5. ConclusionsVery simple models ha

5. ConclusionsVery simple models have been chosen, in order to make the optimization with MILP solvers possible. However, their co¬efficients have been adjusted in order to reflect well the reality of typical Central European DH systems, and the simulated behavior of the system seems to be realistic - in terms of the heat losses from the network, characteristics of production units etc. The re¬sults show promising functionalities of the prototype solution. The optimized scenarios respect realistic constraints and show that the solver correctly maximizes the total financial result. In order to validate the method, four optimizations have been conducted - three cases for separate use of each of the thermal energy storage possibilities and one case without thermal energy storage. Detailed analysis of the results leads to a conclusion, that the optimizer has properly utilized each of the storage possibilities separately. Such outcome suggests, that the optimizer should also properly utilize all the storage possibilities at once. The results of application of the model on an example DH system confirm the features of particular thermal energy storage solutions — with a hot water tank being the most attractive solution in terms of operational cost, the storage in network pipelines being possible at the cost of increased heat losses, and demand side management slightly affecting heat losses by changing the flows in the network. As a result, when applied to a case with all storage possibilities available, the algorithm utilizes the hot water tank first, then demand side management, and finally the overheat. The possibility of demand side management has been included in the models in a simplified way. The practice of the authors indicates, that in real cases, identification of the characteristics of particular buildings is a difficult task. However, it is possible to apply some simple and conservative constraints on the demand side management actions at all the buildings without identification of their characteristics, so that these actions should not affect the heat comfort of the residents [29]. Such constraints must be based on the features of the building which has the lowest inertia in the group of buildings in question, and must vary during the year. The “R” programming environment allows to easily develop the method further in order to add more production units, more complex constraints etc. The model can also be calibrated to reflect the behavior of a given physical DH network by changing the heat loss coefficients and pipelines' volume. Different MILP solvers can be used, as long as they are available within the “ROI” package (“glpk”, “lpsolve” and “symphony” have been successfully tested so far). The structure of the algorithm makes it possible, that in some cases the iterative calculations will not converge. This can happen when several combinations of thermal energy storage actions or load distributions between production units give exactly the same financial results. The problem can be overcome by adding some additional constraints to the iterations of optimizations, linking them with the results of previous iterations. In general the approach appears to answer the need for global optimization with different thermal energy storage solutions, and it can be further developed in order to increase precision and secure the conver¬gence of calculations. The results of optimization tend to be less intuitive as the inputs become variable, which demonstrates that for real cases, use of computational decision support tools becomes a necessity.

Results (Russian) 1:

5. Выводы
Очень простые модели были выбраны для того, чтобы сделать

оптимизацию с MILP решателями возможно. Тем не менее, их co¬efficients были скорректированы для того , чтобы хорошо отражать реальность типичных систем Центральной Европы DH, а также моделирование поведения системы , кажется, быть реалистичными - с точки зрения потерь тепла от сети, характеристики производственных единиц и т.д. . в re¬sults показывают перспективные функциональные решения прототипа. В
Оптимизированные сценарии соблюдать реалистические ограничения и показать , что решатель правильно максимизирует общий финансовый результат. Для того чтобы проверить метод, четыре оптимизации была проведена - три случая для отдельного использования каждого из возможностей тепловых накопителей энергии и в одном случае без хранения тепловой энергии. Детальнее

Анализ результатов приводят к выводу, что оптимизатор должным образом каждый из используемых возможностей хранения данных отдельно. Такой результат предполагает, что оптимизатор должен также правильно использовать все возможности хранения сразу. Результаты применения модели на примере системы DH подтверждают особенности конкретных

решений тепловых накопителей энергии - с резервуаром горячей воды является наиболее привлекательным решением с точки зрения эксплуатационных расходов, хранение в сети трубопроводов , причем за счет увеличенного потери тепла, а также управление спросом незначительно влияет на потери тепла за счет изменения потоков в сети. В результате при применении к

в случае со всеми возможностями хранения имеющихся, алгоритм использует бак для горячей воды, а затем требует бокового управления, и , наконец, перегрева.
Возможность управления со стороны спроса были включены в модели в упрощенном виде. Практика авторов

указывает на то , что в реальных случаях, определение характеристик конкретных зданий является сложной задачей. Тем не менее, можно применить некоторые простые и консервативные ограничения на действия управления со стороны спроса на все здания без определения их характеристик, так что эти действия не должны влиять на комфорт тепла жителей [29]. Такие ограничения должны быть основаны на особенностях здания , которое имеет самую низкую инерционность в группе зданий в вопросе, и должны меняться в течение года.
Среда программирования «R» , позволяет легко разработать способ дополнительно, чтобы добавить больше производственных единиц, более сложные ограничения и т.д. модель также может быть откалиброван , чтобы отразить поведение данной физической сети DH путем изменения коэффициентов потерь тепла и трубопроводов "объем. Различные MILP решателей могут быть использованы, если они доступны в «ROI» пакета ( «GLPK», «lpsolve» и «симфонии» были успешно испытаны до сих пор). Структура алгоритма позволяет, что в некоторых случаях итеративные вычисления не будут сходиться. Это может произойти , когда несколько комбинаций тепловых воздействий накопления энергии или распределений нагрузки между производственными единицами дают точно такие же финансовые результаты. Проблема может быть преодолена путем добавления некоторых дополнительных ограничений для итераций оптимизации, связывая их с результатами предыдущих итераций. В целом подход , как представляется , ответ на потребность в глобальную оптимизацию с различными решениями теплового аккумулирования энергии, и может быть дополнительно разработан с целью повышения точности и обеспечений conver¬gence расчетов. Результаты оптимизации , как правило, менее интуитивным , как исходные данные становятся переменными, что свидетельствует о том , что для реальных случаев, использование вычислительных средств поддержки принятия решений становится необходимостью.

Results (Russian) 2:

5. Выводы
Были выбраны очень простые модели, чтобы

оптимизация с MILP решателей возможно. Тем не менее, их соэффективность была скорректирована для того, чтобы хорошо отражать реальность типичных центральноевропейских систем DH, и смоделированное поведение системы кажется реалистичным - с точки зрения потерь тепла от сети, характеристики производства единиц и т.д. Реульты демонстрируют многообещающие функциональные возможности прототипного решения. Teh
оптимизированные сценарии уважают реалистичные ограничения и показывают, что решателя правильно максимизирует общий финансовый результат. Для проверки метода было проведено четыре оптимизации - три случая для раздельного использования каждой из возможностей хранения тепловой энергии и один случай без хранения тепловой энергии. Подробная

анализ результатов позволяет сделать вывод, что оптимизатор правильно использовал каждую из возможностей хранения отдельно. Такой результат говорит о том, что оптимизатор должен также правильно использовать все возможности хранения одновременно. Результаты применения модели на примере системы DH подтверждают особенности

тепловые решения для хранения энергии – с баком горячей воды является наиболее привлекательным решением с точки зрения эксплуатационных затрат, хранение в сетевых трубопроводах возможно за счет увеличения потерь тепла, а управление спросом, немного влияющим на потери тепла путем изменения потоков в сети. В результате при применении к

в случае со всеми доступными возможностями хранения, алгоритм использует бак горячей воды сперва, после этого требует боковое управление, и окончательно перегрев.
Возможность управления спросом была включена в модели в упрощенном порядке. Практика авторов

указывает на то, что в реальных случаях определение характеристик конкретных зданий является трудной задачей. Тем не менее, можно применить некоторые простые и консервативные ограничения на действия по управлению спросом на всех зданиях без идентификации их характеристик, так что эти действия не должны повлиять на тепловой комфорт жителей. Такие ограничения должны основываться на особенностях здания, которое имеет самую низкую инерцию в группе зданий, о которых идет речь, и должны меняться в течение года.
Среда программирования "R" позволяет легко развивать метод дальше, чтобы добавить больше производственных единиц, более сложные ограничения и т.д. Модель также может быть откалибрована с учетом поведения данной физической сети DH путем изменения коэффициентов потери тепла и объема трубопроводов. Различные растворители MILP могут быть использованы, до тех пор, как они доступны в "ROI" пакет ("glpk", "lpsolve" и "симфония" были успешно протестированы до сих пор). Структура алгоритма позволяет, чтобы в некоторых случаях итеративные расчеты не сходились. Это может произойти, когда несколько комбинаций действий по хранению тепловой энергии или распределения нагрузки между производственными единицами дают точно такие же финансовые результаты. Проблему можно решить, добавив некоторые дополнительные ограничения к итерациям оптимизации, увязав их с результатами предыдущих итераций. В целом этот подход, как представляется, отвечает за необходимость глобальной оптимизации с помощью различных решений для хранения тепловой энергии, и его можно развивать в целях повышения точности и обеспечения конвергенции расчетов. Результаты оптимизации, как правило, менее интуитивно понятны по мере того, как входные данные становятся переменными, что свидетельствует о том, что в реальных случаях использование инструментов поддержки вычислительных решений становится необходимостью.

Results (Russian) 3:

пять.Выводы
выбрать очень простую модель
Возможно, использовать MILP - решающий прибор для оптимизации.Однако эффективность системы была скорректирована, с тем чтобы она лучше отражала реальную ситуацию в типичной центральной системе ЦТ, и, как представляется, моделирование системы является реалистичным - с точки зрения потери тепла в сети, характеристик производственных модулей и т.д.этот
оптимизация программ с учетом реальных ограничений свидетельствует о том, что КД правильно оптимизировал общие финансовые результаты.для того чтобы проверить эффективность этого метода, мы провели четыре оптимизации: три раза каждый способ хранения и один раз не используется.детальный
Анализ результатов позволяет сделать вывод о том, что оптимизация правильно использовала каждую возможность хранения.такой результат указывает на то, что евгенизатор должен также надлежащим образом использовать все возможности хранения.Результаты применения модели в системе DH подтверждают особенности модели
Решение о хранении тепла – водонагревательный бак является наиболее привлекательным решением с точки зрения эксплуатационных издержек, и в случае увеличения теплопотерь хранение в сети возможно, а Регулирование спроса менее сказывается на тепловых потерях, изменяя поток в сети.Поэтому, когда это применимо
В случае различных возможностей хранения алгоритм сначала использует водонагревательный бак, затем управляет спросом и, наконец, использует перегрев.
модель упрощает возможность управления спросом.практика автора
Это свидетельствует о том, что на практике трудно определить характеристики конкретных зданий.Однако в отсутствие определения характеристик зданий могут применяться простые и консервативные ограничения в отношении мер по управлению спросом на все здания, с тем чтобы они не сказывались на теплом комфорте населения [29].Такие ограничения должны основываться на особенностях здания, в котором инерция является самой низкой, и должны быть различными в течение одного года.
модель также может быть скорректирована путем изменения коэффициента теплопотерь и объёма труб, с тем чтобы отразить поведение указанной сети физических DH.можно использовать различные MILP - интерпретаторы, если они имеются в пакете "ROI" ("glpk", "lpsolve" и "symphony" уже успешно испытаны).структура алгоритма позволяет рассчитать итерации в некоторых случаях без сходимости.это происходит в тех случаях, когда распределение нагрузки между различными видами хранения тепла или производствами дает одни и те же финансовые результаты.Эта проблема может быть решена путем добавления дополнительных ограничений в оптимизированные итерации и увязки их с результатами предыдущих итераций.в целом этот подход, как представляется, удовлетворяет потребности в общей оптимизации с использованием различных вариантов хранения тепла и может быть доработан для повышения точности вычислений и обеспечения сходимости вычислений.когда вводится переменная, оптимизация результатов часто бывает менее наглядной, что указывает на то, что на практике необходимо использовать инструменты поддержки вычисления решений.