Modelado, control y optimización de una planta de producción de frío con almacenamiento de energía

MODELADO, CONTROL Y OPTIMIZACI´ ON DE UNA PLANTA DE PRODUCCI´ ON DE FR´ IO CON ALMACENAMIENTO DE ENERG´ IA Luis F. Acedo, Manuel G. Satu´e, Manuel R. Arahal, Carlos Vivas, Manuel G. Ortega {lacedo, mgarrido16, arahal, vivas, mortega}@us.es Resumen En este art´ıculo se presenta el modelado de un sistema de abastecimiento de energ´ıa frigor´ıfica basado en enfriadoras de agua refrigeradas por aire, al que se le ha a˜nadido un sistema de almacenamiento de energ´ıa. Con ello se pretende satisfacer la demanda de fr´ıo de una gran instalaci´on. El modelado de cada uno de los elementos se ha integrado en Simscape a fin de poder simular la planta completa. En el simulador se ha supuesto el sistema controlado a bajo nivel, de tal manera que es capaz de recibir consignas de caudales desde un optimizador a un nivel jer´arquicamente superior. Finalmente, se ha propuesto un problema de optimizaci´on mixto no lineal con variables enteras asociadas al funcionamiento de partes de la instalaci´on, de forma que se optimice el coste econ´omico de la generaci´on del fr´ıo; y se han presentado resultados de simulaci´on que avalan el buen funcionamiento del optimizador. Palabras clave: Eficiencia energ´etica, optimizaci´on, sistemas de refrigeraci´on. 1. INTRODUCCI´ ON Muchas aplicaciones requieren refrigeraci´on, ya sea a escala industrial como mercados, f´abricas de procesamiento de alimentos, etc. o para edificios de diferentes tipos como hospitales, oficinas, etc. En la actualidad, el consumo de energ´ıa el´ectrica debido a la demanda de refrigeraci´on en los edificios representa el 10 % del consumo mundial y el 20 % del consumo total de los edificios (40 % en los pa´ıses desarrollados) seg´un la Agencia Internacional de la Energ´ıa [1]. La demanda y la capacidad de refrigeraci´on instalada continuar´a creciendo a medida que los pa´ıses de econom´ıa emergente progresen. Sin embargo, esta creciente demanda de energ´ıa tendr´a un gran impacto en el efecto invernadero y el calentamiento global. Por tanto, es de gran importancia mejorar el rendimiento de la grandes instalaciones de producci´on. Las m´aquinas refrigeradoras de agua, o simplemente enfriadoras, son grandes m´aquinas que producen agua enfriada para distribuirla a lo largo de un edificio o red de refrigeraci´on a trav´es de tuber´ıas con el objetivo de enfriar el aire dentro de los edificios. Las enfriadoras pueden utilizar electricidad, gas o energ´ıa solar. La eficiencia de las enfriadoras depende del punto de funcionamiento y se expresa generalmente como una cifra asociada al m´erito, como por ejemplo el coeficiente de rendimiento (COP, coefficient of performance) o el ratio de eficiencia energ´etica (EER, energy efficiency ratio). En los sistemas en los que el agua fr´ıa alimenta las unidades de refrigeraci´on de la instalaci´on es habitual que m´as de una m´aquina de refrigeraci´on se utilice en paralelo. El funcionamiento ´optimo requiere una gesti´on en funci´on de la demanda instant´anea de refrigeraci´on, pero en muchos casos esta gesti´on es semiautom´atica, utilizando referencias y reg´ımenes de funcionamiento fijos. Adem´as, la planificaci´on es fija o inexistente, lo que va en detrimento de la eficiencia tan- to de la potencia instalada como de los costes de funcionamiento. En esta situaci´on, la automatizaci´on puede aportar pol´ıticas ´optimas que produzcan ahorros econ´omicos y beneficios para el medio ambiente. En la literatura existen trabajos relacionados con el control y la optimizaci´on de enfriadoras e instalaciones. B´alint et al. [2] presentan un algoritmo de planificaci´on para una ´unica m´aquina enfriadora basado en un modelo predictivo de minimizaci´on del coste el´ectrico que opera con un d´ıa de antelaci´on en el mercado. Medoza-Serrano et al. [3] analizan el impacto de varios m´etodos de predicci´on y eval´uan un controlador predictivo econ´omico basado en modelo (MPC) para el sistema de climatizaci´on de un ´unico edificio. Este trabajo tambi´en incluye almacenamiento de energ´ıa (TES, thermal energy storage) en el planteamiento del problema. Arahal et al. [4] han estudiado el problema de la predicci´on de la demanda de las m´aquinas enfriadoras utilizando redes hiper-gausianas. Este art´ıculo se centra en el modelado, el control y la optimizaci´on de la gesti´on de una planta de producci´on de fr´ıo para una instalaci´on que requiere una alta potencia t´ermica. El modelo se ha implementado utilizando el entorno de simulaci´on XLII Jornadas de Autom´atica Ingenier´ıa de Control 388 https://doi.org/10.17979/spudc.9788497498043.388 Simscape de MATLAB y contempla tres m´aquinas enfriadoras funcionando en paralelo, una carga t´ermica que simula la demanda de un edificio (hospital), un sistema de almacenamiento de energ´ıa y un bypass entre la entrada y la salida de la corriente de agua que enfr´ıan las m´aquinas. Se han tenido en cuenta los siguientes factores: la carga t´ermica puede cambiar en funci´on del uso del edificio y de la climatolog´ıa, la eficiencia de las enfriadoras, COP, difiere de un punto de funcionamiento a otro en funci´on de la carga y de las condiciones ambientales, y por ´ultimo el precio de la electricidad puede fluctuar a lo largo del d´ıa. La funci´on del TES en principio es reducir el coste el´ectrico del funcionamiento del sistema de enfriamiento, pero en ciertas situaciones ambientales podr´ıa llegar a reducir la energ´ıa consumida por las m´aquinas enfriadoras a lo largo de un ciclo. Para obtener una planificaci´on ´optima que minimice el coste el´ectrico se ha utilizado un algoritmo gen´etico de codificaci´on real junto con un modelo est´atico del sistema. La funci´on de coste eval´ua el coste de la electricidad consumida durante un horizonte temporal deslizante de predicci´on, teniendo en cuenta adem´as ciertas restricciones de funcionamiento de las enfriadoras. La organizaci´on del resto del art´ıculo es la siguiente: en la Secci´on 2 se presentan las caracter´ısticas de la planta, incluyendo el sistema de generaci´on de agua fr´ıa, el sistema de almacenamiento t´ermico, y la carga de fr´ıo. En la Secci´on 3 se presenta el modelado de cada una de los componentes del sistema. Seguidamente, en la Secci´on 4 se hace referencia al control de bajo nivel, mientras que en la Secci´on 5 se utiliza el sistema controlado para realizar una optimizaci´on a un nivel jer´arquicamente superior. En la Secci´on 6 se presentan algunos resultados de simulaci´on, y finalmente, las principales conclusiones y trabajos futuros se exponen en la Secci´on 7. 2. SISTEMA El sistema a tratar en este trabajo (v´ease la Figura 1) consta de tres elementos principales: un sistema de producci´on de fr´ıo, una carga t´ermica a satisfacer (edificio) y un sistema de almacenamiento de energ´ıa o TES. El sistema de producci´on de fr´ıo est´a compuesto por tres enfriadoras correspondientes a los modelos RTAC 400, 300 y 250 del fabricante TRANE. Se trata de enfriadoras de agua refrigeradas por aire (v´ease la Figura 2). Estos modelos tienen una potencia nominal aproximada de 1400, 1060 y 834 kW t´ermicos de enfriamiento a plena carga respectivamente. En estas condiciones tienen un COP de 2.8 (incluyendo la potencia el´ectrica de los com- Figura 1: Diagrama de la planta. En color verde se representa la configuraci´on de tuber´ıas para la descarga del TES y en color morado para la carga. presores, ventiladores y sistemas de control). Funcionando a una carga parcial del 25 % el COP de las m´aquinas aumenta respectivamente a 5.8, 5.33 y 6.06. El controlador de estas m´aquinas permite mantener la temperatura de salida del agua enfriada en la referencia especificada, siendo [5, 9] oC el rango de temperatura en funcionamiento nominal. El caudal de agua que atraviesa cada m´aquina se regula mediante sendas bombas externas de caudal variable. Figura 2: Enfriadora TRANE de la serie RTAC. La carga de la planta de enfriamiento la impone un hospital. Dicha carga var´ıa en funci´on del nivel de ocupaci´on del edificio, de las condiciones clim´aticas en el exterior, etc. La funci´on del bypass (v´ease Figura 1) es permitir adaptar el rango de caudales que puede demandar el hospital y el rango de caudales en el que pueden funcionar las enfriadoras en los casos en los que no sean compatibles. El sistema de almacenamiento de energ´ıa consiste en un tanque que contiene agua con un volumen constante e igual a 1000 m3. Para conmutar el modo de funcionamiento del TES entre carga y descarga se utilizan dos v´alvulas de tres v´ıas que permiten cambiar el punto de aspiraci´on de la bomba de este sistema de almacenamiento, junto con el punto de vertido, seg´un se ejemplifica en el diagrama de la Figura 1. En el caso de descarga, el agua fr´ıa del TES se vierte en la l´ınea de agua enfriada procedente de las enfriadoras, mientras que el agua caliente procedente de la salida de la demanda se impulsa hacia el tanque. En el caso XLII Jornadas de Autom´atica Ingenier´ıa de Control 389 https://doi.org/10.17979/spudc.9788497498043.388 de carga se procede a la inversa. 3. MODELADO El modelado del sistema se basa en el desarrollo de submodelos para cada uno de los componentes de la planta de producci´on de fr´ıo, en el entorno de simulaci´on Simscape de Simulink. A continuaci´on, se detalla la estrategia utilizada. 3.1. MODELO DE LAS ENFRIADORAS Las enfriadoras no se han modelado con ecuaciones que describan el ciclo refrigeraci´on, sino que el modelo se basa en los datos de funcionamien- to que proporciona el fabricante. Concretamente, ´este proporciona la potencia t´ermica de enfriamiento y el COP tanto a plena carga como a cargas parciales para varias combinaciones de la temperatura del agua a la salida del evaporador y la temperatura del aire a la entrada del condensador para cada modelo de m´aquina. El modelo interpola el valor del COP a partir de los datos del fabricante en funci´on de la temperatura del agua a la salida del evaporador, la temperatura del aire a la entrada del condensador y el ratio de carga de la m´aquina o PLR (part load ratio). Con el valor obtenido del COP y la potencia t´ermica de enfriamiento se calcula la potencia el´ectrica que consume la m´aquina. Debido a las caracter´ısticas explicadas del modelo de la m´aquina enfriadora, ´este se ha implementado utilizando un bloque MATLAB Function y no en lenguaje Simscape. Las entradas del modelo de una m´aquina son: la temperatura del agua en el punto B del bypass, la temperatura de referencia del agua a la salida del evaporador, el caudal m´asico de agua que circula por el evaporador y la temperatura ambiente. Como salidas proporciona el COP, la potencia el´ectrica consumida y la potencia t´ermica de refrigeraci´on. La conexi´on en paralelo de las enfriadoras se realiza con otra MATLAB Function que recibe como entradas las temperaturas de salida de cada m´aquina junto con los caudales m´asicos correspondientes y a la salida proporciona la temperatura del agua de mezcla de las tres m´aquinas junto con el caudal total de agua enfriada (v´ease la Figura 3). Las variables de salida del bloque que modela las enfriadoras son la temperatura de mezcla del agua refrigerada Tmy caudal m´asico total ˙mT. Esta varibles se calculan seg´un se indica en las ecuaciones (1) y (2): Figura 3: Conexi´on de las variables en Simscape. Figura 4: Diagrama de bloques sistema en Simscape. Tm=P3 i=1 ˙mi·Tsi ˙mT (1) ˙mT= 3 X i=1 mi, i = 1,2,3 (2) donde Tsiy ˙mison la temperatura de salida del agua enfriada y el caudal m´asico [kg/s] que circula por la enfriadora i-´esima. Para que estas variables puedan ser conectadas al resto del modelo en Simscape, tal como se describe en la Figura 3, se han modelado dos bloques: un bloque de temperatura y una bomba. 3.2. MODELO DEL BLOQUE DE TEMPERATURA El modelo del bloque de temperatura consiste en un dep´osito infinito a presi´on constante y temperatura variable. Conecta la variable Tmde salida de las enfriadoras con el sistema a trav´es de un puerto de se˜nal f´ısica (en terminolog´ıa Simscape) con la que se establece la temperatura del dep´osi- to. 3.3. MODELO DE LA BOMBA El modelo de la bomba consiste en una fuente de energ´ıa mec´anica ideal, donde el caudal m´asico se controla por una se˜nal f´ısica de entrada. Mantiene el caudal especificado independientemente del di- XLII Jornadas de Autom´atica Ingenier´ıa de Control 390 https://doi.org/10.17979/spudc.9788497498043.388 ferencial de presi´on, no hay resistencia al flujo ni intercambio de calor con el entorno. No s´olo permite conectar la variable de salida de las enfriadoras ˙mTen el sistema, adem´as se utiliza para introducir el perfil de caudal m´asico en el TES, ˙mT ES , y en el hospital (o carga), ˙mC. 3.4. MODELO DEL BYPASS El bypass representa una conexi´on entre la corriente de agua enfriada por las enfriadoras y la corriente de agua caliente procedente del hospital. Se permite un flujo de caudal entre ellas en ambas direcciones, seg´un lo requiera el sistema para cumplir con el balance de conservaci´on de masa. El modelo del bypass consiste en dos bloques de mezcla, M.A y M.B en la Figura 4, donde cada uno de estos bloques establece un balance de masa [kg/s] y energ´ıa, φ[kW], entre sus puertos de entrada/salida A, B y C seg´un las ecuaciones (3) y (4). ˙mA+ ˙mB+ ˙mC= 0 (3) φA+φB+φC= 0 (4) 3.5. MODELO DEL SUBSISTEMA TES Para la inclusi´on en el simulador del subsistema de almacenamiento de energ´ıa (TES) es necesario modelar, no solo el propio TES, sino tambi´en los elementos necesarios para la carga y descarga del mismo, esto es, una bomba y una v´alvula de tres v´ıas. 3.5.1. Bomba Como se indic´o en la secci´on 3.3, la bomba permite aspirar el perfil de caudal de carga del TES, ˙mT ES , procedente de la corriente de agua enfriada por las enfriadoras o de la corriente de agua caliente procedente del hospital, seg´un la direcci´on que indique la v´alvula de tres v´ıas. 3.5.2. V´alvula de tres v´ıas Para realizar de manera simult´anea el funcionamiento del TES entre carga y descarga, es necesario una v´alvula de direcci´on de tres v´ıas que, a trav´es de una se˜nal f´ısica, desv´ıa el flujo de agua en una direcci´on u otra. 3.5.3. Tanque de almacenamiento El modelo se basa en la acumulaci´on de masa y energ´ıa en un dep´osito que contiene un volumen constante de agua. El dep´osito presenta un puerto de entrada y otro de salida, a trav´es de los cuales fluye el agua. La masa de agua var´ıa con la densidad, propiedad que es funci´on de la presi´on y la temperatura. Se supone una resistencia al flujo despreciable entre la entrada y el interior. Por lo tanto, la presi´on en el interior es igual a la presi´on en la entrada. Balance de masa El volumen de la c´amara es fijo, pero la compresibilidad del fluido nos dice que su masa puede cambiar con la presi´on y la temperatura. La acumulaci´on de masa en el dep´osito debe ser igual al caudal que atraviesa los puertos de entrada y salida: 1 β dp dt −αdT dt ρV = ˙mA+ ˙mB(5) donde el t´ermino de la izquierda es la tasa de acumulaci´on de masa, y: -pes la presi´on [MPa], -Tes la temperatura [K], -βes la constante isot´ermica [MPa], -αes el coeficiente de expansi´on t´ermica [K−1], - ˙mAes el caudal m´asico [kg/s]. Balance de energ´ıa La tasa de acumulaci´on de energ´ıa en el volumen de fluido deber´a ser igual a la suma de los caudales de energ´ıa en los puertos de entrada y salida: h β−Tα ρdp dt + (Cp−hα)dT dt ρV =φA+φB (6) Donde el t´ermino de la izquierda es la tasa de acumulaci´on de energ´ıa, y: -hes la entalp´ıa [kJ/kg], -ρes la densidad [kg/m3], -Cpes el calor espec´ıfico [kJ/kg ·K], -Ves el volumen del dep´osito [m3], -φes el caudal de energ´ıa [kW]. 3.6. MODELO DEL HOSPITAL El modelado del bloque de carga se realiza mediante un modelo tipo caja negra. Para ello, se utiliza una conducci´on (tuber´ıa) por la que circula el agua y, adem´as, por donde intercambia calor con el entorno. Por tanto, al hospital llega un caudal de carga, ˙mC, determinado por una bomba. En el momento en que el agua circula por la tuber´ıa, esta permite el intercambio de calor con el entorno, a trav´es de un puerto t´ermico. Los perfiles de carga del XLII Jornadas de Autom´atica Ingenier´ıa de Control 391 https://doi.org/10.17979/spudc.9788497498043.388 hospital se programan para que sean variables con el tiempo, y se conectan con el bloque a trav´es de una se˜nal f´ısica. 4. CONTROL DE BAJO NIVEL Para la gesti´on del sistema es necesario manipular adecuadamente las diferentes bombas y v´alvulas a fin de controlar los caudales que circulan por las distintas tuber´ıas del sistema; para lo cual se supone que se dispone de los elementos de medida (caudal´ımetros) necesarios. Este control suele ser relativamente r´apido (din´amica en bucle cerrado del orden de pocas decenas de segundos) comparado con el tiempo de muestreo en el que se va a ejecutar la optimizaci´on del sistema (del orden de una hora), el cual proporcionar´a consignas de caudales a este control de bajo nivel. Por tanto, teniendo en cuenta la jerarquizaci´on y las disintas escalas de tiempo del optimizador y de este nivel de control, en el simulador se ha considerado que el sistema ya est´a controlado a este nivel. Esto evitar´a simular din´amicas r´apidas que no afectan significativamente al resultado de la optimizaci´on, y que sin embargo ralentizar´ıan significativamente la ejecuci´on de las simulaciones. 5. OPTIMIZACI´ ON Esta capa de control se encarga de enviar referencias a los controladores de bajo nivel que accionan las bombas de las enfriadoras, la bomba y v´alvulas que gobiernan el TES, y la bomba que impulsa el agua enfriada por el circuito del edificio. Para ello utiliza un modelo matem´atico est´atico de la planta, el cual se simula en una ventana de tiempo deslizante asociada al horizonte de predicci´on, Np, para obtener un coste econ´omico asociado al consumo el´ectrico de las m´aquinas en la ventana de tiempo actual. El problema consiste en decidir para cada periodo de tiempo en el que se divide el horizonte de predicci´on, por ejemplo 24 horas con intervalos de una hora, el punto de trabajo de cada una de las enfriadoras de la planta, as´ı como del TES y la carga. El punto de trabajo est´a definido por las referencias de temperatura a la salida del evaporador de cada m´aquina, Tsi, los respectivos caudales m´asicos, ˙mi, tres variables binarias que indican si las m´aquinas est´an encendidas o apagadas, el caudal m´asico que circula por la carga, ˙mC, y por el TES y otras dos variables binarias que indican si el TES est´a funcionando y el modo en el que est´a funcionando (carga o descarga). El objetivo es proporcionar la potencia de enfriamiento suficiente para cubrir la demanda con el m´ınimo coste de electricidad posible, puesto que se considera una tarifa el´ectrica variable con la hora del d´ıa. Es necesario adem´as contar con predicciones de la demanda de potencia de refrigeraci´on y de la temperatura ambiente en el horizonte de predicci´on. El optimizador, en principio, solo considera el consumo el´ectrico de las m´aquinas enfriadoras. El coste econ´omico ser´a el producto de la potencia total consumida por las m´aquinas, P, multiplicado por la tarifa correspondiente, Tar, seg´un la siguiente ecuaci´on: J(x) = Np X k=1   3 X j=1 Pk·Tark (7) Con las definiciones dadas, el problema de optimizaci´on se puede definir de forma matem´atica como: m´ın xJ(x) s.a. xi≤x≤xs ˙ Q(x) = ˙ QL (8) donde la variable independiente xes un vector que contiene las trayectorias desde k= 1 hasta k=Np que definen el punto de trabajo del sistema dado por (9). x=˙mC|Np 1,˙mT ES |Np 1,˙m1|Np 1,˙m2|Np 1,˙m3|Np 1, Ts1|Np 1, Ts2|Np 1, Ts3|Np 1, Eon1|Np 1, Eon2|Np 1, Eon3|Np 1, TESon|Np 1, TESdesc|Np 1(9) En la definici´on del problema de optimizaci´on se han utilizado las siguientes restricciones: xi≤x≤xs, para limitar las variables independientes a los l´ımites f´ısicos impuestos por la planta, como los caudales m´ınimos y m´aximos que pueden circular por las enfriadoras, la temperatura m´ınima y m´axima del agua a la salida del evaporador, etc. ˙ Q(x) = ˙ QL, para obligar a que la demanda sea satisfecha en cada periodo en que se divide el horizonte de predicci´on. Adem´as se han considerado otras restricciones suaves en la funci´on de coste: se penaliza que la temperatura del agua de entrada al evaporador de una enfriadora sea menor que la temperatura de salida. XLII Jornadas de Autom´atica Ingenier´ıa de Control 392 https://doi.org/10.17979/spudc.9788497498043.388 se penaliza que no circule caudal por ninguna de las m´aquinas. se penaliza que la temperatura del TES supere un cierto valor. se penaliza que el salto de temperatura entre la entrada y la salida del evaporador de cada m´aquina salga de un cierto rango preestablecido. Estas penalizaciones consisten en la adici´on de un coste extra que aumenta exponencialmente cuanto m´as se infrinja la restricci´on asociada. Por la naturaleza de este problema de optimizaci´on (un n´umero elevado variables de decisi´on, existencia probable de m´ınimos locales, no disponer del Jacobiano del sistema e incluir variables de decisi´on binarias) se ha seleccionado un algoritmo gen´etico de codificaci´on real [5] para resolver el problema. El algoritmo utiliza el operador de cruce BLX-alpha [6] y selecci´on por torneo. 6. RESULTADOS DE SIMULACI´ ON A fin de mostrar la eficacia del proceso de optimizaci´on propuesto, en esta secci´on se presentan algunos resultados de simulaci´on. Para el dise˜no del experimento se han considerado tres d´ıas consecutivos con un perfil de carga similar. En la Figura 5 se muestra la carga frigor´ıfica demandada por el edificio, junto a las cargas proporcionadas por el conjunto de enfriadoras as´ı como por el TES. Las potencias negativas del TES significan que ´este se est´a cargando, y las positivas que se est´a descargando. Para el proceso de optimizaci´on se han establecido tres tramos de tarifas el´ectricas: un tramo valle (en azul), otro punta (en rojo); y un tercero llano (en verde). Se ha utilizado una ponderaci´on econ´omica simulada en las tarifas con un ratio de 2 a 1 del tramo llano respecto al valle, y de 5 a 1 del tramo punta respeto al valle. De los resultados cabe destacar como el optimizador claramente hace uso de la descarga del TES en los tramos punta, mientras que aprovecha los tramos llanos y valles para volverlo a cargar. Finalmente, como puede observarse del balance de potencias, la carga proporcionada por las enfriadoras y el TES es id´entica a la carga demandada por el edificio, por lo que se consigue satisfacer dicha demanda. El la Figura 6 se muestran los perfiles de temperatura de los distintos puntos del sistema, adem´as de Figura 5: Potencia de refrigeraci´on de las enfriadoras. mostrar la temperatura ambiente simulada (d´ıas calurosos de verano con temperatura m´aximas del orden de 40 oC). Figura 6: Temperaturas. 7. CONCLUSIONES En este art´ıculo se ha presentado el modelado, control y optimizaci´on de un sistema de abastecimiento de energ´ıa frigor´ıfica para atender a la demanda de fr´ıo de una gran instalaci´on (como puede ser un hospital), a la cual se le ha a˜nadido un sistema de almacenamiento de energ´ıa t´ermica (TES). Para la simulaci´on del sistema se ha utilizado la herramienta Simscape bajo MATLAB, que permite la f´acil interconexi´on de distintos elementos del XLII Jornadas de Autom´atica Ingenier´ıa de Control 393 https://doi.org/10.17979/spudc.9788497498043.388 sistema. Si bien, la mayor parte de estos elementos se han tenido que implementar utilizando Maltab functions al tener que incorporar caracter´ısticas no incluidas en las bibliotecas habituales de Simscape. El simulador se ha implementado suponiendo cerrado el control de bajo nivel, de tal manera que el simulador recibe principalmente consignas de caudales. Se supone que la din´amica en bucle cerrado de este control es suficientemente r´apida como para no verse afectada por el tiempo de muestreo del optimizador, que est´a a un nivel jer´arquicamente superior. Se ha propuesto un problema de optimizaci´on mix- to no lineal con variables enteras (asociadas al funcionamiento o no de partes del sistema), donde se pretende optimizar el coste econ´omico de la generaci´on de la carga frigor´ıfica atendiendo a distintas tarifas el´ectricas a lo largo del d´ıa. La optimizaci´on se ha resuelto utilizando algoritmos gen´eticos basados en el operador de cruce BLX-alpha y selecci´on por torneo. Finalmente, se han presentado resultados de simulaci´on que muestran la eficacia del algoritmo propuesto, no solo satisfaciendo la carga frigor´ıfica demandada, sino tambi´en descargando el TES en tramos de alto precio de la energ´ıa el´ectrica y volvi´endolo cargar en tramos donde ´esta es m´as barata. Agradecimientos Esta investigaci´on ha sido financiada como Proyecto RTI2018-101897-B-I00 por FEDER / Ministerio de Ciencia e Innovaci´on – Agencia Estatal de Investigaci´on. English summary MODELLING, CONTROL AND OPTIMIZATION OF A COOLING PLANT WITH A THERMAL STORGE SYSTEM Abstract This article presents the modeling of a refrigeration energy supply system based on air-cooled water chillers, to which an energy storage system (TES) has been added. This is to satisfy the cold demand of a large installation. The modeling of each of the elements has been integrated into Simscape in order to be able to simulate the complete plant. In the simulator, the lowlevel controlled system has been assumed, in such a way that it is capable of receiving flow references from an optimizer at a hierarchically higher level. Finally, a nonlinear mixed optimization problem has been proposed with integer variables associated with the operation of parts of the installation, in such a way that the economic cost of cold generation is optimized; and simulation results have been presented that support the good performance of the optimizer. Keywords: Energy efficiency, optimization, cooling plants. Referencias [1] IEA (2018), The Future of Cooling, IEA, Paris https://www.iea.org/reports/the-future- of-cooling [2] B´alint, R., Fodor, A., Hnagos, K.M., Magyar, A., (2018) Cost-optimal model predicti- ve scheduling of freezers, Control Engineering Practice (80), pp. 61-69. [3] Mendoza-Serrano, D.I., Chmielewski, D.J., (2014) Smart grid coordination in building HVAC systems: EMPC and the impact of forecasting, Journal of Process Control (24), pp. 1301-1310. [4] Arahal, M.R., Ortega, M.G., Satu´e, M.G., (2021) Chiller Load Forecasting Using Hyper- Gaussian Nets, Energies, 14, 3479. [5] Herrera, F., Lozano, M., S´anchez, A. M. (2007). Algoritmos Gen´eticos con Codificaci´on Real: Operadores de Cruce H´ıbridos Basados en Entornos con M´ultiples Descendientes, Actas del Congreso MAEB, Vol. 7, pp. 827-834. [6] Herrera, F., Lozano, M., P´erez, E., S´anchez, A. M., Villar, P. (2002). Multiple crossover per couple with selection of the two best offspring: an experimental study with the BLX- αcrossover operator..., Advances in Artificial Intelligence—IBERAMIA, pp. 392-401. © 2021 by the authors. Submitted for possible open access publication under the terms and conditions of the Creative Commons Attribution CC BY-NC-SA 4.0 license (https://creativecommons.org/licenses/by-nc- sa/4.0/deed.es). XLII Jornadas de Autom´atica Ingenier´ıa de Control 394 https://doi.org/10.17979/spudc.9788497498043.388