Optimal design and operation of cogeneration-based distributed … · 2019-12-13 · LUCA URBANUCCI ∙ UNIVERSITÀ DI PISA ∙ 13 NOVEMBRE 2019 Corso di Dottorato in Ingegneria dell’Energia,

LUCA URBANUCCI UNIVERSITÀ DI PISA 13 NOVEMBRE 2019∙ ∙

Corso di Dottorato in Ingegneria dell’Energia, dei Sistemi, del Territorio e delle CostruzioniXXXII CICLO

Dipartimento di Ingegneria dell’Energia, dei Sistemi, del Territorio e delle Costruzioni

Optimal design and operationof cogeneration-baseddistributed energy systemswith a special focus on the integration of heat pumps

Allievo: Luca UrbanucciSupervisore: Prof. Daniele Testi

LUCA URBANUCCI UNIVERSITÀ DI PISA 13 NOVEMBRE 2019∙ ∙Dipartimento di Ingegneria dell’Energia, dei Sistemi, del Territorio e delle Costruzioni

INTRODUZIONE

• Distributed Energy Systems (DES): sistemi energetici in cui la produzione/conversione di energia avviene nei pressi dell’utilizzatore

finale e attraverso l’adozione di unità di piccola taglia, favorendo l’integrazione ottimale di diverse tecnologie e fonti energetiche.

• Sistemi poligenerativi (p.e. co- e tri-generazione): producono simultaneamente più prodotti e sono caratterizzati da un’elevata

efficienza complessiva.

• Smart energy systems (o multi-energy systems): sistemi in cui i vari vettori energetici interagiscono fra di loro con l’obiettivo di ridurre i

consumi, i costi e le emissioni inquinanti. Interazione ottimale dei vari settori energetici (elettrico, raffrescamento, riscaldamento, trasporti)

→ aumento della flessibilità e dell’efficienza complessiva.

(2)


DISTRIBUTED ENERGY SYSTEMS

Distributed Energy Systems (DES)Principali vantaggi:• Possibilità di sfruttare sinergie fra diverse tecnologie• Elevata penetrazione di FER locali• Utilizzo di cascami termici e calore di scarto (elevata efficienza)• Riduzione delle perdite di trasmissione• Possibilità di utilizzare combustibili «locali»

Principali svantaggi:• Elevata complessità nella progettazione e nella gestione• Necessità di sviluppare un nuovo quadro normativo• Necessità di sviluppare nuove infrastrutture e graduale dismissione

delle vecchie• Produzione locale delle emissioni inquinanti

(3)


OBIETTIVI, METODOLOGIA E ORIGINALITÀ

Obiettivi, metodologia e originalità• La tesi nasce dall’idea di dare un contributo allo sviluppo della conoscenza

scientifica nel campo dei DES, con un focus particolare sui sistemicogenerativi.

• Lo scopo e l’originalità sono duplici:▪ da un lato, proporre metodologie avanzate per la progettazione dei

DES, al fine di massimizzarne le performance economiche, energeticheed ambientali;

▪ dall’altro, ideare e valutare nuove configurazioni per DES, nell’ottica dimigliorare e sfruttare al meglio le sinergie fra diversi componenti evettori energetici (in particolare mediante l’adozione di pompe di calore,che rappresentano un elemento di interconnessione fra diversi vettori).

• L’approccio metodologico seguito nella tesi si basa sulla simulazionenumerica dei sistemi energetici, a valle della modellazione matematica delleloro caratteristiche termodinamiche.

(4)


MODELLAZIONE E SIMULAZIONE DI DES

Modellazione e simulazione di DESLa complessità intrinseca dei DES rende le loro performance strettamente

dipendenti dalla progettazione e dalla gestione.

Sono necessari strumenti avanzati che supportino il decision-making in questo ambito.

La simulazione numerica permette di stimare le performance dei DES in modo veloce ed economico, confrontando varie soluzioni impiantistiche

sull’intera vita utile e permettendo l’ottimizzazione delle variabili in gioco.

A tal fine, è necessaria la modellazione matematica delle caratteristiche termodinamiche dei sistemi considerati che permetta una rappresentazione

realistica del comportamento del sistema e delle interazioni fra i suoi componenti.

(5)


MODELLAZIONE

Motori a combustione internaModellazione black-box: rendimenti (elettrico e termici) funzione del fattore di carico

(6)


MODELLAZIONE

Pompe di calore• Prestazioni dipendenti dalla temperatura delle sorgenti termiche e dal

fattore di carico: rendimento di secondo principio + correction factor• Stesso approccio per pompe di calore e chiller, per unità a

compressione di vapore a ad assorbimento

𝐶𝑂𝑃 = 𝐶𝑂𝑃𝑖𝑑 ∙ 𝜂𝑒𝑥∙ 𝐶𝑅

COP ideale (o di Carnot), funzione della temperatura

delle sorgenti

Rendimento exergetico (di secondo principio)

costante localmente

Correction factor, funzione del

fattore di carico

(7)


INCERTEZZA NEI DES

Incertezza nei DES➢ Qualsiasi modello è affetto da incertezza; i modelli di sistemi energetici

non fanno eccezione.➢ Per questo motivo è necessario identificare i parametri incerti e

sviluppare metodologie in grado di tenere in considerazione l’incertezzaal fine di rendere più robusti e affidabili i risultati.

➢ I principali parametri affetti da incertezza nei modelli di DES sono:• Condizioni meteorologiche (fonti rinnovabili, temperatura

ambiente)• Parametri economici (prezzi dell’energia, costi di manutenzione,

feed-in tariffs)• Caratteristiche degli edifici (proprietà termofisiche dell’involucro) e

profili di utilizzo• Caratteristiche tecniche (durata di vita delle tecnologie,

deterioramento delle prestazioni)

(8)


INCERTEZZA NEI DES

Metodo Monte Carlo

(9)


IL DESIGN DEI DES

Il “design” dei DES: la decomposizione del problema

(10)


IL DESIGN DEI DES

Operational strategiesL’unità cogenerativa è il «nucleo» del DES e le sue strategie operativecondizionano in cascata tutte le altri unità. Inoltre, le unità basate suFER non sono programmabili e, pertanto, il problema della gestioneoperativa riguarda principalmente i sistemi co e trigenerativi.

Strategie tradizionali:• Inseguimento carico termico• Inseguimento carico elettrico• Base-load operation• Full-load operation

Tuttavia, queste strategie «rule-based» sono generalmente subottimalie per questa ragione si ricorre a strategie operative che ottimizzano leperformance del sistema rispetto a uno o più indicatori prestazionali.

(11)


TECNICHE DI OTTIMIZZAZIONE PER IL DESIGN DI DES

Design deterministico:

Algoritmo di ottimizzazione a due livelli annidati:• Algoritmo genetico per

l’ottimizzazione del livello «sintesi/dimensionamento»

• Mixed Integer Linear Programming/Greedy approachper il livello operativo (a seconda che l’inerzia del sistema sia o meno significativa)

(12)


TECNICHE DI OTTIMIZZAZIONE PER IL DESIGN DI DES

Design stocastico:Algoritmo di ottimizzazione su 3 livelli:• Algoritmo genetico per l’ottimizzazione di sintesi e dimensionamento• Metodo Monte Carlo per trattare le variabili probabilistiche• MILP/approccio greedy per ottimizzare la gestione operativa

OPTIMAL SYNTHESIS/

SIZING: GENETIC

ALGORITHM

UNCERTAIN MULTIPLE

SCENARIOS: MONTE CARLO

METHOD

OPTIMAL OPERATION:

MILP/GREEDY APPROACH

Tentativedesign

Single scenario

(13)


SVILUPPO DI METODOLOGIE PER IL DESIGN E VALUTAZIONE DI CONFIGURAZIONI INNOVATIVE

Sviluppo di metodologie per il design e valutazione di configurazioni innovativeQuesta seconda parte rappresenta il contributo originale della tesi, a valle di un’analisi critica delle informazioni raccolte sullo stato dell’arte.Consta di 6 lavori distinti, ognuno dei quali ha il fine:➢ o di sviluppare metodologie avanzate per il design ottimo di

DES,➢ o di ideare e analizzare configurazioni innovative al fine di

incrementare l’efficienza del sistema e la penetrazione di fonti rinnovabili.

Ogni proposta (metodologica o di configurazione) è stata testata e analizzata in uno specifico caso studio.

(14)


SVILUPPO DI METODOLOGIE PER IL DESIGN

(15)

Obiettivo Configurazione

impiantistica

Caso studio e ODG carichi Peculiarità

1) Progettazione

ottimale

deterministica

Sistema

cogenerativo con

accumulo termico

Edificio scolastico a San Francisco

Carico elettrico ~ 500 kW

Carico riscaldamento ~ 500 kW

- Adozione di algoritmo

genetico, mixed integer linear

programming e rolling horizon

• Urbanucci L, Testi D, D’Ettorre F. (2019) A comprehensive methodology for the integrated optimal sizing and operation of

cogeneration systems with thermal energy storage. Energies 12(5).

• Urbanucci L. (2018) Limits and potentials of Mixed Integer Linear Programming methods for optimization of polygeneration

energy systems. Energy Procedia 148:1199-205.

2) Progettazione

ottimale

stocastica

Sistema

cogenerativo

Ospedale in Versilia



- Adozione metodo Monte Carlo

e approccio greedy

- Ottimizzazione multi-obiettivo• Urbanucci L, Testi D. (2018) Optimal integrated sizing and operation of a CHP system with Monte Carlo risk analysis for long-

term uncertainty in energy demands. Energy Conversion and Management 157:307-16.

3) Gestione

operativa

ottimale real-

time

Sistema

trigenerativo

Rete teleriscaldamento a Barcellona

Carico frigorifero ~ 3000 kW

Carico ACS ~ 300 kW

- Utilizzo di dati reali su base

minuto per stimare il

fabbisogno e le prestazioni

(stagione estiva)• Urbanucci L, Testi D, Bruno JC. (2018) An operational optimization method for a complex polygeneration plant based on real-

time measurements. Energy Conversion and Management 170:50-61.

• Urbanucci L, Bruno JC, Testi D. (2018) An operational optimization method for a complex polygeneration plant based on real-

time measurements. Proceeding of the 8th Heat Powered Cycles Conference.


VALUTAZIONE DI CONFIGURAZIONI INNOVATIVE

(16)

Configurazione impiantistica Caso studio e ODG carichi Metodi adottati e peculiarità1) Sistema trigenerativo con

pompa di calore ad alta

temperatura

Industria farmaceutica in Toscana




- Simulazione del ciclo della PdC

per selezione fluido ottimale

- Analisi exergetica

- Analisi LCOE

- Ottimizzazione in caso studio• Urbanucci L, Bruno JC, Testi D. (2018) Thermodynamic and economic analysis of the integration of high-temperature heat

pumps in trigeneration systems. Applied Energy 238:516-33.

2) Sistema cogenerativo con

pompa di calore reversibile ad

assorbimento

Edificio a uso ufficio a Pisa




- Analisi exergetica

- Analisi LCOE

- Ottimizzazione in caso studio

• Urbanucci L, Testi D. (2019) Integration of reversible absorption heat pumps in cogeneration systems: exergy and economic

assessment. Energy Conversion and Management 200:112062.

• Testi D, Urbanucci L. (2019) Integration of reversible absorption heat pumps in micro-trigeneration systems: application to an

office building. Proceeding of the 14th Conference on Sustainable Development of Energy, Water, and Environment Systems.

3) Sistema trigenerativo con

pompa di calore reversibile a

compressione di vapore + PV +

WT

Edificio a uso ufficio a Pisa




- Ottimizzazione in caso studio

- Integrazione di FER (pannelli

fotovoltaici e aerogeneratori)

• Urbanucci L, Testi D, Bruno JC. (2019) Integration of reversible heat pumps in trigeneration systems for low-temperature

renewable district heating and cooling microgrids. Applied Sciences 9(15).


OTTIMIZZAZIONE STOCASTICA DEL DIMENSIONAMENTO DI SISTEMI COGENERATIVI IN CONSIDERAZIONE DI INCERTEZZA NEL FABBISOGNO

Ottimizzazione stocastica del dimensionamento di sistemi cogenerativi in considerazione di incertezza nel fabbisogno• Sviluppo di una metodologia probabilistica per tenere in considerazione

incertezza di lungo periodo nel fabbisogno energetico.• I carichi elettrici e termici sono stati caratterizzati come distribuzioni di

probabilità e non come valori deterministici → adozione del metodo MonteCarlo per simulare gli scenari.

• Confronto fra strategie di gestione tradizionali eottimale.

• Ottimizzazione stocastica multi-obiettivo suvalore atteso del costo annuo (di investimento eoperativo) e worst-case scenario (value at risk al97.5esimo percentile).

(17)



(18)

Caso studio ospedale Versilia: fabbisogno energetico

𝐸𝑠𝑖 = 𝐸𝑛𝑜𝑚

𝑖 ⋅ 𝛼𝑠

pdf coefficient



(19)

Esempio risultati metodo Monte Carlo: distribuzione di probabilità del costo annuo



(20)

Confronto tra approccio deterministico e probabilistico e tra logiche di gestione tradizionali e ottimale



(21)

Risultati ottimizzazione multi-obiettivo: Fronte di Pareto



• La metodologia restituisce risultati in forma di distribuzioni diprobabilità, fornendo così informazioni dettagliate utili al decision-maker.

• Il dimensionamento ottimo deterministico è risultato sub-ottimalerispetto a quello stocastico, sia in termini di valore atteso che diworst-case scenario (value at risk).

• L’approccio deterministico avrebbe portato a un sovra-dimensionamento dell’unità cogenerativa di circa il 30% e a unasovrastima del risparmio annuo di circa il 10%.

• Le unità a taglia inferiore risultano essere più robuste in termini diworst-case scenario.

• È stata messa in luce l’importanza di considerare l’effettodell’incertezza nel design di sistemi DES.

(22)


INTEGRAZIONE DI POMPE DI CALORE AD ASSORBIMENTO REVERSIBILI IN SISTEMI COGENERATIVI

Integrazione di pompe di calore ad assorbimento reversibili in sistemi cogenerativi

(23)

• Sintesi e modellazione del sistema

• Analisi exergetica

• Analisi LCOE• Ottimizzazione

in un caso studio

HEATING MODE COOLING MODE

Nominal external

temperature

Supply water

temperature𝐶𝑂𝑃𝑅𝐴𝐻𝑃,𝐻

Nominal external

temperature

Supply water

temperature𝐶𝑂𝑃𝑅𝐴𝐻𝑃,𝐶

7 °𝐶 50 °𝐶 1.40 35 °𝐶 7 °𝐶 0.67

• La pompa di calore ad assorbimento è alimentata dai gas discarico del motore a combustione interna per produrreenergia termica e frigorifera, alternativamente.

• È stata considerata un’unità disponibile in commercio(Robur) che opera un ciclo GAX (Generator Absorber heateXchanger), con temperatura al generatore di circa 200 °C.

• L’unità originale è direct-fired (include un bruciatore a gasnaturale); nella configurazione proposta il bruciatore èsostituito dal sistema di recupero ad alta temperatura delmotore a combustione interna (T circa 450 °C).



Integrazione di pompe di calore ad assorbimento reversibili in sistemi cogenerativi

(24)



(25)

Analisi exergetica: confronto con sistemi tradizionali

𝜼𝑩 𝑪𝑶𝑷𝑬𝑪 𝜼𝑪𝑯𝑷,𝑬 𝜼𝑪𝑯𝑷,𝑸,𝑳𝑻 𝜼𝑪𝑯𝑷,𝑸,𝑯𝑻 𝑪𝑶𝑷𝑨𝑪

85 % 3.0 37.5 % 20.8 % 32.5 % 0.75



(26)

Analisi exergetica: confronto con sistemi tradizionali

𝐻𝑒𝑎𝑡𝑖𝑛𝑔 𝑈𝑡𝑖𝑙𝑖𝑧𝑎𝑡𝑖𝑜𝑛 𝐹𝑎𝑐𝑡𝑜𝑟 =𝑒𝑞𝑢𝑖𝑣𝑎𝑙𝑒𝑛𝑡 ℎ𝑜𝑢𝑟𝑠 𝑜𝑓 𝑡ℎ𝑒 ℎ𝑒𝑎𝑡𝑖𝑛𝑔 𝑠𝑒𝑎𝑠𝑜𝑛

𝑎𝑛𝑛𝑢𝑎𝑙 𝑒𝑞𝑢𝑖𝑣𝑎𝑙𝑒𝑛𝑡 ℎ𝑜𝑢𝑟𝑠

𝑟 𝑙𝑖𝑓𝑒𝑡𝑖𝑚𝑒 𝐴𝐸𝐻 𝑐𝐼𝑁𝑉,𝐶𝐻𝑃 𝑐𝐼𝑁𝑉,𝑅𝐴𝐻𝑃 𝑐𝐺 𝑐𝐸,𝑃

2% 20 𝑦𝑒𝑎𝑟𝑠 8760 ∙ 0.8

ℎ𝑜𝑢𝑟𝑠

2000

€/𝑘𝑊𝐶𝐻𝑃,𝐸

500

€/𝑘𝑊𝑅𝐴𝐻𝑃,𝐻

0.07

€/𝑘𝑊ℎ

0.19

€/𝑘𝑊ℎ



(27)

Analisi Levelized Cost of Electricity (LCOE)Valutazione preliminare della fattibilità economica della configurazione proposta, confrontandola con il sistema di produzione separata.

𝐿𝐶𝑂𝐸 =

=𝐶𝑅𝐹

𝑡𝑦 ∙ 𝐶𝐹𝑐𝐼𝑁𝑉 +

𝐺

𝐸𝑐𝐺 −

𝐺𝑎𝑣,𝐵𝐸

𝑐𝐺

−𝐸𝑎𝑣,𝐸𝐸

𝑐𝐸

𝑐𝐸 ≥ 𝐿𝐶𝑂𝐸

Screening condition:



Il sistema è stato ottimizzato in termini di dimensionamento e gestione annuasu base oraria, generando risparmi del 5 e del 10% rispetto a sistemicogenerativo e produzione separata, rispettivamente.

(28)

Caso studio: edificio a uso ufficio a Pisa con fan-coil come terminali



(29)

Bilancio annuale dei flussi di energia del sistema



(30)


CONCLUSIONI

Conclusioni del lavoro di tesi• L’ottimizzazione integrata di sintesi, dimensionamento e gestione è

fondamentale per sfruttare al meglio le potenzialità dei DES. A talfine, è necessaria l’adozione di strumenti e metodologie avanzati, leicui peculiarità dipendono dallo scopo della simulazione, dal livello didettaglio modellistico richiesto e dalla particolare configurazione delsistema. La tesi propone alcune soluzioni specifiche il tal senso.

• Trascurare l’effetto dell’incertezza può portare a scelte subottimali(se non addirittura inaccettabili). Viceversa, approcci di tipoprobabilistico offrono informazioni utili e significative al decision-maker e migliorano l’affidabilità e la robustezza dei modelli. Il metodoMonte Carlo si è rivelato essere uno strumento efficace per lasimulazioni di sistemi energetici in condizioni di incertezza.

(31)


CONCLUSIONI

Conclusioni del lavoro di tesi• Le pompe di calore e i chiller, tanto le tecnologie a compressione di vapore

quanto quelle a assorbimento, sono elementi chiave nei DES. La lorofunzione di interconnessione fra i vari vettori energetici comporta unincremento della flessibilità operativa del sistema. Da un lato le macchine adassorbimento possono recuperare calore di scarto, dall’altro le unitàelettriche permettono di utilizzare efficientemente il vettore elettrico per usitermici. In definitiva, l’adozione delle pompe di calore permette diaumentare l’efficienza del sistema e la penetrazione di rinnovabili,riducendo così l’utilizzo di combustibili fossili e la produzione di gas serra.

• La sintesi ottimale di un DES è legata indissolubilmente al fabbisognoenergetico che il sistema deve soddisfare. Difatti, la quantità e la qualitàdelle varie tipologie di carichi influisce significativamente sulle prestazionidel sistema e può limitare la selezione di tecnologie da includere. Per taleragione, è sempre necessaria un’attenta valutazione dei carichi, preliminarealla definizione del layout generale del sistema.

(32)


SVILUPPI FUTURI

Sviluppi futuri• Indagini sperimentali per sviluppare modelli matematici più accurati

dei sistemi, per validare i risultati delle simulazioni e perimplementare logiche di controllo ottimali.

• Applicazione di metodologie di forecasting per realizzare logiche digestione real-time, anche in considerazione dell’incertezza sullavariabili stimate.

• Ulteriori sviluppi nell’ambito delle metodologie di ottimizzazionedella progettazione dei sistemi DES: pre-screening della variabilisignificative, ottimizzazione in condizioni di incertezza per sistemi piùcomplessi.

• Ulteriori analisi sull’integrazione di pompe di calore (es. demand-response flexibility, smart grid, reti di teleriscaldamento).

(33)

LUCA URBANUCCI UNIVERSITÀ DI PISA 13 NOVEMBRE 2019∙ ∙

Corso di Dottorato in Ingegneria dell’Energia, dei Sistemi, del Territorio e delle CostruzioniXXXII CICLO

Dipartimento di Ingegneria dell’Energia, dei Sistemi, del Territorio e delle Costruzioni

Grazie per l’attenzione.


ELENCO DELLE PUBBLICAZIONI

• Urbanucci L. (2018) Limits and potentials of Mixed Integer Linear Programming methods for optimization

of polygeneration energy systems. Energy Procedia 148:1199-205.

• Urbanucci L, Testi D. (2018) Optimal integrated sizing and operation of a CHP system with Monte Carlo

risk analysis for long-term uncertainty in energy demands. Energy Conversion and Management

157:307-16.

• Urbanucci L, Testi D, Bruno JC. (2018) An operational optimization method for a complex polygeneration

plant based on real-time measurements. Energy Conversion and Management 170:50-61.

• Urbanucci L, Bruno JC, Testi D. (2018) An operational optimization method for a complex polygeneration

plant based on real-time measurements. Proceeding of the 8th Heat Powered Cycles Conference.

• Urbanucci L, Bruno JC, Testi D. (2018) Thermodynamic and economic analysis of the integration of high-

temperature heat pumps in trigeneration systems. Applied Energy 238:516-33.

• Urbanucci L, Testi D, D’Ettorre F. (2019) A comprehensive methodology for the integrated optimal sizing

and operation of cogeneration systems with thermal energy storage. Energies 12(5).

• Urbanucci L, Testi D. (2019) Integration of reversible absorption heat pumps in cogeneration systems:

exergy and economic assessment. Energy Conversion and Management 200:112062.

• Testi D, Urbanucci L. (2019) Integration of reversible absorption heat pumps in micro-trigeneration

systems: application to an office building. Proceeding of the 14th Conference on Sustainable

Development of Energy, Water, and Environment Systems.

• Urbanucci L, Testi D, Bruno JC. (2019) Integration of reversible heat pumps in trigeneration systems for

low-temperature renewable district heating and cooling microgrids. Applied Sciences 9(15)

(35)

Documents

Optimal design and operation of cogeneration-based distributed … · 2019-12-13 · LUCA URBANUCCI ∙ UNIVERSITÀ DI PISA ∙ 13 NOVEMBRE 2019 Corso di Dottorato in Ingegneria dell’Energia,