Представлено применение генетических алгоритмов для оптимизации некоторых аспектов схем геотермального централизованного теплоснабжения с низким содержанием энтальпийного слоя.
В частности, исследуется возможность минимизации затрат на закачку и амортизацию трубопроводной сети внутри геотермального месторождения. Приводится краткое описание кода оптимизации и его эффективность оценивается на примерах применения к геотермальным полям с равномерным и неравномерным распределением температуры воды.
Кроме того, обсуждается процедура определения количества новых скважин, которые должны быть пробурены. Был сделан вывод о том, что использование предлагаемого метода может привести к существенному сокращению расходов, что будет способствовать непосредственному использованию геотермальной энергии.
Геотермальная энергия, наряду с другими возобновляемыми источниками энергии, представляет собой в долгосрочной перспективе единственное жизнеспособное решение для обеспечения устойчивого будущего.
Наша задача заключается в том, чтобы правильно использовать и управлять им, иными словами, рационально использовать средства транспортировки тепла, а именно воду или пар, на устойчивой основе.
Геотермальные и другие мягкие источники энергии отвечают еще одному важному критерию устойчивого будущего: очень низкое воздействие на окружающую среду - загрязнение почвы, воды и воздуха (например, выбросы парниковых газов) является низким даже от высокощелочных геотермальных полей по сравнению с воздействием ископаемого топлива.
Кроме того, увеличение доли возобновляемых источников энергии на энергетическом рынке способствует глобальной стабильности, поскольку снижает зависимость потребителей энергии от удаленных производителей нефти, от способа транспортировки нефти (танкеры или трубы) и от крупных нефтяных компаний.
Высокоэнтальпийная геотермальная энергия является более привлекательной, поскольку ее можно преобразовать в электроэнергию.
С другой стороны, геотермальные источники с низким содержанием энтальпийного слоя намного более многочисленны. Распределенные в большинстве регионов мира, они могут поставлять тепло для отопления помещений и других непосредственных нужд, таким образом, покрывая значительную часть спроса на энергию.
Их текущий вклад в энергетический баланс, вероятно, недооценивается, поскольку очень часто их использование не учитывается должным образом, по крайней мере, количественно.
Однако очевидно, что их доля может существенно возрасти во многих регионах мира, в том числе в импортирующей энергию части Европы. Греция является одной из стран с большим неиспользованным потенциалом.
Хотя себестоимость производства энергии из возобновляемых источников в целом снизилась, она остается выше, чем у нефтяных и угольных электростанций. Эта сравнительно высокая стоимость (без учета экологических и социальных факторов) является серьезным препятствием для более широкого использования геотермальных и других возобновляемых источников энергии.
Таким образом, оптимизация их финансовых показателей имеет решающее значение. Это нелегкая задача, поскольку здесь задействовано много различных факторов.
Генетические алгоритмы, описанные в последующих пунктах, представляют собой весьма гибкий инструмент оптимизации для решения таких многопараметрических задач.
В данной статье рассматривается их применение для минимизации затрат на некоторые основные компоненты геотермальных систем централизованного теплоснабжения, которые, вероятно, являются наиболее перспективным применением низкоэтальпийной геотермальной энергии.
Инструмент оптимизации
Генетические алгоритмы, первоначально введенные Голландией, представляют собой математический инструмент с очень широким спектром применения. Они особенно эффективны при решении задач оптимизации, особенно когда соответствующие объективные функции имеют множество локальных оптических или прерывистых производных.
Генетические алгоритмы по существу представляют собой математическую имитацию биологического процесса, а именно эволюции видов. Они начинаются с ряда случайных, потенциальных решений исследуемой проблемы.
Эти растворы, которые называются хромосомами, составляют население первого поколения. В бинарных генетических алгоритмах каждая хромосома представляет собой двоичную строку заданной длины.
Каждая хромосома первого поколения подвергается оценке с помощью соответствующей функции или процесса, который полностью зависит от конкретного применения генетических алгоритмов.
Далее, следующее поколение производится с помощью определенных операторов, имитирующих биологические процессы и применяемых к хромосомам первого поколения. Основными генетическими операторами являются:
- (a) отбор
- (b) пересечение
- (c) мутация
Также были предложены и использованы многие другие операторы.
Сначала используется выбор. Это приводит к промежуточной популяции, в которой лучшие хромосомы имеют статистически больше копий. Эти копии в конечном итоге заменяют некоторые плохие хромосомы. Затем другие операторы обращаются к ряду случайно выбранных представителей этой промежуточной популяции.
В результате получается равное количество новых хромосом, т.е. новых растворов, заменяющих старые. Таким образом, формируется следующее поколение.
Весь процесс, т.е. оценка-отбор-пересечение-мутация- другие операторы, повторяется для заданного количества поколений. Предполагается, что, по крайней мере, в последнем поколении будет преобладать хромосома, что является оптимальным (или, по крайней мере, очень хорошим) решением рассматриваемой проблемы.
Выбор может быть осуществлен разными способами. Наиболее распространенными являются следующие процессы: (a) колесо рулетки и (b) турнирный метод.
Последнее было предпочтительнее, поскольку оно одинаково хорошо применяется для максимизации и минимизации проблем, в то время как первое применяется естественно (а именно, без определенной потребности в масштабировании) только для максимизации проблем.
Отбор по турнирному методу требует определения соответствующей константы отбора KK.
Затем все происходит следующим образом: Хромосомы KK выбираются случайным образом из текущего поколения и сравниваются друг с другом по параметрам фитнеса. Хромосома с лучшим (наименьшим в исследуемом случае) значением фитнеса переходит к промежуточной популяции.
Этот процесс повторяется раз в несколько раз, при этом размер ПС определяется численностью популяции. Таким образом, формируется промежуточное население. Кроме того, в нашем генетическом коде мы приняли элитарный подход - лучшие хромосомы каждого поколения передаются в новое поколение по отдельности.
