بهینه سازی سهم منابع انرژی تجدیدپذیر در سبد انرژی ایران با استفاده از الگوریتم ژنتیک (پیش بینی 25 ساله)

الموضوعات : Computational economics

زهرا پورخاقان شاهرضایی ¹ , علی اصغر اسماعیل نیاکتابی ² , سیدکمیل طیبی ³ , مرجان دامن کشیده ⁴

1 - دانشگاه آزاد اسلامی تهران مرکزی
2 - استادیار دانشکده اقتصاد دانشگاه آزاد اسلامی واحد تهران مرکزی
3 - ستاد گروه اقتصاد، دانشگاه اصفهان
4 - استادیار گروه اقتصاد و حسابداری، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران

تاريخ الإرسال : 17 الخميس , ذو القعدة, 1446 تاريخ التأكيد : 16 الإثنين , ربيع الأول, 1447 تاريخ الإصدار : 04 الأربعاء , رجب, 1447

الکلمات المفتاحية: بهینه سازی, انرژی¬های تجدیدپذیر, سبد انرژی تولید برق, الگوریتم ژنتیک,

ملخص المقالة :

با رشد جمعیت و تشدید پدیده گرمایش جهانی، نیاز به انرژی به‌طور فزاینده‌ای در حال افزایش است. در کنار این روند، نگرانی‌های زیست‌محیطی، محدودیت منابع فسیلی و بودجه‌ای، توجه به انرژی‌های تجدیدپذیر و اولویت‌بندی سرمایه‌گذاری در این حوزه را ضروری ساخته است. با این حال، سیاست‌گذاری مشخصی در مورد سهم بهینه انرژی‌های تجدیدپذیر و سرعت حرکت به‌سوی این سهم بهینه وجود ندارد. از آنجا که سرمایه‌گذاری در حوزه انرژی فرآیندی برگشت‌ناپذیر و زمان‌بر است، لازم است این اولویت‌بندی در چارچوبی بلندمدت انجام گیرد.

در ایران به دلیل دسترسی آسان به منابع فسیلی، این منابع سهم عمده‌ای از سبد انرژی کشور را به خود اختصاص داده‌اند. از آنجا که انرژی‌های تجدیدپذیر عمدتاً برای تولید برق استفاده می‌شوند، بهینه‌سازی سهم آن‌ها در سبد تولید برق می‌تواند راهکاری مناسب برای اصلاح ترکیب انرژی کشور باشد. این پژوهش با استفاده از الگوریتم ژنتیک در نرم‌افزار متلب، ترکیب بهینه منابع انرژی شامل فسیلی، هسته‌ای و تجدیدپذیر (خورشیدی، بادی، زیست‌توده، آبی، زمین‌گرمایی) را در بازه ۱۳۹۷ تا ۱۴۱۸ برای دوره‌های ۵ ساله، با لحاظ محدودیت‌های اقتصادی، فنی و زیست‌محیطی محاسبه کرده و بر اساس نتایج به‌دست‌آمده، اولویت‌هایی برای سرمایه‌گذاری پیشنهاد داده است.

نتایج نشان می‌دهد ترکیب فعلی تولید برق بهینه نیست؛ به‌طور مثال، سهم فعلی انرژی‌های فسیلی ۹۲ درصد است، در حالی‌ که سهم بهینه ۵۵ درصد برآورد شده است. همچنین، سهم بهینه انرژی‌های هسته‌ای و تجدیدپذیر در مجموع به حدود ۴۵ درصد می‌رسد که بیانگر ضرورت بازنگری در سیاست‌های سرمایه‌گذاری انرژی کشور است.

المصادر:

References
- Ahmadi, S. A., Mirlohi, S. M., Ahmadi, M. H. and Ameri, M. (2020). Portfolio optimization of power plants by using renewable energy in Iran. International Journal of Low-Carbon Technologies, 16(2), 463–475. Retrieved from https://doi.org/10.1093/ijlct/ctaa079/
- Basseches, J. A. (2024). Renewable portfolio/clean energy standards. Political Science and Public Policy, 356–360. Retrieved from https://doi.org/10.4337/9781802209204.ch68/
- Bozorg, M. (2017). Simultaneous investigation of the effects of water footprint and the current power plant capacity in order to long-term optimization of the electricity generation mix. Faculty of Engineering, Imam Khomeini International University, Master’s thesis. (In Persian).
- Dagar, V., Dagher, L., Rao, A., Doytch, N. and Kagzi, M. (2024). Economic policy uncertainty: Global energy security with diversification. Economic Analysis and Policy, 82(c), 248–263.
 Retrieved from https://doi.org/10.1016/j.eap.2024.03.008/
- Deschênes, O., Malloy, C. J. and McDonald, G. (2023). Causal effects of renewable portfolio standards on renewable investments and generation: The role of heterogeneity and dynamics. NBER Working Paper No. 31568. Retrieved from https://doi.org/10.3386/w31568/
- Elsoragaby, S., Yahya, A., Mahadi, M. R., Nawi, N. M., Mairghany, M., Elhassan, S. M. M. and Kheiralla, A. F. (2020). Applying multi–objective genetic algorithm (MOGA) to optimize the energy inputs and greenhouse gas emissions (GHG) in wetland rice production. Energy Reports, 6, 2988–2998. Retrieved from https://doi.org/10.1016/j.egyr.2020.10.010/
- Ganjehkaviri, A., Mohd Jaafar, M.N., Hosseini, S.E. and Barzegaravval, H. (2017). Genetic algorithm for optimization of energy systems: Solution uniqueness, accuracy, Pareto convergence, and dimension reduction. Energy, 119, 167–177, Retrieved from https://doi.org/10.1016/j.energy.2016.12.034/
- Ghaedi, A. and Bagheri, S. A. (2020). Optimal generation planning of a microgrid with renewable energy sources. 7th National Congress of New Findings of Iranian Electrical Engineering. (In Persian).
- Gitelman, L., Kohevnikov, M. and Visotskaya, Y. (2023). Diversification as a method of ensuring the sustainability of energy supply within the energy transition. Resources, 12(2), 1-19. Retrieved from https://doi.org/10.3390/resources12020019/
- Hu, Y., Chi, Y., Zhao, H. and Zhou, W. (2022). The development of renewable energy industry under renewable portfolio standards: From the perspective of provincial resource differences. Energy Policy, 170(17), 113212. Retrieved from https://doi.org/10.1016/j.enpol.2022.113212/
- IEA. (2022). World Energy Outlook 2022. Paris: International Energy Agency.
- Jiang, Y., Liu, S., Yang, L., Lin, Z., Ding, Y., He, C., Li, J. and Wang, K. (2020). Bi-layer portfolio selection model for electricity retailers based on behavioural portfolio theory under quota obligation of RP. IET Generation, Transmission & Distribution, 14(14), 2857–2868. Retrieved from https://doi.org/10.1049/iet-gtd.2019.1574/
- Khani, M. S., Falahi, E. and Banshi, M. (2016). Energy supply management model in Iran based on technical, economic, and environmental criteria, Iranian Energy Economics, 5(18), 29–60. Retrieved from https://doi.org/10.22054/jiee.2016.7192/ (In Persian).
- Koroneos, C. J., Nanaki, E. A. and Xydis, G. A. (2012). Sustainability indicators for the use of resources—The exergy approach. Sustainability, 4(8), 1867–1878. Retrieved from https://doi.org/10.3390/su408186/
- Lee, C.-C., Xing, W. and Wang, C.-S. (2023). Impacts of energy security on economic development: Evidence from China. Energy Research Letters, 4(3),1-6. Retrieved from https://doi.org/10.46557/001c.33897/
- Li, K., Ding, Y.-Z., Ai, C., Sun, H, et al. (2022). Multi-objective optimization and multi-aspect analysis of an innovative geothermal-based multi-generation energy system for power, cooling, hydrogen, and freshwater production. Energy, 245,123198. Retrieved from https://doi.org/10.1016/j.energy.2022.123198/
- Lin, B. and Chen, Y. (2020). Transportation infrastructure and efficient energy services: A perspective of China's manufacturing industry, Energy Economics 89(2):104809. Retrieved from https://doi.org/10.1016/j.eneco.2020.104809/
- Othman, P. S., Ihsan, R. R. and Abdulhakeem, R. M. (2022). The genetic algorithm (GA) in relation to natural evolution. Academic Journal of Nawroz University, 11(3), 243–250. Retrieved from https://doi.org/10.25007/ajnu.v11n3a1414/
- Pillai, A., Singh, K., Saravanan, V., Anpalagan, A., Woungang, I. and Barolli, L. (2018). A genetic algorithm-based method for optimizing the energy consumption and performance of multiprocessor systems. Soft Computing, 22(5), 3271–3285. Retrieved from https://doi.org/10.1007/s00500-017-2789-y/
- Rinaldi, F., Moghaddampoor, F., Najafi, B. and Marchesi, R. (2021). Economic feasibility analysis and optimization of hybrid renewable energy systems for rural electrification in Peru. Clean Technologies and Environmental Policy, 23, 731–748. Retrieved from https://doi.org/10.1007/s10098-020-01906-y/
- Saiprasad, N., Kalam, A. and Zayagh, A (2019). Triple bottom line analysis and optimum sizing of renewable energy using improved hybrid optimization employing the genetic algorithm: A case study from India. Energies, 12(2), 349. Retrieved from https://doi.org/10 10.3390/en12030349/
- Simshauser, P. (2019). On the stability of energy-only markets with government-initiated contracts-for-differences. Energies, 12(13), 2566. Retrieved from https://doi.org/ 10.3390/en12132566/
- Soleimankhani, A. (2021). Identification of policy instruments for renewable energy development in iran. The Art of Green Management, 1(1), 73–86. Retrieved from https://doi.org/ 10.30480/agm.2021.3048.1008 / (In Persian).
- Sovacool, B. K., Ryan, S. E., Stern, P. C., Janda, K., Rochlin, G., Spreng, D and et al. (2022). Integrating social science in energy research. Energy Research & Social Science, 6, 95-99. Retrieved from https://doi.org/10.1016/j.erss.2014.12.005/
- Tomar, V., Bansal, M. and Singh, P. (2023). Metaheuristic algorithms for optimization: A brief review. Engineering Proceedings, 59(1), 238. Retrieved from https://doi.org/10.3390/engproc2023059238/
- Ukoba, M., Diemuodeke, O., Alghassab, M., Njoku, H., Imran, M. and Khan, Z. (2020). Composite multi-criteria decision analysis for optimization of hybrid renewable energy systems for geopolitical zones in Nigeria. Sustainability, 12(14), 5732. Retrieved from https://doi.org/ 10.3390/su12145732/
- Zakeri, B., Staffell, I., Dodds, P. E., Grubb, M., Ekins, P., Jääskeläinen, J., Cross, S., Helin, K. and Castagneto Gissey, G. (2023). The role of natural gas in setting electricity prices in Europe. Energy Reports, 10, 2778–2792. Retrieved from https://doi.org/10.1016/j.egyr.2023.09.069/
- Zedda, S. (2019). Portfolio strategies for renewable energy share maximization. Environmental Science, 1st International Conference on Energy.