Βέλτιστη οικονομοτεχνική σχεδίαση ΜΥΗΕ στον ποταμό Αγραφιώτη

Abstract

Η παρούσα διπλωματική εργασία ασχολείται με το πρόβλημα της βέλτιστης σχεδίασης ΜΥΗ έργου στο υδατόρευμα του Αγραφιώτη, το οποίο ρέει στη δυτική Ευρυτανία. Προκειμένου να αποσαφηνιστεί ο όρος «σχεδίαση» αναφέρεται ότι αναζητήθηκε η βέλτιστη εγκατάσταση του ΜΥΗ όσον αφορά τη χωροταξική διάταξη του έργου στο ποταμό αλλά και το μέγεθος της εγκατεστημένης ισχύος. Σημειώνεται ότι κατά τη παρούσα μελέτη ελήφθησαν υπόψη αποκλειστικά οικονομοτεχνικά κριτήρια για τη βελτιστοποίηση.

Βασικό στάδιο κατά ην εκπόνηση της παρούσας διπλωματικής αποτέλεσε η σύνταξη κατάλληλου υπολογιστικού κώδικα, ο οποίος θα προσομοιώνει τη λειτουργία και θα αξιολογεί την αποδοτικότητα της επένδυσης για διαφορετικά σενάρια σχεδίασης του ΜΥΗ. Η ενεργειακή ανάλυση του ΜΥΗ βασίστηκε στη μέση καμπύλη διάρκειας παροχής που χαράχθηκε από μετρήσεις της επιφανειακής απορροής (σε μονάδες παροχής) για τη δεκαετία 1979-1989. Τα συγκεκριμένα δεδομένα παραχωρήθηκαν από τη Διεύθυνση Υδροηλεκτρικής Παραγωγής της ΔΕΗ για εκπαιδευτικό σκοπό.

Σε πρώτη φάση η διαδικασία της βελτιστοποίησης προαπαιτεί από τον μηχανικό την παραμετροποίηση του προβλήματος που εξετάζεται. Οι πιθανές διατάξεις που μπορεί να έχει ένα ΜΥΗ κατά μήκος του υδατορεύματος είναι θεωρητικά άπειρες. Το γεγονός αυτό καθιστά την εξεύρεση της βέλτιστης λύσης ιδιαίτερα σύνθετη διαδικασία. Η μοντελοποίηση του προβλήματος και το θεωρητικό υπόβαθρο πάνω στο οποίο βασίστηκε, περιγράφονται αναλυτικά στα επόμενα κεφάλαια της εργασίας. Στο σημείο αυτό σημειώνεται απλά ότι για την παραμετροποίηση αξιοποιήθηκαν δομές διανυσματικών – γεωγραφικών δεδομένων από ψηφιακό χάρτη της ευρύτερης λεκάνης απορροής του Αγραφιώτη. Με το τρόπο αυτό κατέστη δυνατό να διερευνηθούν εναλλακτικά σενάρια χάραξης της διάταξης του MYH κατά μήκος του υδατορεύματος.

Επόμενο σημείο αναφοράς αποτέλεσε η επιλογή του αλγορίθμου βελτιστοποίησης που θα χρησιμοποιηθεί για την εξεύρεση της βέλτιστης λύσης. Στη συγκεκριμένη μελέτη έγινε χρήση της εφαρμογής Genetic Algorithm Tool που παρέχεται μέσα από το λογισμικό MATLAB της εταιρίας Mathworks. Όπως γίνεται κατανοητό από την ονομασία του, το συγκεκριμένο εργαλείο αποτελεί έναν γενετικό αλγόριθμο βελτιστοποίησης που στηρίζει τη λειτουργία του στη θεωρία της φυσικής εξέλιξης.

Με βάση τα προηγούμενα κατέστη δυνατή η εξεύρεση της βέλτιστης εγκατάστασης του έργου. Η βελτιστοποίηση πραγματοποιήθηκε αρχικά με μοναδικό στόχο τη μεγιστοποίηση της εσωτερικής απόδοσης της επένδυσης, δηλαδή του οικονομικού δείκτη IRR. Στη συνέχεια η διαδικασία της βελτιστοποίησης επαναλήφθηκε θέτοντας ως διπλό στόχο την ταυτόχρονη μεγιστοποίηση του και του συντελεστή φορτίου (CF) της εγκατάστασης. Από τη τελευταία διερεύνηση προέκυψε ένα σύνολο βέλτιστων λύσεων του προβλήματος, το γνωστό από τη βιβλιογραφία ως μέτωπο Pareto. Στο τέλος πραγματοποιήθηκε η απαραίτητη ανάλυση ευαισθησίας για τα σενάρια σχεδίασης που προέκυψαν ως αποτελέσματα από τη βελτιστοποίηση. Αυτή αφορούσε συγκεκριμένα την επίδραση που μπορεί να έχει στην ενεργειακή παραγωγή ή την οικονομική αποδοτικότητα του ΜΥΗ η μεταβολή κάποιων σημαντικών παραμέτρων. Τέτοιες είναι η διαθεσιμότητα της φυσικής απορροής, το αρχικό ύψος επένδυσης και η τιμή πώλησης της ενέργειας. Τα συνολικά συμπεράσματα της μελέτης παρατίθενται στο τελευταίο κεφάλαιο της εργασίας.

The subject of this diploma thesis is about the optimal design of a SHP plant in the water stream of Agrafiotis that is located in the region of western Eyrytania. In order to clarify the word «design», I would like to mention that the target of the study is to find the optimal plant both in terms of planning layout and installed capacity. It is also mentioned that the whole analysis is based on techno-economical criteria.

An important stage during the preparation of this diploma thesis was the writing of a computational code in order to simulate and evaluate the operation of a SHP plant for different scenarios of design. The energy analysis of the SHP plant was based on the mean flow duration curve that was created with measurements of the water flow for the decade 1979 – 1989. The source of these data was the Department of Hydro-Electrical Production of the DEI. The provision of the data had educational purpose.

At the first phase of an optimization project the engineer needs to define the parameters of the examined problem. In theory the possible schematic layouts of a SHP plant in a river are uncountable. For this reason the finding of the optimal solution is a particularly difficult operation. The modeling and the theoretical background of the problem are described analytically in the next chapters of this distribution. At this point it is simply noted that spatial (vector) data, from a digital map of the water basin of Agrafiotis, were used for the modeling. In that way the investigation on different schematic layouts for the plant became possible.

The next important step was the selection of an optimization algorithm in order to find the optimal solution. In this study the Genetic Algorithm Tool that is provided through MATLAB (which is software of Mathworks) was used for the optimization. This tool, as we can understand from its designation, is an evolutionary algorithm for optimization that bases its operation in the theory of natural evolution.

Based on the foregoing it was made possible to find the optimal plant for the project in terms of schematic layout and sizing of the electrical and mechanical equipment. The optimization process had at first a single objective to maximize the investment’s internal rate of return which is known as the economic index IRR. Then the optimization process was repeated by setting the double objective of maximizing both IRR and the capacity factor (CF) of the plant. The last operation resulted in a set of optimal solutions, known in the literature as the Pareto front. At last the necessary sensitivity analysis was prepared for the design scenarios that emerged as results from the optimization process. This analysis concerned the impact on the energy production or the economic efficiency of the SHP plant that is caused by the change of some critical parameters. Some these parameters are the availability of the natural flow, the investment cost and the price of the electric energy. The final conclusions from the whole study are noted in the final chapter of this distribution.