سهم اصلی تحقیق ما این است که نشان دهیم چگونه عدم قطعیت در تقاضا و پارامترهای مالی می‌تواند بر هزینه ذخیره‌سازی PEM-RFC، SOC و LIB تأثیر بگذارد. با توجه به دانش اخیر ما، تنها مقاله تحقیقاتی با جنبه ای نزدیک به ما، مقاله Jing و همکاران است. [22] زیرا آنها از شبیه سازی مونت کارلو نیز استفاده کردند. اما نوع ساختمان و مشخصات تقاضا را در نظر نگرفته اند. ما شبیه‌سازی مونت کارلو را انتخاب کرده‌ایم زیرا هدف ما بهینه‌سازی هیچ پارامتری نیست، بلکه کمی کردن تغییر در LCOS است. در مورد ما، ما سه اندازه ساختمان تجاری با سه پروفایل تقاضای مختلف را در نظر می گیریم که نشان دهنده افزودن جدیدی به این زمینه است و می تواند به ما کمک کند تا درک بهتری از مصرف انرژی و اقتصاد ذخیره انرژی برای طیف وسیع تری از گزینه ها داشته باشیم که شامل گزینه های مختلف است. اندازه ساختمان ها، مناطق آب و هوایی و رفتارهای مصرف کننده.

بقیه مقاله به شرح زیر سازماندهی شده است: بخش 2 روش شناسی دنبال شده در این مقاله را ارائه می دهد. این شامل روش های مورد استفاده برای اندازه گیری PV، سپس مدل ریاضی برای محاسبه LCOS، و پارامترها و روش های شبیه سازی مونت کارلو است. نتایج در بخش 3 با نمودارهایی که نتایج تجزیه و تحلیل عدم قطعیت را نشان می دهد مورد بحث قرار می گیرد. در بخش آخر، چند نتیجه گیری و کارهای آینده را ارائه می کنیم.