News aus Wärmepumpen- Forschung und -Markt - FWS

News aus Wärmepumpen-Forschung
und -Markt
�
Optimierung mit genetischen Algorithmen
17. Tagung des BFE-Forschungsprogramms
«Wärmepumpen, Wärme-Kraft-Kopplung,
Kälte» 29. Juni 2011, HTI Burgdorf
Seite 68
Für die Optimierung wurden im Programm ModeFrontier [6] veränderbare Eingangsvariablen
(Schalthysteresen, Temperaturniveaus, Durchflussmengen, Umschaltbedingungen), aber auch
fixe Grössen (Isolation, Speichervolumen) in „Input“ Symbolen definiert und mit der
Simulation der Anlage verbunden. Die Simulation wurde anschliessend mit zufällig
gewählten Werten innerhalb einer definierten Bandbreite gestartet und die daraus folgenden
Resultate der Zielsetzungen ausgewertet. In Abstimmung mit der gewünschten Tendenz
(maximieren, minimieren oder numerische Bedingung), und nach mehreren
Simulationsläufen, wird der Algorithmus selbst eine intelligente Wahl an neuen
Eingangsvariablen definieren. Wenig versprechende Lösungen können somit schnell
übersprungen werden, und verlangsamen nicht unnötig eine Konvergenz in Richtung
optimaler Lösung (FMOGA: Fast converging Multi Objective Genetic Algorithm).
Korrelationsmatrix
Die Wechselwirkungen der verschiedenen Eingangsvariablen und Zielsetzungen werden in
Bild 9 dargestellt. Die Arbeitszahl des Gesamtsystems (AZAnlage) wird am meisten durch die
Isolation vom Nutzspeicher (Insl_A), die Effizienz vom Nutzspeicher (Storage_A_efficiency)
und der AZ der WP (Heat_pump_spf) beeinflusst. Das Volumen, sowie die Effizienz vom
Saisonspeicher (V_StB und Storage_B_efficiency) spielen bei dem gewählten
Volumenbereich (V_StB zwischen 20-28m 3 ) offensichtlich keine grosse Rolle für die
AZAnlage.
Bild 9: Wechselwirkungen zwischen Eingangsvariablen und Zielsetzungen wobei -1 und 1 die
wichtigsten Wechselwirkungen darstellen
Entlang der Paretokurve (Bild 10) sind alle System Konfigurationen, welche die zwei
Zielsetzungen AZAnlage und Solarertrag am besten erfüllen. Die Blasen stellen den