MILP-optimalisatie voor energiesystemen: wat het is en waarom het ertoe doet
Mixed-Integer Linear Programming (MILP) is de wiskundige methode die wordt gebruikt om het ontwerp van multi-energiesystemen te optimaliseren. Deze pagina legt uit wat MILP is, waarom het wordt gebruikt voor energieplanning en hoe het zich verhoudt tot andere benaderingen.
Wat is Mixed-Integer Linear Programming?
Mixed-Integer Linear Programming (MILP) is een wiskundige optimalisatiemethode die wordt gebruikt in engineering, logistiek en operationele research. Het vindt de beste oplossing voor een probleem met zowel continue beslissingen (hoeveel capaciteit te installeren, hoeveel energie elk uur in te zetten) als binaire beslissingen (of een bepaalde technologie überhaupt te installeren).
Dat doet het door een stelsel van lineaire vergelijkingen en ongelijkheden op te lossen onder beperkingen, waarbij sommige variabelen beperkt zijn tot gehele getallen.
MILP wordt al decennia gebruikt in de industriële engineering. Het ligt ten grondslag aan productieplanning, optimalisatie van toeleveringsketens en netwerkrouteringsproblemen. In energiesystemen is het de standaardmethode geworden voor technologiekeuze en inzetoptimalisatie, omdat energieplanning precies de mix van continue en binaire beslissingen betreft die MILP goed aankan.
Schaal, oplostijden en gepubliceerde oplossingen
Voor realistische wijkenergieproblemen (meerdere gebouwen, meerdere energiedragers, uurresolutie over een volledig jaar) kunnen MILP-modellen groot zijn. Een probleem op wijkschaal met 20 gebouwen, 15 technologiekandidaten en 8.760 uurlijkse tijdstappen omvat honderdduizenden variabelen en beperkingen.
Gepubliceerd onderzoek van het ETH Domain heeft dit aangepakt met multi-scale decompositie en rolling-horizon-methoden die de rekentijd met 10–100x verkorten ten opzichte van brute-force enkelvoudige-periodemodellen (Marquant et al., Applied Energy, 2017). Netbewuste formuleringen zijn ook gevalideerd: het opnemen van elektrische netbeperkingen in het MILP-model bleek 40% meer hernieuwbare integratie mogelijk te maken en de operationele emissies met 18% te verlagen ten opzichte van netonbewuste benaderingen (Morvaj et al., Applied Energy, 2016).
Deze methoden maken het praktisch haalbaar om gedetailleerde optimalisatie op wijkschaal uit te voeren binnen normale projecttijdlijnen, niet als onderzoeksoefening maar als routineonderdeel van een haalbaarheidsonderzoek of energiemasterplan. Voor de bredere planningscontext waarin deze berekeningen passen, zie de pagina over software voor wijkenergieplanning.
Multi-scale decompositie en rolling-horizon-methoden verkorten de oplostijden zonder noemenswaardig verlies aan oplossingskwaliteit.
Netbewuste MILP-formuleringen kunnen aanzienlijk meer hernieuwbare energie integreren door systeemontwerp en bedrijf af te stemmen op beperkingen van het elektriciteitsnet.
Het opnemen van elektrische netbeperkingen in bedrijfsschema's verlaagde de emissies in de gepubliceerde testcase, terwijl spanning en stroom binnen de grenzen bleven.
Veelgestelde vragen
Wat is MILP en waarom wordt het gebruikt voor optimalisatie van energiesystemen?
Mixed-Integer Linear Programming (MILP) is een wiskundige optimalisatiemethode die problemen aanpakt waarbij binaire beslissingen (een technologie wel of niet installeren) en continue beslissingen (hoeveel capaciteit, hoeveel elk uur in te zetten) worden gecombineerd. Het ontwerp van energiesystemen betreft beide soorten beslissingen tegelijk, wat MILP geschikt maakt voor dit probleem.
Is MILP hetzelfde als AI of machine learning?
Nee. MILP is een deterministische wiskundige methode uit de operationele research. Het leert niet uit data, gebruikt geen neurale netwerken en produceert geen probabilistische resultaten. Dezelfde invoer levert altijd dezelfde uitvoer, en elk resultaat is herleidbaar tot de onderliggende vergelijkingen. Dit onderscheidt het van AI-gebaseerde benaderingen en maakt het bijzonder geschikt voor ingenieurstoepassingen waar controleerbaarheid telt.
Wat zijn de beperkingen van MILP voor energieplanning?
Voor grote problemen (veel gebouwen, veel technologieën, volledige uurresolutie over een jaar) kunnen MILP-modellen rekenintensief zijn. Onderzoek heeft dit aangepakt via multi-scale decompositie en rolling-horizon-methoden die de oplostijden aanzienlijk verkorten. De engine van Sympheny verwerkt deze technieken om gedetailleerde optimalisatie op wijkschaal praktisch haalbaar te maken binnen normale projecttijdlijnen.
Hoe verhoudt MILP zich tot simulatiegebaseerde energietools?
Simulatietools evalueren een gedefinieerd systeem en laten zien hoe het presteert. MILP-optimalisatietools zoeken over een ruimte van mogelijke systemen om het systeem te vinden dat het best aan je doelen voldoet. Voor haalbaarheids- en planningswerk, waar het doel is het juiste systeem te identificeren in plaats van alleen een vooraf bepaald systeem te evalueren, is MILP-gebaseerde optimalisatie de geschiktere methode.
Welke solver gebruikt Sympheny voor MILP?
Sympheny gebruikt Gurobi, een van de toonaangevende commerciële MILP-solvers in industriële engineering en academisch onderzoek. Het V3-platform van Sympheny bevat Sense, een eigen energy-hub-solver bovenop Gurobi die snellere uitvoering, flexibelere hubtopologieën en rijkere afhandeling van beperkingen levert dan de vorige solvergeneratie.
Bekijk de MILP-engine van Sympheny op een project zoals dat van jou
Plan een demo van 30 minuten. We laten de optimalisator draaien op een projectopzet zoals die van jou, zodat je de zoektocht door de ontwerpruimte, het Pareto-front en de controleerbare resultaten ziet.
