مدل برنامه‏ ریزی غیرخطی عدد صحیح مختلط برای تولید برق از انرژی زیست توده

نوع مقاله : علمی-ترویجی

نویسندگان

1 استادیار، مهندسی معدن (فرآوری)، دانشگاه بین المللی امام خمینی(ره) قزوین، صندوق پستی 96818- 34148.

2 استادیار، مهندسی نفت، دانشگاه بین المللی امام خمینی(ره)

چکیده

تامین انرژی از مسائل اصلی جامعه بشری در حال حاضر به شمار می رود. به موازات آن توجه به مسائل زیست محیطی محدودیت هایی را برای توسعه ایجاد کرده است. بر این اساس، پیدا کردن منابع جایگزین انرژی های پاک می تواند راه حل مناسبی ارائه نماید. انرژی زیست توده یکی از این راهکارهای مناسب می‌باشد. هدف این مقاله ارائه مدل ریاضی برای بهینه سازی تولید انرژی با منشا زیست توده است. در این مقاله شرایط منطقه ای صنایع مرتبط مد نظر قرار گرفته است. از آنجائی که در تولید این نوع انرژی محصولات مختلفی در مراحل میانی و پایانی بدست می آید، قابلیت خرید یا تولید این محصولات و همچنین هزینه حمل و نقل آنها به منظور کمینه سازی هزینه  کلی طرح مورد توجه قرار می گیرد. در این مقاله، ابتدا از یک مدل برنامه ریزی غیر خطی برای توصیف فرایند تولید انرژی زیست توده استفاده گردید. سپس با استفاده از روش های ریاضی به یک مدل برنامه ریزی خطی تبدیل شد. کاربرد این مدل ارائه ساختاری برای مکان یابی مراکز تولید انرژی الکتریکی است که براساس موقعیت جغرافیای مزارع، مراکز تبدیل کننده، و مراکز عرضه محصولات کشاورزی و فراورده های آنها تنظیم شده است.  این الگو می تواند به اقتصادی شدن تولید انرژی های تجدید پذیر کمک نماید.  

کلیدواژه‌ها


[1]      H.I. Inyang, Bridging the gaps for global sustainable development, International Conference on Energy, Environment and Disasters, Charlotte, NC, July 2005.
[2]      Regional Wood Energy Development Programme, Proceedings of the regional expert consultation on modern applications of biomass energy, Food and Agricultural Organization of the UN, Bangkok, January 1998.
[3]      D.M. Adams, R.J. Alig, J.T. Chmelik, B.A. McCarl, Analysis of Biomass Fueled Electrical Powerplants: Implications in the Agricultural and Forestry Sectors, Annals of Operations Research, 1998.
[4]      D.M. Adams, R.J. Alig, J.T. Chmelik, B.A. McCarl, Competitiveness of biomassfueled  electrical power plants,  Annals of Operations Research, 94: 37-55, 2000.
[5]      R. Aringhieri, M. Bruglieri, F. Malucelli, and M. Nonato. An asymmetric vehicle routing problem arising in the collection and disposal of special waste, CTW04 Workshop on Graphs and Combinatorial Optimization, volume 17 of Electronic Notes in Discrete Mathematics, pages 41–46, Elsevier. Amsterdam, 2004.
[6]      D. Freppaz, R. Minciardi, M. Robba, M. Rovatti, R. Sacile, A. Taramasso Optimizing forest biomass exploitation for energy supply at a regional level,  Biomass and Bionergy, 26:15–25, 2004.
[7]      D. Voivontas, D. Assimacopoulos, E.G. Koukios,  Assessment of biomass potential for power production: a GIS based method, Biomass and Bionergy, 20:101–112, 2001.
[8]       M. Berkelaar,  LP SOLVE: Linear Programming Code. http://www.cs.sunysb.edu/ algorith/implement/lpsolve/implement.shtml, 2004.
[9]      S. Kucherenko and Yu. Sytsko, Application of deterministic lowdiscrepancy sequences to nonlinear global optimization problems, Computational Optimization and Applications, 30(3):297–318, 2004.
[10]   L. Liberti and S. Kucherenko. Comparison of deterministic and stochastic approaches to global optimization, International Transactions in Operations Research, 12:263–285, 2005.
[11]   P. Hansen and N. Mladenovi´c, Variable neighbourhood search: Principles and applications. European Journal of Operations Research, 130:449–467, 2001.
[12]   L. Liberti and M. Draˇzic. Variable neighbourhood search for the global optimization of constrained nlps. Proceedings of GO Workshop, Almeria, Spain, 2005.
[13]   E.M.B. Smith and C.C. Pantelides. A symbolic reformulation/spatial branch-and-bound algorithm for the global optimization of nonconvex minlps. Computers & Chemical Engineering, 23:457–478, 1999.
[14]   C.S. Adjiman, S. Dallwig, C.A. Floudas, and A. Neumaier. A global optimization method, αbb, for general twice-differentiable constrained nlps: I. theoretical advances. Computers & Chemical Engineering, 22(9):1137–1158, 1998.
[15]   G.P. McCormick. Computability of global solutions to factorable nonconvex programs: Part i — convex underestimating problems. Mathematical Programming, 10:146–175, 1976.
[16]   H.D. Sherali and W.P. Adams. A tight linearization and an algorithm for 0-1 quadratic programming problems. Management Science, 32(10):1274–1290, 1986.
[17]   H.D. Sherali and A. Alameddine. A new reformulation-linearization technique for bilinear programming problems. Journal of Global Optimization, 2:379–410, 1992.
[18]   H.D. Sherali and W.P. Adams. A Reformulation-Linearization Technique for Solving Discrete and Continuous Nonconvex Problems. Kluwer Academic Publishers, Dodrecht, 1999.
[19]   L. Liberti. Linearity embedded in nonconvex programs. Journal of Global Optimization, 2004.