SISTEMA DE GESTIÓN DE LA

ENERGÍA PARA MICROREDES

Ander Martin Villate/CEIT-IK4

Introducción

ÍndiceÍndice

Microrred i-Sare

Descripción del Sistema de Gestión de la Energía

Simulación y Resultados

Conclusiones

Introducción• Se esta pasando paulatinamente de un modelo de generación

centralizado a uno de generación distribuido.

• Microrred: conjunto de cargas y generadores que actúan comouna entidad controlable e independiente, y que pueden operarconectados a la red principal o desconectados de la misma.

• Gestión de la energía en microrredes: resolución de los problemasde asignación de unidades (PAU) y de despacho económico.

� PAU: determinar el calendario de generación más económicopara poder cumplir con la demanda y satisfacer al mismo tiempouna serie de restricciones.

� Despacho Económico: subrutina del PAU cuyo objetivo consisteen repartir la carga de la forma más económica entre lasunidades disponibles.

• Técnicas de SGE empleadas: algoritmos genéticos, relajación Lagrangiana, programación

dinámica, programación lineal o algoritmos de colonia de hormiga

• Principales diferencias con los sistema de generación centralizado:

� Incertidumbre asociada a las fuentes renovables.

� Sistemas de almacenamiento que permiten compensar la variabilidad asociada a las fuentes

de generación renovables y a la demanda.

• La lógica difusa se presenta como una alternativa prometedora, dada su capacidad para tratar

con información imprecisa, pese a que existen otras técnicas.

• Enfoque estocástico: el SGE genera una serie de posibles escenarios en base a los pronósticos de

demanda y de generación de las fuentes renovables.

� Se emplea la función de densidad de probabilidad asociadas a los errores cometidos en la

predicción de las variables anteriormente mencionadas.

� El problema estocástico planteado inicialmente se transforma en una serie de problemas

deterministas con una determinada probabilidad de ocurrencia.

• La optimización del SGE propuesto se lleva a cabo mediante el uso de un algoritmo genético.

Además, un algoritmo genético adicional es empleado para resolver el PAU.

Introducción

• Microrred experimental que se utilizará como plataforma de pruebas denuevos productos, equipos, sistemas y procedimientos.

Microrred i-Sare

www.i-sare.net

Objetivo: minimizar el coste de operación de la microrred.

Planteamiento del Problema

El problema puede incluir distintos tipos de restricciones:

1. Balance de Potencias:

2. Reserva Rodante:

3. Límite de Potencia para los Generadores:

4. Máxima Potencia Intercambiada con la Red Principal:

5. Mínimo Tiempo de Encendido/Apagado:

Sistema Experto Difuso• Determinará si la batería debe cargarse o descargarse y a qué potencia.

• Entradas al sistema experto: estado de carga de la batería, precio de la electricidad, demanda

eléctrica, potencia generada por las fuentes renovables y la hora del día

• Salida: Potencia de la Batería.

• Cada variable de entrada es representada por medio de cinco conjuntos difusos mientras que para

la salida se usaron siete.

• Funciones de pertenencia triangulares y trapezoidales

c 1i 2ic cij iimc

d 1i 2id dij diime 1i e 2i eij e

iim

µ 1i µ 2i µij µiim

Gra

do

de p

ert

en

en

cia

Ai

• Ai: una variable de entrada o de salida

• uij: j-ésima función de pertenencia de la i-

ésima variable

• mi: número total de conjuntos difusos

asociados a Ai

• eij y dij: base de uij

• cij: punto donde uij alcanza el máximo

SGE Propuesto• Se basa en un conjunto de posibles escenarios para definir la gestión de energía óptima.

1. Se definen funciones de densidad de probabilidad para representar loserrores cometidos en los pronósticos de las fuentes renovables y de lademanda.

• Para el caso de la generación solar y de la demanda eléctrica se

emplean funciones de distribución normales.

• Para la generación eólica se emplea una distribución de Weibull.

• Cada función de distribución representa el error cometido en un

intervalo de tiempo el cual puede variar en función de la precisión que

se desee.

• Las funciones de distribución de probabilidad se dividen en un cierto

número de intervalos los cuales representan un posible escenario

respecto a la variable que se esté analizando.

El conjunto de escenarios

sobre los cuales se basará el

SGE para determinar la gestión

de energía óptima, se genera

por medio del método de la

ruleta.

• Las reglas y las funciones de pertenencia se representan en un mismo

cromosoma.

- Rn: n-ésima regla

- Nr: número total de reglas utilizadas

- FPi: conjunto de funciones de pertenencias asociadas a la variable A

i.

• Los parámetros que definen a las funciones de pertenencia se

representan por medio de números binarios.

• La codificación de las reglas es representada por un entero.

SGE Propuesto

3. Para cada escenario y para cada cromosoma se resuelve el PAU

mediante el uso de un algoritmo genético. En dicho algoritmo las

soluciones candidatas se codifican en una matriz U.

4. Una vez se determinado el calendario de generación óptimo para cada

escenario y para cada base de conocimiento se procede a calcular la

aptitud de cada cromosoma.

2. Una vez generados los posibles escenarios se inicializan aleatoriamente los cromosomas que contienen

las reglas y las funciones de pertenencia.

6. Se llevan a cabo las operaciones de cruce y mutación.

7. Las soluciones así obtenidas son nuevamente evaluadas en todos los

escenarios y el proceso se repite hasta llegar a un número determinado

de generaciones.

5. Una vez determinado el valor de aptitud para cada cromosoma se

seleccionan mediante el método de muestreo universal estocástico los

individuos que darán lugar a la próxima generación.

Simulación y Resultados• Se ha comparado el SGE propuesto con dos SGEs (SGE1 y SGE2) basados en un enfoque

determinista, es decir, optimizan la gestión de la energía en función del escenario más

probable.

• En el SGE 1 la base de conocimiento se fija por medio de la experiencia mientras que

en el SGE 2 ésta se diseña por medio de un algoritmo genético.

• Se ha empleado el mismo algoritmo genético para resolver el PAU.

Pronósticos de demanda eléctrica,

generación solar y generación eólica

Simulación y ResultadosSGE 1 con la MR en isla

SGE propuesto con la MR en isla

SGE 1 con la MR conectada a la red principal

SGE propuesto con la MR conectada a la red principal

Simulación y Resultados

Microrred en isla Microrred interconectada

Costo de

operación (€)

Tiempo de

ejecución (s)

Costo de

operación (€)

Tiempo de

ejecución (s)

SGE 1 118.6 19 90.8 24

SGE 2 114.4 87 87.3 109

SGE propuesto 113.9 921 86.2 1369

Resultados obtenidos: coste y tiempo de ejecución

Conclusiones• Se ha propuesto un SGE basado en un sistema experto difuso el

cual determina si la batería debe de cargarse o descargarse y a

qué potencia.

• Se ha optado por abordar la gestión de energía desde un punto

de vista estocástico en lugar de determinista, debido a la

incertidumbre asociada a muchas de las variables que

intervienen en dicho problema.

• Se ha logrado reducir los costes de operación de la microrred

tanto en isla como conectada a la red principal..

Muchas graciasAnder Martin Villate

amvillate@ceit.es

PhD Student

Electronics & Communication Department

Paseo Manuel Lardizabal, 15

20018 Donostia-San Sebastian. Spain

Tel. +34 943 212 800 (Ext. 2774)

Fax: +34 943 213 076

Web: www.ceit.es

Paseo del Circuito, 10

20160 Lasarte-Oria, Spain

Tel. +34 943 376 400

Fax: +34 943 371 279

Web: www.jema.es