A. Loyarte(*), L. Clementi, J. Vega

Presentación del tema: "A. Loyarte(*), L. Clementi, J. Vega"— Transcripción de la presentación:

1 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 Tandil, 04 y 06 de Mayo de 2015

2 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.

3 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.

4 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

5 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

6 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).

7 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.

8 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)

9 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

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

11 Procedimiento de cálculo
Plataforma de trabajo: Python NumPy Matplotlib PyPower

12 Ejemplo de simulación Evolución de la PSO Efectivo para reducir f

13 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”.

14 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 [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), [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 [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..