Herramienta para optimizar el mix eléctrico aplicando técnicas de inteligencia artificial
Javier Bonilla
Centro de Investigaciones Energéticas, Medioambientales y Tecnológicas (CIEMAT) Plataforma Solar de Almería (PSA)
Índice
Motivación1
Optimización del Mix Eléctrico2
Inteligencia Artificial: Algoritmos Genéticos3
Herramienta Software4
Resultados5
Aproximación actual
Motivación
? ● Datos históricos● Previsión de cambio
Demanda
● Modelos matemáticos● Estimación generación
Generación
● Criterios definidos ● Aproximación macro
Optimización
¿Como optimizar el mix eléctrico?Potencia instalada óptima de las distintas fuentes energéticas para un año objetivo
Aproximación actual
Motivación¿Como optimizar el mix eléctrico?
?Aproximación actual
Tecnologías
● Datos históricos● Previsión de cambio
Demanda
● Modelos matemáticos● Estimación generación
Generación
● Criterios definidos ● Aproximación macro
Optimización
Potencia instalada óptima de las distintas fuentes energéticas para un año objetivo
Aproximación actual
Motivación
?Aproximación actual
Eólica
Termosolar
Fotovoltaica
● Datos históricos● Previsión de cambio
Demanda
● Modelos matemáticos● Estimación generación
Generación
● Criterios definidos ● Aproximación macro
Optimización
¿Como optimizar el mix eléctrico?Potencia instalada óptima de las distintas fuentes energéticas para un año objetivo
Otra aproximación
Motivación
? ● Datos históricos● Previsión de cambio
Demanda
● Datos históricos● Proyección generación
Generación
● Selección de criterios● Detalle horario
Optimización
¿Como optimizar el mix eléctrico?Potencia instalada óptima de las distintas fuentes energéticas para un año objetivo
Optimización del Mix Eléctrico
Demanda y generación de las diferentes tecnologías a nivel horario.
Datos
Minimizar o maximizar uno o varios objetivos.
Objetivos
Suposiciones previas al proceso de optimización.
Hipótesis
Definir las variables que se desean optimizar y restricciones.
Variables a optimizar
Cálculo de variables óptimas que miniminzan o maximizan los objetivos.
Optimización
Optimización del Mix EléctricoOptimización del mix
eléctrico en 2030Demanda y generación de las diferentes tecnologías a nivel horario.
Datos
Minimizar o maximizar uno o varios objetivos.
Objetivos
Suposiciones previas al proceso de optimización.
Hipótesis
Definir las variables que se desean optimizar y restricciones.
Variables a optimizar
2017
Mix Protermosolar
Potencia instalada● Fotovoltaica● Eólica ● Termosolar
● Satisfacer la demanda● Minimizar coste medio generación
Cálculo de variables óptimas que miniminzan o maximizan los objetivos.
Optimización
Datos de 2017 de demanda y generación a nivel horario
Optimización del Mix Eléctrico
Demanda y generación de las diferentes tecnologías a nivel horario.
Datos
Minimizar o maximizar uno o varios objetivos.
Objetivos
Suposiciones previas al proceso de optimización.
Hipótesis
Definir las variables que se desean optimizar y restricciones.
Variables a optimizar
Cálculo de variables óptimas que miniminzan o maximizan los objetivos.
Optimización
Demanda en 20301,2% incremento anual
Cierre centrales carbón y nucleares
Optimización del Mix Eléctrico
Demanda y generación de las diferentes tecnologías a nivel horario.
Datos
Minimizar o maximizar uno o varios objetivos.
Objetivos
Suposiciones previas al proceso de optimización.
Hipótesis
Definir las variables que se desean optimizar y restricciones.
Variables a optimizar
Cálculo de variables óptimas que miniminzan o maximizan los objetivos.
Optimización
Replicar perfil de generación horario:●
● Hydráulica + Turbinación por bombeo● Residuos● Termosolar● Cogeneración (8.5 GW)
Horas equivalentes
Biomasa5 GWEólica2.240 h
Fotovoltaica1.840 h
Termosolar3.500 h
16h - 08h
Tanques: 15h
EólicaPotencia instaladaFotovoltaica, Eólica y Termosolar
Optimización del Mix Eléctrico
Demanda y generación de las diferentes tecnologías a nivel horario.
Datos
Minimizar o maximizar uno o varios objetivos.
Objetivos
Suposiciones previas al proceso de optimización.
Hipótesis
Definir las variables que se desean optimizar y restricciones.
Variables a optimizar
Cálculo de variables óptimas que miniminzan o maximizan los objetivos.
Optimización
Horas equivalentes
Biomasa5 GWEólica2.240 h
Fotovoltaica1.840 h
Termosolar3.500 h
16h - 08h
Tanques: 15h
EólicaPotencia instaladaFotovoltaica, Eólica y Termosolar
Optimización del Mix Eléctrico
Cubrir demanda en orden de despacho
Biomasa5 GW
Biomasa5 GW
Importación / exportación7 GW
Ciclo combinado15,8 GW
Demanda y generación de las diferentes tecnologías a nivel horario.
Datos
Minimizar o maximizar uno o varios objetivos.
Objetivos
Suposiciones previas al proceso de optimización.
Hipótesis
Definir las variables que se desean optimizar y restricciones.
Variables a optimizar
Cálculo de variables óptimas que miniminzan o maximizan los objetivos.
Optimización
Minimizar diferencia entre demanda y generación total
Satisfacer la demanda
€Coste por fuente energética
previamente fijados
Minimizar el coste
2 2.5
8
43,5
5,56
76
4
7,4
Optimización del Mix Eléctrico
Demanda y generación de las diferentes tecnologías a nivel horario.
Datos
Minimizar o maximizar uno o varios objetivos.
Objetivos
Suposiciones previas al proceso de optimización.
Hipótesis
Definir las variables que se desean optimizar y restricciones.
Variables a optimizar
Cálculo de variables óptimas que miniminzan o maximizan los objetivos.
Optimización
Espacio de búsqueda extenso y complejo.
Inteligencia Artificial: Algoritmos Genéticos
¿Por qué aplicar técnicas de Inteligencia Artificial?
Mix eléctrico basado en datos históricos no en modelos matemáticos.
Inteligencia Artificial: Algoritmos Genéticos
Biomasa5 GW
Población Conjunto
de soluciones
SelecciónMejores
soluciones
CruceCombinación de soluciones
MutaciónPequeñas variaciones
Inteligencia Artificial: Algoritmos Genéticos
PV: P2pv
Eólica: P2E
CSP: P2csp
PV: P1pv
Eólica: P1E
CSP: P1csp
Biomasa5 GW
Población Conjunto
de soluciones
SelecciónMejores
soluciones
CruceCombinación de soluciones
MutaciónPequeñas variaciones
Inteligencia Artificial: Algoritmos Genéticos
PV: P2pv
Eólica: P2E
CSP: P2csp
PV: P1pv
Eólica: P1E
CSP: P1csp
Vertidos
€Coste
Biomasa5 GW
Población Conjunto
de soluciones
SelecciónMejores
soluciones
CruceCombinación de soluciones
MutaciónPequeñas variaciones
Inteligencia Artificial: Algoritmos Genéticos
PV: P2pv
Eólica: P2E
CSP: P2csp
PV: P1pv
Eólica: P1E
CSP: P1csp
Vertidos
€Coste
PV: 1/2 * ( P1pv
+ P2pv
)Eólica: 1/2 * ( P1
E+ P2
E )
CSP: 1/2 * ( P1csp
+ P2csp
)
Biomasa5 GW
Población Conjunto
de soluciones
SelecciónMejores
soluciones
CruceCombinación de soluciones
Inteligencia Artificial: Algoritmos Genéticos
PV: P2pv
Eólica: P2E
CSP: P2csp
PV: P1pv
Eólica: P1E
CSP: P1csp
Vertidos
€Coste
PV: 1/2 * ( P1pv
+ P2pv
)Eólica: 1/2 * ( P1
E+ P2
E )
CSP: 1/2 * ( P1csp
+ P2csp
)
PV: 1/2 * ( P1pv
+ P2pv
) + P0
Eólica: 1/2 * ( P1E+ P2
E ) - P
0
CSP: 1/2 * ( P1csp
+ P2csp
)
Biomasa5 GW
Población Conjunto
de soluciones
SelecciónMejores
soluciones
CruceCombinación de soluciones
MutaciónPequeñas variaciones
Inteligencia Artificial: Algoritmos Genéticos
Vertidos (GWh)
Coste (c€/kWh)
Optimización Multiobjetivo
Inteligencia Artificial: Algoritmos Genéticos
Vertidos (GWh)
Coste (c€/kWh)
X
X
X X
Optimización Multiobjetivo
Inteligencia Artificial: Algoritmos Genéticos
Vertidos (GWh)
Coste (c€/kWh)
X
X
X X
Optimización Multiobjetivo
Inteligencia Artificial: Algoritmos Genéticos
Vertidos (GWh)
Coste (c€/kWh)
X
X
X X
Optimización Multiobjetivo
Frente de Pareto
Herramienta Software
Multiprocessing
Datos Resultados
Web de resultadosOptimización
● Algoritmo genético● Multiobjetivo● Eficiente● Preciso
NSGA-II
ResultadosPV:Eólica:CSP:
25 GW33 GW20 GW
Coste:Vertidos:
4.88 c€/kWh830 GWh
PV:Eólica:CSP:
19.2 GW38.7 GW15.4 GW
Coste:Vertidos:
4.88 c€/kWh117 GWh
Protermosolar
ResultadosPV:Eólica:CSP:
25 GW33 GW20 GW
Coste:Vertidos:
4.88 c€/kWh830 GWh
PV:Eólica:CSP:
19.5 GW46.7 GW14.4 GW
Coste:Vertidos:
4.69 c€/kWh859 GWh
Protermosolar
ResultadosPV:Eólica:CSP:
25 GW33 GW20 GW
Coste:Vertidos:
4.88 c€/kWh830 GWh
PV:Eólica:CSP:
19.5 GW43.5 GW15.4 GW
Coste:Vertidos:
4.78 c€/kWh344 GWh
Protermosolar
ResultadosPV:Eólica:CSP:
25 GW33 GW20 GW
Coste:Vertidos:
4.88 c€/kWh830 GWh
PV:Eólica:CSP:
19.5 GW43.5 GW15.4 GW
Coste:Vertidos:
4.78 c€/kWh344 GWh
Protermosolar
CSP
PV o Eólica
ResultadosPV:Eólica:CSP:
25 GW33 GW20 GW
Coste:Vertidos:
4.88 c€/kWh830 GWh
PV:Eólica:CSP:
19.5 GW43.5 GW15.4 GW
Coste:Vertidos:
4.78 c€/kWh344 GWh
Protermosolar
CSP
PV o Eólica
ResultadosPV:Eólica:CSP:
19.5 GW43.5 GW15.4 GW
Coste:Vertidos:
4.78 c€/kWh344 GWh
Día más desfavorable para las renovables
ResultadosPV:Eólica:CSP:
19.5 GW43.5 GW15.4 GW
Coste:Vertidos:
4.78 c€/kWh344 GWh
81%
Optimización con más datos históricos
Resultados
Demanda eléctrica
Potencia instalada
Potencia renovable
Potencia fotovoltaica
Potencia eólica
Potencia termosolar
Potencia biomasa
Emisiones (1)
Vertidos
Coste
Protermosolar Inteligencia Artificial - 2017
296 TWh
130 GW
106 GW 81,5 %
25 GW
33 GW
20 GW
5 GW
4.991 kt CO2
830 GWh
4,88 c€/kWh
296 TWh
130.4 GW
106.4 GW 81,6 %
19,5 GW
43,5 GW
15,4 GW
5 GW
4.356 kt CO2
344 GWh
4,78 c€/kWh
Mix eléctrico - 2030
(1) El cálculo de las emisiones consiera ciclo combinado y resiudos (no se considera cogeneración)
Resultados
● Herramienta útil para el análisis● Permite optimización y evaluación
Conclusiones
● Optimizar mix en varios años● Otras hipótesis ● Distintos objetivos: costes, emisiones, etc.
Futuros trabajos
(1) El cálculo de las emisiones consiera ciclo combinado y resiudos (no se considera cogeneración)
Demanda eléctrica
Potencia instalada
Potencia renovable
Potencia fotovoltaica
Potencia eólica
Potencia termosolar
Potencia biomasa
Emisiones (1)
Vertidos
Coste
Protermosolar Inteligencia Artificial - 2017
296 TWh
130 GW
106 GW 81,5 %
25 GW
33 GW
20 GW
5 GW
4.991 kt CO2
830 GWh
4,88 c€/kWh
296 TWh
130.4 GW
106.4 GW 81,6 %
19,5 GW
43,5 GW
15,4 GW
5 GW
4.356 kt CO2
344 GWh
4,78 c€/kWh
Mix eléctrico - 2030