Editorial

Authors

Abstract

With regard to the ever-increasing need for energy in current societies to satisfy various requirements, scientists and researchers from different countries, such as Iran, have a basic approach in their agenda to achieve renewable energies. The scientists believe that with regard to the limited fossil fuels and their environmental pollutions, renewable and clean energies can be the first alternative to generate energy. Our country, Iran, has numerous capabilities in the field of generating new and renewable energies. This fact emphasizes the need for an optimum model to develop the use of renewable energies. In line with this objective the costfunction is chosenas the objective function. Given the potential and limits ofrenewable energy (resources Limited), Consumptionof electricpowerin each of16regions (apply Limited) confidencelimits  of renewable energy (technical limitations), the model was designed and with use Robust optimization model was solved in LINGO software.The optimum of using renewable energies suggests the 36.71% generation of small hydropower energy, 18.22% wind energy, 17.19% biomass energy, 13.43% geothermal energy, 12.53% tidal energy, and 1% solar energy.

Keywords

ارائه یک الگوی بهینه توسعه انرژی­های تجدیدپذیر در ایران

با استفاده از رویکرد بهینه­یابی استوار

 

دکتر حسین صادقی،[1]سمانه خاکسارآستانه[2]

 

تاریخ دریافت: 29/02/1393                                                تاریخ پذیرش: 13/11/1393

 

چکیده

با توجه به نیاز روز افزون جوامع امروزی به انرژی برای تأمین نیازهای متفاوت، دانشمندان و محققان کشورهای متعددی از جمله ایران، رویکردی اساسی نسبت به دستیابی به انرژی­های تجدیدپذیر در دستور کار خود قرار داده­اند. دانشمندان معتقدند انرژی­های تجدیدپذیر و پاک با توجه به محدود بودن منابع سوخت­های فسیلی و آلودگی محیط­زیست می­توانند به اولین گزینه برای تولید انرژی تبدیل شوند. کشور ما نیز به دلیل موقعیت جغرافیایی ظرفیت­های متعددی در حوزه تولید انرژی­های تجدیدپذیر دارد و همین موضوع باعث شده است که ضرورت توسعه انرژی­های تجدیدپذیر در دستور کار مسئولین قرار گیرد. این مسئله به ضرورت ارائه یک الگوی بهینه جهت توسعه استفاده از انرژی­های تجدیدپذیر تأکید می­کند. از این رو در این مطالعه هدف اصلی ارائه الگوی بهینه استفاده از انرژی­های تجدیدپذیر بوده است. در راستای این هدف با انتخاب تابع هزینه به عنوان تابع هدف و با توجه به محدودیت­های پتانسیل انرژی­های تجدیدپذیر (محدودیت منابع)، میزان مصرف انرژی برق در هر یک از مناطق 16گانه برق (محدودیت تقاضا) و محدودیت ضریب اطمینان تولید انرژی از انرژی­های تجدیدپذیر (محدودیت فنی)، الگوی بهینه استفاده از انرژی­های تجدیدپذیر طراحی و با استفاده از مدل برنامه­ریزی استوار در نرم­افزار LINGO حل شد. نتایج حاصل از الگوی بهینه حاکی از تولید 36.71 درصدی انرژی برق آبی کوچک، 18.22 درصدی انرژی باد، 17.19درصدی انرژی زیست توده، 13.43درصدی انرژی زمین گرمایی، 12.53 درصدی انرژی جزرومد و 1 درصدی انرژی خورشیدی است.

 

طبقه­بندیJEL: Q40، Q42، Q53

کلمات کلیدی: انرژی­های تجدیدپذیر، الگوی بهینه، بهینه­سازی استوار، ایران

 

1-   مقدمه

انرژی در حیات اقتصادی جوامع، نقش زیربنایی را ایفا می‎کند، به این معنا که هرگاه انرژی به مقدار کافی و به موقع در دسترس باشد توسعه اقتصادی نیز میسر خواهد بود. نگاهی به گذشته نشان می‎دهد که همواره رقابت‎های بزرگی در سطح جهانی بر سر تصاحب منابع انرژی وجود داشته است، چراکه امنیت ملی و پایداری نظام‎های حکومتی تا حد زیادی در گرو دسترسی به این منابع است. خوشبختانه ایران از نظر دارا بودن منابع و ذخایر متنوع انرژی از ثروتمندترین کشورهای جهان به حساب می‎آید. این منابع درکشور ما با قیمت‎هایی به مراتب نازل‎تر از سایر کشورها و با سهولت بیشتری به مصرف‎کننده عرضه می‎شود. بدون شک این منابع انرژی روزی پایان خواهد پذیرفت. از آنجایی که زندگی عادی انسان امروزی بدون استفاده از منابع انرژی ممکن نیست باید همزمان با توسعه فناوری‎های نوین استحصال انرژی، در روش‎های مصرف بهینه انرژی نیز سرمایه‎گذاری کرد.

انرژی‏های تجدیدپذیر در کشور ما و در جهان موضوع جدیدی است. همچنین مراحل توسعه و پیشرفت فناوری‌های مختلف انرژی‌های تجدیدپذیر متفاوت است. برخی همچون انرژی باد و فتوولتائیک به درجه بالایی از تکامل رسیده‌اند و بعضی همچون امواج و نیروگاه­های حرارتی خورشیدی در مراحل پایین‌تری از پیشرفت هستند، اما همه آنها نیاز به تحقیق و توسعه به منظور بهبود در عملکرد دارند. با توجه به نو بودن فناوری انرژی‏های تجدیدپذیر، تحقیق و نوآوری در مورد این سامانه‏ها به مراتب از اهمیت بالاتری برخوردار است به طوری که مسئله تحقیقات جزء لاینفک سامانه‌های تجدیدپذیر بوده و تنها راه غلبه بر موانع توسعه و ترویج انرژی‏های تجدیدپذیر ایجاد زمینه‏های توسعه تحقیقات، انتقال فناوری و نوسازی فن‌آوری‏ها است.

با وجود اهمیت انرژی­های تجدیدپذیر در تأمین انرژی پاک، هنوز مطالعه­ای مبنی بر ارائه الگوی مناسب استفاده و گسترش این نوع از انرژی در ایران صورت نگرفته است. از این رو در این مطالعه تلاش شده الگوی بهینه استفاده از انرژی­های تجدیدپذیرارائه شود.

این مطالعه در 10 بخش تدوین شده است؛ بعد از مقدمه به بررسی وضعیت انرژی­های تجدیدپذیر، جایگاه و اهمیت آن در جهان و ایران پرداخته شده است، سپس پیشینه و روش تحقیق مقاله بیان شده است. در بخش 6 و 7 مدل طراحی و حل شده و در بخش 8 شبیه سازی صورت گرفته است. در بخش 9 تجزیه و تحلیل نتایج بیان شده و در آخر جمع­بندی و پیشنهادات ارائه شده است.

 

2- انرژی­های تجدیدپذیر، جایگاه و اهمیت آن

سوخت­های فسیلی بیش از 81 درصد انرژی مصرفی دنیا و بیش از 95 درصد انرژی ایران را تأمین می­کنند (معینی و همکاران، 1389). ایران دومین عضو اوپک از نظر تولید نفت است و حدود 8.6 درصد (3/12 میلیارد تن) از منابع نفتی جهان و 17 درصد (6/26 تریلیون مترمکعب) از منابع گازی جهان در ایران واقع شده است. تولید نفت ایران در سال 2011 حدود 1470 میلیون بشکه با 4.1 میلیون بشکه در روز بوده است. تولید گاز 288.7 میلیارد بشکه در روز است که در سال 1991 حدود 78.8 هزار بشکه در روز بوده است (ترازنامه انرژی، 1390). این آمار و آمارهای تفصیلی دیگر به وضوح نشان‏دهنده استخراج سریع منابع فسیلی کشور است. از سوی دیگر، کشورهای صنعتی و پیشرفته که مصرف­کنندگان عمده انرژی در جهان هستند، همواره سعی دارند بر سهم انرژی‏های تجدیدپذیر در سبد انرژی مصرفی خود بیفزایند.

از منظر سیاسی و راهبردی، یکی از مهم­ترین توانمندی‏ها و نقاط قوت کشور ایران، قدرت آن در بازار انرژی‏های فسیلی جهان است که کشورهای پیشرفته در حال حاضر به آن وابسته­اند. از سوی دیگر، مسئله گرم شدن جهانی که به حد بحرانی رسیده و دیگر مسایل زیست محیطی سبب شده است استفاده از انرژی‏های فسیلی در معرض انتقادهای بنیادین قرار داشته باشد از این رو، رویکرد جهانی قدرت‏ها، محدود کردن استفاده از انرژی‏های فسیلی است.

هم‌اکنون سهم انرژی‌های تجدیدپذیر در تأمین انرژی مورد نیاز قاره اروپا حدود 8.5 درصد بوده، این در حالی است که کشور در حال توسعه‌ای مانند هند از لحاظ ظرفیت نصب شده کل انرژ‌های تجدیدپذیر مقام پنجم و از نظر ظرفیت نیروگاه‌های بادی نصب شده مقام چهارم جهان را داراست.  سهم کشور ما در این میان تاکنون 100 مگاوات ظرفیت تولید و به طور عمده توربین‌های بادی است و اگر نیروگاه‌های آبی متوسط و بزرگ را هم جزو منابع تجدیدپذیر محسوب کنیم، آنگاه این ظرفیت به 7700 مگاوات خواهد رسید (سمینار توسعه انرژی‌های تجدیدپذیر، ضرورت نیل به توسعه پایدار، 1387).

مطابق اعلام سازمان انرژی های نو ایران (1388)، «کاهش آلودگی های زیست محیطی»، «کاهش ذخایر فسیلی»، «صرفه جویی اقتصادی»، «ارتقای امنیت عرضه انرژی»، «تولید پراکنده و کاهش اتکا به شبکه‌های سراسری انتقال انرژی»، «اشتغال‌زایی و توسعه نواحی دور افتاده» و «حل معضل ضایعات شهری» را می­توان از جمله دلایل برای ضرورت استفاده از انرژی­های تجدیدپذیر عنوان کرد.

 

3-انرژی­های تجدیدپذیر در ایران

  طی سال 1388 در ایران 141.53 مگاوات انرژی تجدیدپذیر (آبی کوچک، بادی، خورشیدی و بیوگاز) جهت تولید برق به کار گرفته شده و ظرفیت نیروگاه­های آبی کوچک، بادی، خورشیدی و بیوگاز به ترتیب 48.93، 90.6، 0.1 و 1.9 مگاوات بوده است. در رابطه با انرژی زمین گرمایی دو نیروگاه در استان اردبیل در دست احداث است باشد که تا پایان سال 1393 به بهره برداری خواهند رسید. در ارتباط با استفاده از انرژی امواج هنوز برنامه­ای در رابطه با بهره برداری از پتانسیل موجود در کشورمان تدوین نشده است (ترازنامه انرژی، 1388).

انرژی خورشیدی: در حال حاضر بر اساس آخرین آمار منتشر شده توسط وزارت نیرو در سال 1388 در مجموع72 هزار کیلووات ساعت برق خورشیدی توسط پروژه­های 30 کیلووات فتوولتائیک، نیروگاه­های دربید یزد و سرکویر سمنان و خورشیدی تبریز در کشور تولید شده است (ترازنامه انرژی، 1388).

انرژی زیست توده: بر اساس آخرین اطلاعات منتشره توسط وزارت نیرو، دو نیروگاه زیست توده در دو منطقه شهرهای شیراز و مشهد به ترتیب با قابلیت تولید 7455 و 4875 مگاوات ساعت در سال 1388 به بهره برداری رسیده است. توان عملی این دو نیروگاه به ترتیب برابر 1065 و 600 کیلووات است (ترازنامه انرژی، 1388).

انرژی آبی کوچک: هم اکنون از کل ظرفیت نیروگاه­های برق آبی در حال بهره­برداری، 0.64درصد به نیروگاه­های آبی کوچک تعلق داشته و سهم تولید ناویژه این نیروگاه­ها با احتساب رقم 44.271 گیگاوات ساعت در سال ، 0.61 درصد است (ترازنامه انرژی، 1388).

انرژی بادی: بر اساس آخرین اطلاعات موجود در ترازنامه انرژی وزارت نیرو در سال 1388 در مجموع با 158 توربین بادی در استان­های گیلان، خراسان، آذربایجان شرقی و سیستان و بلوچستان، ظرفیت انرژی بادی در کشور معادل90550 کیلووات، همراه با تولید ناویژه 266.7 گیگاوات ساعت است (ترازنامه انرژی، 1388).

انرژی زمین گرمایی: در حال حاضر وزارت نیرو دو پروژه احداث نیروگاه زمین­گرمایی مشکین شهر و احداث پکیج 3-5 مگاواتی را در دست اجرا دارد. ظرفیت طرح این دو پروژه در مجموع حدود 55 مگاوات و میزان تولید سالانه آنها 410 میلیون کیلووات ساعت برآورد شده است (ترازنامه انرژی، 1388).

 

4- مطالعات انجام شده

در زمینه استفاده از انرژی­های تجدیدپذیر تاکنون مطالعه داخلی مبنی بر بهینه­سازی ترکیب این نوع از انرژی انجام نشده است. اما در این حوزه مطالعات مختلفی در سراسر دنیا با استفاده از تکنیک برنامه­ریزی خطی و برنامه­ریزی استوار صورت گرفته است که از آن جمله می­توان به موارد زیر اشاره کرد:

  آرنت و زوبل[3] (2012) در مطالعه­ای به ارائه الگویی بهینه برای توسعه منطقه­ای انرژی­های تجدیدپذیر در شرق آمریکا پرداخته­اند. شفیع­الله و همکاران (2012) در مطالعه خود با عنوان «چشم­اندازی به انرژی­های تجدیدپذیر» به بررسی پتانسیل انرژی­های تجدیدپذیر پرداخته­اند و مناطقی از استرالیا که پتانسیل تولید انرژی تجدیدپذیر به خصوص انرژی خورشیدی و بادی دارند را شناسایی کرده­اند. آنها به ارائه یک مدل بهینه ترکیبی برای توسعه چشم­اندازی از انرژی باد در منطقه­ای از استرالیا با در نظر گرفتن هزینه­های تولید، هزینه­های انرژی، هزینه­های کاهش انتشار پرداختند. اکسیدیس و کرونس[4] (2012)، در مطالعه خود با عنوان «روش برنامه­ریزی خطی به منظور برنامه­ریزی بهینه سیستم انرژی در آینده (با توجه به پتانسیل تولید انرژی از مواد زائد جامد شهری)» به علت عدم توازن بین عرضه انرژی و مصرف نهایی، سیستم انرژی یونان را مورد مطالعه قرار دادند. هدف نهایی از این مطالعه ارائه الگوی بهینه­ای به منظور برآوردن نیاز انرژی کشور یونان با توجه به منابع انرژی تجدیدپذیر و بالاخص تمرکز در پتانسیل تولید انرژی از مواد زائد جامد شهری (MSW)[5] در هر منطقه بوده است. کو و همکاران[6] (2012) در مطالعه­ای به بررسی یکپارچه­سازی فناوری CCS، تجارت انتشار و بی­ثباتی قیمت سوخت به منظور برنامه­ریزی پایدار انرژی با استفاده از رویکرد بهینه­سازی استوار[7] پرداخته­اند. چن و همکاران[8] (2012) در مطالعه­ای با عنوان «بهینه­سازی استوار، تکنیکی برای برنامه­ریزی سیستم­های قدرت در مقیاس منطقه­ای و مدیریت دی­اکسیدکربن» از روش بهینه­سازی استوار بازه­ای برای برنامه­ریزی سیستم­های انرژی و تجارت دی­اکسیدکربن در چارچوب ترکیب برنامه­ریزی پارامتری- بازه­ای همراه با بهینه­سازی در شرایط عدم قطعیت استفاده کرده­اند. چن و همکاران[9] (2012) در مطالعه­ای از تکنیک
بهینه­سازی استوار بازه­ای برای برنامه­ریزی سیستم­های انرژی و مدیریت انتشار آلاینده CO2 در کشور چین از طریق ترکیب دو تکنیک برنامه­نویسی پارامتری- بازه­ای و بهینه­سازی استوار استفاده کرده­اند. فریئرا و همکاران[10] (2012) در مطالعه­ای با استفاده از رویکرد بهینه­سازی استوار به طراحی مدلی برای پاسخ به تقاضای انرژی برق با فرض همبستگی اطلاعات قیمتی پرداخته­اند. دومینز و همکاران[11] (2012) در مطالعه­ای با عنوان ارائه الگوی بهینه توسعه نیروگاه خورشیدی متمرکز به پیشنهاد روشی برای ارائه منحنی عرضه انرژی نیروگاههای خورشیدی متمرکز پرداخته­اند. آنها برای ارائه منحنی عرضه انرژی نیروگاه مورد مطالعه از مدل برنامه­ریزی خطی استوار استفاده کرده­اند و تابع هدف سود را در این مطالعه ماکزیمم کرده­اند. ریموند[12] (2011) در مطالعه­ای به طراحی مدلی برای بخش انرژی فیلیپین با استفاده از تکنیک برنامه­ریزی استوار و با توجه به محدودیت­های غیرعملیاتی پرداخته است. آرنت و زوبل[13] (2011) در مطالعه­ای به بررسی نقش سیاست­های دولت در بهینه­سازی توسعه انرژی­های تجدیدپذیر در جنوب کوه­های آپالاچی پرداختند. آنها در این تحقیق یک سیستم جامع به منظور برنامه­ریزی انرژی ارائه می­دهند و هدف اصلی آنها در این سیستم تأمین برق از منابع انرژی تجدیدپذیر است. مویس و همکاران[14] (2010)، در مطالعه­ خود با استفاده از تکنیک برنامه­ریزی اعداد صحیح، الگوی بهینه­ای را برای تولید برق با هدف کاهش دی­اکسیدکربن ارائه داده­اند. نتایج این مطالعه نشان داد به منظور کاهش 50 درصدی انتشار دی­اکسید­کربن از سطح فعلی، یک الگوی بهینه از سیکل ترکیبی گاز، سیکل ترکیبی گاز طبیعی، انرژی هسته­ای و انرژی زیست توده ناشی از دفن زباله انتخاب شده است. لی و همکاران[15] (2010) در مطالعه خود به طراحی مدلی به منظور برنامه­ریزی سیستم­های انرژی تحت شرایط عدم قطعیت پرداختند.کی و همکاران[16] (2009) در مطالعه خود به طراحی سیستمی جامع برای مدیریت انرژی­های تجدیدپذیر پرداخته­اند. آنها در این مطالعه از مدل برنامه­ریزی
دومرحله­ای با پارامترهای بازه­ای به منظور ارائه مدلی جهت حمایت و پشتیبانی از مدیریت
 انرژی­های تجدیدپذیر در مقیاس کلان استفاده کرده­اند. لین و هانگ[17] (2009)، در مطالعه خود با استفاده از تکنیک برنامه­ریزی پویا مدلی را به منظور مدیریت انتشار گازهای گلخانه­ای و توسعه پایدار انرژی­های تجدیدپذیر در کانادا ارائه داده­اند.

 

5- روش تحقیق

برنامه­ریزی ریاضی یکی از روش­های بهینه­سازی است. بهینه­سازی، هنر و علم تخصیص منابع محدود به بهترین وضعیت ممکن و برنامه­ریزی خطی یکی از زیرمجموعه­های برنامه ریزی ریاضی است. پاسخی که از حل یک مسئله برنامه­ریزی خطی به دست می­آید، معمولا عبارت است از: یک برنامه یا طرح مشخص که شامل مقادیر بهینه فعالیت­های انتخاب شده است (صبوحی، 1391).

 

5-1- استواری

استواری[18] به این مفهوم است که خروجی مدل نباید خیلی نسبت به مقادیر دقیق پارامترها و ورودی­های مدل حساس باشد (کلیجنین[19]، 2001). به بیان دیگر، «استواری» یا «استوار» صفتی است که به ظرفیتی برای پایداری تخمین­های مبهم و یا نقاط نامشخص به منظور ممانعت از اثرات نامطلوب تنزل ویژگی­هایی که مورد نظر است و باید آن را حفظ کرد گفته می­شود (روی[20]، 2010). مسائل تصمیم­گیری اغلب به دلیل عدم دقت، تغییرپذیری مستمر و ناتوانی در دیدن وقایع آینده با عدم اطمینان­هایی موجه هستند. نویسندگان بسیاری بحث استواری را مورد تحقیق و بررسی قرار داده و نتیجه کار آنها منجر به حوزه تحقیقاتی وسیعی شده است (هیتث و همکاران[21]، 2006). بحث استواری مدل از مباحث بسیار مهمی بوده که در «اخلاق در مدلسازی» و متعاقبا «اخلاق در تحقیق در عملیات» مطرح است. در حقیقت اگر مدل­ها استوار باشند، خطر بکارگیری اشتباه یا استفاده غلط آن بسیار کمتر خواهد شد.

به لحاظ تاریخی، بهینه­سازی در شرایط غیرقطعی در اواخر دهه 1950 شروع شد و در هر دو زمینه تئوری و الگوریتم به سرعت پیشرفت کرد. رویکرد­های زیادی برای
بهینه­سازی در شرایط غیرقطعی مورد استفاده قرار گرفته است که از آن جمله می­توان کمینه کردن امید ریاضی، کمینه کردن انحراف از آرمان­ها، کمینه کردن بیشترین هزینه­ها را نام برد. البته همه این رویکردها با مشکلاتی مواجه هستند.

اما رویکردی که در سال­های اخیر برای مقابله با عدم قطعیت داده­ها، بسط داده شده، بهینه­سازی استوار است که در آن به بهینه­سازی هنگام رخ دادن بدترین موارد پرداخته
می­شود و ممکن است منجر به یک تابع هدف کمینه کردن ماکسیمم[22] شود. در این رویکرد به دنبال جواب­های نزدیک به بهینه­ای هستیم که با احتمال بالایی موجه باشند. به عبارت دیگر، با کمی صرفنظر کردن از بهینگی تابع هدف، موجه بودن جواب به دست آمده را تضمین می­کنیم. البته در مورد عدم قطعیت در ضرایب تابع هدف با کمی صرفنظر کردن از مقدار تابع هدف بهینه به دنبال جوابی هستیم که با احتمال بالایی جواب­های واقعی بهتر از آن جواب باشند (فیض الهی، 1386).

به طور کلی در برنامه­ریزی ریاضی قطعی فرض می­شود داده­های ورودی به طور مشخص و معادل با مقادیر اسمی است. این نگرش، تأثیر عدم اطمینان را روی کیفیت و موجه بودن مدل مدنظر قرار نمی­دهد. در حقیقت داده­هایی که مقادیر متفاوتی را از مقادیر اسمی­شان اختیار می­کنند، ممکن است منجر به این مسئله شوند که تعدادی از محدودیت­ها نقض شوند و جواب بهینه ممکن است مدت طولانی بهینه نمانده یا حتی موجه بودن آن از بین برود. این بحث خواسته­ای طبیعی را به ذهن متبادر می­سازد مبنی بر اینکه روش­های حلی طراحی و ارائه شوند که در مقابل عدم اطمینان داده­ها ایمنی ایجاد کنند و این
روش­ها، «حل استوار» نامیده می شوند (برتسیمس و سیم[23]، 2004).

اولین گام و تحقیق در این راستا از روی سویستر[24] (1973) ارائه شد که یک مدل برنامه­ریزی خطی را برای تولید جوابی که برای همه داده­های متعلق به یک مجموعه محدب موجه است، ارائه کرد. مدل فوق جواب­هایی ارائه می­ کند که در قبال بهینگی مسئله اسمی به منظور اطمینان از استواری به شدت محافظه­کارانه (با محافظه کاری بالا[25]) عمل می­کند، به این معنی که در این رویکرد برای اطمینان از استوار بودن جواب به مقدار زیادی از بهینگی مسئله اسمی دور می­شود. در این مدل هر داده ورودی می تواند هر مقداری از یک بازه[26] را بگیرد (بن تال و نمیروفسکی[27]، 2000 و برتسیمس و سیم، 2004). پس از این، گام­های مهم دیگری به طور مستقل در توسعه تئوری بهینه­سازی استوار توسط بن تال و نمیروفسکی، ال قاووی و لبرنت، ال قاووی و همکاران صورت گرفته است. در کل مدل­های استوار به دو دسته کلی مدل­های برنامه­ریزی استوار با داده­های بازه­ای و مدل­های استوار سناریویی تقسیم می­شوند.

مدل­های برنامه­ریزی استوار با داده­های بازه­ای خود به سه مدل ریاضی «مدل استوار سویستر» (1973)، « مدل استوار بن تال و نمیروفسکی» و « مدل برتسیمس و سیم» تقسیم می­شوند که مدل «برتسیمس و سیم» مدنظر این مطالعه است.

 

5-2- مدل برتسیمس و سیم

در مباحث بهینه­سازی استوار به ازای هر مسئله اسمی (مسئله حاوی پارامترهای نامطمئن) یک مدل استوار ارائه می­شود که همتای استوار نام دارد. به عبارت دیگر، با حل مدل همتای استوار جواب­های استوار برای مسئله اصلی ارائه می­شود. مسئله برنامه­ریزی عدد صحیح مختلط اسمی زیر (مدل (1)) با مجموعه n متغیر که kتای اول آن متغیرهای عدد صحیح هستند در نظر گرفته شده است.

 مدل (1)

 

 

بدون از دست دادن کلیت مسئله فرض می­شود، ماتریس A و c شامل داده­های غیرقطعی و بردار b شامل اعداد قطعی باشد. با فرض اینکه هر کدام از ضرایب  به صورت یک متغیر تصادفی مستقل با توزیع متقارن و کراندار مدل می­شود که در بازه  مقدار می­گیرد. هر کدام از در بازه  مقدار می گیرد، به طوری که   بیانگر انحراف از ضریب هزینه اسمی   است. همچنین تنها فرض برای توزیع ضرایب  متقارن بودن آن است. علاوه بر این، اگر عدد سمت راست همانند ضرایب فنی در بازه­ای متقارن نوسان کند، هیچ خللی به بحث وارد نمی­شود و مدلسازی استوار آن شبیه ضرایب فنی صورت می­گیرد. در راستای تحقق استواری جواب، اعداد تعریف می­شود که در بازه   مقدار می­گیرند به طوری که  برابر با تعداد داده­های غیرقطعی در محدودیت iام است. نقش پارامتر در محدودیت­ها، تنظیم میزان استواری در مقابل سطح محافظه­کاری جواب است. پارامتر  سطح استوار بودن را برای تابع هدف کنترل می کند. اگر  باشد، اثر تغییرات در ضرایب هزینه به طور کامل لحاظ نمی­شود اما اگر  باشد، همه تغییرات ممکن لحاظ می شود که محافظه­کارانه­ترین حالت است. همتای استوار برتسیمس و سیم برای مدل (1) به شکل مدل (2) است (برتسمیس و سیم، 2004 و 2006):

مدل (2)

 

 

در صورتی که عدد سمت راست یعنی در بازه   نیز مقدار بگیرد، همتای استوار برتسیمس و سیم برای مدل (1) به شکل مدل (3) خواهد بود:

مدل (3)

 

6- طراحی مدل

6-1- صورت کلی مدل اسمی تولید برق از انرژی­های تجدیدپذیر

در این قسمت با استفاده از تکنیک برنامه­ریزی خطی و با انتخاب تابع هزینه به عنوان تابع هدف و با توجه به محدودیت­های پتانسیل انرژی­های تجدیدپذیر (محدودیت منابع)، میزان مصرف انرژی برق در هر یک از مناطق 16گانه برق (محدودیت تقاضا) و محدودیت ضریب اطمینان تولید انرژی از انرژی­های تجدیدپذیر (محدودیت فنی)، الگوی بهینه استفاده از انرژی­های تجدیدپذیر را ارائه می­دهیم. شایان ذکر است، بهره­برداری از انرژی­های تجدیدپذیر در دو مقیاس کلان و خرد امکان­پذیر است. در مقیاس خرد انرژی­های تجدیدپذیر به صورت محلی و پراکنده مورد استفاده قرار می­گیرند و از آنجا که در این مدل هدفگذاری شده که تنها 10 درصد از انرژی برق کشور از انرژی­های تجدیدپذیر تأمین شود، این رقم می­تواند از طریق بهره­برداری در سطح خرد تأمین شود، بنابراین مسئله مبادله انرژی در مقیاس بالا و به صورت متمرکز مدنظر نبوده و مسئله تبادل انرژی در این مدل وارد نشده است.

همانطور که در جدول (1) نشان داده شده است متغیرهای  تا  میزان تولید برق از هر یک از انرژی­های تجدیدپذیر در هر برق منطقه­ای را نشان می­دهد.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

جدول (1)- متغیرهای تصمیم مدل (1)

استان

انرژی خورشیدی تولیدی در برق

انرژی زیست توده تولیدی در برق

انرژی زمین گرمایی تولیدی در برق

انرژی باد تولیدی در برق

انرژی برق آبی تولیدی در برق

انرژی جزرومد تولیدی در برق

سیستان

           

آذربایجان

           

باختر

           

فارس

           

غرب

           

گیلان

           

هرمزگان

           

خراسان

           

مازندران

           

سمنان

           

زنجان

           

اصفهان

           

تهران

           

خوزستان

           

کرمان

           

یزد

           

 

 

 

تابع هدف

در این مدل به منظور به دست آوردن الگوی بهینه استفاده از انرژی­های تجدیدپذیر از تابع هزینه تولید برق در راستای حداقل هزینه تولید برق از انرژی­های تجدیدپذیر، شامل؛ انرژی خورشیدی، انرژی زیست توده، انرژی زمین گرمایی، انرژی بادی، انرژی برق آبی کوچک و انرژی جزرومد استفاده شده است.

 

 

 

در این مدل ضرایب تابع هدف، شامل هزینه تولید برق از انرژی خورشیدی، زیست توده، زمین گرمایی، باد، برق آبی کوچک و جزرومد بوده است. به دلیل اینکه تجهیزات و فناوری استفاده از انرژی­های تجدیدپذیر در کشور ما اغلب وارداتی بوده، بنابراین هزینه تولید برق از انرژی­های تجدیدپذیر در مناطق 16گانه برق منطقه­ای در کشور یکسان در نظر گرفته شده است. جدول (2) متوسط هزینه تولید یک کیلووات ساعت برق از هر یک از انرژی­های تجدیدپذیر را نشان می­دهد.

 

جدول (2): هزینه یک واحد تولید برق از انواع انرژی­های تجدیدپذیر (ریال/کیلوات ساعت)

قیمت

انرژی تجدیدپذیر

3330

انرژی خورشیدی

1960

انرژی زیست توده

1750

انرژی زمین گرمایی

1430

انرژی باد

1180

انرژی برق آبی

1430

انرژی جزرومد

ماخذ: سازمان انرژی­های نو ایران- 1389

 

 

 

محدودیت­ها

محدودیت پتانسیل انرژی­های تجدیدپذیر در کل کشور: یکی از مهم­ترین محدودیت های در نظر گرفته شده در این مدل، محدودیت پتانسیل انرژی های تجدیدپذیر در کشور بوده است. بر اساس محاسبات صورت گرفته، پتانسیل انرژی خورشیدی، زیست توده، زمین گرمایی، بادی، برق آبی کوچک و جزرومد را مطابق مقادیر تا بر اساس جدول (3) می­توان در نظر گرفت.

 

جدول(3)- مقادیر سمت راست محدودیت پتانسیل

تراوات ساعت

متغیر

انرژی تجدیدپذیر

193161

 

انرژی خورشیدی

196.2

 

انرژی زیست توده

24.7

 

انرژی زمین گرمایی

265.9

 

انرژی بادی

12.2

 

انرژی برق آبی

26.1

 

انرژی جزرومد

ماخذ: خاکسارآستانه، 1391

 

محدودیت پتانسیل انرژی­های تجدیدپذیر در هر برق منطقه­ای: همچنین مقادیر سمت راست محدودیت­ پتانسیل انرژی­های تجدیدپذیر در هر برق منطقه­ای که مقادیر   تا  را شامل می­شود، در جدول (4) مربوط به پتانسیل انرژی های تجدیدپذیر هر برق منطقه ای آورده شده است.

 

جدول (4)-  پتانسیل انرژی های تجدیدپذیر در برق منطقه ای های مختلف (گیگاوات ساعت)

 

پتانسیل

خورشیدی

پتانسیل

زیست توده

پتانسیل

زمین گرمایی

پتانسیل

باد

پتانسیل

برق آبی

پتانسیل

جزرومد

سیستان

23365222

3983.4

1752

36529.2

0

6437.1

آذربایجان

9645467

29861.9

7227

9119.1

867.5

0

باختر

8506009

17501

0

543.1

305.9

0

فارس

19388730

18602.1

3504

16197.2

211.9

1553.04

غرب

8244125

14929.8

0

6727.6

1752.7

0

گیلان

725894

10520.5

0

29626.3

3416.3

1772.2

هرمزگان

9274477

2159.5

1752

14778.1

0

8553.1

خراسان

26271710

20964.7

1752

71358.9

23.8

0

مازندران

2955404

20065.2

1752

2917

2061.1

2670.8

سمنان

12005297

1965.1

0

62712.8

53.1

0

زنجان

3561531

5377.7

0

15452.6

381

0

اصفهان

15705310

11915.2

3504

0

1204.4

0

تهران

3718700

13789.4

1752

0

611.1

0

خوزستان

8737008

16724.5

0

0

1472.4

5115.7

کرمان

24423026

6374.9

0

0

0

0

یزد

16633090

1466.8

1752

0

0

0

جمع

193161000

196201.7

24747

265961.9

12361.2

26101.04

ماخذ: خاکسارآستانه، 1391

 

محدودیت ماکزیمم مصرف برق در هر یک از مناطق 16 گانه برق: مقادیر سمت راست دسته محدودیت مصرف برق منطقه­ای (  تا ) به عنوان حداکثر میزان استفاده انرژی الکتریسیته در هر یک ازمناطق 16گانه برق بر اساس آخرین آمار و اطلاعات موجود در ترازنامه انرژی سال 1389و با توجه به فرض 10 درصدی تولید برق از انرژی­های تجدیدپذیر در نظر گرفته شده است.

 

 

محدودیت ضریب اطمینان[28] در هر یک از انواع انرژی­های تجدیدپذیر: محدودیت های مربوط به ضریب اطمینان به منظور برآورد الگوی بهینه عرضه قابل اطمینان برق ناشی از انرژی­های تجدیدپذیر ارائه شده است. این ضرایب 0.1 در 10000ساعت برای انرژی خورشیدی و زمین گرمایی، 0.5 در 10000 ساعت برای انرژی بادی و جزرومد، 0.2 در 10000 ساعت برای انرژی زیست توده و 0.67 در 10000 ساعت برای انرژی برق آبی در نظر گرفته شده­اند (اکسیدیس و کرونس، 2010).

 

 

محدودیت ضمنی: در نهایت محدودیت نامنفی بودن متغیرهای تصمیم مدل یا به عبارتی محدودیت ضمنی ارائه شده است.

 

 

6-2- همتای استوار مدل استفاده از انرژی­های تجدیدپذیر

در این مطالعه از مدل برتسیمس و سیم جهت استوارسازی و ارائه همتای استوار مدل استفاده شده است. در این مدل عدم قطعیت در ضرایب تابع هدف (پارامترهای هزینه) در نظر گرفته شده است.

 

 

در این مدل:

، سطح محافظه کاری مربوط به پارامترهای هزینه و e، درصد انحراف در ضرایب تابع هدف (پارامترهای غیرقطعی هزینه) است که پس از مشورت با خبرگان، اساتید و کارشناسان سازمان انرژی­های نو ایران، این عدد حداکثر 20 درصد در نظر گرفته شده است. همچنین ،  و  متغیرهای استواری هستند که به مدل اضافه شده­اند.

لازم به ذکر است دسته محدودیت­های 29 تا 35 شامل محدودیت­های استواری است که در حین تبدیل مدل اصلی به همتای استوار به مدل اضافه شده­اند.

 

7- حل مدل

به منظور افزایش کارایی محاسباتی، مدل­ در فضای مجموعه­ها در نرم­افزار لینگو لینک با اکسل برنامه­نویسی شد. داده­های ورودی مدل ­از اکسل فراخوانی و مدل­ حل شد.

به علت بالا بودن تعداد پارامترهای غیرقطعی در مدل­ طراحی شده (96 پارامتر غیرقطعی در تابع هدف مدل­) تعداد سطوح حفاظت از طریق مشورت با اساتید به صورت بازه­ای در نظر گرفته شدند. در مجموع، 13 سطح حفاظت در نظر گرفته شد. به ازای هر حالت سطح حفاظت یک مدل حل می­شود که تعداد پارامترهای سطوح مختلف حفاظت، اعدادی هستند که در جدول (5) آورده شده­اند.

 

جدول (5)- سطوح حفاظت پارامترهای استواری مدل­ها

سطوح مختلف

1

2

3

4

5

6

7

8

9

10

11

12

13

سطح حفاظت پارامتر هزینه

در مدل (1)

0

8

16

24

32

40

48

56

64

72

80

88

96

 

برای بررسی تعداد محدودیت­ها و متغیر­های مسئله همتای استوار فرض می‌کنیم که تعداد k ضریب از ماتریس  اسمی A دارای عدم قطعیت باشند. اگر مسئله اسمی اصلی دارای m محدودیت و n  متغیر باشد، بر اساس مدل برتسیمس و سیم دارای m+n+k محدودیت و n+k+1 متغیر است (برتسیمس و سیم،2004).

در جدول (6) آمار مدل شامل تعداد محدویت­های اصلی، تعداد محدودیت­های استواری، تعداد متغیرهای اصلی و تعداد متغیرهای استواری ارائه شده است.

 

جدول (6)- آمار مدل

 

مدل

محدودیت­های اصلی

125

محدودیت­های استواری

192

متغیرهای اصلی

96

متغیرهای استواری

193

ماخذ: یافته­های تحقیق

7-1- جواب­ حاصله از حل مدل­

در جدول (7) جواب­های به دست آمده از حل مدل­ در سطوح مختلف حفاظت ارائه شده است. به بیان دیگر، ابتدا مقادیر تابع هدف و انحراف از بهینه­ها ارائه شده و در ادامه به ارائه جواب­های بهینه متغیرها پرداخته می­شود.

 

جدول (7)- مقادیر تابع هدف همتای استوار مدل در حالت­های مختلف سطح حفاظت

انحراف از بهینه

مقادیر بهینه تابع هدف (ریال)

سطوح حفاظت

0

13+ e2.74

0

0.108

13+e3.04

8

0.156

13+ e3.17

16

0.187

13+e3.26

24

0.199

13+ e3.28

32

0.2

13+ e 3.29

40

0.2

13+ e3.29

48

0.2

13+e3.29

56

0.2

13+e3.29

64

0.2

13+e3.29

72

0.2

13+e3.29

80

0.2

13+ e3.29

88

0.2

13+ e3.29

96

ماخذ: یافته­های تحقیق

  

 براساس اطلاعات جدول (7) با افزایش سطح حفاظت مقدار انحراف از بهینه و همچنین تابع هدف بدتر می‌شود که این امر با منطق ریاضیات استوار سازی مدل کاملا سازگار است به نحوی که هر چقدر تصمیم‌گیرنده بخواهد عدم اطمینان بیشتری را برای مدل درنظر بگیرد، جواب‌های محافظه‌کارانه‌تری را دریافت خواهد کرد و این افزایش محافظه‌کاری در تابع هدف هزینه به معنی هزینه بیشتر خواهد بود.

واضح است با افزایش سطح حفاظت، مقدار انحراف از بهینه بدتر می‌شود. به عبارت دیگر، مقدار تابع هدف مینیمم، بیشتر می‌شود. در واقع هرچه سطح حفاظت افزایش یافته، مدل مقادیر متغیرها را به نحو سختگیرانه‌تری در بازه مجاز انتخاب کرده و در نهایت جواب تابع هدف بدتر می‌شود، بنابراین تغییر سطح محافظه کاری می تواند تأثیر قابل ملاحظه‌ای بر عایدی تصمیم‌گیرنده داشته باشد. سطح حفاظت از اهمیت قابل توجهی حکایت دارد به نحوی که تصمیم‌گیرنده با برقراری توازنی بین سطح ریسک و میزان دستیابی به اهداف، تصمیمی معقولانه اتخاذ کند.

   در این مطالعه با توجه به نتایج جدول (7) و همچنین نتایج شبیه­سازی مدل که در جدول (9) خلاصه شده و گویای کاهش ریسک تصمیم با توجه به افزایش سطوح حفاظت است. همچنین مشورت با اساتید، سطح حفاظت 8 به منظور تحلیل نتایج در نظر گرفته شده است.

 

جدول (8)- مقادیر بهینه متغیرهای مدل (مگاوات ساعت)

 

0

 

0

 

335300

 

856550

 

0

 

0

 

210273.4

 

533173.2

 

0

 

0

 

54312

 

381060

 

0

 

522298.4

 

576333

 

1204474

 

0

 

1088437

 

0

 

611132.6

 

0

 

0

 

0

 

1472490

 

0

 

637498.5

 

228202.4

 

0

 

0

 

0

 

1509579

 

 

 

0

 

0

 

0

 

0

 

0

 

0

 

199086.8

 

0

 

0

 

0

 

244200

 

0

ادامه جدول (8)- مقادیر بهینه متغیرهای مدل (مگاوات ساعت)

 

0

 

0

 

0

 

715877.6

 

0

 

0

 

0

 

0

 

0

 

0

 

0

 

0

 

181511.5

 

0

 

0

 

715877.6

 

0

 

0

 

0

 

0

 

0

 

0

 

0

 

0

 

0

 

0

 

867546.6

 

0

 

915241.3

 

0

 

305986.7

 

0

 

0

 

250077.9

 

211939.4

 

0

 

0

 

1752000

 

535510

 

0

 

0

 

0

 

404300

 

877760.3

 

0

 

0

 

0

 

0

 

0

 

472622.1

 

23871

 

0

ماخذ: یافته­های تحقیق

 

8- شبیه‌سازی

در مدل­های کلاسیک برنامه­ریزی خطی برای تست اعتبارسنجی نتایج از تکنیک تحلیل حساسیت استفاده می­کردند. در روش برنامه­ریزی استوار برای تست اعتبارسنجی نتایج از روش شبیه­سازی استفاده می­کنند که بیان ساده شبیه­سازی تولید تکرارهایی از واقعیت­های موجود در طبیعت است. در پاره­ای موارد، انجام تکرارهای یک واقعیت طبیعی مشکل و یا غیرممکن است از این رو شبیه­سازی، یک ابزار کارآمد برای مهندسان و طراحان است تا با هزینه ناچیزی تکرارهایی از پدیده­ها را تولید کنند.

 

 

روش شبیه­سازی مونت کارلو

یکی از روش­های مناسب برای شبیه­سازی، روش مونت کارلو (MCS) است که کاربرد زیادی در علوم مختلف دارد. در بحث تجزیه و تحلیل عدم قطعیت، روش شبیه­سازی مونت کارلو دارای اهمیت خاصی بوده و مورد توجه محققان است.

امروزه روش مونت کارلو نه تنها در تحلیل فرآیند­های اتفاقی مورد استفاده قرار
می­گیرد بلکه در سیستم­های معین نیز کارایی دارد. در عمل شبیه­سازی با استفاده از
 مدل­سازی رفتار یک سیستم در مدت شبیه­سازی، می­توان عملکرد واقعی سیستم را پیش­بینی کرد. به عبارت دیگر، در روش شبیه­سازی با مدل­سازی رفتار سیستم به صورت تصنعی در زمان شبیه­سازی می‌توان عملکرد سیستم را مورد ارزیابی قرار داد.

در این مقاله به منظور دستیابی به میزان نقض تابع هدف در هر حالت، مقادیر متغیرهای حاصله از هر بار حل مدل، ثابت لحاظ شدند و پارامترهای نامطمئن در بازه در نظرگرفته شده به طور تصادفی در قالب تابع توزیع یکنواخت برای 10000 بار تولید و شبیه‌سازی شدند. عمل شبیه­سازی مدل استوار برتسیمس و سیم به صورت معکوس حل مدل اتفاق خواهد افتاد به طوری که در عمل شبیه‌سازی مقادیر متغیرها که از حل مدل به دست آمده ثابت فرض می‌شوند و مقادیر پارامترهای نامطمئن به صورت تصادفی در قالب یک توزیع یکنواخت تولید می­شوند.

روش کلی این شبیه‌سازی عبارت است از:  تابع هدف و مقدار آن را در نظر گرفته، تعداد حالت­های بدتر شدن تابع هدف را در نظر گرفته می­شود و به آن عدد یک را اختصاص می­یابد، در غیر این صورت مقدار صفر لحاظ می­شود بنابراین با هر بار شبیه‌سازی تعداد حالت‌های بدتر شدن تابع هدف مشخص می­شود. به طور خلاصه برای مدل طراحی شده، یک بار برای مدل قطعی و به تعداد سطوح مختلف حفاظت در مدل استوار، عمل شبیه‌سازی انجام می‌گیرد (96 بار).

 

8-1- شبیه‌سازی مدل قطعی با پارامترهای نامطمئن

به منظور نمایش ضرورت استوار کردن مدل طراحی شده، به شبیه‌سازی مدل قطعی پرداختیم تا متوجه شویم اگر از مدل قطعی استفاده شود و پارامترهای نامطمئن در بازه نوسانی خود، تغییر داشته باشند، چند درصد احتمال بدتر شدن جواب و در نتیجه ناموجه بودن مدل و نتایج حاصل از آن وجود دارد. برای این منظور مدل قطعی برای 10000 بار شبیه‌سازی شد که نتایج نشان داد در 50.18 درصد موارد احتمال بدتر شدن جواب وجود دارد.به این ترتیب استوار کردن مدل امری ضروری بوده تا با بهره‌گیری از منطق ریاضیاتی مباحث استواری، ریسک تصمیم‌گیری (احتمال نقض مدل) کاهش یابد.

 

8-2- شبیه­سازی مدل استوار با پارامترهای نامطمئن

مدل استوار به نحوی عمل می‌کند که سطح ریسک تصمیم در ازای افزایش سطح حفاظت، کاهش می‌یابد. در این قسمت به منظور اثبات استوارسازی صحیح و همچنین ارائه اطلاعاتی پیرامون چگونگی توازن بین سطح ریسک در سطوح مختلف حفاظت، مدل استوار نیز مورد شبیه ‌سازی قرار گرفت. جدول (9) بیانگر 10000 بار شبیه­سازی مدل استوار با پارامترهای نامطمئن بوده که به ازای هر سطح حفاظت صورت گرفته است.

 

 

 

 

 

 

 

 

 

جدول (9)-  نتایج 10000 بار شبیه­سازی مدل استوار به ازای هر سطح حفاظت (درصد)

احتمال بدترشدن جواب

در مدل

سطح  حفاظت

احتمال بدترشدن جواب

در مدل

سطح  حفاظت

0.15

13

49.91

0

0.12

14

36.87

1

0.04

15

25.6

2

0.03

16

17.24

3

0.03

17

11.02

4

0.01

18

6.84

5

0

19

5.01

6

0

20

3.25

7

0

21

1.83

8

0

22

1.49

9

0

23

0.91

10

0

24

0.57

11

--

--

0.21

12

ماخذ: یافته­های تحقیق

 

9- تجزیه و تحلیل نتایج

  بر اساس نتایج مدل بهینه­ی استفاده از انرژی­های تجدیدپذیر که طبق هدف برنامه چهارم توسعه -با فرض تولید 10 درصد از برق شبکه، طراحی شده است- بیشترین سهم مربوط به تولید انرژی از برق آبی کوچک با 37.61درصد و بعد از آن تولید برق از انرژی­های بادی، زیست توده، زمین گرمایی، جزرومد و خورشیدی به ترتیب با 18.22، 17.19، 13.43، 12.53 و 1 درصد است.

  مقادیر بهینه به دست آمده معادل با 56.04 درصد از کل پتانسیل برق آبی کوچک، 1.26 درصد از پتانسیل باد کشور، 1.61 درصد از پتانسیل زیست توده کشور، 10 درصد از پتانسیل زمین­گرمایی کشور و 8.84درصد از پتانسیل جزرومد کشور است.

  در واقع این 10 درصد تولید برق تجدیدپذیر تنها 3.4 درصد از کل پتانسیل این انرژی­ها در کشور (بدون در نظر گرفتن پتانسیل انرژی خورشیدی) را شامل می­شود که معادل 10.5 میلیون بشکه نفت خام در سال و به معنی صرفه­جویی 10.5 میلیون بشکه نفت خام و آزاد شدن این تعداد به منظور فروش و کسب درآمد بیشتر دولت است. همچنین با توجه به میانگین 678 گرمی تولید دی­اکسیدکربن به ازای هر کیلووات ساعت برق، این مقدار تولید انرژی تجدیدپذیر به معنی کاهش 12487350 تن آلاینده CO2 است.

  از طرفی با توجه به پتانسیل بسیار بالایی که کشور در دریافت انرژی خورشیدی دارد، نتایج این الگو تنها سهم یک درصدی استفاده از انرژی خورشیدی را نشان می­دهد. در واقع این نتیجه الگو به دلیل هزینه بالای تکنولوژی، تجهیزات و فناوری استفاده از انرژی خورشیدی در کشورمان است که باعث شده هزینه تولید یک مگاوات برق خورشیدی در مقابل سایر انرژی­ها قابل توجه باشد. بنابراین لازمه توسعه استفاده از انرژی­های تجدیدپذیر و بالاخص انرژی خورشیدی به عنوان نماینده این دسته از انرژی­ها به دلیل پتانسیل بسیار بالا در کشور، زمینه­سازی رشد صنعت به منظور بومی­سازی انواع تجهیزات فتوولتائیک و انواع نیروگاه­های خورشیدی است تا هزینه تولید برق از این منبع انرژی کاهش یابد.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

جدول (10)- سهم مقادیر بهینه انرژی های تجدیدپذیر از 10درصد مصرف برق هر منطقه (درصد)

انرژی جزرومد

انرژی برقآبی کوچک

انرژی باد

انرژی زمین گرمایی

انرژی زیست توده

انرژی خورشیدی

برق منطقه­ای

0

0

100

0

0

0

سیستان

0

80.49

19.5

0

0

0

آذربایجان

0

23.98

4.25

0

71.75

0

باختر

47.59

14.09

38.31

0

0

0

فارس

0

100

0

0

0

0

غرب

0

100

0

0

0

0

گیلان

75.82

0

24.17

0

0

0

هرمزگان

0

1.55

98.44

0

0

0

خراسان

0

100

0

0

0

0

مازندران

0

21.07

78.92

0

0

0

سمنان

0

60.94

39.05

0

0

0

زنجان

0

60.92

0

12.65

26.42

0

اصفهان

0

17.70

0

50.75

31.53

0

تهران

37.34

62.65

0

0

0

0

خوزستان

0

0

0

0

77.83

22.16

کرمان

0

0

0

99.28

0.71

0

یزد

ماخذ: یافته های تحقیق

 

 

 

 

 

 

 

جدول (11)- سهم مقادیر بهینه انرژی­های تجدیدپذیر از 10 درصد مصرف برق کشور (درصد)

 

سهم انرژی­های تجدیدپذیر از 10درصد کل مصرف برق کشور

انرژی جزرومد

12.53

انرژی برق آبی کوچک

37.61

انرژی باد

18.22

انرژی زمین گرمایی

13.43

انرژی زیست توده

17.19

انرژی خورشیدی

1

ماخذ: یافته­های تحقیق

 

نمودار (1)- سهم مقادیر بهینه انرژی های تجدیدپذیر از 10 درصد کل مصرف برق کشور

 

در برنامه چهارم توسعه مقرر شده است تا پایان سال 1388، 10درصد از تولید برق کشور از انرژی­های تجدیدپذیر تأمین شود، برای این منظور در این مطالعه مدل بهینه استفاده از انرژی­های تجدیدپذیر بر طبق این هدف طراحی شده است.

  نتایج حاصل از مقایسه مقادیر نتایج حاصل از الگوی بهینه­ توسعه­ 10 درصدی انرژی­های تجدیدپذیر با وضعیت تولید برق از این انرژی­ها در سال 1389 در جدول (12) نشان داده شده است.

 

 

 

جدول (12)- مقایسه مقادیر خروجی الگوی بهینه و وضعیت موجود (مگاوات ساعت)

انرژی

مقادیر بهینه استفاده از

انرژی­های تجدیدپذیر

وضعیت موجود استفاده از

انرژی­های تجدیدپذیر

خورشیدی

181511

94.6

زیست توده

3166873

12330

زمین گرمایی

2474700

0

باد

3357287

162600

برق آبی

6928034

61400

جزرومد

2309516

0

سهم

10%

0.2%

ماخذ: محاسبات تحقیق و ترازنامه انرژی 1389

  

طبق نتایج جدول (12) و با توجه به عدم دستیابی به هدف تعیین شده­ برنامه چهارم توسعه در رابطه با توسعه استفاده از انرژی­های تجدیدپذیر و همچنین عقب­ماندگی وضع کنونی تک تک انرژی­های تجدیدپذیر در مقایسه با مقادیر بهینه الگو، ترکیب کنونی استفاده از انرژی­های تجدیدپذیر در کشور در مقایسه با مدل بهینه دارای انحراف است (نمودار (2)).

                                    

 

نمودار (2)- مقایسه مقادیر بهینه الگو با وضعیت موجود تولید برق از انرژی­های تجدیدپذیر

 

10- جمع­بندی و پیشنهادات

با توجه به نیاز روز افزون جوامع امروزی به انرژی برای تأمین نیازهای متفاوت، دانشمندان و محققان کشورهای متعددی از جمله ایران، رویکردی اساسی نسبت به دستیابی به انرژی­های تجدیدپذیر در دستور کار خود قرار داده­اند. دانشمندان معتقدند انرژی­های تجدیدپذیر و پاک با توجه به محدود بودن سوخت های فسیلی و آلودگی محیط زیست می­توانند به اولین گزینه برای تولید انرژی تبدیل شوند، چرا که این نوع از انرژی­هاپاک، ارزان و بالاخص تجدیدپذیر است. کشور ما به دلیل موقعیت جغرافیایی، ظرفیت­های متعددی در حوزه تولید انرژی های نوین و تجدیدپذیر دارد و همین موضوع باعث شده  ضرورت توسعه انرژهای تجدیدپذیر در دستور کار مسئولین قرار گیرد . در کشورهای اروپایی تا سال 2020 برنامه­ریزی شده است 30 درصد ظرفیت نصب شده کشورها برای منابع تجدیدپذیر باشد، این در حالی است که در کشور ما به جهت وجود منابع بزرگ نفت و گاز، برنامه ریزی کشور استفاده از انرژی فسیلی جهت تولید انرژی است در صورتی که باید به تدریج سهم منابع تجدیدپذیر را مانند اکثر مناطق جهان افزایش داد.  این مسئله به ضرورت وجود یک الگوی بهینه جهت توسعه استفاده از انرژی­های تجدیدپذیر تأکید می­کند از این رو در این مطالعه هدف اصلی، ارائه الگوی بهینه استفاده از انرژی­های تجدیدپذیر بوده که علاوه بر تأمین برق مورد نیاز، باعث کاهش آلودگی زیست محیطی می­شود.

نتایج حاصل از الگوی بهینه (که بر اساس برنامه چهارم توسعه طراحی شده و سهم 10 درصدی از انرژی­های تجدیدپذیر را در تولید برق کشور نشان می­دهد) حاکی از تولید 36.71 درصدی انرژی برق آبی کوچک، 18.22 درصدی انرژی باد، 17.19 درصدی انرژی زیست توده، 13.43 درصدی انرژی زمین گرمایی، 12.53 درصدی انرژی جزرومد و یک درصدی انرژی خورشیدی است. مقادیر بهینه به دست آمده معادل با 56.04 درصد از کل پتانسیل برق آبی کوچک، 1.26 درصد از پتانسیل باد کشور، 1.61 درصد از پتانسیل زیست توده کشور، 10 از پتانسیل زمین­گرمایی کشور و 8.84 درصد از پتانسیل جزرومد کشور است.

انرژی­های تجدیدپذیر در کشور ما و در جهان موضوع جدیدی است و در عین حال مراحل توسعه و پیشرفت فناوری­های مختلف انرژی­های تجدیدپذیر متفاوت است. اگر انرژی­های تجدیدپذیر در کشورمان به طور موازی با سایر کشورهای جهان توسعه نیابد در حوزه پیشرفت­های فنی این منبع انرژی جایگاهی نخواهیم داشت و در نتیجه باعث
عقب­ماندگی فنی و تکنولوژیکی در این زمینه خواهد شد از این رو:

- دانش فنی و تکنولوژی استفاده از انرژی­های تجدیدپذیر در داخل کشور باید هر چه سریع­تر توسعه یابد و رفع محدودیت­ها در این زمینه به خصوص در فن­آوری استفاده از انرژی خورشیدی انجام شود.

- ترکیب بهینه برای توسعه میان­مدت 10 درصدی استفاده از انرژی­های تجدیدپذیر حاکی از تولید 36.71 درصدی انرژی برق آبی کوچک، 18.22 درصدی انرژی باد، 17.19 درصدی انرژی زیست توده، 13.43 درصدی انرژی زمین گرمایی، 12.53 درصدی انرژی جزرومد و یک درصدی انرژی خورشیدی است.

- با جایگزین کردن تولید برق از انرژی های تجدیدپذیر می­توان به مقدار قابل توجهی نفت خام در سال صرفه جویی اقتصادی کرد که با توجه به قیمت قابل توجه کنونی نفت، می توان این مقدار نفت را صادر و درآمد قابل توجهی را از آن کسب کرد.

- با توسعه استفاده از انواع انرژی های تجدیدپذیر می­توان به میزان قابل توجهی از آلودگی زیست محیطی کاهش داد.

 

11- منابع

الف) فارسی

1-            سازمان انرژی های نو ایران - سانا (1388)، «براورد پتانسیل تولید انرژی تجدیدپذیر در خلیج فارس، دریای عمان و دریای خزر با استفاده از منابع باد، موج، جریان و جزرومد».

2-                 سمینار «توسعه انرژی‌های تجدیدپذیر، ضرورت نیل به توسعه پایدار» (1387)، مرکز تحقیقات استراتژیک، مجمع تشخیص مصلحت نظام.

3-            خاکسارآستانه، سمانه (1391) «ارائه الگوی بهینه توسعه انرژی های تجدیدپذیر در ایران با استفاده از رویکرد استوار»، پایان نامه کارشناسی ارشد، دانشگاه تربیت مدرس.

4- معینی، سام؛ جوادی، شهرام دهقان منشادی، محسن، اسماعیلی، رضا (1389)، «برآورد تابش پتانسیل خورشیدی در شهر یزد». نشریه انرژی ایران، دوره13، شماره 1.

5- صبوحی، محمود (1391)، کاربرد برنامه­ریزی ریاضی در اقتصادکشاورزی با تاکید بر استفاده از اکسل، انتشارات دانشگاه زابل و نورالعلم.

6- فیض الهی، محمدجواد، (1386)، «بهینه­سازی استوار و کاربرد آن در مهندسی مالی و صنایع»، پروژه کارشناسی ارشد، دانشگاه صنعت شریف تهران.

7- وزارت نیرو، (1389)، ترازنامه انرژی، دفتر برنامه­ریزی کلان برق و انرژی، معاونت امور برق و انرژی.

8- وزارت نیرو (1390) ترازنامه انرژی، دفتر برنامه­ریزی کلان برق و انرژی، معاونت امور برق و انرژی.

ب) انگلیسی

1- Arnette, A., Zobel, Ch. (2012), “An Optimization Model For Regional Renewable Energy Development”, Renewable and Sustainable Energy Reviews, Vol. 16, PP. 4606-4615.

2- Shafiullah, G.M., Amanullah, M.T.O., Shawkat Ali, A.B.M., Jarvis, D., Wolfs, P. (2012), “Prospects of Renewable Energy_ a feasibility Study in the Australian Context”, Renewable Energy, Vol. 39, pp. 183-197.

3- Xydis, G., Koroneos, C. (2012), “A linear Programming Approach for The Optimal Planning of a Future Energy System- Potential Contribution of Energy Recovery From Municipal Solid Wastes”, Renewable and Sustainable Energy Reviews, Vol. 16, PP. 369-378.

4- Koo, J., Han, K., Yoon, E. (2011), “Integration of CCS, Emissions Trading and Volatilities of Fuel Prices Into Sustainable Energy Planning, and Its Robust Optimization”, Renewable and Sustainable Energy Reviews, Vol. 15, PP. 665-672.

5- Chen, C., Li, Y.P., Huang, G.H., Li, Y.H.(2012), “Arobust Optimization Method for Planning Regional-Scale Electric Power Systems and Managing Carbon Dioxid”, Electrical Power and Energy Systems, Vol. 44, pp. 70-84.

6- Chen, C., Li, Y.P., Huang, G.H., Zhu, Y.,(2012),”An inexact robust Nonlinear Optimization Method for Energy Systems Planning Under Uncertainty”, Renewable Energy, Vol. 47, pp. 55-66.

7- Ferreira, R.S., Barrose, L.A., Carvalho, M.M., (2012), “Demand Response Models With Correlated Price data: A Robust Optimization Approach” Applied Energy, Vol. 96, pp. 133-149.

8- Dominguez, R., Baringo, L., Conejo, A.j., (2012), “Optimal Offering Strategy For a Concentrating Solar Power Plant”, Applied Energy, Vol. 98, pp. 316-325.

9- Raymond, R.Ten., (2011), ”A Ggeneral Source-Sink Model With Inoperability Constraints For Robust Energy Sector Planning”, Applied Energy, Vol. 88, pp. 3759-3764.

10- Arnette, A., Zobel, Ch., (2011), “ The Role of Public Policy In Optimizing Renewable Energy Development In the Greater Southern Appalachian Mountains”, Renewable and Sustainable Energy Reviews, Vol. 15, PP. 3690-3702.

11- Muis, Z.A., Hashim, H., Manan, Z.A., Taha, F.M, Douglas, P.L., (2010),”Optimal Planning of Renewable Energy-Integrated Electricity Generation Schemes with CO2 Reduction Target”, Renewable Energy, Vol. 35, PP. 2562-2570.

12- Li, Y.F., Li, Y.P., Huang, G.H., Chen, X., (2010), “Energy and Environmental Systems Planning Under Uncertainty ­_ An Inexact Fuzzy-Stochastic Programming approach”, Applied Energy, Vol. 87, PP. 3189-3211.

13- Lin, Q.G., Huang, G.H., (2009), “A dynamic Inexact Energy Systems Planning Model For Supporting Greenhouse-Gas Emission Management and Sustainable Renewable Energy Development Under Uncertainty­_ a Case Study For The City of Waterloo, Canada”, Renewable and Sustainable Energy Reviews, Vol. 13, PP. 1836-1853.

14- Cai, Y.P., Huang, G.H., Ten, Q., Yang, Z.F., (2009),”Planning of Community-Scale renewable Energy Management Systems in a Mixed Stochastic And Fuzzy Environment”, Renewable Energy, Vol. 34, PP. 1833-1847.

15- Hites, R., Desmet, H., Risse, N., Salazar-Neumsnn, M., Vincke, P. (2006), “About the Application Ability of MCDA to Some Robustness Problems”, E.J of Oprational Research, Vol. 174, PP. 322-332.

16- Kleijnen, J.P.C. (2001), “Ethical Issues in Modeling: Some Reflections”, E.J of Oprational Research, Vol. 130, PP. 223-230.

- Bertsimas, D., Sym, M., (2004), “The Price of Robustness”, Operations Research. Vol. 52, pp.35-53.

17- Ben-Tal, A., Nemirovski, A., (2000), “Robust Solution of Linear Programming Problem Scontaminated With Uncertain Data”, Math.



1- عضو هیئت علمی گروه اقتصاد دانشگاه تربیت مدرس

Email: sadeghih@modares.ac.ir

2- دانشجوی کارشناسی ارشد اقتصاد انرژی دانشگاه تربیت مدرس) نویسنده مسئول(

Email: saman.astaneh@yahoo.com

1- Arnette & Zobel

2- Xydis & Koroneos

3- Municipal Solid Waste

4- Koo & et al.

5- Robust Optimization

6- Chen & et al.

1- Chen & et al.

2- Ferreira & et al.

3- Domingues & et al.

4- Raymond

5- Arnette & Zobel

6- Muis& et al.

1- Li & et al.

2- Cai& et al

3- Lin & Huang

4- Robustness

5-Kleijnen

[20]- Roy

2- Hites & et al.

[22]- Min-Max

[23]- Bertsimas & Sim

2- Soyster

[25]- Over-Conservative

[26]- Interval

[27]- Ben-Tal &Nemirovski

1-Reliability Factor

1- Arnette, A., Zobel, Ch. (2012), “An Optimization Model For Regional Renewable Energy Development”, Renewable and Sustainable Energy Reviews, Vol. 16, PP. 4606-4615.
2- Shafiullah, G.M., Amanullah, M.T.O., Shawkat Ali, A.B.M., Jarvis, D., Wolfs, P. (2012), “Prospects of Renewable Energy_ a feasibility Study in the Australian Context”, Renewable Energy, Vol. 39, pp. 183-197.
3- Xydis, G., Koroneos, C. (2012), “A linear Programming Approach for The Optimal Planning of a Future Energy System- Potential Contribution of Energy Recovery From Municipal Solid Wastes”, Renewable and Sustainable Energy Reviews, Vol. 16, PP. 369-378.
4- Koo, J., Han, K., Yoon, E. (2011), “Integration of CCS, Emissions Trading and Volatilities of Fuel Prices Into Sustainable Energy Planning, and Its Robust Optimization”, Renewable and Sustainable Energy Reviews, Vol. 15, PP. 665-672.
5- Chen, C., Li, Y.P., Huang, G.H., Li, Y.H.(2012), “Arobust Optimization Method for Planning Regional-Scale Electric Power Systems and Managing Carbon Dioxid”, Electrical Power and Energy Systems, Vol. 44, pp. 70-84.
6- Chen, C., Li, Y.P., Huang, G.H., Zhu, Y.,(2012),”An inexact robust Nonlinear Optimization Method for Energy Systems Planning Under Uncertainty”, Renewable Energy, Vol. 47, pp. 55-66.
7- Ferreira, R.S., Barrose, L.A., Carvalho, M.M., (2012), “Demand Response Models With Correlated Price data: A Robust Optimization Approach” Applied Energy, Vol. 96, pp. 133-149.
8- Dominguez, R., Baringo, L., Conejo, A.j., (2012), “Optimal Offering Strategy For a Concentrating Solar Power Plant”, Applied Energy, Vol. 98, pp. 316-325.
9- Raymond, R.Ten., (2011), ”A Ggeneral Source-Sink Model With Inoperability Constraints For Robust Energy Sector Planning”, Applied Energy, Vol. 88, pp. 3759-3764.
10- Arnette, A., Zobel, Ch., (2011), “ The Role of Public Policy In Optimizing Renewable Energy Development In the Greater Southern Appalachian Mountains”, Renewable and Sustainable Energy Reviews, Vol. 15, PP. 3690-3702.
11- Muis, Z.A., Hashim, H., Manan, Z.A., Taha, F.M, Douglas, P.L., (2010),”Optimal Planning of Renewable Energy-Integrated Electricity Generation Schemes with CO2 Reduction Target”, Renewable Energy, Vol. 35, PP. 2562-2570.
12- Li, Y.F., Li, Y.P., Huang, G.H., Chen, X., (2010), “Energy and Environmental Systems Planning Under Uncertainty ­_ An Inexact Fuzzy-Stochastic Programming approach”, Applied Energy, Vol. 87, PP. 3189-3211.
13- Lin, Q.G., Huang, G.H., (2009), “A dynamic Inexact Energy Systems Planning Model For Supporting Greenhouse-Gas Emission Management and Sustainable Renewable Energy Development Under Uncertainty­_ a Case Study For The City of Waterloo, Canada”, Renewable and Sustainable Energy Reviews, Vol. 13, PP. 1836-1853.
14- Cai, Y.P., Huang, G.H., Ten, Q., Yang, Z.F., (2009),”Planning of Community-Scale renewable Energy Management Systems in a Mixed Stochastic And Fuzzy Environment”, Renewable Energy, Vol. 34, PP. 1833-1847.
15- Hites, R., Desmet, H., Risse, N., Salazar-Neumsnn, M., Vincke, P. (2006), “About the Application Ability of MCDA to Some Robustness Problems”, E.J of Oprational Research, Vol. 174, PP. 322-332.
16- Kleijnen, J.P.C. (2001), “Ethical Issues in Modeling: Some Reflections”, E.J of Oprational Research, Vol. 130, PP. 223-230.
- Bertsimas, D., Sym, M., (2004), “The Price of Robustness”, Operations Research. Vol. 52, pp.35-53.
17- Ben-Tal, A., Nemirovski, A., (2000), “Robust Solution of Linear Programming Problem Scontaminated With Uncertain Data”, Math. Program, Vol. 88, PP. 411-424.