Desarrollo de modelos híbridos para la optimización de la gestión energética de una red eléctrica con conexión a línea de suministro, generación mediante fuentes renovables, almacenamiento y consumo.

  • Mauricio Agustín Sabor ITBA
  • Alan Aeron Jones
  • Leopoldo De Bernardez
  • Iván Villaboa
Palabras clave: Gestión energética, Simulador, Modelo híbrido, Modelo, Energía

Resumen

Se desarrolló un modelo híbrido para la gestión de la energía de una red eléctrica con conexión a línea de suministro, generación mediante fuentes renovables y no renovables, almacenamiento en baterías, producción de hidrógeno y consumo. El modelo permite no solamente optimizar el desempeño de la red eléctrica propuesta sino también analizar instalaciones de producción y acumulación de energía considerando la oferta y la demanda, los costos involucrados y los precios de compra y venta de energía a la red.

Se utilizaron modelos analíticos para la estimación de la generación eólica y solar fotovoltaica teniendo en cuenta variables meteorológicas. Para la acumulación en baterías se consideraron las curvas de carga y descarga y para la generación de hidrógeno las curvas características de electrolizadores a alta presión.

El modelo completo incluye agentes para la toma de decisiones como compra y venta de energía a la red, acumulación en baterías o producción de hidrógeno.

Se verificó la validez del modelo y las lógicas utilizadas planteando diversos escenarios, en los que fue posible observar las fluctuaciones en la generación, la acumulación y el consumo.

El modelo puede ser aplicado a diversos casos, gestionando decisiones en redes existentes o permitiendo dimensionar proyectos en función de la demanda prevista y de la decisión de incorporar diferentes tipos de sistemas de generación y acumulación de energía eléctrica.

Descargas

La descarga de datos todavía no está disponible.

Citas

[1] Lin, W., y Bitar, E. (2018). Decentralized Stochastic Control of Distributed Energy Resources, IEEE Transactions on Power Systems,33, 888-900.
[2] Abubakar, S.H., Cipcigan, L. y N. Jenkins (2018). Impact of optimized distributed energy resources on local grid constraints, Energy 142, 878-895.
[3] O. Schmidt, A. Hawkes y I. Staffell (2017). The future cost of electrical energy storage based on experience rates, Nature Energy 2, Article number: 17110.
[4] Arboit M. E., y Betman E. (2017). Comparative Study of Solar Radiation Availability in Dry Climate Urban Environment Forested Areas, in Mendoza, Argentina, International Journal of Environmental Science & Sustainable Development, 1, 1-13.
[5] Haghdadi N., Copper J., Bruce A. y MacGill I., (2017). A method to estimate the location and orientation of distributed photovoltaic systems from their generation output data, Renewable Energy, 108, 390-400.
[6] Jacobson M. Z., y Delucchi M. A., (2011). Providing all global energy with wind, water, and solar power, Part I: Technologies, energy resources, quantities and areas of infrastructure, and materials, Energy Policy, 39, 1154-1169.
[7] De Bernardez L.S., Buitrago R.H. y Garcia N.O., (2011). Photovoltaic generated energy and module optimum tilt angle from weather data, International Journal of Sustainable Energy, 30, 311-320.
[8] Bayod-Rújula A.A., Burgio A., Leonowicz Z., Menniti D., Pinnarelli A., y Sorrentino N., (2017). Recent Developments of Photovoltaics Integrated with Battery Storage Systems and Related Feed-In Tariff Policies: A Review, International Journal of Photoenergy.
[9] Javier Ramírez F., Honrubia-Escribano A., Gómez-Lázaro E., y Pham D. T.,
(2017). Combining feed-in tariffs and net-metering schemes to balance development in adoption of photovoltaic energy: Comparative economic assessment and policy implications for European countries, Energy Policy, 102, 440-452.
[10] Cook T., Shaver L. y Arbaje P., (2018). Modeling constraints to distributed generation solar photovoltaic capacity installation in the US Midwest, Applied Energy, 210, 1037-1050.
[11] Peña R., y Medina A., (2012). Real time simulation of a power system including renewable energy sources, 2012 North American Power Symposium (NAPS).
[12] Gazafroudi A. S. et. al, (2017). A Review of Multi-agent Based Energy Management Systems, 8th International Symposium on Ambient Intelligence (ISAmI 2017). Advances in Intelligent Systems and Computing, v615.
[13] Karavas C. S., Arvanitis K., y Papadakis G.A., (2017). Game Theory Approach to Multi-Agent Decentralized Energy Management of Autonomous Polygeneration Microgrids, Energies, 10, 1756.
[14] Nguyen T.L., Tran Q. T., Caire R., Gavriluta C. y Nguyen V. H., (2017). Agent based distributed control of islanded microgrid real-time cyberphysical implementation, Proceedings of the IEEE PES International Conference on Innova- tive Smart Grid Technologies IEEE ISGT Europe 2017.
[15] Pérez R. et al, (1987). A new simplified version of the Perez diffuse irradiance model for tilted surfaces, Solar Energy, 1987, vol. 39.
[16] Ciulla G., Lo Brano V. y Moreci E., (2017). Forecasting the cell temperature of PV modules with an adaptive system, University of Palermo.
[17] Baydyk T., Kussul E., Wunsch II D.C. (2019). Renewable Energy: Solar, Wind, and Others, Intelligent Automation in Renewable Energy. Computational Intelligence Methods and Applications.
[18] Lauretta J. R. y Smoglie C., An efficiency model for hydrogen production in a pressurized electrolyzer, XXI World Energy Congress, Montreal, Canada.
Publicado
2020-06-23
Cómo citar
Sabor, M., Jones, A. A., De Bernardez, L., & Villaboa, I. (2020). Desarrollo de modelos híbridos para la optimización de la gestión energética de una red eléctrica con conexión a línea de suministro, generación mediante fuentes renovables, almacenamiento y consumo. AACINI - Revista Internacional De Ingeniería Industrial, (1), 17-33. Recuperado a partir de https://riii.fi.mdp.edu.ar/index.php/AACINI-RIII/article/view/8
Sección
Artículos premiados - COINI