مقاله تحلیل حساسیت پارتیشن‌بندی مبتنی بر عملکرد در شبکه‌های گرمایش منطقه‌ای

این مقاله به تحلیل حساسیت عواملی می‌پردازد که بر تقسیم‌بندی بهینه یک شبکه گرمایش منطقه‌ای برای کنترل توزیع‌شده تأثیر می‌گذارند. با استفاده از چارچوب کنترل پیش‌بین مدل مبتنی بر فیزیک و توزیع‌شده، و روشی برای تقسیم‌بندی مبتنی بر عملکرد، این پژوهش به بررسی رابطه بین تغییرات پارامترهای سیستم و تقسیم‌بندی بهینه حاصل می‌پردازد. این امر بینشی در مورد استحکام یک تقسیم‌بندی طراحی‌شده اسمی در شرایط عملیاتی مختل ارائه می‌دهد. روش توانمندساز مورد استفاده، یک روش شاخه و کران بهبودیافته با یادگیری است که فضای جستجو را محدود کرده و تعداد تقسیم‌بندی‌های ارزیابی‌شده برای هر مورد را کاهش می‌دهد. حساسیت تقسیم‌بندی بهینه اسمی در برابر دوازده نوع تغییر پارامتر، از جمله دمای تأمین، فصل کاری، انعطاف‌پذیری ساختمان، مشخصات لوله و نوع ساختمان، مشخص شده است. این مطالعه شبیه‌سازی نشان می‌دهد که یک تقسیم‌بندی اسمی خوش‌طراحی شده، به طور متوسط تنها ۲.۸ درصد افزایش هزینه را نسبت به کنترل متمرکز در یازده مورد از دوازده مورد نشان می‌دهد، و در سه مورد، تقسیم‌بندی اسمی تحت شرایط مختل، بهینه سراسری شناخته می‌شود. مطالعه استحکام با تحلیلی بر حساسیت معیار از دست دادن بهینگی (OLM) دنبال می‌شود. این تحلیل نشان می‌دهد که در پنج مورد از دوازده مورد، تقسیم‌بندی‌های بهینه کننده OLM مختص هر مورد، عملکرد ضعیف‌تری نسبت به تقسیم‌بندی اسمی بهینه دارند، که این امر ناشی از تغییر در مقیاس نسبی هزینه‌های اتلاف حرارت در مقابل هزینه‌های انعطاف‌پذیری است. این موضوع نشان می‌دهد که تنظیم صحیح وزن‌های تابع هزینه و شرایط اولیه برای مسئله بهینه‌سازی عملکرد، برای انتخاب قابل اعتماد تقسیم‌بندی ضروری است و تقسیم‌بندی مجدد فصلی زمانی که پروفیل‌های تقاضا به طور قابل توجهی از حالت اسمی منحرف می‌شوند، همانطور که در مورد عملیاتی ماه نوامبر مشاهده شد، توجیه‌پذیر است.

The paper presents a sensitivity analysis of the factors affecting the optimal partitioning of a district heating network for distributed control. Leveraging a physics-based, distributed model predictive control framework and a performance-based partitioning method, this work studies the relationship between variations in system parameters and the resulting optimal partition, providing insight into the robustness of a nominally designed partition to perturbed operating conditions. The enabling methodology is a learning-enhanced branch and bound method that culls the search space, reducing the number of partitions evaluated for each case. The sensitivity of the nominally optimal partition is characterized across twelve parameter variations, including supply temperature, operating season, building flexibility, pipe characteristics, and building type. This simulation study shows that a well-designed nominal partition exhibits an average cost increase of only 2.8% relative to centralized control across eleven of the twelve cases, with three cases identifying the nominal partition as globally optimal under the perturbed conditions. The robustness study is followed by an analysis of the sensitivity of the optimality loss metric (OLM), revealing that, in five of twelve cases, the case-specific OLM-minimizing partitions underperform the nominally optimal one due to shifts in the relative magnitude of heat loss versus flexibility costs. This indicates that proper tuning of cost function weights and initial conditions for the performance optimization problem is essential for reliable partition selection, and that seasonal repartitioning is warranted when demand profiles deviate substantially from the nominal, as observed in the November operating case.