پیامدهایی برای اهداف سیاست و پایداری (قسمت دوم)

2 . روش شناسی

شکل 1 سه مرحله چارچوبی را نشان می دهد که برای پاسخ به سؤالات تحقیق فوق الذکر توسعه یافته است. مرحله اول ورودی های مورد نیاز برای خصوصیات بخش مسکونی را از نظر کهن الگوهای ساختمانی جمع آوری می کند. این مرحله شامل بازیابی داده ها برای تعیین وضعیت موجودی ساختمان های مسکونی در منطقه تیچینو در سال 2023 است که نقطه شروع شبیه سازی های مدل در نظر گرفته می شود. متعاقباً، مرحله دوم مستلزم ساخت یک مدل دینامیک سیستم با هدف نمایش تولید برق، تقاضا و قیمت گذاری در منطقه مورد مطالعه است. این با کالیبراسیون و اعتبارسنجی مدل با استفاده از داده های تاریخی برای ارزیابی دقت آن در پیش بینی روندهای گذشته پذیرش فناوری دنبال می شود. پس از آن، روش موریس [34] برای ارزیابی اهمیت پارامترهای کالیبره شده در خروجی‌های مدل و شناسایی گروه محدودی از ورودی‌ها که بیشترین تأثیر را بر خروجی مدل دارند، اعمال می‌شود. در مرحله سوم، مدل برای بررسی سناریوهای مختلف برای تکامل سیستم انرژی بخش مسکونی، با در نظر گرفتن عدم قطعیت مرتبط‌ترین ورودی‌های شناسایی‌شده در مرحله 2، به کار گرفته می‌شود.

2.1 . خصوصیات بخش مسکونی

داده های در دسترس عموم برای انبار ساختمان های مسکونی کانتون تیچینو از سه منبع جمع آوری شده است:

•
DB 1 – نیروگاه های تولید برق [4] : این پایگاه اطلاعاتی در مورد نیروگاه های PV نصب شده در حال حاضر دارد. برای هر نیروگاه، توان اسمی و همچنین سال شروع بهره برداری ارائه می شود.
•
DB 2 – مناسب بودن سقف ها برای انرژی خورشیدی [35] : این پایگاه داده برای تخمین پتانسیل PV در منطقه مورد نظر استفاده می شود. برای هر ساختمان، سقف به سطوح زیرین تقسیم می شود که بر اساس کفایت آنها برای نصب PV طبقه بندی می شود. پنج دسته مختلف وجود دارد که از 1، کمترین کفایت، به 5، بالاترین تغییر می کند. این داده ها برای محاسبه سهم سقف های مناسب برای PV استفاده می شود.
•
DB 3 – ثبت ساختمان ها و مسکن ها (RBD) [36] : این پایگاه داده راه حل گرمایش، دوره ساخت، اندازه و نوع ساختمان را ارائه می دهد. با توجه به اینکه مختصات هر ساختمان ارائه شده است، داده‌های RBD با داده‌های بازیابی شده از DB 1 تطبیق داده می‌شود که اطلاعات اضافی درباره نصب یا عدم نصب PV بر روی ساختمان را ارائه می‌دهد.

این اولین مرحله تقسیم بندی منجر به یک طبقه بندی ( جدول 1 ) بر اساس اندازه (3 دسته)، نوع (3 دسته)، حضور PV (2 دسته)، دوره ساخت و ساز (9 دسته) و منطقه (8 دسته) می شود. این طبقه بندی از آثار دیگر مربوط به بخش مسکونی سوئیس الهام گرفته شده است [37] ، [38] . به این ترتیب، 1296 ترکیب ممکن از خواص ساختمان در نظر گرفته شده است. برای ساده‌سازی مدل و اجتناب از پیچیدگی‌های بی‌رویه، 9 دسته دوره ساخت به پنج دسته بازده انرژی تبدیل می‌شوند. پنج دسته بازده انرژی عبارتند از «بسیار بالا» (شامل ساختمان‌های دارای گواهی Minergie [39] ، که سهم آن با استفاده از اطلاعات SFOE [40] تعیین می‌شود )، «بالا»، «متوسط»، «کم» و «بسیار کم» . بر اساس این ساده سازی، ترکیب دسته بندی های در نظر گرفته شده از مجموع 1296 به 720 می رسد.

جدول 1 . دسته بندی هایی که کهن الگوی ساختمان واحد را تعریف می کنند.

اندازه [m $^{2}$ ]	تایپ کنید	حضور PV	دوره ساخت و ساز	ناحیه
$\leq$ 150 (A)	خانه خانواده مجردی (SFH)	PV بله	$<$ 1920	والماگیا
150–300 (B)	خانه خانوادگی دوتایی (DFH)	PV شماره	1920-1945	مندریسیو
$>$ 300 (C)	خانه چند خانواده (MFH)		1946-1960	بلینزونا
سلول خالی			1961-1970	لونتینا
سلول خالی			1971-1980	بلنیو
سلول خالی			1981-1990	لوگانو
سلول خالی			1991-2000	ریویرا
سلول خالی			2001–2010	لوکارنو
سلول خالی			$\geq$ 2011

در مرحله دوم، داده‌های RBD که اطلاعات مربوط به فناوری و منبع گرمایش فضا (SH) و آب گرم خانگی (DHW) را ارائه می‌دهد، بیشتر برای تقسیم هر یک از 720 ترکیب استفاده می‌شود. بنابراین، توصیف نهایی ساختمان های مسکونی بر اساس چهار مجموعه اصلی اطلاعات است:

•
خواص فیزیکی ساختمان: این شامل جزئیاتی مانند اندازه (A: $<$ 150 $m^{2}$ ، B: 150-300 $m^{2}$ ، ج: $>$ 300 $m^{2}$ )، نوع (SFH، DFH، MFH)، و بهره وری انرژی (از خیلی کم تا خیلی زیاد).
•
محل ساختمان: ساختمان ها بر اساس منطقه خود تقسیم می شوند، از جمله Vallemaggia، Mendrisio، Bellinzona، Leventina، Blenio، Lugano، Riviera و Locarno.
•
حضور PV: ساختمان ها بر اساس نصب یا عدم نصب PV طبقه بندی می شوند.
•
راه حل گرمایش: ساختمان ها بر اساس 15 HS بالقوه، همانطور که در جدول 2 مشخص شده است، بیشتر به دسته هایی تقسیم می شوند .

این معیارها در مجموع 10800 ترکیب ممکن از ویژگی ها را به دست می دهند که به عنوان کهن الگوهای ساختمانی نامیده می شوند. این رویکرد جامع بررسی کامل عوامل مختلف موثر بر سیستم های انرژی ساختمان های مسکونی را تضمین می کند.

جدول 2 . محلول های گرمایشی مورد استفاده در مدل SD. هر محلول گرمایشی از یک یا دو فناوری گرمایش (HT) تشکیل شده است. به عنوان مثال، HS “Oil & EH” شامل دو HT است: “Oil” برای گرمایش فضا (SH) و “EH” مورد استفاده برای آب گرم خانگی (DHW). راه حل های 1 تا 7 در اینجا به عنوان “راه حل های مرجع” نامیده می شوند که راه حل های مبتنی بر سوخت های فسیلی هستند. راه حل های 8 تا 15 در اینجا به عنوان “راه حل های جدید” ارجاع می شوند.

نام	توضیح	نام	توضیح
1 – دیگ روغن	SH & DHW	9 – پمپ حرارتی	SH & DHW
2 – دیگ گاز	SH & DHW	10 – روغن و اچ پی	روغن: 75% (SH & DHW)
			HP: 25٪ (SH & DHW)
3 – دیگ چوب	SH & DHW	11 – گاز و اچ پی	گاز: 75% (SH & DHW)
			HP: 25٪ (SH & DHW)
4 – EH	SH & DHW	12 – HP & ST	HP: SH
			ST: DHW
5 – روغن و EH	روغن: SH	13 – روغن و ST	روغن: SH
	EH: DHW		ST: DHW
6 – گاز و EH	گاز: SH	14 – گاز و ST	گاز: SH
	EH: DHW		ST: DHW
7 – چوب و EH	چوب: SH	15 – پلت و ST	گلوله: SH
	EH: DHW		ST: DHW
8 – گلوله	SH & DHW

سپس انرژی مورد نیاز برای SH، DHW، لوازم خانگی و روشنایی برای هر کهن الگو محاسبه می شود. برای تخمین مصرف خاص SH در ساختمان ها، داده ها از دو منبع مجزا استفاده می شود. در ابتدا، میانگین مصرف ویژه برای ساختمان های مسکونی سوئیس از Streicher et al. [37] ، که در آن داده ها با توجه به دوره ساخت و ساز ساختمان و محدوده جغرافیایی آن (به معنای منطقه روستایی، حومه یا شهری) گزارش می شود. سپس تنظیماتی بر روی این داده‌ها انجام می‌شود تا با داده‌های به‌دست‌آمده از RBD، طبقه‌بندی منطقه جغرافیایی برای مناطق تیچینو محاسبه شده مطابق با FSO [41] ، میانگین نسبت اقامتگاه‌های اولیه استخراج‌شده از ARE [42] و میانگین گرمایش انجام شود. درجه روز در هر منطقه [43] . متعاقبا، کل مصرف محاسبه شده برای SH مسکونی با مصرف گزارش شده در تراز انرژی کانتونال هماهنگ می شود [44] . این رویکرد ترکیبی، ترکیبی از عناصر هر دو روش از پایین به بالا و از بالا به پایین، با جزئیات بیشتری در مطالب تکمیلی توضیح داده شده است. تمایز مصرف را با در نظر گرفتن عوامل فنی و جغرافیایی تسهیل می کند و در عین حال از دقت برآورد مصرف کلی اطمینان می دهد. مصرف خاص SH حاصل از این دسته های کارایی، که به عنوان ورودی برای مدل استفاده می شود، در جدول 3 نشان داده شده است (برای توضیح دقیق روش تبدیل از طبقه دوره ساخت ساختمان به دسته بازده انرژی، به مواد تکمیلی مراجعه کنید).

جدول 3 . مصرف خاص SH [kWh/(m $^{2}$ $\cdot$ سال)] به عنوان ورودی در مدل SD استفاده می شود.

تایپ کنید	عملکرد	والماگیا	مندریسیو	بلینزونا	لونتینا	بلنیو	لوگانو	ریویرا	لوکارنو
SFH/DFH	خیلی کم	144	99	162	187	190	105	190	102
SFH/DFH	پایین	119	82	134	154	157	86	152	83
SFH/DFH	متوسط	72	50	82	94	96	53	94	51
SFH/DFH	بالا	49	34	55	63	64	36	64	34
SFH/DFH	بسیار بالا	20	14	22	25	26	14	25	14
MFH	خیلی کم	115	69	113	148	151	74	136	74
MFH	پایین	84	55	90	109	111	59	108	58
MFH	متوسط	57	39	64	73	75	41	75	40
MFH	بالا	36	25	41	47	48	26	48	26
MFH	بسیار بالا	20	13	22	25	26	14	26	14

2.2 . مدل دینامیک سیستم

مدل SD بر اساس شناسایی نمودار حلقه علّی (CLD) است که نشان دهنده پذیرش HP و PV در بخش مسکونی تیچینو است ( شکل 2 ). یک CLD یک نمایش بصری از روابط بین متغیرهای اصلی درگیر در سیستم های در نظر گرفته شده است [45] . در یک CLD، علامت «+» روی یک فلش نشان می‌دهد که افزایش متغیر علی منجر به افزایش متغیر تأثیر می‌شود، در حالی که علامت «-» نسبت معکوس بین متغیر علت و معلول را نشان می‌دهد. هنگامی که یک رشته از فلش ها یک متغیر را به خود پیوند می دهند، یک حلقه بازخورد تشکیل می شود. یک حلقه تقویت کننده “R” تغییر را تقویت می کند. از سوی دیگر، یک حلقه متعادل کننده “B” به دنبال ثبات سیستم است. CLD برای درک کیفی مهم‌ترین متغیرها در سیستم و نحوه تعامل آنها مفید است و ساختار پیچیده و همبستگی‌های سیستمی را به تصویر می‌کشد.

حلقه‌های R1 و R2 مکانیسم‌های تقویت‌کننده‌ای را نشان می‌دهند که توسط اثرات همتایان هدایت می‌شوند، که نشان‌دهنده جذابیت اجتماعی یک فناوری خاص است: هرچه بازیگران بیشتری که قبلاً یک راه‌حل خاص را پذیرفته باشند، جذابیت اجتماعی برای پذیرندگان بالقوه جدید بیشتر می‌شود. حلقه های متعادل کننده B1 و B2 تعداد کل ثابت ساختمان هایی را که قادر به استفاده از PV یا HP هستند را شامل می شود. بنابراین، با افزایش نسبت ساختمان‌هایی که قبلاً از فناوری در نظر گرفته شده استفاده می‌کردند، تعداد پذیرندگان جدید بالقوه کاهش می‌یابد. حلقه‌های تقویت‌کننده R3 و R4 دو جنبه از یک پدیده را تشکیل می‌دهند، که نشان می‌دهد چگونه گسترش فناوری‌های مبتنی بر برق بر قیمت برق تأثیر می‌گذارد. R3 مفهوم “مارپیچ مرگ” را نشان می دهد [9] : پذیرش PV بالاتر، برق مورد نیاز اپراتور سیستم توزیع (DSO) را کاهش می دهد، که در درجه اول هزینه های ثابت مستقل از تقاضای نهایی را دارد. در نتیجه، DSO مجبور است قیمت نهایی برق را افزایش دهد و پذیرش PV را از نظر اقتصادی جذاب‌تر کند. R4 یک مکانیسم موازی اعمال شده برای پذیرش HP را نشان می دهد: پذیرش بالاتر HP، برق مورد نیاز از DSO را افزایش می دهد و در نتیجه قیمت برق کاهش می یابد. حلقه تقویت کننده R5 و حلقه متعادل کننده B3 پیامد دیگری از پذیرش PV و HP در شبکه را مشخص می کند. ادغام این فناوری ها نوسانات تقاضای برق را افزایش می دهد و منجر به نیاز به تقویت شبکه توسط DSO می شود و هزینه های ثابت سالانه آن را افزایش می دهد. هزینه های ارتقاء شبکه باعث افزایش قیمت برق برای مصرف کنندگان نهایی می شود که پذیرش PV (R3) را تقویت می کند و پذیرش HP (B3) را متعادل می کند. در نهایت، حلقه تقویت کننده R6 نشان دهنده هم افزایی فنی-اقتصادی بین PV و HP است. نصب HP در یک ساختمان جذابیت اقتصادی نصب یک سیستم PV را در مقایسه با ساختمان هایی که با فناوری های غیرمحرکه برق گرم می شوند، افزایش می دهد. علاوه بر این، زمانی که یک ساختمان از قبل دارای سیستم PV باشد، جذابیت اقتصادی یک HP در هنگام انتخاب یک HS جدید، در مقایسه با HS سنتی بیشتر است.

لازم به ذکر است که این مدل شبیه سازی تغییرات تکنولوژیکی را به تصویر می کشد. به دنبال به حداقل رساندن یا به حداکثر رساندن هیچ تابع هدف خاصی نیست، چه در مقیاس کلان با استفاده از رویکرد برنامه ریزی اجتماعی و چه در مقیاس خرد که شامل حداکثرسازی مطلوبیت توسط عوامل منطقی است. در عوض، این مدل تصمیمات متنوعی را که توسط خانوارها گرفته می‌شود را در بر می‌گیرد و هدف آن بررسی این است که خانواده‌ها چه فناوری‌هایی را انتخاب کنند و تأثیر مداخلات سیاستی را بررسی کند. این مدل که در Vensim Ventana Systems [46] توسعه یافته است ، به سه ماژول تأثیرگذار متقابل ساختار یافته است که به طور همزمان عمل می کنند. سه ماژول، یعنی “HP Adoption”، “PV Adoption” و “Electricity Price” در شکل 2 مشخص شده اند . بخش‌های بعدی شرح مختصری از معادلات اولیه که هر ماژول را هدایت می‌کنند، همراه با توضیح دقیق‌تری از مدل موجود در مواد تکمیلی ارائه می‌دهد.

2.2.1 . پذیرش PV

همانطور که در بسیاری از کارهای علمی [47] ، [48] ، [49] بحث شد ، فرآیند تصمیم‌گیری در مورد نصب PV در پشت بام‌ها تحت تأثیر عواملی است که فراتر از ملاحظات فنی-اقتصادی صرف گسترش می‌یابد و طیفی از عوامل تعیین‌کننده دیگر را در بر می‌گیرد. در این مطالعه تحلیل الگوهای پذیرش با کهن الگوهای ساختمانی متنوع می شود (

i

) و از نظر کیفی در CLD زرد رنگ در شکل 2 نشان داده شده است . در هر مرحله زمانی

t

، سهام نشان دهنده ساختمان ها در کهن الگو

i

با یک PV نصب شده مطابق با زیر تکامل می یابد:(1)

B_{t, i}^{P V} = B_{t - 1, i}^{P V} + I_{t, i}^{P V}

(2)

I_{t, i}^{P V} = (B_{t, i} \cdot ϵ_{i} - B_{t, i}^{P V}) \cdot ρ_{t, i}^{P V}

(3)

ρ_{t, i}^{P V} = ν_{t} \frac{1}{1 + e^{- λ_{t, i}^{P V}}}

کجا

B^{P V}

آیا ساختمان هایی با PV نصب شده اند.

I^{P V}

آیا ساختمان هایی هستند که PV را در بازه زمانی در نظر گرفته شده نصب می کنند.

B

کل ساختمان ها هستند.

ϵ

سهم سقف های مناسب است که از DB 2 محاسبه می شود.

ρ^{P V}

احتمال پذیرش PV است.

ν_{t}

سهم افرادی است که PV را در نظر می گیرند که از 0 تا 1 متغیر است و در طول زمان مطابق معادله تکامل می یابد. (4) :(4)

ν_{t} = ν_{t - 1} + υ_{t}^{P V} \cdot ϕ \cdot (1 - ν_{t}) - δ \cdot ν_{t}

جایی که

υ_{t}^{P V}

اثر PV peer است و به عنوان سهم ساختمان هایی که قبلاً PV نصب شده اند محاسبه می شود.

ϕ

δ

ضرایبی هستند که در کالیبراسیون مدل یافت می شوند. سودمندی درک شده از نصب PV، که در معادله استفاده می شود. (3) برای محاسبه احتمال پذیرش طبق یک مدل لاجیت باینری [50] ، برای هر کهن الگوی ساختمان محاسبه می شود.

i

بر اساس سه عامل تعیین کننده:(5)

λ_{t, i}^{P V} = β_{0, i} + β_{1} \cdot E c o_{t, i} + β_{2} \cdot P H S_{i} + β_{3} \cdot V a l_{i}

کجا

t

نشان دهنده مرحله زمانی است که در آن ابزار درک شده محاسبه می شود، در حالی که

i

کهن الگوی واحد را نشان می دهد. این

β_{i}

وزنی هستند که به هر یک از عوامل مؤثر بر مطلوبیت درک شده اختصاص داده می شود. اینها در کالیبراسیون با داده های تاریخی (بخش 2.3 ) محاسبه می شوند و در طول زمان و بین کهن الگوهای ساختمان ثابت می مانند. معنای متغیرهای باقی مانده به شرح زیر است (برای توضیح بیشتر به مطالب تکمیلی مراجعه کنید):

•
سود اقتصادی (Eco): این عامل به عنوان صرفه جویی کلی پیش بینی شده در کل طول عمر PV منهای سرمایه گذاری نصب محاسبه می شود. محاسبات بر اساس نوع ساختمان، اندازه، عملکرد و HS نصب شده طبقه بندی می شود. محاسبه به طور پیچیده با اندازه PV مرتبط است، که بر اساس اندازه متوسط سقف تعیین می شود و حداقل مصرف خود را فرض می کند.
•
اشتراک خانه اصلی (PHS): این عامل بر اساس ناحیه بر اساس داده های ARE [42] محاسبه می شود . همبستگی بین این مقدار و پذیرش PV به این دلیل است که مناطقی که سهم بیشتری از خانه های تعطیلات دارند، احتمال پذیرش PV کمتری را نشان می دهند. این به هزینه قابل توجه نصب PV و چارچوب خط مشی غالب در کانتون تیچینو نسبت داده می شود (رجوع کنید به مواد تکمیلی)، که به نفع خود مصرفی به عنوان انگیزه ای برای نصب PV است.
•
ارزش خانه (Val): این عامل با عملکرد ساختمان محاسبه و متنوع می شود. این احتمال نصب PV را بر اساس این فرض منعکس می کند که اگر هزینه سرمایه گذاری نصب PV بخش قابل توجهی از ارزش خانه را تشکیل دهد، تصمیم برای نصب PV کمتر محتمل می شود. ضرایب مورد استفاده به عنوان ورودی از همبستگی بین سن خانه و ارزش آن در شاخص قیمت مدل املاک مسکونی سوئیس FSO [51] به دست آمده است .

برای سادگی، فرض بر این است که هنگامی که یک نیروگاه PV روی یک ساختمان نصب می شود، تصمیمی برای از کار انداختن آن نخواهد داشت. این همچنین به این معنی است که وقتی عمر PV به پایان می رسد، فرض می شود که یک نیروگاه PV جدید برای جایگزینی قدیمی نصب شده است. داده های مربوط به ورودی های خاص به مدل PV در جدول B.3.1 در مواد تکمیلی گزارش شده است.

2.2.2 . اتخاذ راه حل گرمایشی

مشابه پذیرش PV، انتخاب یک راه حل گرمایشی منوط به عوامل مختلفی است که فراتر از ملاحظات فنی-اقتصادی است [52] . در این تحقیق، یک مدل انتخاب گسسته برای بررسی احتمال انتخاب یک مالک خانه برای یک HS خاص از یک مجموعه انتخابی شامل بیش از دو گزینه مورد استفاده قرار می‌گیرد. با توجه به گزینه های متعدد HS در این مدل (همانطور که در جدول 2 نشان داده شده است )، یک مدل لجیت چند جمله ای (MNL) [53] اتخاذ شده است. تصمیم برای انتخاب یک راه حل خاص در چارچوب مدل سازی سودمند تصادفی ساختار یافته است. برای یک کهن الگوی ساختمانی معین

i

، جایی که یک صاحب خانه از مجموعه محدودی انتخاب می کند

j

جایگزین HS، ابزار در زمان

t

به صورت زیر بیان می شود:(6)

λ_{t, i, j}^{H S} = γ_{0, i} + γ_{1} \cdot E c o_{t, i, j} + γ_{2} \cdot V a l_{i} + γ_{3} \cdot υ_{t, j}^{H S} + γ_{4} \cdot G_{j}

کجا

γ_{i}

ضرایبی هستند که در کالیبراسیون مدل محاسبه می شوند (به بخش 2.3 مراجعه کنید ) و به چهار متغیر توضیحی در نظر گرفته شده یک وزن اختصاص می دهند.

υ_{t, j}^{H S}

اثر همتا محاسبه شده برای هر HS است.

G_{j}

ابزار سبز در نظر گرفته شده است

j

HS، به عنوان کل انتشار گازهای گلخانه ای مرتبط با آن در طول عمر آن محاسبه می شود. پس از چارچوب MNL، احتمال انتخاب

ρ_{t, i, j}^{H S}

برای یک ساختمان

i

برای نصب محلول گرمایشی

j

به صورت زیر بیان می شود:(7)

ρ_{t, i, j}^{H S} = \frac{e^{λ_{t, i, j}^{H S}}}{\sum_{j}^{} e^{λ_{t, i, j}^{H S}}}

فرض بر این است که ساختمان ها

B_{t, i, j}

محلول گرمایشی آنها را جایگزین کنید

j

زمانی که عمر آن

L_{j}

به پایان می رسد. بنابراین، در هر مرحله زمانی

t

، کل پذیرش های جدید

T_{t, i}

برای ساخت کهن الگو

i

و پذیرش های جدید

τ_{t, i, j}

هر محلول گرمایشی

j

به صورت زیر محاسبه می شوند:(8)

T_{t, i} = \sum_{j}^{} \frac{B_{t, i, j}}{L_{j}}

(9)

τ_{t, i, j} = T_{t, i} \cdot ρ_{t, i, j}^{H S}

پارامترهای ورودی برای مدل‌سازی فناوری‌های مختلف گرمایش در نظر گرفته شده در جدول B.3.1 در مواد تکمیلی گزارش شده‌اند. داده‌های مورد استفاده برای مدل‌سازی پمپ‌های حرارتی به پمپ‌های حرارتی هوا-آب اشاره دارد، که گونه‌شناسی است که به طور گسترده در سوئیس استفاده می‌شود [54] .

2.2.3 . قیمت برق

این بخش معادلات اصلی را توضیح می‌دهد که برای تخمین تأثیرات استقرار گسترده فناوری‌های مبتنی بر برق، مانند PV و HP استفاده می‌شوند. همانطور که قبلا به صورت کیفی در بخش 2.2 توضیح داده شد ، دو اثر این استقرارها بر هزینه‌های کل DSO (و در نتیجه بر قیمت برق) در نظر گرفته می‌شود: اثر بر هزینه‌های تقویت شبکه به دلیل نوسانات بیشتر و اثرات تغییر تقاضای نهایی کلی. قیمت برق

p

برای مصرف کننده نهایی به صورت درون زا در مدل، به عنوان تابعی از پارامترهای مختلف محاسبه می شود:(10)

p = e_{p} + p_{T S O} + p_{D S O} + t_{c} + t_{f}

کجا

t_{c}

t_{f}

به ترتیب مالیات کانتونی و مالیات فدرال را نشان می دهد. این مقادیر در طول دوره زمانی شبیه سازی ثابت نگه داشته می شوند و برابر با مقادیر 2023 هستند.

e_{p}

هزینه تولید انرژی است و فرض می شود در آینده به عنوان تابعی از سهم پیش بینی شده تولید برق در سطح سوئیس [2] و LCOE فناوری های تولید برق [55] تغییر می کند .

p_{T S O}

قیمت TSO است، از [56] کسر می شود و 1% در سال افزایش می یابد. در نهایت، فرض بر این است که قیمت DSO (

p_{D S O}

تغییرات به عنوان تابعی از کل هزینه های DSO (

C^{D S O}

) و کل تقاضای برق (

D

):(11)

p_{D S O} = \frac{C^{D S O}}{D}

کل هزینه های DSO برای سال 2023 محاسبه می شود (

C^{D S O, i n i t i a l}

) با در نظر گرفتن شارژ DSO و کل تقاضای برق همان سال (

D^{i n i t i a l}

). این هزینه در مدل با در نظر گرفتن نرخ تورم و افزایش هزینه های DSO لازم برای ارتقاء شبکه به دلیل نفوذ HP و PV به روز می شود.

C_{G U}

) که از گوپتا و همکاران گرفته شده است. [57] و برای هر ناحیه محاسبه شد.(12)

C^{D S O, i n i t i a l} = p_{D S O, i n i t i a l} \cdot D^{i n i t i a l}

(13)

C^{D S O} = C^{D S O, i n i t i a l} \cdot (1 + r) + C_{G U}

در ایالت تیچینو، DSO بسیاری وجود دارد ( برای فهرست جامع به ElCom [56] مراجعه کنید). برای سادگی، DSO با مناطق همراه است و تنها چهار DSO بزرگ در نظر گرفته شده است. این مناطق و ولسوالی های مربوطه در جدول 4 گزارش شده است (نام آنها با یک شمارش ساده جایگزین شده است). مهم است که تاکید شود که هدف این ماژول پیش‌بینی قیمت بلندمدت برق در آینده نیست، بلکه تلاش برای تخمین روند آن با توجه به نفوذ بیشتر فناوری‌های مبتنی بر انرژی‌های تجدیدپذیر است. این برای بستن بسیاری از حلقه های بازخورد بین ماژول های پذیرش PV و HS اساسی است.

جدول 4 . DSO خدمت به هر منطقه در نظر گرفته شده است.

DSO	مناطق خدمت شده
DSO 1	لوگانو
DSO 2	مندریسیو
DSO 3	بلینزونا
DSO 4	لونتینا
	بلنیو
	والماگیا
	ریویرا
	لوکارنو

2.3 . کالیبراسیون مدل

قبل از ارزیابی تکامل سیستم تا سال 2050، درک دینامیک رفتاری آن ضروری است. برای رسیدن به این هدف، یک مرحله محوری در ساخت مدل SD شامل کالیبراسیون آن با استفاده از داده های تاریخی از کانتون تیچینو است. 49 پارامتر کالیبره شده ضرایب متنوعی هستند که بر کاربرد درک شده HS و PV تأثیر می‌گذارند، همانطور که به طور خلاصه در بخش 2.2 توضیح داده شده است (برای یک روش جامع به مواد تکمیلی مراجعه کنید). داده های تاریخی مورد استفاده برای کالیبراسیون، الگوهای پذیرش در هر یک از دسته بندی های ساختمانی در نظر گرفته شده (یعنی اندازه، نوع، عملکرد، ناحیه) برای PV و HP را درک می کند (به معادلات (3) ، (7) مراجعه کنید ). در طول فرآیند کالیبراسیون، تنظیمات مربوط به ضرایب زیر انجام می شود:

•
$β$ ضرایب مورد استفاده برای محاسبه مطلوبیت درک شده از نصب PV (به معادله (5) مراجعه کنید ). این $β$ ضرایب کالیبره شده 23 است (جدول C.1a در مواد تکمیلی).
•
$γ$ ضرایب مورد استفاده برای محاسبه سودمندی درک شده نصب HP (به معادله (6) مراجعه کنید ). این $γ$ ضرایب کالیبره شده 23 است (جدول C.1b در مواد تکمیلی).
•
ضریب $ϕ$ و $δ$ در معادله (4) و همچنین یک ضریب به نام $ω$ ، که نشان دهنده سهم اولیه افرادی است که PV را در نظر می گیرند (در سال 2011) کالیبره شده است (جدول C.1c در مواد تکمیلی).

کالیبراسیون تفاوت بین احتمالات پذیرش محاسبه شده از داده های تاریخی و احتمالات حاصل از مدل را به حداقل می رساند. این در دو مرحله مختلف انجام می شود: اول، فقط 12 ضریب برای محاسبه

ν

در معادله (4) (

ϕ

δ

ω

) و اوزان ضرب در پیش بینی کننده ها در معادله. (5) و (6) (یعنی

β_{1}

β_{2}

β_{3}

γ_{1}

γ_{2}

γ_{3}

γ_{4}

) کالیبره شده اند. دوم، داده های کالیبره شده از مرحله اول ثابت نگه داشته می شوند و 38 عبارت خاص برای کهن الگوها (

β_{0, i}

γ_{0, i}

) کالیبره شده اند. مدل، با داده‌های 2011 اولیه، با داده‌های 12 سال بعدی (تا سال 2023) کالیبره شده است: کل مشاهدات مورد استفاده برای کالیبراسیون 480 است. جزئیات بیشتر و نمایش بصری موجود در مواد تکمیلی.

پس از کالیبراسیون، روش موریس [34] برای ارزیابی اهمیت پارامترهای کالیبره شده بر روی خروجی های مدل و شناسایی گروه محدودی از ورودی ها که بیشترین تأثیر را بر خروجی مدل دارند، اعمال می شود. روش موریس به ویژه برای مدل‌هایی با تعداد زیادی فاکتور ورودی مفید است، زیرا یک روش محاسباتی کارآمد برای شناسایی عوامل تأثیرگذار و اولویت‌بندی آنها برای تجزیه و تحلیل بیشتر و دقیق‌تر ارائه می‌کند. پارامترهای آزمایش شده با روش موریس سپس بر اساس میانگین مقدار مطلق و واریانس اثرات اولیه آنها رتبه بندی می شوند و برای انتخاب تنها تأثیرگذارترین ورودی ها غربال می شوند (برای توضیحات بیشتر به مطالب تکمیلی مراجعه کنید). روش غربالگری منجر به شناسایی 13 پارامتر ورودی شد که تأثیر زیادی بر احتمال پذیرش دارند. این پارامترها در تحلیل عدم قطعیت مونت کارلو که برای هر سناریو اکتشافی انجام می‌شود، متفاوت هستند.

پایدار، سبز یا هوشمند؟ مسیرهایی...

ژوئن 9, 2026