Dynamic modeling and predictive optimization of a multi-energy test facility : development of an integrated co-simulation framework

Multi-Energy Systems (MES) are based on the optimal integration between the different energy carriers such as electricity, gas, heat, and hydrogen. This thesis work is focused on the case study of a Multi-Energy Test Facility, currently under construction, characterized by integrated electricity-gas-heat networks. The Facility has been originally designed with high configurational flexibility, allowing testing of different layouts and operating conditions. Firstly, a detailed dynamical model of the plant is created, starting from its design data. After a review of different approaches, TRNSYS18 has been selected as modeling software. The final dynamical model can mimic the configurational flexibility of the original system and can reproduce complex effects such as bidirectional flows in the district heating network. Next, a control strategy for the Facility has been developed; such regulation system must be unbiased between the different configurations and should highlight the optimal interaction inside the MES. The most promising approaches have been reviewed, and a supervisory Model Predictive Controller (MPC) was selected for the task. The controller generates an economically optimal dispatch strategy through a Genetic Algorithm. The TRNSYS detailed model and the control algorithm, developed instead in the MATLAB environment, are combined in a novel co-simulation structure. After selecting reference boundary data profiles for the system, several parametrized simulations are executed with the MPC co-simulation framework. The influence of the heating network’s layout has been first analyzed, showing that distributed heat sources lead to a significant increase of operational costs. The optimal size of thermal energy storage has been identified; it is found that the indefinite increase of storage capacity does not lead necessarily to improved economic performances. Finally, an analysis on the produced electrical and thermal energy in different scenarios was carried out, identifying in each case the most efficient generation mix.

I Sistemi Multi-Energy si basano sull'integrazione ottimale tra i diversi vettori energetici come elettricità, gas, calore e idrogeno; Questa tesi è focalizzata sullo studio di una Test Facility Multi-Energy, attualmente in fase di costruzione, caratterizzata da un’integrazione delle reti di elettricità, gas e calore. La Facility è stata progettata per avere elevata flessibilità di configurazione, permettendo lo studio di diverse modalità operative e diverse connessioni tra i suoi componenti. Prima di tutto, un modello dinamico dettagliato dell'impianto è stato creato partendo dai suoi dati di progetto. Dopo una revisione dei metodi disponibili, TRNSYS18 è stato selezionato come software di modellazione. Il modello dinamico può riprodurre la flessibilità configurazionale della Facility, ricreando anche effetti complessi come flussi bidirezionali nella rete di teleriscaldamento. Dopodiché è stato sviluppato un sistema di controllo; tale regolatore deve operare in modo imparziale rispetto alle diverse configurazioni, evidenziandone anche il potenziale Multi-Energy. I metodi più promettenti sono stati analizzati, selezionando infine il Model Predictive Control (MPC). Il regolatore utilizza un Algoritmo Genetico per ottimizzare il funzionamento dell’impianto. Il modello dettagliato in TRNSYS e l'algoritmo di controllo, sviluppato invece su MATLAB, sono stati poi combinati in una innovativa co-simulazione. Nel modello sono stati inseriti dei dati al contorno di riferimento, e diverse simulazioni parametrizzate sono state eseguite utilizzando l’ottimizzatore MPC. Lo studio delle possibili configurazioni per la rete di teleriscaldamento ha dimostrato che la presenza di unità di generazione distribuite porterebbe a un aumento dei consti di gestione. Dopodiché, la capacità ottimale dell’accumulo termico è stata identificata; si è visto che un aumento del volume di stoccaggio non comporta necessariamente una riduzione dei costi. Infine, è stata fatta un’analisi sull’energia elettrica e termica prodotta nella Test Facility in diversi scenari, identificando in ognuno dei casi la combinazione di tecnologie di generazione più efficienti.