Forskning om optimeringsmetoder för flermarknadsutbyggnadsplaner för energiförsörjning i industriparker baserat på genetiska algoritmer

Varför smartare fabriksenergi spelar roll

När världen tävlar om att minska växthusgasutsläppen står fabriker inför en svår uppgift: hur man driver växande produktionslinjer samtidigt som man använder mer ren energi och håller kostnaderna under kontroll. Denna artikel undersöker en ny metod för industriparker att planera sina energisystem över årtionden, genom att kombinera solenergi och effektiva lokala generatorer så att kapaciteten växer stegvis i takt med efterfrågan. Arbetet visar att noggrann planering med moderna algoritmer kan minska både energiräkningar och koldioxidavtryck avsevärt, utan att företagen behöver satsa på stora initiala investeringar.

Från standardlösningar till skräddarsydda energiplaner

Många fabriker vill i dag ha ”flerenergisystem” som blandar el från nätet, naturgas, solenergi och kraftvärmeenheter (CHP) som producerar både elektricitet och användbar värme. Befintliga planeringsverktyg och kommersiell mjukvara kan utforma sådana system, men de antar ofta att fabriksenergibehovet är fast och att all utrustning installeras från dag ett. För verkliga fabriker växer efterfrågan vanligtvis i takt med produktionen, och det är sällan vettigt att köpa all framtida kapacitet på en gång. Författarna menar att det som saknas är ett planeringsverktyg för små industrimiljöer som kan hantera förändrad efterfrågan och etappvis utbyggnad, samtidigt som analysen hålls praktisk för ingenjörer och chefer.

Låt evolutionen söka bättre energisystem

För att fylla detta gap byggde forskarna en optimeringsmodell baserad på en ”genetisk algoritm”, en sökmetod inspirerad av biologisk evolution. Istället för att försöka derivera en komplicerad kostnadsfunktion behandlar algoritmen varje möjlig långsiktig energiplan som en sträng av val: hur många solpaneler och CHP-enheter som installeras år ett, hur mycket som läggs till vartannat år och när åldrande utrustning byts ut. Varje kandidatplan simuleras över en 20-årsperiod och spårar investeringskostnader, bränsleanvändning, nätinköp och underhåll. Algoritmen ”väljer” sedan de bättre planerna, ”blandar” deras egenskaper och ”muterar” ibland vissa val, och utvecklas gradvis mot strategier som minimerar totalkostnad eller förkortar återbetalningstiden.

Utforma hur och när man bygger

Modellen bryter ner varje teknik i några enkla planeringsreglage: initial kapacitet, storleken på varje senare utbyggnad, hur ofta utbyggnader sker och, när det är relevant, vilka hårdvarumoduler som väljs. För solpaneler måste dessa val ta hänsyn till takytors begränsningar, minimala praktiska installationsstorlekar och typisk projektekonomi så att små, olönsamma tillägg undviks. För CHP-enheter antar verktyget modulära block om 1 000 kW och förhindrar överbyggnad långt utöver fabriks värme- och elbehov. Eftersom beslutvariablerna är diskreta—att lägga till en hel turbin eller en hel CHP-enhet åt gången—visar författarna att genetiska algoritmer är bättre lämpade än många traditionella metoder som antar jämna, kontinuerliga justeringar.

Slår kommersiell mjukvara och fasta installationsstrategier

Teamet jämförde först sitt angreppssätt med HOMER, ett vida använt kommersiellt planeringsverktyg. För ett testfall som tillät sol, vind och CHP fann deras modell en konfiguration med en vindturbin, flera CHP-enheter och måttlig solkapacitet som sänkte projektets totala kostnad med cirka 23% jämfört med HOMERs design och förkortade enkel återbetalningstid från nio år till fem. Ett andra, mer detaljerat fall studerade en industripark i Hainan, Kina, med stor el- och kylbehov samt utrymme för takmonterad sol. Där installerade den optimerade planen maximala 1,6 megawatt solpaneler och startade med nio CHP-enheter, för att sedan lägga till mer CHP-kapacitet vartannat år i takt med att efterfrågan ökade. Över 20 år minskade denna ”dynamiska installation” de totala energikostnaderna med 77% jämfört med ett business-as-usual-scenario som köpte allt från el- och gasnätet.

Varför etappvis byggande vinner

Författarna jämförde också sitt stegvisa tillvägagångssätt med en enklare ”fast installations”-strategi som installerar all lokal utrustning från början. Medan båda använde samma maximala solkapacitet föreslog den fasta planen 26 CHP-enheter från start, fler än fabriken behövde under de tidiga åren. Det alternativet uppnådde en fyraårs återbetalningstid men hade högre livstidkostnad och lämnade många enheter underutnyttjade. Däremot krävde den dynamiska planen mindre än hälften av den initiala investeringen, nådde återbetalning på bara två år och höll CHP-enheterna i högre nyttjandegrad, vilket gav bättre avkastning på varje investerad krona. Denna etappvisa strategi sprider också utbyteskostnader över tid och ger större flexibilitet om framtida efterfrågan eller energipriser skiljer sig från dagens prognoser.

Vad detta betyder för fabriker och klimatmålen

För icke-specialister är budskapet enkelt: fabriker behöver inte välja mellan att spara pengar och att bli gröna. Genom att planera när och hur mycket lokal energiinfrastruktur som ska installeras, och genom att använda smarta sökmetoder för att utforska tusentals möjliga utbyggnadsbanor, kan industriparker kraftigt sänka sina energikostnader samtidigt som de övergår till renare källor som sol och högpresterande CHP. Studien antyder att genomtänkta, fasade investeringar kan minska initiala utgifter med upp till 40%, påskynda återbetalning och minska risk, samtidigt som de stödjer globala insatser att reducera utsläpp.

Citering: 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

Nyckelord: industriell energiplanering, förnybar energi i fabriker, kraftvärme, optimering med genetisk algoritm, flerenergisystem