È stata svolta un’ottimizzazione utilizzando la logica predittiva RHS, con medesimi input, tramite l’algoritmo “paretosearch”. L’algoritmo è stato impiegato per massimizzare NPV e MIRR e minimizzare i CAPEX del sistema. Attraverso l’interpolazione dei punti ottenuti dall’ottimizzazione è stata definita la superficie di Pareto.
Fig. 42 CAPEX al variare del valore di NPV e MIRR con strategia RHS La Fig. 42 mostra la proiezione della superficie ottenuta, evidenziando la variazione dei CAPEX in funzione del valore di NPV e MIRR. Anche in questo caso è possibile notare come il fronte di Pareto, ottenuto dall’ottimizzazione di NPV e MIRR, rappresenti effettivamente la frontiera per tali obiettivi: i punti appartenenti alla superficie tendono a disporsi tutti nello spazio sottostante a tale curva. Si può osservare come le configurazioni ibride, caratterizzate da valori di NPV elevato, presentino CAPEX inferiori rispetto alle soluzioni ottenute con la medesima ottimizzazione, ma con tecnica di gesione LF. Questa riduzione è giustificata dalla migliore gestione dei gruppi Diesel, la quale permette di ottenere l’installazione di taglia inferiori. Con questa logica i generatori Diesel coprono il carico in maggior percentuale, lavorando a rendimenti più elevati essendo di taglia inferiore. Va considerato, però, un aumento degli OPEX generato della richiesta maggiore di carburante. Invece, per soluzioni a MIRR elevato gli effetti della logica predittiva non sono visibili, in quanto queste configurazioni prevedono l’alimentazione con sola fonte Diesel.
Le proiezioni della superficie sui 3 piani che compongono lo spazio (Fig. 42, Fig. 43 e Fig. 44) permettono di osservare come varia il valore di ciascun obiettivo in funzione degli altri due. La Fig. 45 mostra la differenza di CAPEX ottenibile ottimizzando con strategia Rolling Horizon rispetto che con Load Following. Si osserva come l’effetto sia percepibile, per configurazioni a NPV elevato, poiché tali sistemi sfruttano entrambe le fonti disponibili. L’effetto, però, è di entità modesta perché questi design sono prevalentemente basati su alimentazione da Rinnovabile, quindi gli effetti sono limitati all’ottimizzazione del predispacciamento in proporzione alla piccola taglia Diesel installata.
Fig. 45 Differenza di CAPEX al variare di NPV e MIRR rispetto alla strategia LF Fissando dei valori limite richiesti per le funzioni obiettivo, attraverso le proiezioni della superficie ottenuta, il decisore può identificare una o più configurazioni adeguate alle proprie esigenze.
Conclusione e sviluppi futuri
Questo elaborato si inserisce nell’ambito della tematica
dell’elettrificazione delle zone rurali per Paesi in via di sviluppo. A livello mondiale, circa un miliardo di persone vive in assenza di accesso all’energia elettrica; buona parte di queste è localizzata in Africa, in particolare nella fascia sub-Sahariana. La strategia tradizionale per ampliare l’elettrificazione di un Paese consiste nel diramare la rete nazionale fino alle località sprovviste dal servizio, con linee dedicate. Tale metodo però prevede elevati costi di investimento iniziali, che solitamente non sono compensati dai ricavi, in zone rurali con bassa densità di carico. Si può ricorrere quindi agli impianti mini-grid: sistemi isolati dalla rete elettrica, autosufficienti nella produzione di energia destinata all’utilizzo diretto o allo stoccaggio in loco. Tramite generatori Diesel viene garantita energia di backup; gran parte del carico viene coperta da un abbinamento fra fonti rinnovabili e accumulatori elettrochimici.
La realizzazione di tali sistemi prevede una pianificazione di investimento che tenga conto di informazioni diverse, a seconda delle esigenze e prerogative del decisore: un investitore privato punta ad ottenere utili proporzionati all’investimento ed al rischio legato ad esso; il decisore pubblico, al contrario, si concentrerà maggiormente sullo sviluppo del Paese, al fine di ottenere ritorno sul piano sociale, prima che un impatto di tipo economico. Per questo, è stata svolta un’analisi sull’influenza di differenti funzioni obiettivo economiche (in particolare NPC, NPV, MIRR, LCOE, PBT e PI) impiegate nel processo di ottimizzazione mono-obiettivo del dimensionamento di un impianto mini-grid, al fine di indagare se visioni di business diverse tra loro influenzino il layout dell’impianto. Inoltre, sono state realizzate ottimizzazioni multi-obiettivo, prendendo in considerazione in prima istanza NPV e MIRR, essendo indicatori di maggior interesse per un investitore privato. Successivamente è stata svolta un’analisi con
precedentemente sviluppato presso il DESTEC dell’Università di Pisa, implementando a livello software l’utilizzo di funzioni obiettivo economiche differenti da quelle già utilizzate. Inoltre, sono stati aggiunti alcuni algoritmi che permettono la definizione del “Fronte di Pareto” attraverso ottimizzazioni multiobiettivo. Le ottimizzazioni sono state svolte applicando due tecniche di gestione dell’impianto differenti per valutarne gli effetti: Load Following e Rolling Horizon (logica predittiva che sfrutta le previsioni di carico e disponibilità di rinnovabile).
Il caso studiato è quello del dimensionamento di una mini-grid composta da: un gruppo diesel con serbatoio di carburante, un impianto fotovoltaico e un sistema di accumulo elettrochimico; si tratta di un’area suburbana nei pressi della città di Soroti in Uganda, composta da 100 abitazioni domestiche.
I risultati ottenuti hanno mostrato come gli indicatori producano una risposta differente nel processo di dimensionamento, provocando effetti distinti sia sul design che sulla copertura della domanda, a parità di carico richiesto. Le funzioni obiettivo MIRR, PBT e PI guidano il dimensionamento dell’impianto verso configurazioni con una singola fonte di alimentazione, talvolta sfruttando in maniera strategica il distacco di carico a scapito della continuità del servizio. NPC, NPV e LCOE, invece, portano a un sistema più articolato, basato sull’utilizzo sia del Diesel che del fotovoltaico, favorendo quindi una quasi totale continuità di alimentazione ed una netta riduzione del costo dell’energia, seppur con maggiori costi di investimento e minor valori di MIRR e PI. Al variare della tariffa applicata, gli indicatori MIRR, PBT e PI hanno mostrato una variazione nel dimensionamento dell’impianto, in particolare passando dalla fonte rinnovabile per basse tariffe all’utilizzo di piccole taglie di generatori Diesel per tariffe superiori. È stato possibile osservare che effettuare ottimizzazioni mono-obiettivo fornisce una visione che può essere più limitata rispetto a quelle multi-obiettivo, come nel caso del MIRR, dove a un rapido ritorno economico è affiancata una continuità di servizio tanto scarsa quanto più bassa è la tariffa applicata.
Le ottimizzazioni multi-obiettivo rendono possibile la sintesi di un vero e proprio set di scelte di configurazioni di sistema descritte dal fronte di
Pareto, da cui lo sviluppatore può attingere indicazioni al fine di soddisfare nel migliore dei modi le sue idee di business, rimanendo all’interno dei propri limiti di costo.
L’impiego di una logica di controllo predittiva abbinata al processo di dimensionamento si è dimostrato un metodo efficace, nelle ottimizzazioni sia mono che multi-obiettivo, nel migliorare ulteriormente la definizione del design e la risposta alle richieste di continuità di alimentazione.
Il presente lavoro ha mostrato che tenere in considerazione più funzioni obiettivo con comportamenti diversi può essere opportuno per fornire maggiori informazioni possibili nella valutazione dell’investimento, sia per limitarne i rischi che per massimizzare la resa di tale operazione finanziaria. Analisi di investimento ad ampio spettro abbinate a idee di business inclusive, eventualmente fondate su una cooperazione tra utility nazionale ed investitori privati, possono portare nel tempo a dare una forte risposta alla problematica dell’elettrificazione globale. Inoltre, attraverso la simulazione delle configurazioni è possibile ottenere le percentuali di copertura del carico per ogni design considerato, avendo una stima della qualità del servizio erogato. Quest’ultima può essere un fattore capace di innescare lo sviluppo delle comunità che ricevono l’accesso all’energia elettrica per la prima volta. Trascurarne l’importanza può, al contrario, comportare insoddisfazione, ostilità e la mancanza di pagamenti da parte dei nuovi utenti, aumentando i rischi di non ritorno dell’investimento.
In questo elaborato è stata effettuata un’analisi su alcuni degli indicatori tecnico-economici più utilizzati; uno sviluppo futuro può essere quello di estendere l’indagine ad altri indicatori finora non considerati. Inoltre, le ottimizzazioni multi-obiettivo possono prevedere l’applicazione di un peso opportuno, determinabile a posteriori, per i diversi indicatori, al fine di personalizzare ulteriormente il dimensionamento.
Bibliografia
A. V. Graham, K. G. (1988). A time series model for Kt with application to global synthetic weather generation.
Ahmed A. Saad, T. Y. (2018). Adaptive Predictive Energy Management Strategy for Integrating Intermittent Resources in Power Systems. Industry Applications Society Annual Meeting (IAS). IEEE.
ARE: Alliance for Rural Electrification. (2011). Mini-grid. Aresti, M. (2017). Piccole reti crescono. QualEnergia .
Ashok. S. (2007). Optimised model for comunity-based hybrid energy system. Renewable Energy.
Berk, J. B. (2007). Corporate finance. Pearson Education.
Brealey, R. A. (2006). Principi di finanza aziendale. McGraw-Hill Libri Italia.
Cenaero. (2018, October 8). proximediabe./Pareto Front. Tratto da Cenaero.be.: http://www.cenaero.be/Page.asp?docid=27103&
D. Fioriti . (2015, Ottobre 12). Sistemi di elettrificazione off-grid. Pisa, PI, Italia: DESTEC UNIPI.
Dufo lopez R., B.-A. J. (s.d.). Design and control strategies of PV-diesel system using genetic algorithms. Solar Energy.
Fioriti-Giglioli-Poli-Lutzemberger-Micangeli-DelCitto-PerezArriga-
DuenasMartinez. (2018). Stochastic sizing of isolated rural mini- grid, including effects of fuel procurment and operational strategies. EPSR: Electrical Power System Reserch.
Fioriti-Giglioli-Poli-Lutzemberger-Vanni-Salza. (2017). Optimal sizing of a Hybrid mini-grid considering the fuel procurement and a rolling horizon system operation.
Fioriti-Giglioli-Poli-Lutzemberger-Vanni-Salza. (2017). Optimal sizing of a mini-grid in developing countries, taking into account the operation of an electrochemical storage and fuel tank. ICCEP: International Conference on Clean Electrical Power.
G. Tina, S. G. (2010). Probabilistic analysis of weather data for a hybrid solar/wind energy system. International Journal of Energy.
globalpetrolprices.com/diesel_prices. (s.d.). Tratto da globalpetrolprices.com:
https://www.globalpetrolprices.com/diesel_prices/#hl103
Hollands, V. A. (1990). A metod to generate synthetic hourly solar radiation globally. Solar Energy.
IEA. (2010). Comparative study.
IEA: International Energy Agency. (2011). Tratto da World Energy Outlook:
http://www.iea.org/publications/freepublications/publication/WEO2 011_WEB.p
IRENA: International Renewable Energy Agency. (2015). Off-Grid RES. jjaeger. (10-10-2018). Off-Grid Electricity Systems . The Alliance for Rural
Electrification (ARE).
Jonathan Berk, P. D. (15 gennaio 2013). Corporate Finance: The Core. Jose´ L. Bernal-Agustìn, R. D.-L. (2018). Simulation and optimization of
stand-alone hybrid renewable energy systems. Renewable and Sustainable Energy Reviews.
Kennedy, J., & Eberhart, R. (1995). Particle Swarm Optimization. International Conference on Neural Networks. IEEE.
Kierulff, H. (2008). MIRR: A better measure. Science Direct.
M. Rao, C. Tricoli ENEA. (2015). Indicatori di costo nella generazione energetica: Analisi critica del concetto di LCOE.
P.G., G. (2015). Tecniche di ottimizzazione multi-obiettivo: Teoria ed applicazioni.
R. Luna-Rubio, M. T.-P.-V.-M. (2012). Optimal sizing of renewable hybrids energy systems: A review of methodologies. Solar Energy.
REN: Renewable Energy Policy Network. (2013). Renewable Status. S. Mandelli, M. M. (2016). Novel procedure to formulate load profiles for
off-grid rural areas.
Solar Panel Directory. (2015, settembre 22). Tratto da ENF Solar: http://www.enfsolar.com/pv/panel/
The World Bank. (2016). Tratto da https://data.worldbank.org/indicator/eg.elc.accs.zs?end=2016&start= 2016&type=shaded&view=map
Wang, L. S. (2009). Multicriteria design of hybrid power generation system based on modified particle swarm optimization algorithm.