optimización del almacenamiento de energía en mercados...
TRANSCRIPT
Optimización del almacenamiento de
energía en mercados eléctricos con alta
penetración de renovables
Proyecto Prototipos de Potencial Innovador - ANII
Seminario ICT4V – Mayo 2017
Equipo del proyecto
Integrado por:
División Energía, CSI Ingenieros.
Grupo MATE, Universidad ORT Uruguay
Responsable Técnico: Andrés Ferragut (ORT)
Responsable de Ejecución: Pedro Mastrángelo (CSI)
Personal técnico:
M. Zeballos, D. Merlinski (CSI).
F. Paganini, E. Briglia (ORT).
Proyecto co-financiado por ANII
Contenido
Contexto
Sistemas de almacenamiento
Casos de estudio CSI: sistemas PSH
Casos de estudio CSI: Cerros de Vera
Problema a resolver
Estrategias de solución
Arquitectura del prototipo
Avances y resultados
Conclusiones
Contenido
Contexto
Sistemas de almacenamiento
Casos de estudio CSI: sistemas PSH
Casos de estudio CSI: Cerros de Vera
Problema a resolver
Estrategias de solución
Arquitectura del prototipo
Avances y resultados
Conclusiones
Evolución de las renovables en Uruguay
Contexto
Proyecto PRONOS:
Pronóstico de generación eólica
y solar en Uruguay (MW)
Contexto
Las exportaciones
en los últimos 3 años
representaron entre
el 7% y 12% de la
generación total.
El costo total de
abastecimiento de la
demanda fue de
~ 500 MUSD/año.
Evolución del balance de energía eléctrica en Uruguay
Situación de los sistemas de almacenamiento en el mundo
(Datos de energy storage sin contar pumped hydro, que es el 96%
del total de energy storage en el mundo)
Contexto
Contenido
Contexto
Sistemas de almacenamiento
Casos de estudio CSI: sistemas PSH
Casos de estudio CSI: Cerros de Vera
Problema a resolver
Estrategias de solución
Arquitectura del prototipo
Avances y resultados
Conclusiones
Sistemas de almacenamiento
Principales tecnologías de Energy Storage
• Electromecánicas - Volantes de inercia
• Mecánicas - Sistemas de aire comprimido
- Plantas de bombeo y turbinado (PSH)
• Térmicas - Almacenamiento agua caliente / Sales fundidas
- Bombas de calor
- Producción de hidrógeno (power to gas)
- Liquid air /Liquid nitrogen
• Electroquímicas - Baterías de estado sólido
- Baterías de flujo
- Supercapacitores
Sistemas de almacenamiento
Electromecánicas
• Volante de inercia
- Energía eléctrica almacenada en forma de
energía cinética (una masa rotante).
- Back-up instantánea de muy corta duración.
- Aplicaciones:
• Calidad y respaldo de la red
• Ajuste de frecuencia
• Subsistema en autos híbridos
Sistemas de almacenamiento
Mecánicas
• Sistema de aire comprimido (CAES)
- Energía almacenada en forma de aire comprimido.
- Limitante: calentamiento del aire.
- Alternativa a las PSH.
• Plantas de bombeo y turbinado
- Motor reversible o motor + turbina.
- Alta capacidad (100s de MW)
- Impacto ambiental (superficie necesaria)
Sistemas de almacenamiento
Térmicas
• Almacenamiento de vapor / agua caliente
• Sales fundidas
• Bombas de calor
- Almacenamiento haciendo funcionar una bomba de calor entre 2 grandes
reservorios (se almacena en fluido caliente).
- Se genera electricidad con una turbina a partir del agua caliente.
• Producción de hidrógeno
- Obtención de hidrógeno mediante electrolisis.
- Inyección de hidrógeno al gas.
- Uso directo o generación de electricidad.
• Criogénico (aire o nitrógeno líquido). Re-expansión
Sistemas de almacenamiento
Electroquímicas
• Baterías de estado sólido (celdas electroquímicas)
- Ion-Litio Gran versatilidad (tamaños)
- Níquel-Cadmio Baja densidad de energía, alto costo inicial /
larga vida útil
- Sodio-Azufre Alta temperatura de operación (300-350°C)
• Baterías de flujo
- Componentes químicos disueltos en un líquido con una
membrana (líquido o gel)
- La más común: plomo-ácido.
• Supercapacitores
- Condensadores electroquímicos de capa doble con muy alta
densidad de energía (comparado a otros capacitores)
Contenido
Contexto
Sistemas de almacenamiento
Casos de estudio CSI: sistemas PSH
Casos de estudio CSI: Cerros de Vera
Problema a resolver
Estrategias de solución
Arquitectura del prototipo
Avances y resultados
Conclusiones
Casos de estudio CSI: sistemas PSH
Proyecto
CSI Ingenieros participó, en consorcio con Gas Natural Fenosa
Engineering, en el estudio de factibilidad de centrales hidroeléctricas
reversibles en Uruguay. Trabajos realizados para UTE.
El trabajo consistió en la selección de los 3 mejores emplazamientos,
en base al análisis preliminar de decenas sitios en todo el país, para
luego realizar los estudios de factibilidad técnico-económica de los
mismos. Para ellos se realizó el diseño conceptual analizando todos
los componentes del sistema y estimando los costos asociados.
Casos de estudio CSI: sistemas PSH
Centrales hidroeléctricas reversibles
Períodos de baja demanda energética Bombeo Acumulación de energía
Períodos de alta demanda energética Turbinado Generación
Ventajas
• Alta eficiencia
• No genera residuos
• Preparado para carga variable
• Larga vida útil
• Puesta en marcha inmediata
• Bajo costo de explotación
• Reduce emisiones de gases
• Flexibilidad al suministro
• Tecnología madura
• Reserva de potencia
Casos de estudio CSI: sistemas PSH
Componentes
• Vaso superior.
• Obra de derivación en vaso superior.
• Túnel superior en carga.
• Central en caverna/ pozo/ superficial.
• Túnel inferior en carga.
• Obra de derivación en vaso inferior.
• Chimenea de equilibrio.
• Equipamiento electromecánico.
• Interconexión eléctrica y línea eléctrica.
Los costes que más repercusión tienen sobre el presupuesto de los proyectos son: las estructuras de
cierre de los vasos, las conducciones (conducciones subterráneas/tuberías de acero) y las salas de
máquinas y, desde el punto de vista electromecánico, los turbogrupos reversibles y el sistema
eléctrico.
Casos de estudio CSI: sistemas PSH
Comparativa
Central reversible ejemplo
Potencia nominal: 320 MW 17,5% de la potencia media demandada
Capacidad: 3.850 MWh (12 horas) 12,0% del consumo diario medio
Generación anual: 1.400.000 MWh Mayor a la generación de Bonete
Datos Uruguay 2014 - generación/consumo
Pico máximo de consumo: 1.820 MW
Potencia media consumida: 1.340 MW
Generación total anual: 11.720.000 MWh
Generación hidráulica anual: 9.700.000 MWh
Consumo diario medio: 32.110 MWh
Datos Uruguay 2014 – potencia instalada
Generadores Hidráulicos (MW)
Río Negro - Rincón del Bonete 152,0
Río Negro - Baygorria 108,0
Río Negro - Palmar 333,0
Río Uruguay - Salto Grande (UY) 945,0
Total 1.538,0
Contenido
Contexto
Sistemas de almacenamiento
Casos de estudio CSI: sistemas PSH
Casos de estudio CSI: Cerros de Vera
Problema a resolver
Estrategias de solución
Arquitectura del prototipo
Avances y resultados
Conclusiones
Casos de estudio CSI: Cerros de Vera
Resumen
Cerros de Vera es el primer pueblo del Uruguay abastecido de forma
autónoma por energía limpia. El pueblo cuenta con un sistema de
generación solar fotovoltaica de 52,2 kW y un sistema de
almacenamiento energético de baterías de 307 kWh de capacidad. El
sistema se completa con generadores diesel utilizados como back-up.
Desde su puesta en marcha, el sistema ha permitido disminuir el
consumo de diesel, reduciendo costos y mejorando la calidad de vida
de la población local gracias a una menor polución de aire y
disminución del ruido.
Casos de estudio CSI: Cerros de Vera
Proyecto
• Instalación llave en mano del sistema. Incluyó:
- Estudio y análisis de la demanda del pueblo
- Diseño e ingeniería de detalle de la instalación
- Especificaciones técnicas y suministro de los equipos
- Obras civiles
- Montaje electromecánico
- Instalación y puesta en marcha
- Mantenimiento por el primer año
• Cerros de Vera es un pueblo MEVIR. MEVIR es quien contrató a CIEMSA
para los servicios y CSI Ingenieros participó como subcontratista.
• La contraparte técnica del proyecto fue realizada por UTE y la DNE (MIEM)
Casos de estudio CSI: Cerros de Vera
Pueblo Cerros de Vera
• Comunidad:
-180 habitantes
- 58 casas
- 3 comercios
- 1 escuela
- 1 comisaría
- 1 clínica médica
- 1 salón comunal
- Servicios: comunicación, alumbrado
público y bombeo de agua.
• Aislado de la red eléctrica. Abastecido hasta
ahora por generadores Diesel.
• Consumo annual promedio: 125.000kWh
(340kWh por día)
• Pico de demanda histórica: 40 kW
• Servicio trifásico 400V, 50Hz
Casos de estudio CSI: Cerros de Vera
Componentes
1.Paneles Fotovoltaicos
2.Estructura Sujeción de paneles
3.Inversores de Corriente
4.Inversores Cargadores
5.Multicluster
6.Sistema de Baterías
7.Sistema de Monitoreo
8.Unidad Meteorológica
9.Sala de Máquinas
10.Llave by-pass
11.Protecciones y puesta a tierra
12.Generadores Diesel (existentes)
13.Conexión existente
Casos de estudio CSI: Cerros de Vera
Sistema fotovoltaico
• Cantidad: 180 módulos
• Potencia unitaria: 290 Wp
• Potencia total: 52,2 kW
• Arreglos:
• 9 strings de 20 módulos
• 3 strings por inversor
• Estructura de sujeción de aluminio.
Casos de estudio CSI: Cerros de Vera
Sistema de baterías
• Tecnología: VRLA-GEL, 2V
• Cantidad: 2 bancos de 24 baterías c/u
• Capacidad del banco: 3200 Ah @ C10 (48V) – 153,6 kWh
• Capacidad total del sistema de baterías: 307,2 kWh
Casos de estudio CSI: Cerros de Vera
Inversores / Cargadores de baterías / Multicluster
• 3 Inversores trifásicos AC/DC: 17kW c/u
• 6 inversores / cargadores de baterías: 6kW c/u
• 1 multicluster (caja de conexiones)
Casos de estudio CSI: Cerros de Vera
Sistema de back-up diesel
• 2 generadores diesel de 42kW y 30kW c/u
• Conectados al multicluster y directamente a la demanda (llave by-pass)
Casos de estudio CSI: Cerros de Vera
Operación
-30,00
-20,00
-10,00
0,00
10,00
20,00
30,00
40,00
50,00
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Power (kW) Día ejemplo
Demand
Casos de estudio CSI: Cerros de Vera
Operación
-30,00
-20,00
-10,00
0,00
10,00
20,00
30,00
40,00
50,00
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Power (kW) Día ejemplo
Demand PV system
Casos de estudio CSI: Cerros de Vera
Operación
-30,00
-20,00
-10,00
0,00
10,00
20,00
30,00
40,00
50,00
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Power (kW) Día ejemplo
Demand PV system
Exceso de energía
Faltante de energía
Casos de estudio CSI: Cerros de Vera
Operación
-30,00
-20,00
-10,00
0,00
10,00
20,00
30,00
40,00
50,00
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Power (kW) Día ejemplo
Demand PV system Diesel Battery
Contenido
Contexto
Sistemas de almacenamiento
Casos de estudio CSI: sistemas PSH
Casos de estudio CSI: Cerros de Vera
Problema a resolver
Estrategias de solución
Arquitectura del prototipo
Avances y resultados
Conclusiones
La energía renovable no es despachable:
Problema a resolver
Parte de la energía
puede ser renovable
El almacenamiento
posibilita optimizar los
recursos
Problema a resolver
Desafíos
Diseño conjunto del sistema generación/almacenamiento.
¿Cuánta generación?
¿Cuánto almacenamiento?
Operación óptima.
¿Cuándo almacenar? ¿Cuánto?
¿Cuándo inyectar energía?
Objetivo del Control Inteligente
Minimizar el consumo de energía no renovable del sistema
Datos:
Capacidad de generación renovable.
Capacidad del banco de baterías.
Potencia no renovable.
Demanda de la instalación.
Problema a resolver
Contenido
Contexto
Sistemas de almacenamiento
Casos de estudio CSI: sistemas PSH
Casos de estudio CSI: Cerros de Vera
Problema a resolver
Estrategias de solución
Arquitectura del prototipo
Avances y resultados
Conclusiones
Estrategias de solución
Modelo del sistema
Se divide el tiempo en intervalos de 5 minutos: k=1,2 …,T.
Variables:
yk: Energía renovable disponible en el intervalo.
ek: Energía renovable generada en el intervalo.
dk: Energía demandada en el intervalo.
uk: Energía entregada por el generador k.
xk: Energía almacenada en la batería en tiempo k.
Modelo del sistema
Dinámica: xk+1 = ( xk + uk + ek – dk )0bmax
Restricciones:
• 0 <= ek <= yk
• 0 <= uk <= umax
• Xk >= xmin
• |xk+1 - xk| <= pbmax
Estrategias de solución
Objetivo de control
min 𝑢𝑘𝑇𝑘=1
Sujeto a las restricciones anteriores.
Variables de decisión:
ek: Energía renovable generada en el intervalo.
uk: Energía entregada por el generador k.
Fuentes de incertidumbre:
yk: Energía renovable disponible.
dk: Energía demandada.
Estrategias de solución
Estrategias de solución
Alternativas
Control en lazo abierto (sin incertidumbre):
Genera una agenda estática que optimiza el promedio del sistema.
Puede funcionar mal si el comportamiento se desvía de la media.
Dynamic programming:
Genera una regla de decisión para cada estado de batería.
Reacciona a la incertidumbre.
Costoso computacionalmente.
Model Predictive Control:
Genera una agenda en función de la predicción para un cierto horizonte.
Actualiza el despacho al actualizar las predicciones.
Consideraciones
Agenda de generación
para un día simulado:
Problemas:
El generador no se usa en el punto que mejor aprovecha el combustible.
Prender y apagar el generador tiene un costo.
Estrategias de solución
Programación dinámica
Estado del sistema: xk.
Variable de acción: uk = {0, u
max}. (Generador ON/OFF).
Costo terminal h(x): costo de dejar la batería en estado de carga x al final del
intervalo.
Idea:
Si estoy en el último intervalo, el costo es xT=h(x
T).
En cada intervalo resuelvo: Jk(x) = min { c(u
k) + J
k+1(x
k+1) }
Genera una función de valor J(x) y una regla de decisión en cada paso.
Mediante recursión hacia atrás se genera toda la agenda.
Estrategias de solución
Programación dinámica: Resultado ejemplo para un día simulado
Demanda / Generación solar / Back-up
Estrategias de solución
Observación: hay dos partes para incluir los switcheos
Programación dinámica: Regla de decisión en u
Estrategias de solución
Programación dinámica: Resultado ejemplo para varios días simulados
Demanda / Generación solar / Back-up
Estrategias de solución
Programación dinámica: Conclusiones
Permite construir la regla óptima.
Permite considerar las incertidumbres con un mínimo agregado.
Altos requerimientos de memoria / tiempos de ejecución. Programación
compleja.
Observación:
Tanto la demanda como la disponibilidad de energía renovable admiten una
buena predicción para las próximas horas.
Estrategias de solución
Model Predictive Control
Idea:
Genero una predicción de demanda y energía para la próxima semana.
La predicción para las primeras 24hs. es la más fiable, pero permite
anticiparme razonablemente al futuro.
Optimizo de forma estática para una ventana mayor (1 semana).
Uso la agenda por 24hs y vuelvo a optimizar al tener nuevas predicciones
actualizadas del futuro.
Estrategias de solución
Model Predictive Control
Mixed-integer linear program:
Tomo {dk}, {y
k} como dados (predicción de clima y demanda).
Resuelvo el MILP:
min 𝑢𝑘 + 𝛽 |𝑢𝑘 − 𝑢𝑘−1|𝑁𝑇𝑘=2
𝑁𝑇𝑘=1 sujeto a:
Restricciones del problema (carga, potencias, etc.)
uk = {0, u
max} para cada k (variable entera).
N = No. de días hacia adelante.
Uso {uk: k=1,…,T} y descarto las otras.
El término adicional penaliza el encendido/apagado.
Estrategias de solución
Contenido
Contexto
Sistemas de almacenamiento
Casos de estudio CSI: sistemas PSH
Casos de estudio CSI: Cerros de Vera
Problema a resolver
Estrategias de solución
Arquitectura del prototipo
Avances y resultados
Conclusiones
Arquitectura del prototipo
Estrategia de solución
Para diseñar el prototipo de solución nos basamos en dos
paradigmas:
1. Model Predictive Control: buscar un candidato óptimo de
operación y actualizarlo a medida que se obtienen nuevos datos.
2. Cloud computing: La solución debe hacer uso de recursos en la
nube, tanto para la predicción, modelado y optimización.
Arquitectura del prototipo
Data
Collection
Demand
Prediction
Weather
Forecast
PV power
Prediction
Optimization Module
Smart meter/controller (eg. Sunny Island)
AWS
Machine
Learning
DarkSky
Weather
API
Arquitectura del prototipo
Módulo de predicción de la demanda
Input: datos de consumo, con tags de día del año, día de semana, minuto del
día, radiación solar, temperatura.
Output: consumo (kW).
Se entrena un modelo de Machine Learning con datos históricos.
Se hace una predicción de la próxima semana en batch.
Se puede actualizar periódicamente.
Arquitectura del prototipo
Módulo de predicción de generación
Input: Día y hora. Características de paneles e inversores.
Output: generación solar estimada.
Se genera una predicción de generación para toda la semana siguiente.
Datos
meteoroloógicos
Datos Instalación
(paneles, inversores)
Módulo de predicción de generación
Se utiliza la biblioteca PVLib de Sandia National Labs.
Arquitectura del prototipo
Módulo de predicción de generación
Highlights de la biblioteca:
Base de datos con >15k de tipos de paneles e inversores.
Incluye modelos de irradiación y atmósfera.
Construye un modelo de diodo estándar para el panel fotovoltaico.
Modela el inversor extrayendo la máxima potencia
Permite programar en Python integrando con otros módulos.
Permite incorporar datos de clima (en nuestro caso, tomados de Darksky,
cloudcover)
Al día de hoy, predice la generación con precisión razonable.
Arquitectura del prototipo
Módulo de optimización
Input: Demanda y generación solar estimada semanal
Output: Agenda de encendido del generador.
Objetivo: minimizar el tiempo de encendido
Restricciones:
Satisfacción de la demanda.
Aprovechamiento de la energía renovable.
Potencia de carga del banco de baterías.
Generación no renovable ON-OFF (restricción entera).
Limitación de switching.
Arquitectura del prototipo
Módulo de optimización
Estructura:
Julia: lenguaje open-source de alto nivel para
cálculo. Permite relevar los datos de los módulos
de predicción
JuliaOpt + Convex: formulación del problema en
términos de Optimización Mixed-Integer.
Mosek, Gurobi: solvers de potencia comercial
que permiten resolver el problema rápidamente
(minutos).
Código diseñado para correr integramente en
Amazon EC2 (cloud computing services).
Arquitectura del prototipo
Model Predictive Control
Estrategia de optimización:
Se genera una agenda de generación, calculada en base a la predicción
semanal de demanda/renovable.
Se utiliza el primer día de esa agenda.
Se recalcula la agenda diariamente, a medida que las predicciones se
actualizan.
Arquitectura del prototipo
Contenido
Contexto
Sistemas de almacenamiento
Casos de estudio CSI: sistemas PSH
Casos de estudio CSI: Cerros de Vera
Problema a resolver
Estrategias de solución
Arquitectura del prototipo
Avances y resultados
Conclusiones
Avance y situación actual
A Mayo 2017 se tiene desarrollado:
Módulo de predicción de la demanda: ML entrenado. Falta integrar
predicciones al sistema de optimización.
Módulo de predicción de generación: validado con precisión
relativamente alta. Resta incorporar predicciones meteorológicas.
Módulo de predicción meteorológica: Corriendo en la nube y recabando
datos.
Módulo de optimización: Testeado y corriendo. Requiere <2min. Para
generar la nueva agenda.
Avances y resultados
Estrategia de integración
Integrar en código Python la generación de predicciones de energía
renovable (PvLib) y demanda (AWS Machine Learning).
Almacenar las predicciones en AWS Simple Storage Service para ser
consultadas por Julia.
Una instancia de AWS EC2 (elastic compute cloud) se encarga de invocar
las predicciones e invocar el cálculo de agenda.
La agenda generada debe luego pasarse al generador (fuera del alcance
del proyecto).
Avances y resultados
Avances y resultados
Perspectivas
El sistema diseñado puede adaptarse a nuevas situaciones:
Ejemplo: instalación en una fábrica con rooftop solar.
Modelo de incorporación: se crea un modelo de demanda para la
instalación (Amazon ML) y se pone como input del problema de
optimización.
Nota: en este caso, al estar incorporada a la red, el costo de operación
depende de la tarifa eléctrica. Puede ser necesario un modelo de ML para
estimar estos costos.
Contenido
Contexto
Sistemas de almacenamiento
Casos de estudio CSI: sistemas PSH
Casos de estudio CSI: Cerros de Vera
Problema a resolver
Estrategias de solución
Arquitectura del prototipo
Avances y resultados
Conclusiones
Conclusiones
El almacenamiento de energía representa una oportunidad emergente de
negocio.
Nos proponemos innovar en el diseño y control de sistemas combinados de
generación renovable/almacenamiento.
Para ello generamos una alianza academia – empresa a través del ICT4V.
Se generaron módulos del prototipo que contribuye a la operación óptima del
sistema utilizando Model Predictive Control.
Para las predicciones, se utilizaron tanto modelos físicos, como herramientas
en la nube (Amazon Machine Learning, DarkSky Forecast, etc.)
Permita alinear la estrategia de operación para aumentar los márgenes de
ganancia de la generación renovable.