A novel machine-learning-based approach for techno-economic assessments of renewable technologies for industrial heat

Abstract

Calor solar para processos industriais (em inglês Solar Heating for Industrial Processes ? SHIP) é uma alternativa promissora para geração de calor ao redor do mundo, especialmente em indústrias onde calor é requerido a baixas temperaturas. Entretanto, estimar a performance de sistemas SHIP pode requerer a execução de simulações complexas de tais sistemas, analisando várias diferentes configurações e condições de operação de sistemas SHIP. Tal tarefa pode ser computacionalmente custosa, talvez até impraticável. Portanto, este estudo propõe uma abordagem alternativa e nova para realizar tais estudos, empregando processos gaussianos restringidos (em inglês Constrained Gaussian Process ? CGP) e estratégias de active learning para construir modelos substitutos de sistemas SHIP, que sejam capazes de fornecer estimativas acuradas da performance de tais sistemas, ao mesmo tempo em que requerem o mínimo de dados de treinamento possível. O método de active learning desenvolvido permitiu reduções significativas na quantidade de dados de treinamento necessária para criar tais modelos substitutos. Reduções do tempo de simulação foram verificadas de em torno de 90%, com pouca perda de acurácia por parte dos modelos substitutos gerados. Este método também foi aplicado para um novo tipo de estudo de sistemas SHIP, avaliando a rentabilidade de tais sistemas para vários processos industriais (isto é, para várias temperaturas de processo e várias demandas de calor). Tal estudo, que seria computacionalmente muito custoso se realizado com base em modelos de simulação numérica e algoritmos de otimização, pode ser feito em bem menos tempo através do uso dos modelos substitutos baseados em CGP, desenvolvidos pelo método proposto nesta tese. O resultado final é uma nova abordagem de simulação com a qual se podem fazer análises tecno-econômicas mais amplas para sistemas de energia renovável, em menos tempo.

Abstract: Solar heating for industrial processes (SHIP) is a promising alternative for heat generation worldwide, especially in industries where low-temperature heat is required. However, assessing the performance of SHIP systems may require the execution of complex simulations of such systems, analyzing numerous different system configurations and operating conditions. This task may be computationally unfeasible. Therefore, this study proposes a novel, alternative approach, employing constrained Gaussian processes and active learning strategies to generate surrogate models of SHIP systems, that must be able to deliver accurate SHIP performance estimates while requiring a few training data as possible. The developed active learning method has allowed for significant reductions in the required amount of training data and the required time for creating such surrogates. Simulation time reductions of around 90% were verified, with little to no loss of accuracy in most studied cases. This method was also applied for novel study in SHIP system profitability under varying economic conditions and for various industrial process applications (i.e. various process temperature and heat demands). Such a study, that would be very costly if performed based only on numerical simulations and optimization algorithms, can be made in significantly less time by using the CGP-based surrogate models developed in this thesis. The end result is a much faster framework in which broad techno-economic assessments of renewable energy technologies can be quickly performed.