Enhanced RIME-Based Energy Management Strategy for Techno-Economic Optimization of Standalone Hybrid Micro-grid

Technisches Resümee: Verbesserte RIME-basierte Energiemanagementstrategie zur techno-ökonomischen Optimierung eines autarken hybriden Insel-Mikronetzes

Problemstellung
Die Integration erneuerbarer Energieressourcen (RES) in isolierte, netzunabhängige Gemeinschaften erfordert effiziente Methoden für die optimale Dimensionierung autarker hybrider Mikronetze. Diese Systeme stehen vor erheblichen Herausforderungen aufgrund der intermittierenden Natur von Solar- und Windressourcen, was den Ausgleich zwischen Angebot und Nachfrage erschwert. Die in dieser Studie behandelte zentrale technische Herausforderung ist die optimale Dimensionierung eines Hybridsystems, das aus Photovoltaik-Modulen (PV), Windturbinen (WT), Brennstoffzellen (FC) und Batteriespeichersystemen (BESS) besteht. Dies stellt ein komplexes, nicht-lineares, nicht-konvexes, gemischt-ganzzahliges und beschränktes Optimierungsproblem dar. Klassische Optimierungsmethoden sind oft ineffizient darin, globale optimale Lösungen innerhalb einer angemessenen Rechenzeit für solche hochdimensionalen Probleme (speziell ein 42-dimensionales Ganzzahlmodell in diesem Fall) zu finden. Während metaheuristische Algorithmen wie die Partikelschwarmoptimierung (PSO) und der kürzlich vorgeschlagene RIME-Algorithmus (Rime Optimization) Alternativen bieten, können sie bei der Anwendung auf komplexe, beschränkte Designräume unter vorzeitiger Konvergenz, Verlust der Populationsdiversität und Stagnation in lokalen Optima leiden.

Methodik
Die Studie schlägt ein umfassendes techno-ökonomisches Framework vor, das auf ein autarkes hybrides Mikronetz am Standort Zafarana im Golf von Suez, Ägypten, angewendet wird. Die Systemarchitektur verbindet die Erzeugungs- und Speichersubsysteme (PV, WT, FC, BESS) über einen gemeinsamen DC-Bus unter Verwendung spezifischer Konverter und Wechselrichter zur Steuerung des Leistungsflusses.

1. Systemmodellierung:

   • Erzeugung: Die PV-Leistung wird basierend auf Einstrahlung und Temperatur modelliert; die WT-Leistung folgt einer stückweisen Leistungskurve; die Brennstoffzelle fungiert als steuerbare Erzeugungsquelle.
   • Speicherung: Ein Dual-Speicher-Ansatz wird modelliert, einschließlich eines BESS für die kurzfristige Pufferung und eines Wasserstoffspeichersystems (Elektrolyseur und H₂-Tank) für die Langzeitspeicherung.
   • Beschränkungen: Die Optimierung erzwingt die Leistungsbilanz über vier repräsentative Betriebsszenarien (Sommer/Winter, Tag/Nacht), die jährliche Energiezuderlässlichkeit, die Komponententauglichkeit und eine minimale Batterie-Backup-Dauer von 3 Tagen.
   • Zielsetzung: Ziel ist die Minimierung der gesamten Lebenszykluskosten (Kapital-, Installations- und Betriebskosten/Wartungskosten) über einen Projektzeitraum von 20 Jahren.

2. Vorgeschlagener Algorithmus (E-RIME):
   Die Autoren führen einen verbesserten RIME-Algorithmus (E-RIME) ein, um die Einschränkungen des Basis-RIME und des PSO zu adressieren. E-RIME integriert vier spezifische Verbesserungsmechanismen in den Standard-RIME-Suchzyklus:

   • Tent Chaotic Initialization: Ersetzt die zufällige Initialisierung, um die Populationsdiversität und die Abdeckung des Suchraums zu verbessern.
   • Opposition-Based Learning (OBL): Bewertet gegenüberliegende Kandidatenlösungen während der Initialisierung, um qualitativ hochwertigere Individuen zu erhalten.
   • Adaptive Nicht-Lineare Parametersteuerung: Verwendet eine Kosinus-Zerfallsfunktion, um den Übergang von Exploration zu Exploitation zu steuern.
   • Stagnation Restart Mechanismus: Reinitialisiert periodisch schlecht performende Agenten, um vorzeitige Konvergenz zu verhindern und die Diversität aufrechtzuerhalten.

3. Experimenteller Aufbau:
   Die Leistung von E-RIME wurde unter identischen Bedingungen gegen Basis-RIME und PSO verglichen: 60 Suchagenten, 30 unabhängige Durchläufe und variierende Iterationsbudgets (20, 100 und 300 Iterationen).

Wichtigste Ergebnisse

• Konvergenzleistung: E-RIME zeigte die schnellste Konvergenzgeschwindigkeit, insbesondere unter begrenzten Rechenbudgets (20 Iterationen). Während Basis-RIME und PSO langsamere anfängliche Verbesserungen zeigten, erreichte E-RIME konsistent früher niedrigere Lebenszykluskosten im Suchprozess.
• Minimierung der Lebenszykluskosten: Über alle Iterationsbudgets hinweg erzielte E-RIME die niedrigsten Gesamtlaufzeitkosten.
  • Bei 20 Iterationen übertraf E-RIME ($2,0967 \times 10^6$) den PSO ($2,3787 \times 10^6$) und RIME ($2,5613 \times 10^6$) signifikant.
  • Bei 300 Iterationen erreichte E-RIME die letztendliche niedrigste Kostenstruktur ($1,2581 \times 10^6$), gefolgt von RIME ($1,4129 \times 10^6$) und PSO ($2,1805 \times 10^6$). Bemerkenswerterweise stiegen die Kosten des PSO zwischen 100 und 300 Iterationen leicht an, was auf Schwierigkeiten bei der Verfeinerung der Lösungen über längere Suchen hindeutet.
• Optimale Komponentengröße: Der E-RIME-Algorithmus bestimmte eine optimale Konfiguration, die von PV-Modulen (Typ 3) und Brennstoffzellen (Typ 1) dominiert wird. Entscheidend ist, dass der Optimierer null Windturbineneinheiten wählte, was darauf hindeutet, dass unter den spezifischen techno-ökonomischen Annahmen und den Bedingungen des Standorts Zafarana die Windenerzeugung nicht kosteneffizient war. Die Lösung beinhaltete eine signifikante Batteriekapazität (Typen 1–3) und die vollständige Ausnutzung der Wechselrichter- und Konverterkapazitäten.
• Systembetrieb: Die 24-Stunden-Leistungsbilanzanalyse zeigte, dass die Brennstoffzelle eine konstante Grundlast lieferte, während die PV-Anlage während der Tagesstunden beitrug. Das Batteriesystem arbeitete primär in einem kontinuierlichen Lademodus, um Überschussenergie aufzunehmen, was die Fähigkeit des Systems bestätigt, die Lastanforderungen mit einer stabilen Versorgung zu erfüllen.

Bedeutung und Ansprüche
Das Paper behauptet, dass das vorgeschlagene E-RIME-Framework eine effektive und robuste Lösung für groß angelegte, gemischt-ganzzahlige hybride Mikronetz-Dimensionierungsprobleme ist. Die Studie stellt fest, dass die Integration von chaotischer Initialisierung, OBL, adaptiver Parametersteuerung und einem Stagnation-Restart-Mechanismus erfolgreich das Gleichgewicht zwischen Exploration und Exploitation verbessert und so zu einer überlegenen Lösungsqualität und schnelleren Konvergenz im Vergleich zu etablierten Metaheuristiken wie PSO und dem Basis-RIME führt.

Die Autoren heben hervor, dass E-RIME besonders geeignet für Anwendungen mit eingeschränkten Rechenbudgets ist, bei denen eine schnelle Konvergenz erforderlich ist, während es gleichzeitig die Fähigkeit beibehält, über längere Suchszenarien hinweg überlegene globale Optima zu finden. Die Ergebnisse bestätigen die Wirksamkeit des Ansatzes bei der Minimierung der Lebenszykluskosten für autarke erneuerbare Energiesysteme.

Einschränkungen und zukünftige Arbeiten
Die Studie räumt ein, dass ihre Ergebnisse auf deterministischen Daten für erneuerbare Ressourcen und Lasten basieren, ohne die Degradation von Komponenten, Unsicherheiten oder stochastische Betriebsbedingungen explizit zu modellieren. Die Autoren schlagen vor, zukünftige Forschungsarbeiten durch die Einbeziehung von Unsicherheitsmodellierung, degradationsbewussten Lebenszyklusbewertungen und Echtzeit-Energiemanagementstrategien zu erweitern, um die praktische Anwendbarkeit des Frameworks weiter zu verbessern.