Date post: | 18-Oct-2018 |
Category: |
Documents |
Upload: | hoangtuong |
View: | 215 times |
Download: | 0 times |
Introducción
ÍndiceÍndice
Microrred i-Sare
Descripción del Sistema de Gestión de la Energía
Simulación y Resultados
Conclusiones
Introducción• Se esta pasando paulatinamente de un modelo de generación
centralizado a uno de generación distribuido.
• Microrred: conjunto de cargas y generadores que actúan comouna entidad controlable e independiente, y que pueden operarconectados a la red principal o desconectados de la misma.
• Gestión de la energía en microrredes: resolución de los problemasde asignación de unidades (PAU) y de despacho económico.
� PAU: determinar el calendario de generación más económicopara poder cumplir con la demanda y satisfacer al mismo tiempouna serie de restricciones.
� Despacho Económico: subrutina del PAU cuyo objetivo consisteen repartir la carga de la forma más económica entre lasunidades disponibles.
• Técnicas de SGE empleadas: algoritmos genéticos, relajación Lagrangiana, programación
dinámica, programación lineal o algoritmos de colonia de hormiga
• Principales diferencias con los sistema de generación centralizado:
� Incertidumbre asociada a las fuentes renovables.
� Sistemas de almacenamiento que permiten compensar la variabilidad asociada a las fuentes
de generación renovables y a la demanda.
• La lógica difusa se presenta como una alternativa prometedora, dada su capacidad para tratar
con información imprecisa, pese a que existen otras técnicas.
• Enfoque estocástico: el SGE genera una serie de posibles escenarios en base a los pronósticos de
demanda y de generación de las fuentes renovables.
� Se emplea la función de densidad de probabilidad asociadas a los errores cometidos en la
predicción de las variables anteriormente mencionadas.
� El problema estocástico planteado inicialmente se transforma en una serie de problemas
deterministas con una determinada probabilidad de ocurrencia.
• La optimización del SGE propuesto se lleva a cabo mediante el uso de un algoritmo genético.
Además, un algoritmo genético adicional es empleado para resolver el PAU.
Introducción
• Microrred experimental que se utilizará como plataforma de pruebas denuevos productos, equipos, sistemas y procedimientos.
Microrred i-Sare
www.i-sare.net
Objetivo: minimizar el coste de operación de la microrred.
Planteamiento del Problema
El problema puede incluir distintos tipos de restricciones:
1. Balance de Potencias:
2. Reserva Rodante:
3. Límite de Potencia para los Generadores:
4. Máxima Potencia Intercambiada con la Red Principal:
5. Mínimo Tiempo de Encendido/Apagado:
Sistema Experto Difuso• Determinará si la batería debe cargarse o descargarse y a qué potencia.
• Entradas al sistema experto: estado de carga de la batería, precio de la electricidad, demanda
eléctrica, potencia generada por las fuentes renovables y la hora del día
• Salida: Potencia de la Batería.
• Cada variable de entrada es representada por medio de cinco conjuntos difusos mientras que para
la salida se usaron siete.
• Funciones de pertenencia triangulares y trapezoidales
c 1i 2ic cij iimc
d 1i 2id dij diime 1i e 2i eij e
iim
µ 1i µ 2i µij µiim
Gra
do
de p
ert
en
en
cia
Ai
• Ai: una variable de entrada o de salida
• uij: j-ésima función de pertenencia de la i-
ésima variable
• mi: número total de conjuntos difusos
asociados a Ai
• eij y dij: base de uij
• cij: punto donde uij alcanza el máximo
SGE Propuesto• Se basa en un conjunto de posibles escenarios para definir la gestión de energía óptima.
1. Se definen funciones de densidad de probabilidad para representar loserrores cometidos en los pronósticos de las fuentes renovables y de lademanda.
• Para el caso de la generación solar y de la demanda eléctrica se
emplean funciones de distribución normales.
• Para la generación eólica se emplea una distribución de Weibull.
• Cada función de distribución representa el error cometido en un
intervalo de tiempo el cual puede variar en función de la precisión que
se desee.
• Las funciones de distribución de probabilidad se dividen en un cierto
número de intervalos los cuales representan un posible escenario
respecto a la variable que se esté analizando.
El conjunto de escenarios
sobre los cuales se basará el
SGE para determinar la gestión
de energía óptima, se genera
por medio del método de la
ruleta.
• Las reglas y las funciones de pertenencia se representan en un mismo
cromosoma.
- Rn: n-ésima regla
- Nr: número total de reglas utilizadas
- FPi: conjunto de funciones de pertenencias asociadas a la variable A
i.
• Los parámetros que definen a las funciones de pertenencia se
representan por medio de números binarios.
• La codificación de las reglas es representada por un entero.
SGE Propuesto
3. Para cada escenario y para cada cromosoma se resuelve el PAU
mediante el uso de un algoritmo genético. En dicho algoritmo las
soluciones candidatas se codifican en una matriz U.
4. Una vez se determinado el calendario de generación óptimo para cada
escenario y para cada base de conocimiento se procede a calcular la
aptitud de cada cromosoma.
2. Una vez generados los posibles escenarios se inicializan aleatoriamente los cromosomas que contienen
las reglas y las funciones de pertenencia.
6. Se llevan a cabo las operaciones de cruce y mutación.
7. Las soluciones así obtenidas son nuevamente evaluadas en todos los
escenarios y el proceso se repite hasta llegar a un número determinado
de generaciones.
5. Una vez determinado el valor de aptitud para cada cromosoma se
seleccionan mediante el método de muestreo universal estocástico los
individuos que darán lugar a la próxima generación.
Simulación y Resultados• Se ha comparado el SGE propuesto con dos SGEs (SGE1 y SGE2) basados en un enfoque
determinista, es decir, optimizan la gestión de la energía en función del escenario más
probable.
• En el SGE 1 la base de conocimiento se fija por medio de la experiencia mientras que
en el SGE 2 ésta se diseña por medio de un algoritmo genético.
• Se ha empleado el mismo algoritmo genético para resolver el PAU.
Pronósticos de demanda eléctrica,
generación solar y generación eólica
Simulación y ResultadosSGE 1 con la MR en isla
SGE propuesto con la MR en isla
SGE 1 con la MR conectada a la red principal
SGE propuesto con la MR conectada a la red principal
Simulación y Resultados
Microrred en isla Microrred interconectada
Costo de
operación (€)
Tiempo de
ejecución (s)
Costo de
operación (€)
Tiempo de
ejecución (s)
SGE 1 118.6 19 90.8 24
SGE 2 114.4 87 87.3 109
SGE propuesto 113.9 921 86.2 1369
Resultados obtenidos: coste y tiempo de ejecución
Conclusiones• Se ha propuesto un SGE basado en un sistema experto difuso el
cual determina si la batería debe de cargarse o descargarse y a
qué potencia.
• Se ha optado por abordar la gestión de energía desde un punto
de vista estocástico en lugar de determinista, debido a la
incertidumbre asociada a muchas de las variables que
intervienen en dicho problema.
• Se ha logrado reducir los costes de operación de la microrred
tanto en isla como conectada a la red principal..
Muchas graciasAnder Martin Villate
PhD Student
Electronics & Communication Department
Paseo Manuel Lardizabal, 15
20018 Donostia-San Sebastian. Spain
Tel. +34 943 212 800 (Ext. 2774)
Fax: +34 943 213 076
Web: www.ceit.es
Paseo del Circuito, 10
20160 Lasarte-Oria, Spain
Tel. +34 943 376 400
Fax: +34 943 371 279
Web: www.jema.es