A. Loyarte(*), L. Clementi, J. Vega V MACI 2015 V Congreso de Matemática Aplicada, Computacional e Industrial ASIGNACIÓN ÓPTIMA DE POTENCIAS DE GENERACIÓN EN UNA MICRO-RED ELÉCTRICA CON DEMANDA DISTRIBUIDA VARIABLE Autores: A. Loyarte(*), L. Clementi, J. Vega (*)ariel.loyarte@gmail.com Tandil, 04 y 06 de Mayo de 2015

Introducción : Micro-Red VS Red Tradicional Redes tradicionales de transmisión de energía eléctrica: Gran extensión. Redes troncales de alcance nacional. Operación en alta tensión por motivo de disminución de pérdidas. Necesidad de estaciones transformadoras. Infraestructura de comunicaciones costosa. Micro-redes: Pequeña red eléctrica con múltiples cargas y generación distribuida. Implica generadores de pequeño porte, cercanos a los puntos de consumo. Se facilita la incorporación de energías renovables. Se facilita la operación en Despacho Económico de Generación.

Objetivos Definir la estructura de una micro-red (MR) de trabajo, para realizar estudios de su operación. Modelar la red, cargas (consumos) y centros de generación. Definir un funcional que determine el estado de operación de la red. Implementar un algoritmo de optimización con la finalidad de determinar, a cada instante, la configuración de generación más conveniente.

Cálculo de Flujos de Potencia (PF) (p + q.i)* × [diag(v*)]-1 = Y × v PF (micro-red) pg vg qg vd pd qd Sistema de Ecs. no lineal en variable compleja. Resolución: Newton-Raphson y variantes. (propuesta de generación) (consumos del momento) DG: Despacho de Generación Y: Matriz de admitancias nodales (parámetros) pg SE PROPONE p: Potencias activas pd DATO qg g: Generación d: Demanda INCÓGNITA q: Potencias reactivas qd DATO vg SE PROPONE v: Tensiones vd INCÓGNITA

Despacho Económico de Generación (DEG) ¿Cuál es el DG más conveniente? Si f es una función de costos globales de generación… DESPACHO ECONÓMICO DE GENERACIÓN (DEG) Costos: Polinomios de segundo grado. Métodos de descenso de tipo gradiente. PÉRDIDAS

Nuestra propuesta… Función Objetivo (minimizar): INDICADOR Económico Ambiental De servicio DIFICULTADES: Dependencia de las pérdidas. Requiere incorporar un modelo de pérdidas (existen). Desv_V no tiene forma explícita (diferenciable), y depende de la salida de un PF. Factores de ponderación a seleccionar criteriosamente. (ANÁLISIS DE SENSIBILIDAD) No son aplicables métodos de descenso de tipo gradiente. Se opta por un algoritmo evolutivo (PSO).

Optimización por Enjambre de Partículas (PSO) POSICIÓN DE LA PARTÍCULA p: DIFICULTADES: Establecer w, c1 y c2. Reubicar partículas que no satisfacen las restricciones; o cuando el PF no tiene solución. La posición de cada partícula es una potencial solución del problema. LAS POSICIONES SE ACTUALIZAN SEGÚN: Bp: Mejor posición histórica de la partícula. G: Mejor posición histórica en el enjambre.

MR propuesta y modelado 13,2 kV – Cond. ACSR 35/6 TRADICIONALES ALTERNATIVAS DG1: Generador Diesel (850 kW) FC: Celda de Comb. (300 kW) PV: Paneles Solares (500 x 100 W) DG2: Generador Diesel (800 kW) Se modelan equipos disponibles comercialmente WT: Aerogeneradores (40 x 2 kW)

MR propuesta y modelado P [kW] Las demandas se distribuyen entre 7 nodos. Hora RELACIONES: CONSUMOS Se diferencia entre cargas residenciales e industriales (curvas escaladas de Jardini et al., 2002) Consumo Comb = f1(Pot) Costo = f2(Consumo Comb) Caudal contaminantes = f3(Pot) (DG1, DG2, FC) [NOX, CO2, SO2] (PV, WT) RELACIONES: Pot PV = g1(Temp, Rad. Solar) Pot WT = g2(Vel. Viento) Se modelan equipos disponibles comercialmente

Ejemplo de simulación Ejemplificado para la ciudad de Santa Fe; condiciones del 01/01/2013. Condiciones climáticas, provistas por el CIM (FICH, UNL).

Procedimiento de cálculo Plataforma de trabajo: Python NumPy Matplotlib PyPower

Ejemplo de simulación Evolución de la PSO Efectivo para reducir f

Conclusiones La metodología propuesta resulta útil para establecer una política óptima de despacho de generación. Restan complementar estudios de sensibilidad de la f ante variaciones en la ponderación de cada efecto. El algoritmo se evaluó en base a diversas simulaciones, estados de carga y condiciones iniciales; y probó ser eficiente para encontrar soluciones repetitivas. Los tiempos de cómputo se extienden a algunos minutos, por lo que no podría aplicarse “en-línea” por el controlador de la micro-red. Se trabaja para mejorar los tiempos de cálculo. La micro-red mostrada opera en modo “isla”. Aunque ya se ha comenzado a trabajar con micro-redes “interconectadas”.

Bibliografía / Agradecimientos [1] S. Chowdhury, S.P. Chowdhury, and P. Crossley, Microgrids and active distribution networks, The Institution of Engineering and Technology, Herts, United Kingdom, 2009. [2] D. Zhang, Optimal design and planning of energy microgrids, Ph.D. Thesis, University College London, 2013. [3] E. Kremers, P. Viejo, O. Barambones, and J. González de Durana, A complex systems modelling approach for decentralised simulation of electrical microgrids, 15th IEEE Int. Conf. on Eng. of Complex Comp. Syst., (2010), pp. 302-311. [4] J. Grainger and W. Stevenson, Análisis de sistemas de potencia, McGraw-Hill, USA, 1996. [5] J.A. Jardini, C. Tahan, M.R. Gouvea, Se Un Ahn, F.M. Figueiredo, Daily Load Profiles for Residential, Commercial and Industrial Low Voltage Consumers, IEEE Transactions on Power Delivery, (2002), 15(1), 375 – 380. [6] Y. Shi, and R. Eberhart, A modified particle swarm optimizer, in Proceedings of the IEEE Conference on Evolutionary Computation, Singapore, (1998), 69-73. [7] M.R. AlRashidi, and M.E. El-Hawary, A survey of particle swarm optimization applications in electric power systems, IEEE Trans. on Evol. Comp., Vol. 13 (2009), pp. 913-918. [8] F. Mohamed, Microgrid modelling and online management, Ph.D. Thesis, Helsinki University of Technology (Finland), 2008. AGRADECIMIENTOS A la UTN y al CySE (UTN-FRSF) por el financiamiento percibido a modo de beca doctoral. Al Centro de Información Meteorológica (CIM) de la FICH, UNL..