optimización del almacenamiento de energía en mercados...

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

Contexto

Evolución de las renovables en Uruguay

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

Evolución de las renovables en el mundo

Contexto

Contexto

Contando Pumped-Hydro: 171 GW

Evolución de los sistemas de almacenamiento en el mundo

Usos de los sistemas de almacenamiento en el mundo

Contexto

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




Problema a resolver




Conclusiones


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


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


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)


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


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)


Electroquímicas

Contenido

Contexto




Problema a resolver




Conclusiones


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.


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


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.


Ejemplo planta


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




Problema a resolver




Conclusiones


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.


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)


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


Ubicación


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


Esquema de la instalación


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.


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


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)


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)


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


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


Demand PV system


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


Demand PV system

Exceso de energía

Faltante de energía


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


Demand PV system Diesel Battery

Contenido

Contexto




Problema a resolver




Conclusiones

La energía renovable no es despachable:

Problema a resolver

307kWh 386kWh

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

Generador diesel

Problema a resolver

Problema a resolver

Desafíos

Diseño conjunto del sistema generación/almacenamiento.

¿Cuánta generación?

¿Cuánto almacenamiento?

Operación óptima.

¿Cuándo almacenar? ¿Cuánto?

¿Cuándo inyectar energía?

Problema a resolver

CONTROL

INTELIGENTE

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




Problema a resolver




Conclusiones


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


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.



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.


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.


Programación dinámica: Resultado ejemplo para un día simulado

Demanda / Generación solar / Back-up


Observación: hay dos partes para incluir los switcheos

Programación dinámica: Regla de decisión en u


Programación dinámica: Resultado ejemplo para varios días simulados

Demanda / Generación solar / Back-up


Programación dinámica: Regla de decisión para varios días


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.


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.



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.


Model Predictive Control: Agenda generada


Contenido

Contexto




Problema a resolver




Conclusiones


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.


Data

Collection

Demand

Prediction

Weather

Forecast

PV power

Prediction

Optimization Module

Smart meter/controller (eg. Sunny Island)

AWS

Machine

Learning

DarkSky

Weather

API


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.


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)


Se utiliza la biblioteca PVLib de Sandia National Labs.



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.


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.


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).



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.


Contenido

Contexto




Problema a resolver




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.


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).



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




Problema a resolver




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.

optimización del almacenamiento de energía en mercados...

Documents