Thermodynamic Optimization of a Biogas Engine Powered Cogeneration System with Using Genetic Algorithm

Öz

In this study a genetic algorithm based thermodynamic optimization of biogas engine powered cogeneration system that is active in GASKİ WWTP and produce electricity from biogas which is produced in plant will be presented. In this purpose, we will develop our own code that is suitable to characteristics of system, by using MATLAB software. Biogas engine powered cogeneration system produces 1000 kW electricity and supplies heat for anaerobic digestion. The focus of optimization will be on exergetic efficiencies of heat exchangers and overall system. Optimization variables are selected as output temperature of water that flow from digestion throught engine-side heat exchanger, its mass flow rate and temperature of water that transfer heat from engine to heat exchanger. Optimization is applied with using  elitism and roulette wheel methods seperately, also single point mutation is applied. By using elitism and roulette wheel, exergetic efficiency of heat exchanger-1 found respectively 32,2 % and 39,1 %. Exergetic efficiency of heat exchanger-2 for both two methods found 59,5%. By using elitism and roulette wheel, exergetic efficiency of exhaust gas heat exchanger  found respectively 47,7 % and 41%. Exergetic efficiency of overall cogeneration system obtained 26,4 % by using elitism and 26,1 % by using roulette wheel. These results discussed according to effects of variables by using graphs.

Anahtar Kelimeler

• Genetic Algorithm,Thermodynamic optimization,Biogas Engine Powered Cogeneration System

Biyogaz Motorlu bir Birleşik Isı ve Güç Üretim Sisteminin Genetik Algoritma Yöntemi ile Optimizasyonu

Öz

Bu çalışmada Gaziantep Atık Su Arıtma Tesisine bağlı olarak çalışan ve tesiste atık su çamurundan üretilen biyogazı kullanarak elektrik üreten biyogaz motorlu bir kojenerasyon sisteminin genetik algoritma temelli termodinamik optimizasyonu yapılmaktadır. Bu amaçla MATLAB programı kullanılarak kojenerasyon sistemi karakteristiğine uygun sistem kodları geliştirilmiştir. Kojenerasyon sistemi 1000 kW elektrik üretmekte ve havasız çürütme tankına gerekli ısıyı sağlamaktadır. Sistem ısı değiştiricilerinin ekserji verimi optimizasyonu ile birlikte bütün sistemin ekserji verim optimizasyonu hedef alınmıştır. Optimizasyon değişkeni olarak, çürütme tankına ısı aktarımı sağlayan suyun ısı değiştiricisinden çıkış sıcaklığı ve kütle akış debisi, ayrıca biyogaz motoru soğutma suyunun ısı değiştiricisine giriş sıcaklığı seçilmiştir. Elitlik ve rulet çarkı yöntemleri ile ayrı ayrı optimizasyon yapılmış olup, tek nokta mutasyon yöntemi uygulanmıştır. Elitlik yöntemi ile optimizasyonda 1 numaralı ısı değiştiricinin ekserji verimi %32,5, rulet çarkı yönteminde ise %40 olarak bulunmuştur. Her iki yöntem için 2 numaralı ısı değiştiricinin ekserji verimi %59,5 olarak hesaplanmıştır. Egzoz gazı ısı değiştiricisinin ekserji verimi ise elitlik ve rulet çarkı yöntemlerine göre sırasıyla %44,7 ve %41,1 olarak bulunmuştur. Kojenerasyon sisteminin toplam ekserji verimi ise elitlik yöntemi ile %26,5 ve rulet çarkı yöntemiyle %26,1 olarak bulunmuştur. Yapılan analiz neticesinde değişkenlerin etkileri grafikler halinde sunulmuş ve tartışılmıştır.

Anahtar Kelimeler

• Genetik Algoritma,Termodinamik Optimizasyon,Biyogaz Motorlu Birleşik Üretim Sistemi

Kaynakça

1. Referans1 Demirci, G., Türkavcı, L. 2001. Biyogaz ‘ Atıklardan Enerji’. Ankara: Temiz Enerji Vakfı.
2. Referans2 Abubakar, M. M. 1990. Biogas generation from animal wastes. Nigerian Journal of Renewable Energy 1, 69-73
3. Referans3 Lee, H. C., Mohamad, A. A., Jiang L. Y. 2017. A detailed chemical kinetics for the combustion of H2/CO/CH4/CO2 fuel mixtures. Fuel 193, 294-307.
4. Referans4 Qdais, H. A., Hani, K.B., Shatnawi, N. 2010. Modeling and optimization of biogas production from a waste digester using artificial neural network and genetic algorithm. Resources, Conservation and Recycling 54, 359-363.
5. Referans5 Martinez, E., Marcos, A., Al-kassir, A., Jaramillo, M. A., Mohamad, A. A. 2012. Mathematical model of a laboratory-scale plant for slaughterhouse effluents biodigestion for biogas production. Applied Energy 95, 210-219.
6. Referans6 Kim, M., Yoo, C. 2014. Multi-objective controller for enchancing nutrient removal and biogas production in wastewater treatment plants. Journal of the Taiwan Institute of Chemical Engineers 45, 2537-2544.
7. Referans7 Atia, D. M., Fahmy, F. H., Ahmed, N. M., Dorrah, H. T. 2012. Optimal sizing of a solar water heating system based on a genetic algorithm for an aquaculture system. Mathematical and Computer Modeling 55, 1436-1449.
8. Referans8 Verdaguer, M., Molinos-Senante, M., Poch, M. 2016. Optimization management of substrates in anaerobic co-digestion: An ant colony algoritm approach. Waste Management 50, 49-54.

9. Referans9 Li, H., Nalim, R., Haldi, P.A. Thermal-economic optimization of a distributed multi-generation energy system-A case study of Beijing, Applied Thermal Engineering, 26 (2006) 709-719.
10. Referans10 Kılkış, B., Kılkış, Ş., New exergy metrics for energy, environment and economy nexus and optimum design model for nearly-zero exergy airport (nZEXAP) systems, Energy, 140 (2017) 1329-1349.
11. Referans11 Dumont, O., Dickes, R., Rosa, M. D., Douglas, R., Lemort, V., Technical and ecomomic optimization of subcritical, wet expansion and trancritical Organic Rankine Cycle (ORC) systems coupled with a biogas power plant. Energy Conversion and Management, 157 (2018) 294-306.
12. Referans12 Yağlı, H., Koç, Y., Koç, A., Görgülü, A., Parametric optimization and exergetic analysis comparison of subcritical and supercritical Organic Rankine Cycle (ORC) for biogas fuelled combined heat and power (CHP) engine exhaust gas waste heat, Energy, 111 (2016) 923-932.
13. Referans13 Khaljani, M., Saray, R. K., Bahlouli, K. 2015. Thermodynamic and thermoeconomic optimization of an integrated gas turbine and organic Rankine cycle. Energy 93, 2136-2145.
14. Referans14 Svanandam, S. N., Deepa, S. N., 2008, Introduction to Genetic Algorithms, Berlin: Springer.
15. Referans15 Sakawa, M., 2002, Genetic algorithms and fuzzy multi-objective optimization, New York: Springer Science + Business Media.
16. Referans16 Haupt, R. L., Haupt, S. E, 2004. Practical Genetic Algorithms, 2nd edition, New Jersey: Wiley-Interscience Publication.