Gestión de energía para la microrred en Cuenca (Ecuador) usando control predictivo

Equation Chapter 1 Section 1 Trabajo Fin de Grado Ingeniería de las Tecnologías Industriales Gestión de Energía para la Microrred en Cuenca (Ecuador) usando Control Predictivo Autor: Daniel Navarro Chamorro Tutor: Carlos Bordons Alba Dpto. Ingeniería de Sistemas y Automática Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2020 iii Proyecto Fin de Grado Grado en Ingeniería de Tecnologías Industriales Gestión de Energía para la Microrred en Cuenca (Ecuador) usando Control Predictivo Autor: Daniel Navarro Chamorro Tutor: Carlos Bordons Alba Catedrático de Universidad Dpto. Ingeniería de Sistemas y Automática Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2020 v Proyecto Fin de Carrera: Gestión de Energía para la Microrred en Cuenca (Ecuador) usando Control Predictivo Autor: Daniel Navarro Chamorro Tutor: Carlos Bordons Alba El tribunal nombrado para juzgar el Proyecto arriba indicado, compuesto por los siguientes miembros: Presidente: Vocales: Secretario: Acuerdan otorgarle la calificación de: El Secretario del Tribunal Fecha: vii A mi familia A mis amigos, A mis profesores. ix Agradecimientos En primer lugar, agradecer a Don Carlos Bordons Alba permitirme aprender de él y guiarme en este proyecto, es para mi un ejemplo y ha sido un gusto trabajar con él. A José Fernando Charry Villamagua (estudiante de la Universidad de Cuenca) por la información y documentos que me han permitido completar el proyecto. Quisiera agradecer a mis amigos todo lo que me han dado a lo largo de estos años de grado, porque aunque siempre ha habido buenas y malas, vosotros siempre estuvisteis en las peores, y gracias a eso hoy se cierra el círculo. Gracias amigos. A mi hermano, por todo lo vivido, por todo lo aprendido, por hacerme ver luz en los peores momentos y por ser un ejemplo de superación, demostrándome que yo también podía. Gracias Emilio. Por último, quiero agradecer a mis padres darme la oportunidad de poder estudiar una Ingeniería con todo lo que ello conlleva, por su apoyo constante a lo largo de estos años y por su espíritu de trabajo. Porque con trabajo todo es posible. Gracias Papá y Mamá, sin vosotros no sería nada en ningún sentido. xvii ÍNDICE DE TABLAS Tabla 2.1 Distribución de la producción eléctrica mundial en el año 2017 [3]. 28 Tabla 5.1 Notación y signo de potencias. 55 Tabla 5.2 Parámetros del modelo. 59 Tabla 6.1 Pesos de la función de coste. 70 Tabla 6.2 Límites de operación de los elementos de la microrred. 71 xix ÍNDICE DE FIGURAS Figura 2.1: Modelo eléctrico incluyendo una microrred obtenido de [5]. 29 Figura 3.1: Esquema de buses de la microrred del laboratorio Balzay [2]. 34 Figura 3.2: Sistemas de generación fotovoltáica [2]. 35 Figura 3.3: Generadores eólicos [2]. 36 Figura 3.4: Turbina mini-hidro [2]. 36 Figura 3.5: Pila de combustible (negro) e inversor monofásico (azul). Cortesía de J.F. Charry 37 Figura 3.6: Generadores Diesel y Gas (GLP) [2]. 38 Figura 3.7: Fuente Programable. 38 Figura 3.8: Baterías de Ácido de Plomo. 39 Figura 3.9: Batería de flujo de Vanadio – RedOx [2]. 40 Figura 3.10: Banco de supercondensadores [2]. 40 Figura 3.11: Banco de baterías de Ion – Litio [2]. 41 Figura 3.12: Electrolizador y almacenamiento de hidrógeno [2]. 42 Figura 3.13: Carga resistiva trifásica programable [2]. 42 Figura 3.14: Kia Soul EV (Vehículo eléctrico). 43 Figura 3.15: Vehículo de carga Hyundai 10BTR-9. 44 Figura 4.1: Ejemplo de estrategia para Control mediante Banda de Histéresis. 48 Figura 4.2: Esquema de Control mediante Lógica Difusa. 49 Figura 4.3: Estrategia del Control Predictivo Basado en Modelo [22]. 51 Figura 5.1: Flujo de potencias en la microrred. 57 Figura 6.1: Algoritmo del controlador implementado. 68 Figura 6.2: Algoritmo que constituye la definición del modelo del sistema. 70 Figura 7.1: Modelo de la Microrred. 74 Figura 7.2: Modelo de la Microrred con Controlador. 75 Figura 7.3: Balance de potencia en el sistema. 76 Figura 7.4: Variación de potencia en la conexión de un vehículo eléctrico. Figura 7.5: Potencias en la Microrred, día soleado, carga inicial media, carga pequeña. 77 Figura 7.6: Potencias en los componentes de la Microrred, día soleado, carga inicial media, carga pequeña. 78 Figura 7.7: SOCs en los componentes de la Microrred, día soleado, carga inicial media, carga pequeña. 78 Figura 7.8: Potencias en la Microrred, día soleado, carga inicial baja, carga pequeña. 79 Figura 7.9: Potencias en los componentes de la Microrred, día soleado, carga inicial baja, carga pequeña. 80 Figura 7.10: SOCs en los componentes de la Microrred, día soleado, carga inicial baja, carga pequeña. 80 Figura 7.11: Potencias en la Microrred, día soleado, carga inicial alta, carga pequeña. 81 Figura 7.12: Potencias en los componentes de la Microrred, día soleado, carga inicial alta, carga pequeña. 82 Figura 7.13: SOCs en los componentes de la Microrred, día soleado, carga inicial alta, carga pequeña. 82 Figura 7.14: Potencias en la Microrred, día soleado, carga inicial media, carga alta. 83 Figura 7.15: Potencias en los componentes de la Microrred, día soleado, carga inicial media, carga alta. 84 Figura 7.16: SOCs en los componentes de la Microrred, día soleado, carga inicial media, carga alta. 84 Figura 7.17: Potencias en la Microrred, día soleado, carga inicial baja, carga alta. 85 Figura 7.18: Potencias en los componentes de la Microrred, día soleado, carga inicial baja, carga alta. 86 Figura 7.19: SOCs en los componentes de la Microrred, día soleado, carga inicial baja, carga alta. 86 Figura 7.20: Potencias en la Microrred, día soleado, carga inicial alta, carga alta. 87 Figura 7.21: Potencias en los componentes de la Microrred, día soleado, carga inicial alta, carga alta. 88 Figura 7.22: SOCs en los componentes de la Microrred, día soleado, carga inicial alta, carga alta. 88 Figura 7.23: Potencias en la Microrred, día nublado, carga inicial media, carga alta. 89 Figura 7.24: Potencias en los componentes de la Microrred, día nublado, carga inicial media, carga alta. 90 Figura 7.25: SOCs en los componentes de la Microrred, día nublado, carga inicial media, carga alta. 90 Figura 7.26: Potencias en la Microrred, día nublado, carga inicial baja, carga alta. 91 Figura 7.27: Potencias en los componentes de la Microrred, día nublado, carga inicial baja, carga alta. 92 Figura 7.28: SOCs en los componentes de la Microrred, día nublado, carga inicial baja, carga alta. 92 Figura 7.29: Potencias en la Microrred, día nublado, carga inicial alta, carga alta. 93 Figura 7.30: Potencias en los componentes de la Microrred, día nublado, carga inicial alta, carga alta. 94 Figura 7.31: SOCs en los componentes de la Microrred, día nublado, carga inicial alta, carga alta. 94 xxi Notación 𝑥(𝑡) Valor de 𝑥 en el instante 𝑡 𝑥(𝑡+𝑘| 𝑡) Valor de 𝑥 en el instante 𝑡+𝑘 calculado en el instante 𝑡 𝑥∗ Valor óptimo de 𝑥 ∆𝑥 Incremento de 𝑥 𝑥𝑚𝑖𝑛 Valor mínimo de 𝑥 𝑥𝑚𝑎𝑥 Valor máximo de 𝑥 𝑥 Valor predicho de 𝑥 = Igual que ≠ Distinto de < Menor que > Mayor que ≤ Menor o igual que ≥ Mayor o igual que f (x,y,z) Valor de f evaluada en x, y, z min 𝑥𝑓 Valor mínimo de f variando x arg min 𝑥𝑓 Valor de x que minimiza f ∑ 𝑁 𝑖=1 Sumatorio desde i=1 hasta N ∀ Para todo s.a. z Sujeto a Número complejo que resulta de aplicar la transformada Z x Entrada y Salida u Señal de control d Perturbación J Función de coste w Trayectoria de referencia Ts Tiempo de muestreo In 𝐴𝑚×𝑛 AT 𝜕𝑥 𝜕𝑦 Matriz de n filas y n columnas Matriz A con m filas y n columnas Matriz traspuesta de A Derivada parcial de x con respecto a y Introducción 24 1 INTRODUCCIÓN 1.1 Antecedentes Como norma general, en los países desarrollados se ha producido la mayor parte de la energía eléctrica que se consumía mediante un modelo de generación centralizada, es decir, se obtiene la energía eléctrica de un pequeño número de centrales, que utilizan fuentes de energía de diversos tipos (p.e. nuclear, combustibles fósiles, eólicas), para luego ser transportada y distribuida hasta su consumo. Este modelo de generación eléctrica conlleva grandes pérdidas energéticas durante el transporte debido a las grandes distancias existentes entre las centrales y las cargas, necesarias por las grandes extensiones de terreno que necesitan las centrales. Por otro lado, existe el modelo distribuido. En este caso, la generación de energía eléctrica se puede realizar mediante distintos sistemas que se encuentran instalados en puntos cercanos a los consumidores, conectándose a la red de distribución como elementos individuales o en conjunto. Este modelo permite reducir las pérdidas con respecto al modelo centralizado, ya que se reducen las distancias por las que fluye la energía eléctrica durante su transporte. Como se ha mencionado anteriormente, en la actualidad existen fuentes de generación de energía renovables, distintas a las clásicas (p.e. nuclear, combustibles fósiles), que permiten reducir la contaminación por gases de efecto invernadero o el vertido de residuos al medio ambiente. Éstas gozan de una capacidad de adaptación al modelo distribuido muy notable debido a los avances tecnológicos que se están produciendo en este ámbito. Como resultado de estos avances, las fuentes de energía renovables permiten ser instaladas en zonas rurales y en viviendas sin producir efectos negativos en el medio. En la actualidad, el sistema eléctrico se encuentra en un proceso de transición, teniendo como objetivo abandonar el uso de combustibles fósiles y utilizar únicamente fuentes de energía renovables para la generación de energía eléctrica a medio-largo plazo. Por tanto, la tendencia consiste en abandonar el modelo de generación centralizado a favor del modelo de generación distribuido. En una microrred se pueden encontrar sistemas de generación tanto convencionales como con fuentes de energía renovables. El concepto de microrred se asocia a un sistema compuesto por generadores, sistemas de almacenamiento y cargas capaz de autoabastecerse, permitiendo la conexión y desconexión de distintos elementos para gestionar la demanda de energía de manera eficiente. Esta gestión puede atender a diferentes criterios, tales como el ahorro económico o la vida útil de los componentes de la microrred. En los últimos años, debido a los avances tecnológicos en los sistemas de generación y almacenamiento de energía unido al creciente interés de la población en la conservación del medio ambiente, distintas organizaciones han optado por financiar estudios sobre microrredes en distintas partes del mundo con el objetivo de llevar este sistema a las ciudades lo antes posible. En este documento, se pretende mostrar el control de gestión de la demanda de una microrred mediante Control Predictivo Basado en Modelo, en inglés, Model Predictive Control (MPC). 1.2 Objetivo del Proyecto El objetivo de este proyecto es realizar una gestión eficiente de los intercambios energéticos en los diferentes elementos que componen la microrred, para lo que se desarrollará y evaluará experimentalmente un controlador óptimo. Tal y como se muestra en los siguientes capítulos de este documento, la microrred a controlar se encuentra en el Centro Científico y Tecnológico Balzay perteneciente a la Universidad de Cuenca, Ecuador. Para realizar los 25 25 Gestión de Energía para la Microrred en Cuenca (Ecuador) usando Control Predictivo experimentos relativos a este trabajo, se ha implementado un simulador de la mencionada microrred, la cual se analizará exhaustivamente más adelante. Como ya se ha mencionado, se realizará un MPC para controlar los intercambios de potencia entre los distintos elementos que componen la microrred. Ésta técnica de control se engloba dentro de los controladores óptimos y la estrategia que sigue se basa en el cálculo de las señales de control óptimas a enviar al sistema a partir del estado predicho a lo largo de un horizonte de control y las señales de control en el instante anterior. Para implementar el controlador, el periodo de muestreo será de un segundo, el horizonte de control será de dos segundos y el horizonte de predicción será de diez segundos. Una vez obtenidos el modelo y el controlador, se estará en disposición de realizar distintas simulaciones emulando diferentes comportamientos del ambiente, teniendo en cuenta, por ejemplo, la velocidad del viento para los aerogeneradores o la irradiación solar para las placas fotovoltáicas. 1.3 Implementación Para la implementación del Proyecto se ha utilizado MATLAB® (MATrix LABoratory). MATLAB es un sistema informático de cómputo numérico que ofrece un entorno de desarrollo integrado con un lenguaje de programación propio, disponible para Windows entre otras plataformas y utilizado a lo largo de los estudios de grado. Entre otras funciones, permite la manipulación de matrices, la implementación algoritmos, la representación de datos y cuenta con múltiples funciones de optimización [1]. Además, dispone de un entorno de visualización práctico para la simulación de diferentes sucesos físicos antes de realizar pruebas con otros lenguajes de ejecución más rápida. En definitiva, MATLAB se presenta como una herramienta idónea para la implementación de este proyecto. MATLAB cuenta con herramientas adicionales tales como SIMULINK®. SIMULINK es una herramienta gráfica que funciona sobre MATLAB y permite al usuario modelar y simular mediante bloques con entradas y salidas el comportamiento de distintos sistemas en tiempo contínuo, discreto e híbrido. Las aplicaciones del conjunto MATLAB-SIMULINK se extienden a un gran número de campos de la ingeniería. En este proyecto se va a utilizar Simulink para modelar la microrred mediante bloques, para después conectarla a un bloque controlador que contendrá la función diseñada en Matlab que envía las señales óptimas de control a cada instante tal y como marcan las leyes del MPC. Señalar, por último, que MATLAB admite distintos TOOLBOXES o cajas de herramientas que permiten ampliar sus funcionalidades. En este caso hemos utilizado la librería MICROGRIDLIB de Simulink, desarrollada en el grupo de investigación "Automática y Robótica Industrial", en la que se encuentran bloques que simulan el comportamiento de placas fotovoltaicas, aerogeneradores o distintos sistemas de almacenamiento de energía entre otros. Revisión del concepto de microrred 32 33 33 Gestión de Energía para la Microrred en Cuenca (Ecuador) usando Control Predictivo 3 MICRORRED EXPERIMENTAL DEL CENTRO CIENTÍFICO Y TECNOLÓGICO DE INVESTIGACIÓN ‘BALZAY’ a planta física del laboratorio de microrred eléctrica objeto de estudio, está situada en un único edificio en la ciudad de Cuenca, Ecuador. El proyecto de microrred nace en el año 2012, cuando la Universidad de Cuenca lanzó el proyecto de creación del Centro Científico, Tecnológico y de Investigación ‘Balzay’, con el objetivo de transformar las áreas técnicas del Plantel y contribuir al desarrollo local y nacional en el área de la investigación sobre nuevas formas de distribución de energía eléctrica. Gracias al Programa de Canje de la Deuda Externa de Ecuador frente a España (PCDEE), en el año 2013 se consigue financiación para llevar a cabo el proyecto anteriormente mencionado. Por tanto, el desarrollo de la microrred está motivado por tres causas:  Docentes, para el uso por parte del alumnado de la Universidad de Cuenca.  De investigación, fomentando la tendencia global en la búsqueda de nuevas formas de distribución de energía eléctrica.  De desarrollo local, ayudando a la ciudad de Cuenca a tener a largo plazo una red eléctrica más segura y eficiente. La microrred en cuestión cuenta con equipos de generación, de consumo, así como de almacenamiento de energía eléctrica, todo ello conectado con sistemas de control. Asimismo, el laboratorio de microrred eléctrica cuenta con una extensión tecnológica que contiene un pequeño parque de energía eólica, situado en el campus universitario Irquis, al sur de la ciudad de Cuenca, motivado por una mayor velocidad del viento con respecto al campus Balzay [2]. A continuación se dará una breve descripción de la microrred y se detallarán los equipos que componen la microrred, así como la estrategia de control que se ha implementado, objetivo principal de este proyecto. 3.1 Descripción General de la Microrred El laboratorio de microrred eléctrica está compuesto por tres grupos principales, a saber: Generación, Almacenamiento y Consumo. Se encuentran conectados por medio de un bus de corriente alterna y los correspondientes sistemas de control y comunicación que serán descritos más adelante. El sistema cuenta con un elevado nivel de maniobrabilidad y fácil configuración en términos de software y hadware gracias a su doble embarrado, permitiendo agrupar más de una fuente de energía al mismo tiempo, pudiéndose ajustar en tiempo real la energía que maneja cada componente [2]. L Microrred Experimental del Centro Científico y Tecnológico de Investigación ‘Balzay’ 34 Ilustración 2 Figura 3.1: Esquema de buses de la microrred del laboratorio Balzay [2]. 3.2 Componentes 3.2.1 Generación fotovoltáica Con una capacidad nominal total de 35 kWp, el campo fotovoltáico de la microrred en cuestión se reparte en cuatro subconjuntos, a saber:  140 paneles solares fotovoltaicos de 250 Wp c/u. Fabricados por ATERSA (ESPAÑA). Son 60 fijos orientados un ángulo de 5 º N de tipo monocristalino con capacidad de 15 kW. Además, contiene un inversor independiente de dos niveles fabricado por GPTech con seguimiento del punto de máxima potencia. Puede operar tanto inyectando energía a la red o bajo la condición de isla.  Otros 60 paneles fijos orientados de la misma forma, pero esta vez policristalinos. Al igual que el primer subconjunto, contiene un inversor independiente de dos niveles fabricado por GPTech con seguimiento del punto de máxima potencia. Puede operar tanto inyectando energía a la red o bajo la condición de isla.  Otros 16 paneles de 4 kWp de capacidad POLICRISTALINO MOVIL en un eje con capacidad de seguimiento al sol Este-Oeste.  Los restantes 4 paneles tienen una capacidad de 1 kWp con capacidad de movimiento en 2 ejes de tipo policristalino, ambos seguidores son movidos por actuadores mecánicos-electricos, y están conectados a un inversor con capacidad nominal de 5 kW fabricados por FRONIUS conectados mediante ETHERNET al sistema de control. 35 35 Gestión de Energía para la Microrred en Cuenca (Ecuador) usando Control Predictivo Ilustración 3 Figura 3.2: Sistemas de generación fotovoltáica [2]. 3.2.2 Generación eólica Con una capacidad total de 15 kW, el parque eólico está compuesto por 3 aerogeneradores ubicados en el campus IRQUIS a 20 minutos de Cuenca.  Dos de ellos son de eje horizontal de 3 palas con un área de barrido de 14.5 m2 y capacidad nominal 5.5 kW para una velocidad del viento de 12 m/s. Uno de ellos se encuentra a una altura de 18 metros y el otro se encuentra a 24m. Se encuentran separados por una distancia de 12m. Ambos aerogeneradores son de la serie E70PRO fabricados por ENAIR (ESPAÑA). Están compuestos por un generador síncrono de imanes permanentes trifásico de 30 polos de neodimio N50 con voltaje de línea de salida de 220 V a 250 rpm, y están acoplados a un convertidor AC/DC y luego a un inversor (DC/AC) que contiene un algoritmo de seguimiento del punto de máxima potencia MPPT que permite alcanzar un rendimiento superior al 97%. Cada aerogenerador tiene una resistencia cerámica de frenado de 3 kW conectada al AC/DC, para que en caso de error que imposibilite la conexión a la red, el aerogenerador no coja demasiada velocidad.  El tercer aerogenerador es de eje vertical tipo DARRIEUS H (giromill). Se encuentra a 18 m de altura y está separado por 12 m de distancia de los otros dos aerogeneradores. Consta de una longitud de aspa de 5 m. Posee una potencia nominal de 5 kW a 100 rpm y su eje está acoplado directamente a un generador síncrono de imanes permanentes trifásico, y salida de 220 V de línea. De la misma forma a los otros dos se conecta a un convertidor AC/DC y posteriormente a un inversor DC/AC para inyectar energía a la red. Los convertidores de potencia se encuentran comunicados mediante fibra óptica con la finalidad de acceder a los datos en tiempo real desde el SCADA. Se encuentra a aproximadamente 25km del laboratorio central localizado en Balzay (Cuenca). Microrred Experimental del Centro Científico y Tecnológico de Investigación ‘Balzay’ 36 Ilustración 4 Figura 3.3: Generadores eólicos [2]. 3.2.3 Generación Mini-Hidro El laboratorio cuenta con una microturbina hidroeléctrica con 5 kW de potencia nominal a 230 rpm fabricada por Smart Hydro Power (Alemania), tipo cinética-sumergida de 3 aspas. Se encuentra ubicada en un canal adjunto al rio TomeBamba. Dicho canal consta de una longitud aproximada de 100 m y un caudal nominal de 5 m3/s. Se encuentra acoplada a un convertidor AC/DC y luego DC/AC para inyectar energía eléctrica a la barra principal de la microrred, a una distancia aproximada de 250 m. Adicionalmente, se cuenta con los equipos de control y comunicaciones en las adyacencias a la turbina con un enlace de fibra óptica conectada al SCADA, localizado en el edificio del laboratorio de la microrred. En época de sequía (agosto-febrero) no podrá utilizarse este equipo en su total capacidad debido a su dependencia con el caudal de agua. La turbina mini – hidro cuenta con una resistencia de frenado de 1 kW. Ilustración 5 Figura 3.4: Turbina mini-hidro [2]. 3.2.4 Generación mediante Pila de Combustible La microrred cuenta con una celda de hidrógeno modelo T30S1 fabricado por CLANTECH (España), la cual posee una capacidad de 3 kW. Opera mediante una membrana de intercambio de protones (PEM). Es capaz de 37 37 Gestión de Energía para la Microrred en Cuenca (Ecuador) usando Control Predictivo producir 48 V DC. A su salida, está acoplada a un inversor DC/AC para inyectar energía al bus AC de la microrred. Ilustración 6 Figura 3.5: Pila de combustible (negro) e inversor monofásico (azul). Cortesía de José Fernando Charry. Microrred Experimental del Centro Científico y Tecnológico de Investigación ‘Balzay’ 38 3.2.5 Generación con Grupos Electrógenos de Diesel y Gas Se tienen en la microrred del laboratorio dos grupos electrógenos a Diésel y Gas natural con opción a GLP (Gas Líquido Petróleo) de 40 kVA y 44 kVA respectivamente fabricados por HIMOINSA (España), modelos HHW35T6 y HGP-45T6NG respectivamente. Trabajan a 180 rpm, emplean un regulador de voltaje automático tal que se obtiene un voltaje constante de 220 V de línea. Se dispone de tanques de almacenamiento auxiliares de mil litros de diésel y de 2 m3 de gas para su eventual uso. Se encuentran conectados al SCADA mediante protocolo MODBUS TCP/IP. Ilustración 7 Figura 3.6: Generadores Diesel y Gas (GLP) [2]. 3.2.6 Generación con Fuente Programable La microrred consta de una fuente programable en AC de 12 kVA de potencia, fabricada por PACIFIC POWER SOURCE (USA) de la serie ASX, capaz de alimentar cargas trifásicas a frecuencias variables con componentes armónicas deseadas desde 15 Hz a 1200 Hz. Inyecta energía al bus AC del laboratorio de microrred mediante un perfil de alimentación programable o bien con una referencia externa. Se maneja de forma remota mediante protocolo MODBUS TCP/IP. No se incluirá en el modelado del problema de control en este proyecto. Ilustración 8 Figura 3.7: Fuente Programable. Una vez detallados los equipos de generación de energía eléctrica de los que dispone la microrred en cuestión, 39 39 Gestión de Energía para la Microrred en Cuenca (Ecuador) usando Control Predictivo se detallarán los equipos de almacenamiento. Éstos pueden interactuar de forma dinámica en labores de carga y descarga de energía entre los diferentes elementos de generación y consumo. Dichos sistemas están conectados por distintos convertidores de potencia bidireccionales y a su vez por transformadores de aislamiento. Los convertidores de potencia están conectados al SCADA mediante un anillo de fibra óptica. 3.2.7 Almacenamiento con Baterías de Plomo-Ácido Se cuenta con un banco de baterías de Plomo Ácido controlado por válvula (VRLA) de Gel. Dicho banco está compuesto por 84 celdas en serie, fabricadas por A600/Solar (USA), voltaje de 2 V y capacidad de 1130 Ah c/u. En total permiten obtener un voltaje de 168 V DC. Un convertidor de potencia con capacidad de 50 kW con su respectivo transformador de aislamiento permite realizar las tareas de carga y descarga del banco de baterías. Ilustración 9 Figura 3.8: Baterías de Ácido de Plomo. 3.2.8 Almacenamiento con Batería de flujo de Vanadio-Rédox Se tiene una batería tipo cellcube FB 20-100 de la casa GILDEMEISTER (Austria), con una potencia de salida de 20 kW y capacidad de almacenamiento de 100 kWh. Contiene dos recipientes que almacenan 5000 litros de vanadio líquido que circulan por un conjunto de 12 módulos de celdas que proporcionan energía a un bus de 48 V DC. A partir de dicho bus se alimenta un conjunto de inversores DC/AC marca SMA acoplados a un transformador de aislamiento trifásico que permite inyectar energía a la red. El sistema de control y monitoreo de parámetros de funcionamiento se realiza a través del SCADA además del monitoreo permanente de la casa fabricante. Microrred Experimental del Centro Científico y Tecnológico de Investigación ‘Balzay’ 40 Ilustración 10 Figura 3.9: Batería de flujo de Vanadio – RedOx [2]. 3.2.9 Almacenamiento con Baterías de flujo de Ion-Litio Se cuenta con un sistema de almacenamiento mediante un banco de baterías recargable de Ion-Litio modelo de celda ELPT392-0002 fabricado por SAMSUNG (Corea), con comunicación vía Ethernet al SCADA. El bloque está compuesto por 11 celdas en serie, siendo capaz de alcanzar un voltaje nominal de 642 V DC y pudiendo manejar una potencia y energía nominal de 88 kW y 44 kWh respectivamente. Es manejado por un convertidor de potencia bidireccional de dos niveles que permite la gestión de la carga y descarga a cualquiera de los buses AC de la microrred. Ilustración 11 Figura 3.10: Banco de baterías de Ion – Litio [2]. 41 41 Gestión de Energía para la Microrred en Cuenca (Ecuador) usando Control Predictivo 3.2.10 Almacenamiento con Banco de Supercondensadores La microrred dispone de un banco de supercondensadores compuesto por 10 condensadores modelo BMOD0130 fabricados por MAXWELL (USA) colocados en serie, con capacidad de 130 F la unidad. Por tanto, su capacidad equivalente de 13 F con un voltaje nominal de 560 V DC. Emplea un convertidor de potencia bidireccional de 15 kW controlado mediante el SCADA. Tiene como finalidad realizar compensación de energía en periodos transitorios. Ilustración 12 Figura 3.11: Banco de supercondensadores [2]. 3.2.11 Almacenamiento de Hidrógeno Por último, se cuenta con un sistema de producción de Hidrógeno modelo EL500 fabricado por HELIOCENTRIS. Mediante electrólisis de bajo costo, produce 500 Nl/h a 30 bar con una pureza de 99.94% a partir de agua destilada. El hidrógeno producido se almacena en un conjunto de depósitos con capacidad total de 200 litros a 30 bar. Para producir este nivel de energía necesita una potencia de 2390 W. Principales Métodos para el Control de Microrredes 48 Ilustración 17 Figura 4.1: Ejemplo de estrategia para Control mediante Banda de Histéresis. 4.1.2 Control mediante Lógica Difusa El método de Control mediante Lógica Difusa, se caracteriza por llegar a soluciones en problemas en los que los datos, variables, o en definitiva, la información disponible, tiene un carácter ambiguo o impreciso, de ahí el término fuzzy [20]. Por consiguiente, el control difuso se caracteriza por describirse mediante lo que se podría llamar lógica de descarte, es decir: Si ocurre un determinado suceso, entonces la señal de control tomará el valor ‘X’. Es por esto, que el control mediante lógica difusa carece de exactitud a la hora de dar soluciones con robustez. No obstante, el Fuzzy Logic Control (FLC) cuenta con algunas ventajas que lo hacen atractivo para afrontar ciertos tipos de problemas, estas son [20]:  Aporta una estructura de trabajo ordenada y eficiente a partir de información dada de forma oral y difusa por parte de humanos expertos.  Debido a su sencillez, es fácil de entender y simplifica el diseño del problema, lo que le otorga una rápida implementación y un menor coste con respecto a otros métodos.  Es capaz de generar numerosas señales de salida a partir de cualquier número razonable de entradas.  No necesita de un modelo para encontrar soluciones aproximadas al problema de control, además, proporciona controladores no lineales. Su metodología consiste en lo siguiente: En primer lugar, los datos de entrada proporcionados son procesados, realizándose en ellos un emborronamiento o fusificación. En este primer paso, se les otorga ciertas características cualitativas un valor numérico. Una vez hecho esto, se toman decisiones en concordancia con unas relaciones lógicas llamadas Reglas Borrosas o Difusas. Finalmente, tiene lugar el proceso de desemborronamiento o defusificación, en el que se obtienen datos concretos que serán utilizados para generar las señales de control adecuadas que requiera el problema. 49 49 Gestión de Energía para la Microrred en Cuenca (Ecuador) usando Control Predictivo Ilustración 18 Figura 4.2: Esquema de Control mediante Lógica Difusa. Pese a la facilidad de implementación de los métodos heurísticos que se acaban de exponer, el gran número de restricciones y variables que aparecen en la microrred objeto de estudio, hacen de ellos una mala estrategia a seguir para su control, ya que difícilmente se van a encontrar soluciones óptimas al problema [8]. 4.2 Métodos Basados en Optimización Los métodos de control Basados en Optimización, se caracterizan por entender el control sobre cierto sistema como la resolución de un problema de optimización atendiendo bien a criterios económicos, o bien a criterios energéticos. De este modo, el problema de control se resuelve minimizando una determinada función de coste que está sujeta a una serie de restricciones, determinadas por la naturaleza del sistema a controlar, ya que quedan definidas por los límites de funcionamiento, en este caso, de la microrred. La solución del problema de optimización arrojará los flujos óptimos de potencia de forma que se satisfagan las restricciones. La estructura de la mayoría de problemas de optimización sigue la siguiente formulación [21]: 𝑚𝑖𝑛𝑖𝑚𝑖𝑧𝑒 𝑓(𝑥) 𝑥∊ℝⁿ 𝑠𝑢𝑏𝑗𝑒𝑐𝑡 𝑡𝑜 𝑐ᵢ(𝑥)=0, 𝑖∊𝐸 (4.1) 𝑐ᵢ(𝑥)≥0, 𝑖∊𝐼. Donde 𝑓(𝑥) es la función objetivo, y las funciones 𝑐ᵢ(𝑥), 𝑖 = 1, 2,…,p son restricciones del problema en cuestión. Por tanto, si existe un punto 𝑥′ que satisfaga todas las restricciones, se puede concluir que dicho punto es una solución factible del problema. En el caso del control de microrredes, la función objetivo o de coste se adaptará en función de los objetivos. Normalmente, el resultado de las salidas debe seguir una determinada trayectoria de referencia w, empleando para alcanzarla el menor esfuerzo de control posible, ∆u. Este es el caso del problema de control objeto de este documento, como se verá en capítulos poteriores. No obstante, existen casos en los que además del esfuerzo se tiene en cuenta también las señales de control u, para conseguir minimizar el consumo energético y económico. La función de coste suele tener la siguiente forma: 𝐽(ŷ(𝑡+1|𝑡),...,ŷ(𝑡+𝑁|𝑡),∆𝑢(𝑡),∆𝑢(𝑡+1),...,∆𝑢(𝑡+𝑁ᵤ−1)) = (4.2) = ∑𝜹(𝑗)[ ŷ(𝑡+ 𝑗|𝑡)−𝑤(𝑡+ 𝑗)]² 𝑁 𝑗=1 + ∑𝝀(𝑗)[∆𝑢(𝑡+ 𝑗−1)]² 𝑁ᵤ 𝑗=1 donde 𝜹(𝑗) y 𝝀(𝑗) son los pesos de la función de coste, esto es, la ponderancia que tienen en ella, y suelen estar asociados a costes de mantenimiento y operación. En el caso de la ecuación (6.2), a mayor 𝝀(𝑗), mayor será la Principales Métodos para el Control de Microrredes 50 penalización sobre el incremento de control, y a mayor 𝜹(𝑗), mayor será la penalización sobre el error de seguimiento de la trayectoria de referencia. Como se ha mencionado, la ponderancia de los pesos marcará la importancia de unos objetivos u otros dentro de la función, permitiendo que unos prevalezcan sobre otros que se consideren menos importantes dependiendo del problema. Existen diversos métodos de resolución del problema de optimización, el empleo de uno u otro dependerá de la forma que tengan tanto la función de coste como las restricciones. Mediante las restricciones, se puede introducir el modelo de microrred en el problema de optimización [8], y a continuación, explorar los posibles métodos de resolución teniendo en cuenta su forma (p.e. lineal). Una vez expuestos distintos métodos para afrontar problemas de control, se va a detallar el método objeto de este proyecto, el cuál se enmarca dentro de los métodos basados en optimización. Este es el Model Predictive Control (MPC). 4.3 Control Predictivo Basado en Modelo El Control Predictivo Basado en Modelo, o en inglés, Model Predictive Control (MPC), es un método de control que optimiza una función de coste sujeta a una serie de restricciones. La función de coste o función objetivo, se obtiene a partir de un modelo dinámico del sistema a controlar, y representa el coste de la actuación de la señal de control según un criterio establecido. El MPC realiza predicciones del estado del sistema dentro de un horizonte de predicción, escogiendo entre las señales de entrada óptimas a introducir en el sistema a cada instante de acuerdo a algún criterio. Asimismo, el MPC utiliza el concepto del horizonte deslizante, mediante el cual, se repite el esquema que se tiene desde la primera entrada de la señal de control, teniendo a cada instante nueva información disponible del estado del sistema a controlar. De esta forma, el MPC resuelve un problema dinámico de optimización en bucle abierto sujeto a las restricciones que marca el modelo del sistema, en lugar de atenerse a una ley de control predeterminada [8]. A pesar de no ser un método sencillo como en el caso de los métodos heurísticos, lo que incrementa el coste computacional [8], posee numerosas ventajas que hacen de la familia del MPC la más usada en la actualidad en la industria. A continuación se exponen algunas de ellas:  Puede controlar una gran variedad de procesos.  Debido a su carácter predictivo, puede compensar los tiempos muertos que puedan aparecer.  Es capaz de compensar las perturbaciones medibles. En la figura 4.3 se puede apreciar un esquema del funcionamiento del MPC. 4.3.1 Estrategia del MPC La familia de controladores que siguen el control predictivo basado en modelo, se caracteriza por lo que se denomina una estrategia deslizante [22]. Tal y como se muestra en la figura, esta estrategia sigue tres premisas: 1. Dado un horizonte de predicción N, las señales de salida futuras se predicen en cada instante t usando el modelo del proceso. Dichas salidas, o mejor dicho, los valores que toman, son calculados en función de los valores conocidos hasta el instante t, tanto de las entradas como de las salidas ya producidas en instantes anteriores, así como también de las futuras señales de control 𝑢(𝑡 + 𝑘 | 𝑡),𝑘=0,…,𝑁−1, que son aquellas que se calcularán para ser enviadas al sistema. 2. Las señales de control futuras, que van a introducirse en el sistema, son calculados mediante la resolución de un problema de optimización que siga un determinado criterio, de forma que el proceso se asemeje lo máximo posible a una trayectoria de referencia 𝑤(𝑡+𝑘). Normalmente, esta trayectoria toma la forma de una función cuadrática definida por la diferencia del error entre la predicción de la trayectoria de referencia y la predicción de la señal de salida. Igualmente, el esfuerzo de control se incluye en la función objetivo en la mayoría de los casos. Para poder encontrar una solución explicita, 51 51 Gestión de Energía para la Microrred en Cuenca (Ecuador) usando Control Predictivo el modelo del sistema debe ser uno lineal, aplicando un criterio cuadrático como el descrito en líneas anteriores, y evitando el uso de restricciones. No obstante, existen otros métodos para poder llegar a una solución, tales como métodos iterativos de optimización. 3. La señal de control 𝑢(𝑡 | 𝑡) se envía al proceso, mientras que las futuras señales de control son rechazadas, ya que en el instante siguiente 𝑦(𝑡+1) ya es conocida esta señal. De esta forma, se repite lo descrito en el punto 1, esta vez con el nuevo valor, actualizándose la secuencia de datos. Es por esto que la señal 𝑢(𝑡+1| 𝑡+1) se calcula utilizando lo que anteriormente denominamos horizonte regresivo. Ilustración 19 Figura 4.3: Estrategia del Control Predictivo Basado en Modelo [22]. El horizonte de predicción N es el horizonte en el cual se realizan las predicciones del estado del sistema. Como ya se ha mencionado anteriormente, el sistema debe modelarse de manera que se ajuste a su comporta miento real con cierta exactitud. Dicho modelo proporcionará la predicción de las salidas calculadas en el instante 𝑡, ŷ(𝑡+𝑘| 𝑡), con 𝑘=1,…,𝑁, dadas las salidas calculadas en el pasado y las futuras señales de control 𝑢(𝑡+𝑘| 𝑡), con 𝑘=0,…,𝑁−1. Dado el horizonte de control 𝑁ᵤ, el modelo del sistema se puede escribir como sigue: ŷ(𝑡+𝑘| 𝑡)=𝑓(𝑦(𝑡),𝑢(𝑡 | 𝑡),𝑢(𝑡+1|𝑡),…,𝑢(𝑡+𝑁ᵤ|𝑡)),𝑁ᵤ<𝑁 (4.3) 4.3.2 Modelo del Proceso El modelo matemático del sistema, en este caso la microrred, describe el comportamiento esperado del mismo. Dado un modelo, es posible representar las del sistema en relación a sus entradas. Es por esta razón, que una buena elección del tipo de modelo es un requisito indispensable para el correcto desarrollo posterior del controlador, ya que en función del modelo, el controlador asociado a él poseerá unas características determinadas, como son la complejidad o la efectividad del mismo [23]. Por tanto, es interesante encontrar un modelo del sistema lo más sencillo posible, sin dejar de lado que se ajuste correctamente al sistema real. Existen multitud de modelos matemáticos a los que asociar un sistema, no obstante, en este capítulo se Principales Métodos para el Control de Microrredes 52 expondrán los modelos lineales más utilizados en la industria, ya que cuentan con una simplicidad que va a permitir que el desarrollo del controlador se simplifique. Se exponen a continuación dichos modelos:  Modelo de Respuesta Impulsional o Modelo de Convolución: En este modelo, la salida está relacionada a la entrada según una ecuación del tipo 4.4. 𝑦(𝑡)=∑ℎᵢ𝑢(𝑡−𝑖) ∞ 𝑖=1 (4.4) Donde ℎᵢ es la salida muestreada cuando el proceso recibe una señal de impulso. Solo se consideran N valores en el sumatorio. A pesar de ser un modelo muy intuitivo, es incapaz de representar modelos inestables. Además, necesita de un gran número de parámetros, ya que N suele ser un valor entre 40 y 50.  Modelo de Respuesta ante Escalón: Este tipo de modelo es ampliamente utilizado en la modalidad de Control por Matriz Dinámica (DMC). Es similar al Modelo de Respuesta Impulsional, exceptuando que la señal de entrada es un escalón en lugar de un impulso. Para sistemas estables, la respuesta sigue el modelo de la ecuación 4.5. 𝑦(𝑡)=𝑦₀+ ∑𝑔ᵢ∆𝑢(𝑡−𝑖) 𝑁 𝑖=1 (4.5) Donde ∆𝑢=𝑢(𝑡)−𝑢(𝑡−1) y 𝑔ᵢ se corresponde con la salida muestreada. Este modelo posee las mismas ventajas e inconvenientes que el modelo anterior.  Modelo de Función de Transferencia: Usado en multitud de estrategias de control tales como: Control Predictivo Generalizado (GPC), Control Adaptativo de Predicción Extendida (EPSAC) o Control Adaptativo de Horizonte Extendido (EHAC). Este modelo toma la forma de una función de transferencia, siguiendo la salida la ecuación 4.6. 𝐴(𝑧−¹)𝑦(𝑡)=𝐵(𝑧−¹)𝑢(𝑡) (4.6) Donde 𝐴(𝑧−1)=1+𝑎1𝑧−1+𝑎2𝑧−2+⋯+𝑎𝑛𝑎𝑧−𝑛𝑎 𝐵(𝑧−1)=𝑏1𝑧−1+𝑏2𝑧−2+⋯+𝑏𝑛𝑏𝑧−𝑛𝑏  Representación en Espacio de Estados: Además de en MPC, es utilizado en Controladores con Factor de Corrección de Potencia (PFC). Este método es el que se va a utilizar en el proyecto de microrred de este documento, y toma la forma de la ecuación 4.7. {𝑥(𝑡−1)=𝐴𝑥(𝑡−1)+𝐵𝑢(𝑡−1) 𝑦(𝑡)=𝐶𝑥(𝑡) (4.7) Donde 𝑥 representa el estado y A, B y C son matrices cuyos valores dependerán del sistema concreto. A y B son matrices de entrada, siendo C la matriz relacionada con la salida. Este modelo permite una comprensión directa del sistema, lo que le confiere un carácter intuitivo a diferencia de otros modelos. Asímismo, tiene la ventaja de poder ser utilizado en problemas multivariables de una manera directa. 53 53 Gestión de Energía para la Microrred en Cuenca (Ecuador) usando Control Predictivo 4.3.3 Optimización Con el objeto de conseguir las señales de control óptimas, se minimiza una función de coste que satisface ciertas restricciones. Usualmente, dicha función de coste tiene la forma de la ecuación 4.2, donde se tiene en cuenta el incremento de la señal de control y la diferencia entre la salida y la referencia. En la ecuación 4.8 se describe el problema de optimización a resolver, que cuenta con dos restricciones. 𝑢∗=arg𝑚í𝑛(𝐽(ŷ(𝑡+1|𝑡),...,ŷ(𝑡+𝑁|𝑡),∆𝑢(𝑡),∆𝑢(𝑡+1),...,∆𝑢(𝑡+𝑁ᵤ−1)) ) s.a. ŷ(𝑡+𝑘| 𝑡)=𝑓(𝑦(𝑡),𝑢(𝑡 | 𝑡),𝑢(𝑡+1|𝑡),…,𝑢(𝑡+𝑁ᵤ|𝑡)) 𝑔(𝑦(𝑡),𝑦(𝑡+1),…,𝑦(𝑡+𝑁),𝑢(𝑡),𝑢(𝑡+1),…,𝑢(𝑡+𝑁ᵤ ))≤0 (4.8) La primera restricción en el problema descrito anteriormente es el modelo del sistema, imprescindible para predecir el estado en función de la señal de control enviada. Asimismo, se pueden definir otros tipos de restricciones, dadas por ecuaciones de desigualdad o igualdad. Asíduamente, se utilizan restricciones sobre la señal de control y su incremento, y sobre el valor de la salida. Principales Métodos para el Control de Microrredes 54 55 55 Gestión de Energía para la Microrred en Cuenca (Ecuador) usando Control Predictivo 5 DISEÑO DEL CONTROLADOR na vez explicados algunos conceptos generales sobre el control de sistemas y microrredes, en este capítulo se particulariza el caso de la microrred experimental del Campus Balzay de la Universidad de Cuenca (Ecuador). En este contexto, se expondrá en el diseño del controlador de la citada microrred, así como el modelado de la microrred. 5.1 Esquema de Control A continuación, en la Tabla 5.1, se muestra la notación con la que se van a designar los componentes de la microrred objeto de estudio. Asimismo, en la Figura 5.1, se muestra el esquema de la microrred. En ella se pueden apreciar los subgrupos (generación, almacenamiento y demanda) que componen la microrred. Además, en ella se muestra la dirección positiva que sigue la energía en cada componente, así como la bidireccionalidad de conexión de la microrred con la red eléctrica, la cual puede absorber o ceder energía dependiendo del caso en cuestión. Tabla 5.1 Notación y signo de potencias. Tabla 2 U Potencia Notación Signo Positivo Signo Negativo Placas Fotovoltáicas Aerogeneradores Mini-Hidro Grupos Electrógenos Diesel y Gas/GLP Celda de Hidrógeno Baterías de Ácido - Plomo Baterías de Ion – Litio Baterías de Vanadio Electrolizador Supercondensador Carga Programable Coche eléctrico Kia Vehículo eléctrico industrial Hyundai Demanda 𝑃𝑠𝑢𝑛 𝑃𝑤𝑖𝑛𝑑 𝑃𝑀𝐻 𝑃𝐷𝐺 𝑃𝐻2 𝑃𝑝𝑏 𝑃𝑙𝑖 𝑃𝑣𝑎𝑛 𝑃𝑒𝑙𝑧 𝑃𝑠𝑐 𝑃𝑐𝑎𝑟𝑔𝑎 𝑃𝑘𝑖𝑎 𝑃ℎ𝑦𝑢 𝑃𝑑𝑒𝑚𝑎𝑛𝑑 Hacia la microrred Hacia la microrred Hacia la microrred Hacia la microrred Hacia la microrred Hacia la microrred Hacia la microrred Hacia la microrred Desde la microrred Hacia la microrred Desde la microrred Desde la microrred Desde la microrred Desde la microrred - - - - - Desde la microrred Desde la microrred Desde la microrred - Desde la microrred - - - - Red eléctrica 𝑃𝑔𝑟𝑖𝑑 Hacia la microrred Desde la microrred Potencia generada Potencia almacenada 𝑃𝑔𝑒𝑛 𝑃𝑠𝑡𝑜 Hacia la microrred Hacia la microrred - Desde la microrred Diseño del controlador 56 Dentro de los sistemas de generación, se ha diferenciado entre equipos cuyas potencias son tratadas más adelante como señales de control, denominando a dicho conjunto de potencias ‘Potencia generada controlable’, y el resto. Por otra parte, se ha denominado ‘Potencia Neta’ a la diferencia entre la potencia generada no controlable y la potencia consumida, excluyendo de este cálculo el uso de los sistemas de almacenamiento y la red eléctrica. Además, se llama ‘Potencia de Balance’ a la potencia resultante del intercambio de energía que tiene lugar en la microrred cuando ésta funciona de forma aislada o en modo isla. Por ultimo, la ‘Potencia del Sistema’, tiene en cuenta el intercambio completo que se puede dar en el sistema completo, formado por microrred y red eléctrica. Con todo, se obtienen las ecuaciones 5.1 en las que se relacionan los elementos de la microrred: 𝑃𝑔𝑒𝑛=𝑃𝑤𝑖𝑛𝑑+𝑃𝑠𝑢𝑛+𝑃𝑀𝐻 𝑃𝑠𝑡𝑜=𝑃𝑝𝑏+𝑃𝑙𝑖+𝑃𝑣𝑎𝑛+𝑃𝑠𝑐−𝑃𝑒𝑙𝑧 (5.1) 𝑃𝑙𝑜𝑎𝑑=𝑃𝑐𝑎𝑟𝑔𝑎+𝑃𝑘𝑖𝑎+𝑃ℎ𝑦𝑢+𝑃𝑑𝑒𝑚𝑎𝑛𝑑 𝑃𝑢=𝑃𝐷+𝑃𝐺+𝑃𝐻2 Asimismo, la ecuación 5.2 define las potencias anteriormente mencionadas, donde la premisa a seguir es 𝑃𝑠𝑖𝑠𝑡=0: 𝑃𝑛𝑒𝑡=𝑃𝑔𝑒𝑛−𝑃𝑙𝑜𝑎𝑑 𝑃𝑛𝑒𝑡 ′=𝑃𝑛𝑒𝑡+𝑃𝑢 𝑃𝑏𝑎𝑙𝑎𝑛𝑐𝑒=𝑃′𝑛𝑒𝑡+𝑃𝑠𝑡𝑜 (5.2) 𝑃𝑠𝑖𝑠𝑡=𝑃𝑏𝑎𝑙𝑎𝑛𝑐𝑒+𝑃𝑔𝑟𝑖𝑑 Potencia demandada Potencia generada controlable 𝑃𝑙𝑜𝑎𝑑 𝑃𝑢 Desde la microrred Hacia la microrred - - Potencia neta Potencia de balance Potencia del sistema 𝑃𝑛𝑒𝑡 𝑃𝑏𝑎𝑙𝑎𝑛𝑐𝑒 𝑃𝑠𝑖𝑠𝑡 Hacia la microrred Exceso - Desde la microrred Déficit - 57 57 Gestión de Energía para la Microrred en Cuenca (Ecuador) usando Control Predictivo Ilustración 20 Figura 5.1: Flujo de potencias en la microrred. 5.2 Modelado Una vez se encuentra definida la microrred mediante las ecuaciones 5.1 y 5.2, se debe encontrar un modelo del sistema que represente su comportamiento con precisión. Ya que la relación entre la potencia de cada uno de los componentes, así como el estado de carga de las baterías (SOC), se asemejan a una función lineal, el sistema se puede modelar mediante una representación en espacio de estados, tal y como se vió en el capítulo anterior. Así, según la ecuación 5.3: 𝑥(𝑡+1) = 𝐴𝑥(𝑡)+𝐵𝑢(𝑡)+𝐷𝑑(𝑡) 𝑦(𝑡) = 𝐶𝑥(𝑡) (5.3) Diseño del controlador 64 𝑢∗=arg𝑚í𝑛(12(𝑢𝑇𝑃𝑢+𝑓𝑢)) s.a. 𝑅𝑢≤𝑐 𝑢≥0 (5.35) Para obtener la función de coste, es necesario que sus tres términos (seguimiento de referencia, control e incremento de control) estén en función de u y sea posible agruparlos como en (5.35). El valor de la señal de control en instantes sucesivos será el sumatorio de los incrementos de control calculados hasta llegar a dicho instante, más su valor al inicio del horizonte de control. Por tanto, la transformación de 𝑢(𝑡) queda como sigue, donde 𝑈(𝑡−1) es un vector que contiene el valor de 𝑢(𝑡−1) en todas sus filas y T es una matriz diagonal inferior formada por submatrices identidad de tamaño 𝑁𝑢∙𝑛𝑢: 𝜕 𝜕𝑢(∑𝜶(𝑗)𝑢(𝑡+𝑗 | 𝑡)² 𝑁𝑢 𝑗=0 )=𝜕 𝜕𝑢(12𝑢𝑇𝑇𝑇𝜶𝑇𝑢+2𝑈(𝑡−1)𝑇𝜶𝑇𝑢) (5.36) Suponiendo una sola componente, el cálculo realizado se presenta como sigue: 𝜕 𝜕∆𝑢(𝑡+𝑗)𝜶(∑∆𝑢(𝑡+𝑖)+𝑢(𝑡−1) 𝑗𝑖=0 )2= = 𝜕 𝜕∆𝑢(𝑡+𝑗)𝜶((∑∆𝑢(𝑡+𝑖) 𝑗𝑖=0 )2+2𝑢(𝑡−1)∑ ∆𝑢(𝑡+𝑖) 𝑗𝑖=0 ) (5.37) Por otra parte, teniendo en cuenta (5.24) y (5.31), el error de seguimiento de referencia será ahora 𝑦−𝑤= 𝐻𝑢+𝐹𝑥−𝑤, que será función de u. 𝜕 𝜕𝑢((𝑦−𝑤)𝑇𝜸(𝑦−𝑤))=𝜕 𝜕𝑢(𝑢𝐻𝜸𝐻𝑇𝑢𝑇+(𝐹𝑥(𝑡)−𝑤)𝑇𝜸𝐻𝑢) (5.38) Obteniendose, finalmente, las matrices del problema de optimización mostrado en (5.35). 𝑃=2(𝑇𝑇𝜶𝑇+𝜷+𝐻𝑇𝜸𝐻) 𝑓=2(𝑈(𝑡−1)𝑇𝜶𝑇+(𝐹𝑥(𝑡)−𝑤)𝑇𝜸𝐻) (5.39) 5.3.3 Restricciones En este subapartado se van a describir las restricciones del problema de optimización. Estas restricciones no son más que relaciones de igualdad o desigualdad lineales y dependientes del vector u. En este problema se imponen restricciones a la señal de control, a su incremento y a la salida del sistema. Asimismo, se imponen las correspondientes restricciones a la batería de plomo. 𝑢𝑚𝑖𝑛 ≤ 𝑢(𝑡)≤ 𝑢𝑚𝑎𝑥 ∀𝑡 ∆𝑢𝑚𝑖𝑛 ≤ 𝑢(𝑡)−𝑢(𝑡−1)≤ ∆𝑢𝑚𝑎𝑥 ∀𝑡 𝑦𝑚𝑖𝑛 ≤ 𝑦(𝑡)≤ 𝑦𝑚𝑎𝑥 ∀𝑡 𝑃𝑝𝑏𝑚𝑖𝑛 ≤ 𝑃𝑝𝑏(𝑡)≤ 𝑃𝑝𝑏𝑚𝑎𝑥 ∀𝑡 ∆𝑃𝑝𝑏𝑚𝑖𝑛 ≤ ∆𝑃𝑝𝑏(𝑡)≤ ∆𝑃𝑝𝑏𝑚𝑎𝑥 ∀𝑡 (5.40) 65 65 Gestión de Energía para la Microrred en Cuenca (Ecuador) usando Control Predictivo Para poner el problema de la forma que indica (5.35), se pueden agrupar las restricciones en el sistema 𝑅𝑢≤𝑐, que está formado por diferentes submatrices: 𝑅=[𝐴1 𝐴2 𝐴3 𝐴4 𝐴5 𝐴6 𝐴7 𝐴8 𝐴9 𝐴10]𝑇 𝑐=[𝑏1 𝑏2 𝑏3 𝑏4 𝑏5 𝑏6 𝑏7 𝑏8 𝑏9 𝑏10]𝑇 (5.41) La expresión matricial de las restricciones sobre el incremento de control es directa: 𝐴1=𝐼𝑁𝑢×𝑛𝑢 𝑏1=[∆𝑢𝑚𝑎𝑥 ∆𝑢𝑚𝑎𝑥 … ∆𝑢𝑚𝑎𝑥]𝑁𝑢×𝑛𝑢 𝑇 (5.42) 𝐴2=−𝐼𝑁𝑢×𝑛𝑢 𝑏2=−[∆𝑢𝑚𝑖𝑛 ∆𝑢𝑚𝑖𝑛 … ∆𝑢𝑚𝑖𝑛]𝑁𝑢×𝑛𝑢 𝑇 (5.43) El cálculo de las restricciones sobre la señal de control y sobre la salida se realiza de manera análoga a como se calculó la función de coste: 𝐴3=𝑇𝑁𝑢×𝑛𝑢 𝑏3=[∆𝑢𝑚𝑎𝑥 ∆𝑢𝑚𝑎𝑥 ... ∆𝑢𝑚𝑎𝑥]𝑁𝑢×𝑛𝑢 𝑇−𝑈(𝑡−1) (5.44) 𝐴4=−𝑇𝑁𝑢×𝑛𝑢 𝑏4=−[∆𝑢𝑚𝑖𝑛 ∆𝑢𝑚𝑖𝑛 ... ∆𝑢𝑚𝑖𝑛]𝑁𝑢×𝑛𝑢 𝑇+𝑈(𝑡−1) (5.45) 𝐴5=𝐻(𝑁𝑝∙𝑛𝑦)×(𝑁𝑢∙𝑛𝑢) 𝑏5=[𝑦𝑚𝑎𝑥 𝑦𝑚𝑎𝑥 ... 𝑦𝑚𝑎𝑥]𝑁𝑝×𝑛𝑦 𝑇−𝐹𝑥(𝑡) (5.46) 𝐴6=−𝐻(𝑁𝑝∙𝑛𝑦)×(𝑁𝑢∙𝑛𝑢) 𝑏6=−[𝑦𝑚𝑖𝑛 𝑦𝑚𝑖𝑛 … 𝑦𝑚𝑖𝑛]𝑁𝑝×𝑛𝑦 𝑇+𝐹𝑥(𝑡) (5.47) Para reescribir las restricciones en la potencia de la batería de plomo, se necesita tener en cuenta su relación con el resto de potencias, tal y como se hizo en (5.8). Para ello, se crea una nueva matriz diagonal T’, la cuál contiene los signos que resultan de despejar le resto de potencias de la ecuación: 𝑇𝑁𝑢×(𝑁𝑢∙𝑛𝑢) ′= Diseño del controlador 66 [[−1−1+1−1−1−1−1−1]0 ⋯ 0 0[−1−1+1−1−1−1−1−1]⋯ 0 ⋮ ⋮ ⋱ ⋮ 0 0 ⋯ [−1−1+1−1−1−1−1−1]] (5.48) Finalmente, se expresan las submatrices restantes para terminar de definir las restricciones: 𝐴7=𝑇𝑁𝑢×(𝑁𝑢∙𝑛𝑢) ′ 𝑏7=[∆𝑃𝑝𝑏𝑚𝑎𝑥+ ∆𝑃𝑛𝑒𝑡(𝑡) ∆𝑃𝑝𝑏𝑚𝑎𝑥 … ∆𝑃𝑝𝑏𝑚𝑎𝑥]𝑁𝑢 𝑇 (5.49) 𝐴8=−𝑇𝑁𝑢×(𝑁𝑢∙𝑛𝑢) ′ 𝑏8=−[∆𝑃𝑝𝑏𝑚𝑖𝑛− ∆𝑃𝑛𝑒𝑡(𝑡) ∆𝑃𝑝𝑏𝑚𝑖𝑛 … ∆𝑃𝑝𝑏𝑚𝑖𝑛]𝑁𝑢 𝑇 (5.50) 𝐴9=𝑇𝑁𝑢×(𝑁𝑢∙𝑛𝑢) ′𝑇𝑁𝑢×𝑛𝑢 𝑏9=[𝑃𝑝𝑏𝑚𝑎𝑥+ 𝑃𝑛𝑒𝑡(𝑡) 𝑃𝑝𝑏𝑚𝑎𝑥 + 𝑃𝑛𝑒𝑡(𝑡) … 𝑃𝑝𝑏𝑚𝑎𝑥+ 𝑃𝑛𝑒𝑡(𝑡)]𝑁𝑢 𝑇−𝑇′𝑈(𝑡−1) (5.51) 𝐴10=−𝑇𝑁𝑢×(𝑁𝑢∙𝑛𝑢) ′𝑇𝑁𝑢×𝑛𝑢 𝑏10=−[𝑃𝑝𝑏𝑚𝑖𝑛+ 𝑃𝑛𝑒𝑡(𝑡) 𝑃𝑝𝑏𝑚𝑖𝑛 + 𝑃𝑛𝑒𝑡(𝑡) … 𝑃𝑝𝑏𝑚𝑖𝑛+ 𝑃𝑛𝑒𝑡(𝑡)]𝑁𝑢 𝑇+𝑇′𝑈(𝑡−1) (5.52) Una vez obtenidas tanto las restricciones como la función de coste, estamos en disposición de resolver el problema de optimización. Para ello, se hará uso de la función quadprog de MATLAB®, ya que es capaz de resolver problemas de programación cuadrática como el de nuestro caso. 67 67 Gestión de Energía para la Microrred en Cuenca (Ecuador) usando Control Predictivo Implementación del controlador en MATLAB® 68 6 IMPLEMENTACIÓN DEL CONTROLADOR EN MATLAB® n este capítulo se describe cómo se ha implementado el algoritmo de control para el problema de la microrred objeto de este documento, toda vez que el controlador ya fue diseñado anteriormente. Para ello, además de MATLAB®, se ha utilizado Simulink, donde se ha implementado un modelo de bloques en los que cada uno de ellos representa los distintos elementos de los que se compone la microrred. Cabe destacar que para la realización de dicho modelo se ha utilizado SIMUGRID, una libería que surte al usuario de elementos de generación, tanto renovables como no renovables, sistemas de almacenamiento de distinta índole, así como cargas o elementos de consumo. Una vez modelada la microrred, se ha diseñado un bloque controlador en el cual se ha introducido el algoritmo de control previamente citado, para el cual se han seguido los pasos descritos en la figura 6.1. Para la implementación del controlador en Matlab se han seguido las premisas marcadas en [23]. Ilustración 21 Figura 6.1: Algoritmo del controlador implementado. 6.1 Actualización de entradas al controlador Como se ha mencionado anteriormente, se ha tratado el controlador como un bloque más en lo que se refiere al modelo de Simulink, el cual funciona como una caja negra con distintas entradas y salidas. Así, se entienden a las salidas del controlador como las distintas variables de control del problema, estas son, los flujos de potencia de la microrred. Por otra parte, las variables de entrada funcionan como las señales de control que recibirá el controlador, para, en función de ellas, actualizar las mencionadas variables de salida, las cuales se enumeran a continuación:  Salidas del bloque controlador:  Estado de carga de la batería de plomo (SOCpb).  Estado de carga de la batería de litio (SOCli).  Estado de carga de la batería de vanadio (SOCvan). E 69 69 Gestión de Energía para la Microrred en Cuenca (Ecuador) usando Control Predictivo  Estado de carga del supercondensador (SOCsc).  Nivel del depósito de hidrógeno (LOH).  Perturbaciones:  Potencia neta (Pnet).  Potencia neta en el instante anterior.  Entradas de control en el instante anterior:  Potencia de la red (Pgrid).  Poencia de la batería de litio (Pli).  Potencia del electrolizador (Pelz).  Potencia de la batería de vanadio (Pvan).  Potencia del supercondensador (Psc).  Potencia de la celda de H2 (PH2)  Potencia del generador diesel (PG1)  Potencia del generador a gas (PG2) El modelo del sistema permite relacionar la variación de las salidas con las señales de control y las perturbaciones medibles en el sistema. Para calcular las perturbaciones, es necesaria una predicción del estado en el instante posterior, además de su valor actual y de las perturbaciones. Es por esto que es necesario recibirlo como una entrada al bloque controlador en cada instante. Además de la importancia de conocer el valor de la potencia neta actual, para tener una idea de las perturbaciones es necesario también conocer el valor de la potencia neta en el instante anterior. Esto será útil para calcular las restricciones en el incremento de potencia de la batería de plomo, permitiendo despejar su valor de la relación entre los incrementos de potencia. Por último, los valores en el instante anterior de las señales de control permiten calcular sus valores en el instante siguiente para poder imponer las restricciones. El motivo es evidente: el control se realiza sobre el incremento de las señales de control, no directamente sobre su valor. 6.2 Definición del Modelo del Sistema En la microrred objeto de estudio, el número de estados nx, salidas ny, y variables de control nu, se mantiene constante en todo momento. Además, al tener las perturbaciones solo un componente, el número de estas permanecerá también constante:  nx = 5  ny = 5  nu = 8  nd = 1 En la figura 6.2, se describen los pasos seguidos en esta sección del algoritmo, desarrollados en el Capítulo 5: Implementación del controlador en MATLAB® 70 Ilustración 22 Figura 6.2: Algoritmo que constituye la definición del modelo del sistema. 6.3 Creación de las Matrices del Optimizador Como se vio en el Capítulo 5, el controlador necesita de una serie de matrices con las que trabaja. Estas matrices son las que permiten modelar el sistema de una forma acorde con la ecuación (6.1), para posteriormente optimizar la función objetivo (6.2). Para la optimización se ha seleccionado un horizonte de control Nu = 2 y un horizonte de predicción Np = 10. 𝑦=𝐹𝑥(𝑡)+𝐻𝑢 (6.1) 𝐽=𝑢𝑇𝑇𝑇𝜶𝑇𝑢+2𝑈(𝑡−1)𝑇𝜶𝑇+𝑢𝑇𝜷𝑢+(𝑦−𝑤)𝑇𝜸(𝑦−𝑤) (6.2) Donde las matrices 𝜶, 𝜷 y 𝜸 están formadas por los factores de ponderación de la función objetivo para las señales de control, sus incrementos y el error de seguimiento, respectivamente, contenidos en sus diagonales. Dichos factores se han obtenido de manera empírica, atendiendo a los objetivos de control del problema y teniendo en cuenta las magnitudes de las variables a las que se asocian: Tabla 6.1 Pesos de la función de coste. Tabla 4 𝜶 𝜷 𝜸 Red 1.5*10-3 1*10-1 - Batería de plomo - - 1*10-8 71 71 Gestión de Energía para la Microrred en Cuenca (Ecuador) usando Control Predictivo Batería de litio 1*10-9 1*10-4 1.2*10-8 Electrolizador 1.5*10-4 2.5*10-1 2*10-5 Batería de Vanadio 1.1*10-8 1*10-4 2*10-7 Supercondensador 1.3*10-7 1*10-4 2*10-8 Celda de H2 1*10-1 2*10-1 - Generador Diésel 1*10-1 1*10-1 - Generador GLP 1*10-1 1*10-1 - 6.4 Imposición de Restricciones Como se ha venido comentando, las restricciones tienen un papel protagonista en el problema de control. Es necesario imponer una serie de restricciones que protejan los componentes de sobrecargas, propiciando un incremento de su vida útil. Así, las restricciones se impondrán, como se ha explicado en apartados anteriores, en las señales de control y sus incrementos, en los estados y en la potencia de la batería de plomo y su variación. Los límites de operación quedan recogidos en la Tabla 6.2. Tabla 6.2 Límites de operación de los elementos de la microrred. Tabla 5 Potencia(kW) Ratio de potencia (kW/s) Estado de carga (%) Red [-5000,+5000] - - Batería de plomo [-50,+50] [-10,+10] [20,90] Batería de litio [-88,+88] [-50,+50] [20,90] Electrolizador [0,+3] [-0.2,+0.2] [95,10] (depósitos H2) Batería de Vanadio [-20,+20] [-15,+15] [80,20] Supercondensador [-15,+15] [-15,+15] [0,100] Celda de H2 [0,+3] [-3,+3] - Generador Diésel [0,+37] [-30,+30] - Generador GLP [0,+32] [-20,+20] - Implementación del controlador en MATLAB® 72 En las restricciones sobre el estado de carga minima de la bancada de plomo se da un caso especial que necesita de una segunda restricción. Esto se debe a que existe un segundo límite inferior, denominado estado de carga mínimo de seguridad, el cual permite de nuevo el uso de la batería en el momento en el que todos los componentes de la microrred están cediendo energía en la medida de sus posibilidades. Esto es tarea de la batería de plomo debido a que es la encargada de hacer frente en primera instancia al deficit y exceso energético, tal y como se propuso en el Capítulo 3. Este nuevo límite permite disminuir el estado de carga al 10 %. 6.5 Optimización Una vez descritas la función de coste y las restricciones, se ha utilizado la función quadprog de MATLAB® diseñada para la resolución de problemas de programación cuadrática de estructura similar al nuestro, esto es, caracterizados por una función de coste cuadrática y restricciones de iugaldad y desigualdad lineales. El algoritmo seleccionado para ser implementado en esta función es el algoritmo del punto interior, o en inglés, interior point convex, capaz de optimizar problemas convexos rápidamente manteniendo su búsqueda dentro de las restricciones. Además, utiliza un módulo de prerresolución que permite eliminar redundancias y simplificar el problema. Por otra parte, con el objetivo de obtener resultados que se acerquen al óptimo lo máximo posible, se ha incrementado el número de iteraciones con respecto a las que se realizan normalmente en problemas de este tipo, utilizando un total de 1500 iteraciones. Por último, se ha implementado un módulo de tratamiento de errores con el objetivo de sobreponer el funcionamiento ante casos en los que se obtengan soluciones infinitas o inviables. Mediante este módulo, las potencias mantendrán el mismo valor que en el instante anterior, y la red será la encargada de hacer frente a la variación de la potencia neta. Las predicciones realizadas en los instantes previos permitirán que esta solución no ocasione problemas para el cumplimiento de restricciones. 6.6 Actualización de Potencias Una vez que se han calculado los incrementos en las variables de control, se suman a sus valores anteriores para obtener la señal que es necesario enviar al sistema. Puesto que la batería de plomo es la encargada de permitir el balance de potencia en la microrred, su valor se calcula a partir de las potencias del resto de elementos y de la potencia neta. Por último, se envía a la microrred esta potencia junto al resto. 73 73 Gestión de Energía para la Microrred en Cuenca (Ecuador) usando Control Predictivo Simulación y evaluación 80 Ilustración 31 Figura 7.9: Potencias en los componentes de la Microrred, día soleado, carga inicial baja, carga pequeña. Ilustración 32 Figura 7.10: SOCs en los componentes de la Microrred, día soleado, carga inicial baja, carga pequeña. 81 81 Gestión de Energía para la Microrred en Cuenca (Ecuador) usando Control Predictivo 7.3 Simulación en Día Soleado, Baterías Cargadas, Carga Programable Baja Esta simulación se ha realizado bajo las siguientes condiciones:  Perfil de generación solar: día soleado.  SOC inicial de las baterías: 80 %.  Nivel inicial de Hidrógeno: 80 %. A continuación se muestra el caso en el que el estado inicial de carga de las baterías es elevado. Debido a que en la simulación predomina la generación, el estado de carga de las baterías permanece elevado durante la totalidad del día, llegando a completarse primero la de plomo, siguiendo la estrategia de control descrita en este Proyecto. En consecuencia, se cederá energía a la red eléctrica durante gran parte de la simulación (entorno al 65 % del tiempo) para satisfacer el balance de energía, consiguiendo además un posible beneficio económico, tema que escapa al objetivo este Proyecto. Ilustración 33 Figura 7.11: Potencias en la Microrred, día soleado, carga inicial alta, carga pequeña. Simulación y evaluación 82 Ilustración 34 Figura 7.12: Potencias en los componentes de la Microrred, día soleado, carga inicial alta, carga pequeña. Ilustración 35 Figura 7.13: SOCs en los componentes de la Microrred, día soleado, carga inicial alta, carga pequeña. 83 83 Gestión de Energía para la Microrred en Cuenca (Ecuador) usando Control Predictivo 7.4 Simulación en Día Soleado, Baterías a Media Carga, Carga Programable Alta Esta simulación se ha realizado bajo las siguientes condiciones:  Perfil de generación solar: día soleado.  SOC inicial de las baterías: 50%.  Nivel inicial de Hidrógeno: 50%. En este caso se ha programado una Carga Programable que alcanza valores del orden de la centena de kW. Esta tipología de simulación presenta un mayor interés en el estudio de esta microrred particular, ya que se hace necesaria la intervención de todos los equipos que la componen. Esto complica satisfacer la ecuación de balance, no obstante, permite cercar los límites de funcionamiento del conjunto, dando a conocer su respuesta ante casos de máxima exigencia. Este es el caso de los sistemas de almacenamiento, los cuales se vacían durante la simulación, llegando a alcanar el almacenamiento de plomo su estado mínimo de seguridad (10 % de carga). Con respecto al nivel de hidrógeno, se esclarece que el consumo por parte de la celda de hidrógeno es disminuido. Esto se debe a la necesidad de utilizar la red eléctrica y los equipos de generación a diesel y GLP antes que la celda de hidrógeno, ya que se deben satisfacer déficits que superan los 3 kW (máxima potencia que aporta la celda de hidrógeno), potencia facilmente alcanzable por estos equipos y la red. Esta situación se dará en más casos, lo que indica que el conjunto Electrolizador – Celda de hidrógeno no cobra importancia en escenarios en los que la carga a satisfacer alcanza estos valores. Ilustración 36 Figura 7.14: Potencias en la Microrred, día soleado, carga inicial media, carga alta. Simulación y evaluación 84 Ilustración 37 Figura 7.15: Potencias en los componentes de la Microrred, día soleado, carga inicial media, carga alta. Ilustración 38 Figura 7.16: SOCs en los componentes de la Microrred, día soleado, carga inicial media, carga alta. 85 85 Gestión de Energía para la Microrred en Cuenca (Ecuador) usando Control Predictivo 7.5 Simulación en Día Soleado, Baterías Descargadas, Carga Programable Alta Esta simulación se ha realizado bajo las siguientes condiciones:  Perfil de generación solar: día soleado.  SOC inicial de las baterías: 30%.  Nivel inicial de Hidrógeno: 30%. Se da a continuación el caso de Carga Programable alta con estado inicial del almacenamiento bajo. El comportamiento a seguir es similar al ya descrito, siendo la intervención de los equipos de generación a diésel y GLP, así como de la red eléctrica, más importante si cabe. Como se observa, los sistemas de almacenamiento no logran cubrir el déficit de energía en ningún momento, alcanzando su nivel mínimo de carga a los 10000 segundos. Ilustración 39 Figura 7.17: Potencias en la Microrred, día soleado, carga inicial baja, carga alta. Simulación y evaluación 86 Ilustración 40 Figura 7.18: Potencias en los componentes de la Microrred, día soleado, carga inicial baja, carga alta. Ilustración 41 Figura 7.19: SOCs en los componentes de la Microrred, día soleado, carga inicial baja, carga alta. 87 87 Gestión de Energía para la Microrred en Cuenca (Ecuador) usando Control Predictivo 7.6 Simulación en Día Soleado, Baterías Cargadas, Carga Programable Alta Esta simulación se ha realizado bajo las siguientes condiciones:  Perfil de generación solar: día soleado.  SOC inicial de las baterías: 80%.  Nivel inicial de Hidrógeno: 80%. A continuación, se presenta el caso anterior pero con un estado inicial de carga de los sistemas de almacenamiento elevado. En este caso, el sistema de almacenamiento hace frente al déficit de energía durante gran parte del día (entorno al 50 %), para después dejar paso a los equipos que conforman la generación manipulable y la red eléctrica. Se observa que en este caso la Celda de Hidrógeno se encuentra funcionando durante toda la simulación, teniendo un consumo muy disminuido. Ilustración 42 Figura 7.20: Potencias en la Microrred, día soleado, carga inicial alta, carga alta. Simulación y evaluación 88 Ilustración 43 Figura 7.21: Potencias en los componentes de la Microrred, día soleado, carga inicial alta, carga alta. Ilustración 44 Figura 7.22: SOCs en los componentes de la Microrred, día soleado, carga inicial alta, carga alta. 89 89 Gestión de Energía para la Microrred en Cuenca (Ecuador) usando Control Predictivo 7.7 Simulación en Día Nublado, Baterías a Media Carga, Carga Programable Alta Esta simulación se ha realizado bajo las siguientes condiciones:  Perfil de generación solar: día nublado.  SOC inicial de las baterías: 50 %.  Nivel inicial de Hidrógeno: 50 %. En los perfiles de generación de día nublado no alteran significativamente el comportamiento de la microrred, más alla de adelantar los acontecimientos que se suceden en los distintos escenarios, teniendo que actuar los equipos de generación controlada, así como la red eléctrica, más asíduamente. Ilustración 45 Figura 7.23: Potencias en la Microrred, día nublado, carga inicial media, carga alta. Conclusiones y Desarrollo Futuro 96 8 CONCLUSIONES Y DESARROLLO FUTURO n este capítulo se recogen las conclusiones que se deducen tras la evaluación del controlador mediante el simulador implementado en Matlab – Simulink, exponiendo los datos determinantes en cuanto a su comportamiento, además del desarrollo futuro de este proyecto. 8.1 Comportamiento En el capítulo anterior se presentaron los resultados obtenidos de las simulaciones realizadas sobre el comportamiento a lo largo de un día completo de funcionamiento de la microrred y el controlador. En dicho capítulo, se hacía especial hincapié en la diferencia entre el funcionamiento cuando la microrred se somete a grandes cargas (del orden de la centena de kW) y los casos en los que la carga a satisfacer es facilmente alcanzable por los elementos de generación y almacenamiento de la microrred. Dicha diferenciación viene motivada por el funcionamiento del controlador, ya que a pesar de una mayor itinerancia y utilización de equipos (lo que se traduce en una resolución más tediosa del problema de optimización) en el primer caso, la potencia del sistema se mantiene en el cero, demostrando su robustez. No obstante, a pesar del buen funcionamiento del controlador aun sometido a grandes cargas, en situaciones menos exigentes, el controlador es capaz de mantener la potencia del sistema, es decir, el balance de energía, en cero, disminuyendo en mayor medida la utilización de formas de energía no renovable (equipos electrógenos), lo que confirma el buen funcionamiento del MPC especialmente en este tipo de situaciones, y lo acertado de su elección como estrategia de control. Además de conseguir una gestión adecuada de la energía, el MPC, a diferencia de otros métodos de control estudiados en el Capítulo 4, consigue realizar un control en la variación de potencia en cada instante, de modo que no alcance valores muy altos de variación. Esta característica ayuda a evitar posibles desperfectos que pudieran ocasionarse en los equipos debido a estos cambios bruscos en la potencia a suministrar. Por otro lado, durante el proceso de implementación del algoritmo en Matlab – Simulink, se han ido resolviendo subproblemas, con el objetivo de encontrar una solución de manera escalonada, planteando problemas de control más fácilmente resolubles. De esta forma, desde un punto de partida en el que el vector de señales de control contaba con cinco componentes, una vez que se consiguió un comportamiento aceptable del sistema, se introdujeron en el vector de señales de control el funcionamiento del conjunto Pila de H2 – Electrolizador, y finalmente los equipos de generación a Diésel y GLP, tratando de alcanzar un resultado lo más realista posible. Por tanto, es posible, partiendo del modelo de este Proyecto, implementar el problema de control que resultase a medida que se adquisieran equipos o se sustituyesen alguno de los existentes. 8.2 Desarrollo Futuro La realización de este Proyecto demuestra que la implementación de un MPC mediante el software Matlab – Simulink, se presenta como una alternativa atractiva para el control de microrredes. Sin embargo, para corroborar los resultados de esta memoria, es necesaria la conexión de Matlab con el hardware de la microrred del Campus Balzay de la Universidad de Cuenca (Ecuador). Una vez realizada esta tarea, se estará en disposición de realizar exámenes del comportamiento de la microrred en condiciones reales, donde los perfiles de generación, el comportamiento de los sistemas de almacenamiento o bien la conexión y desconexión de la red diferirán con más o menos importancia de los modelos con los que se ha completado este Proyecto. En este E 97 97 Gestión de Energía para la Microrred en Cuenca (Ecuador) usando Control Predictivo momento se estará en disposición de realizar las resintonizaciones necesarias del controlador, buscando el mejor comportamiento posible. Por ultimo, sería interesante incluir en el problema de control las variables necesarias para, en función del precio de la electricidad, así como los precios del Diésel y GLP, dar mayor o menor utilización a la conexión – desconexión de la red y al uso de estos equipos electrógenos. En este Proyecto, se ha tratado de dar más protagonismo a los equipos electrógenos, ya que se suponen como activos físicos ya adquiridos, por lo que ha resultado más adecuado la explotación de éstos, sin tener en cuenta los precios mencionados. Referencias 98 REFERENCIAS [1] MathWorks, https://www.mathworks.com/ [2] J. L. Espinoza, L.G. González and R. Sempértegui, Microgrid Laboratory as a Tool for Research on NonConventional Energy Sources in Ecuador, IEEE International Autumn Meeting on Power, Electronics and Computing (ROPEC 2017). Ixtapa, Mexico, 2017. [3] Statista, https://es.statista.com/estadisticas/600383/electricidad-generada-en-el-mundo-por-fuenteenergetica/ [4] Fundación Endesa, https://www.fundacionendesa.org/es/recursos/a201908-smart-grid [5] Ecointeligencia, https://www.ecointeligencia.com/2014/02/smart-grid-fundamentos/ [6] Nikos Hatziargyriou, Microgrids:architectures and control, John Wiley & Sons, 2014. [7] Energías-Renovables, https://www.energias-renovables.com/panorama/las-ventajas-de-las-microrredes20171016 [8] Carlos. Bordons, Félix Garcia-Torres, and Miguel Ridao, Model predictive control of microgrids, Springer, 2019. [9] Microgrid institute, April 2014, http://www.microgridinstitute.org. [10] Ernie Hayden, Introduction to Microgrids, 2016. [11] Powersystem-blogspot, http://1415powersystem.blogspot.com/2015_02_01_archive.html [12] Chandrasena, Ruwan P.S.; Shahnia, Farhad; Ghosh, Arindam; Rajakaruna, Sumedha, "Dynamic operation and control of a hybrid nanogrid system for future community houses". IET Generation, Transmission & Distribution. 9 (11): 1168–1178. doi:10.1049/iet-gtd.2014.0462, 2015-08-06. [13] Eesi, https://www.eesi.org/briefings/view/120616idea [14] Daniel Burmester, Ramesh Rayudu, Winston Seah, Daniel Akinyele, A review of nanogrid topologies and technologies, Renewable and Sustainable Energy Reviews, Volume 67, 2017. [15] José Luis Poza Luján, Juan Luis Posadas Yagüe, Revisión de las arquitecturas de control distribuido, Instituto de Automática e Informática Industrial (ai2), Universidad Politécnica de Valencia (UPV), 2009. [16] Fernando Polverini, Sistema de Control Industrial Centralizado (Scada System by FP Control), 2009. [17] P Giridhar, Kiniand Ramesh, C Bansal, Energy e ffi ciency in industrial utilities, Energy Management Systems, 2011, 1. [18] Matteo Ranaboldo, Laia Ferrer-Martí, Alberto García-Villoria, Rafael Pastor Moreno, Heuristic indicators for the design of community off-grid electrification systems based on multiple renewable energies, Energy, Volume 50, 2013. [19] Dimitris Ipsakis, Spyros Voutetakis, Panos Seferlis, Fotis Stergiopoulos, Simira Papadopoulou, Costas Elmasides, The effect of the hysteresis band on power management strategies in a stand-alone power system, Energy, Volume 33, Issue 10, 2008. [20] Abhishek Sakhare, Asad Davari, Ali Feliachi, Fuzzy logic control of fuel cell for standalone and grid connection, Journal of Power Sources, Volume 135, Issues 1–2, 2004. [21] R. Fletcher, Practical Methods of Optimization, Wiley, 1980. [22] Eduardo F. Camacho, Model predictive control, 2nd ed.ed., Advanced Textbooks in Control and Signal Processing, SpringerLondon, London, 2007. 99 99 Gestión de Energía para la Microrred en Cuenca (Ecuador) usando Control Predictivo [23] Sara Ruiz Moreno, Gestión de Energía de una Microrred mediante Control Predictivo Basado en Modelo, ETSI Universidad de Sevilla, 2019. [24] Earpa, https://www.earpa.eu/39/etp_smartgrids.html