Algoritmos avanzados para la comercialización de energía de prosumers agregados

Comunicación presentada al IV Congreso Smart Grids:

Autores

• Juan Aguilar Guisado, Ingeniero I+D, Fundación Ayesa
• Alicia Arce, Responsable del laboratorio de sistemas de control, Fundación Ayesa
• Ricardo Galan de Vega, Director, Fundación Ayesa

Resumen

Este trabajo presenta los diferentes algoritmos que Fundación Ayesa ha desarrollado para la toma de decisión en la comercialización de energía en redes inteligentes de prosumers agregados, incluyendo la operación de electrodomésticos inteligentes. En concreto, estos algoritmos están particularizados para prosumers domésticos que presentan diferentes topologías de red que combinan sistemas de generación y almacenamiento local. El objetivo de estos algoritmos es obtener el mayor beneficio económico para el sistema agregado de prosumers, considerando distintos modelos de negocio y distintos tipos mercados de energía. La funcionalidad avanzada para la gestión de electrodomésticos inteligentes permite planificar su operación y compensar las incertidumbres y desviaciones intrínsecas de las energías renovables y la gestión del consumo.

Introducción

El uso de las energías renovables sigue marcando récords de crecimiento año tras año debido a las ventajas que presentan frente al resto de sistemas de generación energética sobre todo en el campo del impacto medioambiental de las emisiones.

No obstante, los sistemas de generación renovables aún presentan una serie de problemas transversales que dificultan su despliegue masivo en las redes eléctricas. Uno de los problemas principales es la incertidumbre asociada a la predicción de la generación eléctrica con exactitud. Este problema está siendo ampliamente abordado en la literatura con la integración de almacenamiento energético, como por ejemplo, con baterías o pilas de combustible. La integración de almacenamiento encarece aún más el coste de los sistemas de energía renovable que requieren de estudios de modelos de negocio innovadores para su comercialización. Además, la hibridación con almacenamiento requiere de herramientas avanzadas que permitan su correcta gestión e integración en los mercados eléctricos.

Por otro lado, la reciente evolución de la red eléctrica está permitiendo que los actuales consumidores puedan generar electricidad mediante la integración de fuentes de energía renovable con precios accesibles, como son los paneles fotovoltaicos, y transformarse de esta manera en lo que se conoce con el término de ‘prosumers’ (consumidores que pueden generar energía). Estos prosumers actualmente no pueden participar en mercados eléctricos sin poder beneficiarse de la comercialización de su excedente de energía tanto por la dificultad técnica a nivel local como a la incapacidad de las redes eléctricas de su gestión.

Otro factor que juega un papel importante en la integración de las energías renovables y en la gestión de los prosumers distribuidos es el control del consumo, mediante las herramientas de respuesta de demanda. Estas técnicas consisten en controlar la programación de electrodomésticos inteligentes o cargas regulables como recurso para regular la red.

Por tanto, este trabajo se centra en presentar los algoritmos matemáticos que han sido desarrollados por Fundación Ayesa para negociar en mercados eléctricos del día siguiente (mercado diario) la generación distribuida de prosumers que tienen instaladas fuentes de generación de energías renovables, almacenamiento e electrodomésticos inteligentes. La participación en el mercado eléctrico diario permitirá a los prosumers recibir ingresos mediante la comercialización de su energía excedente. El agregador que gestiona todos los prosumers permitirá que haya intercambio p2p de energía y de esta manera, beneficiar a los prosumer que se encuentran en la red agregada.

Este artículo se organiza de la siguiente forma: la primera sección describirá el modelado del sistema y la formulación del problema de optimización; la segunda sección se centra en la integración de las herramientas y por último se presentan brevemente los resultados y trabajos futuros.

Descripción

Modelo del sistema

El sistema en estudio en este trabajo consiste en una agregación de varios prosumers también llamados nodos de energía en terminología más general. Cada prosumer consta de una fuente de energía renovable, un sistema de almacenamiento, un conjunto de cargas regulables y unas curvas de carga no regulable. Estos prosumers están conectados a la red eléctrica y tienen la capacidad de poder inyectar energía excedente. De esta manera, la potencia de cada prosumer se modela como:

P_nodo,i(k) = P_freno,i(k) + P_alma,i(k) – P_carga,i(k) – ∑_j=0ⁿⁱ P_cargareg,i,j(k) k=1 , … , 24

donde P_nodo,i(k) es la potencia total del prosumer i en la hora k, P_freno,i(k) es la potencia generada por la fuente de energía renovable instalada en el prosumer i en la hora k, P_alma,i(k) es la potencia correspondiente al almacenamiento instalado en el prosumer i en la hora k, P_carga,i es la potencia consumida por las cargas no regulables del prosumer i en la carga k, P_cargareg,i,j es la potencia consumida por el electrodoméstico j instalado en el prosumer i durante la hora k y ni es el número de cargas regulables instaladas en el nodo i

Los almacenamientos instalados en los prosumers se han considerado baterías por lo que la potencia de los almacenamientos representados por Palma,i es positiva cuando las baterías está descargando y negativa cuando las baterías están cargando. La potencia de las baterías tendrá que tener en cuenta que la eficiencia de carga y descarga es distinta y esto dará una relación no lineal.

Por otro lado, el modelo incluye las restricciones horarias del uso de los electrodomésticos inteligentes para mantener los índices de confort previamente parametrizados por cada prosumers y además también se modelan los distintos electrodomésticos con su duración y consumo horario.

Por último, el modelo tiene en cuenta la agregación del sistema quedando la potencia total de la agregación como:

P_agrega(k) = ∑_i=1^m P_nodo,i k=1,…,24

donde m es el número de prosumers agregados y P_agrega(k) es la potencia total de la red agregada en la hora k.

Formulación del problema de optimización

Una vez modelado el sistema agregado de prosumers, se debe plantear la optimización matemática que debe resolver el algoritmo. Nuestra formulación se basa en las formulaciones predictivas (Camacho E. y Bordons C.). Dichas formulaciones permiten optimizar la inyección o consumo de la red agregada en un horizonte temporal denominado horizonte de predicción. Otra de las virtudes de este tipo de formulación es el tratamiento matemático de restricciones físicas del sistema, asegurando de esta forma que el sistema siempre va a trabajar dentro de los límites establecidos por los equipos.

De esta manera, el problema de optimización que planteamos en este trabajo tiene como objeto maximizar los beneficios obtenidos por la red agregada cuando se comercializa la energía en los mercados del día siguiente. Así, el resultado serán las curvas de generación y consumo óptimas para toda la red agregada que minimizan los costes de operación y por tanto maximizan los beneficios. Estos algoritmos son integrados en una herramienta de ayuda a la toma de decisión que proporciona al operador os cálculos de las curvas óptimas para que éste negocie con el mercado diario.

Por otro lado, el problema de optimización debe reflejar las características del mercado diario que consisten en la comercialización de energía para las 24 horas siguientes. Así, el horizonte de predicción será 24 horas. Además, esto implica que el algoritmo debe ser alimentado con las predicciones de generación de las fuentes de energía renovable de cada prosumers para el día siguiente, predicciones de demanda de los prosumers para el día siguiente y predicciones de los precios de la energía del día siguiente. La calidad de los resultados obtenidos dependerá de la exactitud de las predicciones. La herramienta de toma de decisión deberá incluir métodos de predicción para poder integrarse con los algoritmos de optimización.

El problema de optimización está sujeto al modelo del sistema que se ha expuesto en el apartado anterior e incluye las restricciones físicas de los dispositivos de cada prosumer como son: generación máxima, potencia máxima de consumo y conexión a red, potencia máxima de carga y descarga de las baterías, estados de carga máximo y mínimo de cada uno de los almacenamientos y los índices de confort de cada una de las cargas regulables.

En este trabajo, se han considerado dos estrategias de optimización distintas donde se diferencia entre un agregador comercializador-generador y un agregador únicamente generador. El algoritmo que considera el agregador comercializador-generador proporcionará las curvas óptimas de generación y consumo de toda la red considerando precios internos de intercambio de energía entre prosumers dentro de la misma red del agregador. El algoritmo que implementa la estrategia de optimización para un agregador únicamente generador obtendrá las curvas óptimas para la venta del excedente generado por los prosumers en el mercado diario. En ambas estrategias el algoritmo proporcionará la programación óptima de los electrodomésticos inteligentes (cargas regulables) para el día siguiente.

El siguiente esquema representa la diferencia entre los dos tipos de agregadores:

En ambos casos, el problema de optimización se formula de forma generalizada como:

Sujeto al modelo del sistema y a las restricciones anteriormente expuestas. Este problema de optimización es no lineal ya que las potencias de las baterías tienen eficiencias distintas para los dos tipos de modos: carga y descarga y además la potencia comercializada con el mercado tiene precios distintos cuando se consume o se inyecta. De esta manera, el problema se ha linealizado utilizando variables lógicas y finalmente resuelto utilizando solvers milp.

Integración en la herramienta de operación

Estos algoritmos han sido programados de manera que pueden ser fácilmente integrables con las herramientas de monitorización y operación de los agregadores. De esta manera, los algoritmos están desplegados en la nube y es un módulo completamente independiente del resto del sistema. La base de datos se ha diseñado para que pueda ser fácilmente integrables. En la siguiente figura, se muestra los complementos necesarios para la integración de dichos algoritmos en las plataformas de los operadores:

Las entradas a este módulo para su correcto funcionamiento son:

• Predicciones de la generación de las fuentes renovables para las 24 horas del día siguiente.
• Predicciones del consumo para los diferentes prosumers para las 24 horas del día siguiente.
• Predicciones de los precios de compra y venta de energía de los diferentes mercados eléctricos y los diferentes contratos de prosumers. En el caso del agregador comercializador-generador también los precios del intercambio p2p y los precios de venta de la energía del propio agregador.
• Estado de los prosumers para las 24 horas del día siguiente. Si los prosumers estarán en mantenimiento o en funcionamiento parcial y las horas de parada.
• Estado de los electrodomésticos inteligentes para las 24 horas del día siguiente. Si van a programarse o no. Los índices de confort incluyendo restricciones horarias.
• Parametrización: el operador será capaz de dar de alta en el módulo los diferentes prosumers con sus características determinadas: potencia de las fuentes de energía renovable, capacidad de almacenamiento, límites de almacenamiento, capacidad de inyección, número de cargas regulables, tipos, tiempos de funcionamiento y consumos medios.

Las salidas que proporcionará los algoritmos serán las curvas óptimas de generación y consumo compuestas por las 24 horas del día siguiente, la programación óptima de los electrodomésticos inteligentes.

Resultados y Conclusiones

Estos algoritmos se han particularizado para el caso del proyecto Netfficient del programa de investigación europeo H2020. En concreto, el agregador que se ha simulado está compuesto por 40 casas unifamiliares y 5 edificios con paneles solares y baterías de litio. Las pruebas se han realizado a partir de un banco de datos de generaciones, consumos y precios a lo largo de todo un año. Las simulaciones de los algoritmos arrojan resultados alentadores y más que satisfactorios.

El comportamiento de la red permite un ahorro sustancial dependiendo de dos factores de los que depende muy directamente de la exactitud de las estimaciones y del tipo de prosumers y capacidad de almacenamiento de cada uno de ellos.

Por último, como trabajos futuros actualmente se está estudiando la aplicación de dichos algoritmos para el diseño óptimo de las redes agregadas dado los resultados obtenidos en las simulaciones.

Reconocimientos

Este trabajo ha sido financiado por la Unión Europea a través del proyecto de investigación Netfficient perteneciente al programa de investigación H2020 (Grant agreement nº 646463).

Referencias

• www.amprion.net/ausgleichsenergiepreis
• Camacho E. & Bordons C., (2007) Model predictive control.
• Del Real A., Arce A. y Bordons C. Combined environmental and economic dispatch of smart grids using distributed model predictive control. International Journal of Electrical Power 54, 65-76. 2014.
• La energía renovable marca un nuevo récord mundial de crecimiento. La Vanguardia. Joaquim Elchacho. 30 de marzo de 2017.