2017-09-01  –  2021-03-31

234.735,24 EUR

Hochschule für Angewandte Wissenschaften Hamburg - Fakultät Technik und Informatik (TI), Hamburg, Hamburg

03ET4053B

Querschnittsaufgaben - Systemanalyse [EA3310]

01179314/1  –  OEB-EnSys - MINLP-Optimierung des Entwurfs und Betriebs eines komplexen Energiesystems,

Bundesministerium für Wirtschaft und Klimaschutz (BMWK.IIB4)

Forschungszentrum Jülich GmbH (PT-J.ESI1)

Energie

Im Forschungsvorhaben OEB-EnSys wird ein Planungswerkzeug erstellt, mit dem Gestaltungsvorschläge für Energiesysteme auf Basis mathematischer Optimierungsmethoden angefertigt werden können. Die in der Optimierung gefundenen Energiesystementwürfe sollen hinsichtlich im Vorhinein zu treffender unsicherer Annahmen robust sein. Aufgrund der Komplexität der Aufgabenstellung und der resultierenden mathematischen Modelle werden hohe Anforderungen an die verwendeten Lösungsalgorithmen gestellt. Die Qualität der derzeit verfügbaren Methoden ist jedoch nicht ausreichend, um für die zugrundeliegende Problemklasse und -größe zufriedenstellende Lösungen zu finden. Die Neu- bzw. Weiterentwicklung der Lösungsalgorithmen ist daher essentieller Bestandteil des Projektes OEB-EnSys und wird im vorliegenden Teilvorhaben umgesetzt. Mit der entwickelten Software Decogo entsteht ein leistungsfähiger general-purpose MINLP-Solver. Der Quellcode wird über GitHub frei verfügbar sein und bietet eine Vielzahl von Anwendungsmöglichkeiten in der Industrie, z.B. in der Energie- und Verfahrenstechnik, im Maschinenbau oder der Logistikplanung. An der HAW Hamburg wird in diesem Teilprojekt ein neues Verfahren zur Optimierung von Energiesystemmodellen entwickelt und in dem MINLP-Solver Decogo implementiert. Decogo basiert nicht wie die derzeit verwendeten Verfahren auf Branch-and-Bound, sondern auf einer Approximation des gemischt-ganzzahligen nichtlinearen Problems (MINLP) durch ein gemischt-ganzzahliges lineares Optimierungsproblem (MILP) mittels moderner Relaxierungs- und Dekompositionstechniken. Das neue Verfahren lässt sich parallelisieren und verwendet keinen Entscheidungsbaum, daher eignet es sich zur Lösung großer strukturierter MINLP-Probleme. Im weiteren Projektverlauf wird Decogo so erweitert, dass eine Optimierung unter Berücksichtigung von Unsicherheiten möglich ist, und somit robustere Ergebnisse erzielt werden können.