Badania nad metodami optymalizacji wieloenergetycznych planów zasilania w parkach przemysłowych oparte na algorytmach genetycznych

Dlaczego inteligentniejsze zarządzanie energią w zakładach ma znaczenie

W miarę jak świat ściga się w ograniczaniu emisji gazów cieplarnianych, zakłady przemysłowe stoją przed trudnym zadaniem: jak zasilać rosnące linie produkcyjne, korzystając jednocześnie z większej ilości czystej energii i kontrolując koszty. Artykuł prezentuje nowe podejście do planowania systemów energetycznych w parkach przemysłowych na dekady, łącząc energię słoneczną z wydajnymi generatorami na miejscu tak, aby moce rosły stopniowo wraz z popytem. Praca pokazuje, że staranne planowanie z użyciem nowoczesnych algorytmów może znacząco obniżyć zarówno rachunki za energię, jak i ślad węglowy, bez konieczności podejmowania przez firmy dużych jednorazowych inwestycji.

Od uniwersalnych rozwiązań do planów dopasowanych do potrzeb

Wiele zakładów chce dziś systemów „wieloenergetycznych”, które łączą energię elektryczną z sieci, gaz ziemny, energię słoneczną oraz jednostki CHP (skojarzone wytwarzanie ciepła i energii) dostarczające jednocześnie prąd i użyteczne ciepło. Istniejące narzędzia planistyczne i komercyjne oprogramowanie potrafią projektować takie systemy, lecz często zakładają, że zapotrzebowanie na energię jest stałe, a cały sprzęt instalowany jest od razu. W rzeczywistych zakładach zapotrzebowanie zwykle rośnie wraz z rozwojem produkcji i rzadko ma sens kupowanie całej przyszłej mocy z dnia na dzień. Autorzy twierdzą, że brakuje narzędzia planistycznego dla małych miejsc przemysłowych, które poradziłoby sobie z zmieniającym się popytem i etapową rozbudową, zachowując jednocześnie praktyczność analizy dla inżynierów i menedżerów.

Pozwalając ewolucji szukać lepszych systemów energetycznych

Aby wypełnić tę lukę, badacze zbudowali model optymalizacyjny oparty na „algorytmie genetycznym”, metodzie poszukiwania inspirowanej ewolucją biologiczną. Zamiast próbować różniczkować złożone formuły kosztów, algorytm traktuje każdy możliwy długoterminowy plan energetyczny jako ciąg decyzji: ile paneli słonecznych i jednostek CHP zainstalować w pierwszym roku, ile dodać co kilka lat i kiedy wymieniać zużywający się sprzęt. Każdy kandydacki plan jest symulowany przez 20 lat, śledząc koszty inwestycyjne, zużycie paliwa, zakupy z sieci i konserwację. Algorytm „selekcjonuje” lepsze plany, „miesza” ich cechy i okazjonalnie „mutuje” niektóre decyzje, stopniowo ewoluując w kierunku strategii minimalizujących całkowity koszt lub skracających czas zwrotu inwestycji.

Projektowanie sposobu i terminów budowy

Model rozbija każdą technologię na kilka prostych parametrów planistycznych: pojemność początkowa, wielkość kolejnych rozbudów, częstotliwość rozbudów oraz, gdy ma to znaczenie, wybór modułów sprzętowych. Dla paneli słonecznych te wybory muszą uwzględniać ograniczenia powierzchni dachowej, minimalne praktyczne wielkości instalacji oraz typowe parametry ekonomiczne projektu, aby unikać drobnych, nieopłacalnych dołożeń. Dla jednostek CHP narzędzie zakłada modułowe bloki po 1 000 kW i zapobiega nadbudowie znacznie przekraczającej potrzeby zakładu w zakresie ciepła i energii. Ponieważ zmienne decyzyjne są dyskretne — dodaje się całą turbinę lub jednostkę CHP — autorzy pokazują, że algorytmy genetyczne są lepiej dopasowane niż wiele tradycyjnych metod zakładających płynne, ciągłe dostosowania.

Pokonując oprogramowanie komercyjne i strategie jednorazowej budowy

Zespół najpierw porównał swoje podejście z HOMER-em, szeroko stosowanym komercyjnym narzędziem planistycznym. Dla przypadku testowego, który dopuszczał energię słoneczną, wiatrową i CHP, ich model znalazł konfigurację z jedną turbiną wiatrową, kilkoma jednostkami CHP i umiarkowaną mocą słoneczną, która obniżyła całkowity koszt projektu o około 23% w porównaniu z projektem HOMER-a i skróciła prosty okres zwrotu z dziewięciu lat do pięciu. Drugi, bardziej szczegółowy przypadek dotyczył parku przemysłowego w Hajnan, Chiny, z dużym zapotrzebowaniem na elektryczność i chłodzenie oraz miejscem na panele na dachach. Tam zoptymalizowany plan zainstalował maksymalne 1,6 megawata paneli słonecznych i rozpoczął z dziewięcioma jednostkami CHP, a następnie dodawał więcej mocy CHP co dwa lata w miarę wzrostu popytu. W ciągu 20 lat ta „dynamiczna instalacja” zmniejszyła całkowite koszty energii o 77% w porównaniu ze scenariuszem biznes-jak-zwykle, który kupował wszystko z sieci i sieci gazowej.

Dlaczego etapowa budowa wygrywa

Autorzy porównali także podejście krok po kroku z prostszą strategią „stałej instalacji”, która instaluje cały sprzęt na miejscu od razu. Chociaż obie przyjęły tę samą maksymalną moc słoneczną, plan stały proponował 26 jednostek CHP na start, więcej niż zakład potrzebował w pierwszych latach. Ta opcja osiągnęła czteroletni czas zwrotu, ale miała wyższe koszty w całym okresie eksploatacji i pozostawiła wiele jednostek niewystarczająco wykorzystanych. W przeciwieństwie do tego, plan dynamiczny wymagał mniej niż połowy początkowej inwestycji, osiągnął zwrot w zaledwie dwa lata i utrzymywał jednostki CHP przy wyższym stopniu wykorzystania, lepiej wykorzystując każdy zainwestowany dolar. Podejście etapowe również rozkłada koszty wymiany w czasie i daje większe pole adaptacji, jeśli przyszły popyt lub ceny energii będą inne niż prognozy.

Co to oznacza dla zakładów i celów klimatycznych

Dla osób niebędących specjalistami przekaz jest prosty: zakłady nie muszą wybierać między oszczędzaniem pieniędzy a działaniem na rzecz środowiska. Planowanie kiedy i ile urządzeń energetycznych na miejscu instalować oraz korzystanie ze sprytnych metod poszukiwania do przeglądu tysięcy możliwych ścieżek rozbudowy pozwala parkom przemysłowym znacznie obniżyć rachunki za energię przy jednoczesnym przejściu na czystsze źródła, takie jak energia słoneczna i wysokosprawne CHP. Badanie sugeruje, że przemyślane, etapowe inwestycje mogą zmniejszyć początkowe wydatki nawet o 40%, przyspieszyć zwrot nakładów i obniżyć ryzyko, wspierając jednocześnie globalne wysiłki na rzecz redukcji emisji.

Cytowanie: Guo, S., Wei, H., Li, F. et al. Research on optimization methods for multi-energy expansion supply plans in industrial parks based on genetic algorithms. Sci Rep 16, 5200 (2026). https://doi.org/10.1038/s41598-026-36503-4

Słowa kluczowe: planowanie energetyczne przemysłu, energia odnawialna w zakładach, skojarzone wytwarzanie ciepła i energii elektrycznej, optymalizacja algorytmem genetycznym, systemy wieloenergetyczne