4° Presentazione del workshop finale del progetto EFFICITY Sviluppo di algoritmi di ottimizzazione del progetto e della gestione di sistemi multi energia tri- e cogenerativi Sito web del progetto: www.efficity-project.it

1. Progetto Efficity (Bando Regione Emilia-Romagna DGR 1097/2015 - POR-FESR 2014-2020)
Convegno conclusivo – 30.04.2019
Politecnico di Milano, Polo di Piacenza
Sviluppo di algoritmi di ottimizzazione del progetto e della
gestione di sistemi multi-energia tri- e cogenerativi
Matteo Zatti – LEAP

2. Matteo Zatti, LEAP - 30.04.2019 2
Introduzione
SMART ENERGY SYSTEMS
Positive Energy District, UVAM
Nuovo progetto POR-FESR: Energynius
Le città nel mondo
integrazione
DISTRETTI ENERGETICI
I criteri classici di progettazione e gestione non
sono più sufficienti, ma abbiamo:
• MONITORAGGIO DATI
• METODI PREVISIONALI
• OTTIMIZZAZIONE
PIATTAFORMA SOFTWARE

3. Matteo Zatti, LEAP - 30.04.2019 3
Algoritmi di ottimizzazione
del progetto
di sistemi multi-energia in ambiente incerto

4. Matteo Zatti, LEAP - 30.04.2019
Il Progetto EFFICITY
4
Problema di ottimizzazione della progetto di un distretto energetico
• Il distretto è connesso alla rete
elettrica, rete gas, ecc.
• Suddiviso in quartieri/siti
• Domanda di elettricità, calore e
raffrescamento in ciascun sito
• Reti di distribuzione interne al
distretto
• Installazione di sistemi di
conversione e stoccaggio
Tecnologie
• Motori a combustione interna (GN)
• Turbine a gas (GN)
• Caldaie (GN, BIOM)
• Termovalorizzatori
• CHP a contropressione (CARBONE)
• CHP a estrazione (GN)
• Organic Rankine Cycle (BIOM)
• SOFC (BIOGAS)
• SOEC (CH4)
• Chiller a compressione
• Chiller ad assorbimento
• Fotovoltaico
• Solare termico
• Accumulo termico
• Batterie

5. Matteo Zatti, LEAP - 30.04.2019 5
Input-output del modello di ottimizzazione del progetto
Giorno tipo invernale
0
1
Giorno tipo estivo
0
1
Esempi di 24 h di gestione
di unità termiche per un
sito del distretto
(normalizzato rispetto al
valore di consumo di
picco).
Zatti et al., Environmental Engineering Management Journal (2018)
INPUT
Modello di
ottimizzazione
min TAC =
CAPEX + OPEX
Topologia del distretto
Profili orari nei giorni rappresentativi:
• Domanda di energia
• Produzione da FER
• Prezzi dell’energia
• Parametri ambientali
Cataloghi delle tecnologie:
• CAPEX [€/kW] e OPEX [€/kWh]
• Prestazioni e vincoli operativi
OUTPUT
Tecnologie di conversione e accumulo
dell’energia, taglia e sito di installazione
Profili orari nei giorni rappresentativi:
• on/off e carichi delle unità di produzione
• gestione dei sistemi di accumulo
• import/export del distretto
• scambi interni al distretto
Layout delle connessioni interne al distretto

6. Matteo Zatti, LEAP - 30.04.2019 6
Risultati sui tre casi studio del progetto:
confronto sistema attuale e sistema ottimizzato
Costi
annuali
Emissioni
CO2
Campus universitario
- 21% - 20%
CALDAIE MCI PdC
FRIGO
ASSORB.
FRIGO COMPR.
ACC.
TERM.
1 2 3 4 5 1 TH 1 EL 1 2 1 2 3 4
DESIGN ATTUALE 0,20 0,20 0,20 0,20 0,20 - - - - - 0,35 0,24 0,21 0,21 -
DESIGN OTTIMIZZATO 0,004 0,50 - - - 0,16 0,58 0,13 0,59 - 0,41 - - - 0,20
Unità di conversione e accumulo
Quartiere residenziale
CALDAIE MCI PdC
FRIGO
COMPR.
ACC.
TERM.
1 2 3 4 1 TH 1 EL 2 TH 2 EL
DESIGN ATTUALE 0,31 0,31 0,31 0,31 0,14 0,99 - - - 1,02 -
DESIGN OTTIMIZZATO 0,05 0,03 - - 0,09 0,57 0,16 1,13 0,36 1,00 0,47
- 16% - 22%
Ospedale
CALDAIE MCI PdC
FRIGO
ASSORB.
FRIGO
COMPR.
ACC.
TERM.
ACC.
FREDDO
1 2 3 1 TH 1 EL 1 2
DESIGN ATTUALE 0,24 0,24 0,24 0,33 0,67 - 0,21 0,43 0,43 0,43 0,04
DESIGN OTTIMIZZATO 0,12 0,03 - 0,33 0,67 0,42 - 0,32 0,68 0,31 -
- 7% - 7%
Le taglie sono normalizzate rispetto al picco
della corrispondente domanda di energia.

7. Matteo Zatti, LEAP - 30.04.2019 7
Circa
uguale
Campus universitario
PV CALDAIE MCI PdC
FRIGO
ASSORB.
FRIGO
COMPR.
BIOM. ORC
ACC.
TERMICO
1 2 1 TH 1 EL 1 2 1 TH 1 EL
DESIGN OTTIMIZZATO - 0,004 0,50 0,16 0,58 0,13 0,59 - 0,41 - - 0,20
DESIGN -25% CO2 0,31 0,005 0,37 0,17 0,63 0,22 0,59 0,02 0,40 0,03 0,02 0,20
Costi
annualiUnità di conversione e accumulo
+27%
Ospedale
+15%
CALDAIE MCI PdC
FRIGO
ASSORB.
FRIGO
COMPR.
BIOM. ORC
ACC.
TERMICO
1 2 1 TH 1 EL 1 2 1 TH 1 EL 2 TH 2 EL
DESIGN OTTIMIZZATO 0,12 0,03 0,33 0,67 0,42 - 0,32 0,68 - - - - 0,31
DESIGN -25% CO2 - - 0,29 0,57 0,39 0,37 0,64 - 0,11 0,04 0,11 0,04 0,31
+25%
Quartiere residenziale
PV CALDAIE MCI PdC
FRIGO
ASSORB.
FRIGO
COMPR.
BIOM. ORC
ACC.
TERMICO
1 2 1 TH 1 EL 2 TH 2 EL 1 TH 1 EL
DESIGN OTTIMIZZATO - 0,05 0,03 0,09 0,57 0,16 1,13 0,36 - 1,00 - - 0,47
DESIGN -25% CO2 0,88 - - 0,21 1,55 - - 0,41 0,25 1,00 0,06 0,09 0,47
+5%
+ 23%
Risultati sui tre casi studio del progetto:
confronto sistema ottimizzato e sistema a ridotte emissioni di CO2 (-25%)
Rispetto al
sistema
attuale
Le taglie sono normalizzate rispetto al picco
della corrispondente domanda di energia.

8. Matteo Zatti, LEAP - 30.04.2019 8
Cosa succede se vogliamo che il distretto
energetico svolga un ruolo attivo nel
mercato dell’energia e nei confronti dei
sistemi energetici regionali o nazionali ?
È utile prendere in considerazione
l’incertezza associata alle previsioni !

9. Matteo Zatti, LEAP - 30.04.2019
Il Progetto EFFICITY
9
• Il distretto è connesso alla rete elettrica, rete gas, ecc.
• Suddiviso in quartieri/siti
• Domanda di elettricità, calore e raffrescamento in ciascun sito
• Reti di distribuzione interne al distretto
• Installazione di sistemi di conversione e stoccaggio
• Partecipa al mercato del giorno prima: eventuali
sbilanciamenti tra profilo previsto/reale  penalità
• Impianti di grande taglia devono stabilire il loro programma
on/off il giorno prima e in tempo reale possono avere solo le
correzioni di carico (Ricorso Reale)
• Le macchine piccole possono avere correzioni del programma
on/off in tempo reale (Ricorso Intero)
Problema di ottimizzazione della progettazione di un distretto energetico ‘ATTIVO’
Zatti M. et al., Computer Aided Chemical Engineering (2017)

10. Matteo Zatti, LEAP - 30.04.2019 10
Formulazione matematica
Three stage stochastic mixed integer programming problem
with on/off real-time adjustment (Novità in letteratura!).
Input sono profili
PREVISTI
1° STAGE:
2° STAGE:
3° STAGE:
(design del distretto):
- localizzazione, selezione e taglia
- connessioni per scambio tra siti
(mercato del giorno prima):
- profili orari di import/export
- programma on/off orario della unità grandi
(gestione tempo reale):
- on/off delle unità flessibili
- carichi di tutte le unità e in/out accumuli
1st 2nd 3rd
Limitata flessibilità delle unità
di grossa taglia
Previsioni a
breve termine
Mercato del
giorno prima
+ +
Input sono profili
REALI
incertezza
Il problema
design + operation
three-stage è MOLTO
oneroso da un punto
di vista
computazionale !
Variabili TOT. 350k
Var. Continue 290k
Var. Binarie 60k
Vincoli 420k
Zatti M. et al., European Journal of
Operational Research (2019 – under review)
Algoritmo di
decomposizione

11. Matteo Zatti, LEAP - 30.04.2019
Il Progetto EFFICITY
11
Confronto tra un distretto standard e un distretto a emissioni di CO2 nulle
ENERGY DISTRICT DESIGN
S1 S2 S3 S4 S5 TOT TOT
REF
CMPR
HP
REF
CMPR
REF
CMPR
BOILERS ICE ORC 1 ORC 2 REF ABS
HS PV
1 2 EL TH EL TH EL TH 1 2
STANDARD
DETERMINISTICO 0,118 0,450 0,298 0,004 0,284 0,077 0,019 0,018 0,019 0,018 0,586 0,758 0,818
STOCASTICO 0,117 0,450 0,295 0,007 0,279 0,076 0,019 0,018 0,019 0,018 0,586 0,791 0,828
ZERO CO2
DETERMINISTICO 0,299 0,004 0,134 0,130 0,586 0,419 1,098 0,828
STOCASTICO 0,1218 0,311 0,004 0,130 0,127 0,368 0,523 1,063 0,829
DISTRETTO
ENERGETICO
DESIGN CAPEX
OPEX TAC
SBILANC.
DET. STOC. DET. STOC.
STANDARD
DET. 0,46 0,54 0,62 1,00 1,08 1,00
STOC. 0,46 0,61 1,07 0,98
ZERO CO2
DET. 0,58 0,54 0,67 1,12 1,25 5,20
STOC. 0,59 0,64 1,23 4,65
Se imponiamo che il bilancio annuo di emissioni di CO2 fossile sia nullo, l’impatto
dell’incertezza sui risultati può diventare rilevante!
I Costi sono normalizzati rispetto al TAC di un distretto standard con un design
deterministico.
Gli sbilanciamenti sono normalizzati rispetto a quelli ottenuti da un distretto standard
con un design deterministico.
BOILER
HEAT PUMPS
ICE
ORC_BIO
REFR_ABS
HEAT PUMP
REFR_COMPR
SITE 1
SITE 2
SITE 3
SITE 4
SITE 5
HEAT STORAGE
PV
BATTERY
SH
HEAT PUMP
REFR_COMPR
Connection
to the grid
HP
REFR_COMPR
Parma University
campus
Campus universitario
Le taglie sono normalizzate rispetto al picco della corrispondente domanda di energia
Un design stocastico
riesce a far fronte alle
variazioni tra previsioni
e profili in maniera più
efficiente.
Zatti M. et al.,
European Journal
of Operational
Research (2019 –
under review)
+15% opex
+24% opex

12. Matteo Zatti, LEAP - 30.04.2019 12
Algoritmi di ottimizzazione
della gestione
di sistemi multi-energia in ambiente incerto

13. Matteo Zatti, LEAP - 30.04.2019
Il Progetto EFFICITY
13
Ottimizzazione stocastica della gestione in ambiente incerto
0
1000
2000
3000
4000
5000
6000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Electricity balance
DEMAND P_USED EXPORT P_PROD_ORC IMPORT
0
5000
10000
15000
20000
25000
30000
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
10000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Heat balance
DEMAND Q_USED Q_IN_STO HEAT_LOSS Q_PROD_ORC Q_OUT_STO STO_LEVEL
Modello previsionale
Scenari delle possibili
realizzazione delle
previsioni (domanda + PV)
Modello MILP stocastico
di ottimizzazione della
gestione del sistema
Scheduling ottimale del
giorno prima
(input per CIRI FRAME)

14. Matteo Zatti, LEAP - 30.04.2019
Il Progetto EFFICITY
14
Conclusioni
• È stata sviluppata una metodologia per l’ottimizzazione stocastica del design di sistemi multi-
energia;
• Può essere usata per valutare politiche incentivanti, tassazione CO2 e varie scelte strategiche;
• Quando si considera un distretto pro-attivo e/o a emissioni zero, l’incertezza associata alle
previsioni diviene significativa (se non considerata fa aumentare notevolmente gli sbilanciamenti e
quindi i costi operativi, interessante in ottica UVAM);
• È stata sviluppata una metodologia per l’ottimizzazione stocastica e l’ottimizzazione robusta (non
discussa in questa presentazione) della gestione di sistemi multi-energia;
• Lo scheduling stocastico costituisce un input affidabile per i sistemi di gestione real-time di sistemi
multi-energia.

15. Matteo Zatti, LEAP - 30.04.2019
Il Progetto EFFICITY
15
GRAZIE PER L’ATTENZIONE
Matteo Zatti - matteo.zatti@polimi.it
Progetto EffiCity - Sistemi energetici efficienti per distretti urbani intelligenti
www.efficity-project.it
Efficity è un progetto co-finanziato dalla Regione Emilia-Romagna nell’ambito del Bando per progetti di ricerca industriale strategica in ambito
energetico (DGR 1097/2015), emesso in attuazione al POR-FESR 2014-2020.
Pubblicazioni
• Zatti M., Martelli E. and Amaldi E., (2017) ‘A three-stage stochastic optimization model for the design of smart energy districts under uncertainty’, Computer
Aided Chemical Engineering, 40, pp. 2389–2394.
• Zatti M., Gabba M., Rossi M., Morini M., Gambarotta A. and Martelli E., (2018) ‘Towards the optimal design and operation of multi-energy systems: the
Efficity project’, Environmental Engineering and Management Journal, 17(10), pp. 2409–2419.
• Zatti M., Gabba M., Rossi M., Balestrieri G., Gambarotta A., Morini M. and Martelli E., (2018) ‘A systematic approach for the selection of the typical and
extreme days for the optimal design of multi energy systems’, in Proceedings of the 31st International Conference on Efficiency, Cost, Optimisation, Simulation
and Environmental Impact of Energy Systems (ECOS2018). Guimarães, Portugal.
• Zatti M., Martelli E. and Morales J.M., (2019), ‘Optimal design of smart energy districts with forecast uncertainty and quick start-up units: a stochastic
programming approach with integer recourse’, European Journal of Operational Research (submitted and under review).
• Zatti M., Gabba M., Freschini M., Rossi M., Morini M., Gambarotta A. and Martelli E., (2019), ‘k-MILP: a novel clustering approach to select typical and
extreme days for multi-energy systems design optimization’, Energy, (accepted and under review).
• Zatti M., Gabba M., Freschini M. and Martelli E., (2019), ‘The Benefits of Multi-Energy Systems Optimization: the Efficity Project’ to be presented at ATI2019
conference.