Plataforma escalable de flexibilidad agregada: control de múltiples microrredes para servicios energéticos en redes inteligentes

CONGRESO REDES INTELIGENTES PLATAFORMA ESCALABLE DE FLEXIBILIDAD AGREGADA: CONTROL DE MÚLTIPLES MICRORREDES PARA SERVICIOS ENERGÉTICOS EN REDES INTELIGENTES Álvaro S. Sánchez-de-Puerta – Doctorando, Dpto. Ing. Eléctrica y AutomáƟca, Universidad de Córdoba Víctor Girona-García – Doctorando, Dpto. Ing. Eléctrica y AutomáƟca, Universidad de Córdoba Jorge Hurtado – Doctorando, Dpto. Ing. Eléctrica y AutomáƟca, Universidad de Córdoba Antonio Enrique González-Reina – Profesor Titular, Escuela Politécnica Superior del Ejército, Ejército de Tierra Jorge E. Jiménez-Hornero – Profesor Titular, Universidad de Córdoba Félix García-Torres – Profesor Ayudante Doctor, Universidad de Córdoba Resumen: Este comunicado introduce una solución avanzada para la gesƟón conjunta de múlƟples microrredes (MMG) que convierte la agregación de almacenamiento y generación distribuida en una oportunidad de negocio rentable y escalable. Nuestra propuesta combina un control predicƟvo distribuido –resuelto mediante un modelo MILP de bajo coste computacional– con un agregador centralizado que coordina en Ɵempo real la oferta y demanda de Ňexibilidad en el mercado eléctrico. En pruebas de validación con conjuntos de hasta diez microrredes, hemos demostrado que el Ɵempo de cómputo crece casi linealmente (28 s para 4 MG, 82 s para 10 MG), manteniendo siempre facƟbilidad y una brecha de opƟmalidad despreciable. Esta arquitectura simpliĮca la operaƟva al eliminar rondas iteraƟvas de negociación entre agentes, reduciendo signiĮcaƟǀĂmente la sobrecarga de comunicación y acelerando la respuesta a señales de mercado. Gracias a estas caracterísƟcas, nuestra solución está preparada para integrarse con plataformas SCADA y sistemas de trading automaƟzado, facilitando a agregadores, comercializadoras y operadores de redes la creación de nuevos Ňujos de ingresos basados en servicios de Ňexibilidad, al Ɵempo que contribuye a la estabilidad y descarbonización del sistema eléctrico. Palabras clave: Microrredes, Control predicƟvo, Agregador centralizado, Flexibilidad, Mercado eléctrico. INTRODUCCIÓN La transición energéƟca hacia un sistema eléctrico completamente descarbonizado requiere un despliegue masivo de fuentes renovables intermitentes, lo que plantea importantes retos de estabilidad y Ňexibilidad en las redes de distribución. Según la Agencia Internacional de la Energía (IEA), para cumplir con el “Announced Pledges Scenario” (APS) y avanzar hacia el “Net Zero Emissions by 2050” (NZE), será imprescindible adaptar y reforzar las infraestructuras de transmisión y distribución, así como disponer de mecanismos que permitan gesƟonar eĮcazmente la variabilidad y la incerƟdumbre propias de la generación renovable [1]. En este contexto, los sistemas mulƟ-microrredes (MMG) surgen como un paradigma prometedor: agrupando varias microrredes locales, es posible coordinar la operación de recursos distribuidos (baterías, electrólisis, generadores) para ofrecer servicios de Ňexibilidad al mercado y al operador del sistema. Sin embargo, los métodos distribuidos basados en ADMM, aunque descentralizados, suelen requerir numerosas rondas de comunicación y presentan convergencia lenta en escenarios de gran escala. En trabajos previos realizados por los autores [2] se propone una arquitectura híbrida de dos etapas que combina un control predicƟvo local (Stage 1), basada en el algoritmo de planiĮcación de microrredes con almacenamiento hibrido presentado en [3,4] con un agregador centralizado implementado mediante un modelo MILP-MPC (Stage 2). Esta aproximación reduce drásƟcamente la sobrecarga de comunicación y acelera la obtención de la solución global, manteniendo una brecha de opƟmalidad despreciable incluso al escalar a 10 microrredes. Además, abre nuevas oportunidades de negocio para agregadores y comercializadoras al permiƟrles moneƟzar servicios de Ňexibilidad de forma eĮciente y conĮable. OBJETIVOS DE LA SOLUCIÓN El objeƟvo general es desarrollar y validar un esquema de control supervisado de dos etapas para agregadores de microrredes que permita ofrecer servicios de Ňexibilidad con alta escalabilidad, velocidad de respuesta y minimización de costes en la prestación de servicios de Ňexibilidad. IV EDICIÓN CONGRESO DE VOLVER AL ÍNDICE 1 9 6 CONGRESO REDES INTELIGENTES ObjeƟvos especíĮcos: o Diseñar un controlador MPC local en cada microrred que, mediante la linealización por tramos de la función de coste, calcule en Ɵempo real su coste marginal de Ňexibilidad con bajo requerimiento computacional. o Implementar un agente agregador centralizado (MILP-MPC) que, a parƟr de las curvas de coste preprocesadas, resuelva en un único paso la asignación ópƟma de potencia de Ňexibilidad entre todas las microrredes. o Evaluar la metodología mediante simulaciones con agrupaciones de hasta 10 microrredes, midiendo Ɵempos de ejecución (28 s para 4 MGs, 82 s para 10 MGs) y cuanƟĮcando la brecha de opƟmalidad. o Poner de maniĮesto los beneĮcios para el sector energéƟco: reducción de costes operaƟvos, integración sencilla en plataformas SCADA/IEC 61850 y apertura de nuevas oportunidades de negocio en mercados de reserva y balanceo.  METODOLOGÍA Para dar respuesta a los objeƟvos planteados, se diseñó una arquitectura de control híbrida de dos etapas. Figura 1: Esquema completo de la arquitectura Stage 1 – Control PredicƟvo Local Cada microrred ejecuta un controlador MPC que, en un horizonte de predicción de 24 h, calcula de forma descentralizada su programación ópƟma y una curva de coste de Ňexibilidad segmentada. IV EDICIÓN CONGRESO DE VOLVER AL ÍNDICE 1 9 7 CONGRESO REDES INTELIGENTES Tabla I: Componentes de las microrredes Tabla II: valores de los componentes de las microrredes Stage 2 – Agregador Centralizado MILP-MPC Un agregador central recibe las curvas de coste de Ňexibilidad de cada MG, las linealiza por tramos (MILP) y resuelve en un único problema opƟmizado la asignación de potencia de Ňexibilidad para saƟsfacer la demanda externa. Al centralizar la toma de decisión, se eliminan las rondas iteraƟvas de negociación entre agentes, reduciendo la latencia y el volumen de comunicaciones. RESULTADOS Y DISCUSIÓN Se validó la propuesta mediante simulaciones numéricas en MATLAB R2022b sobre un PC estándar (Intel i5, 8 GB RAM). Los resultados de las simulaciones muestran en primer lugar que, cuando cada microrred opera de forma independiente sin demandas de Ňexibilidad externas, el controlador predicƟvo local resuelve el horizonte de predicción de 24 h, un programa que maximiza la venta de energía en las horas más caras y recarga los sistemas de almacenamiento en las horas de menor precio. Como ejemplo, véanse las curvas de operación en las Figuras 2–5, donde SOC es el estado de carga de la batería, LOH el nivel de hidrógeno del tanque, P grid la potencia de la red, P bat la potencia de la batería, P H2 la potencia del sistema de hidrógeno, P Ňex la potencia de Ňexibilidad requerida y P rem la potencia remanente, que es la diferencia entre la generación y la carga. Figura 2: Curva operación local MG1 Figura 3: Curva operación local MG2 IV EDICIÓN CONGRESO DE VOLVER AL ÍNDIC E 19 8 CONGRESO REDES INTELIGENTES Figura 4: Curva operación local MG3. Figura 5: Curva operación local MG 4 ƐƚĂĞƚĂƉĂŐĂƌĂŶƟnjĂƋƵĞĐĂĚĂŵŝĐƌŽƌƌĞĚĚŝƐƉŽŶŐĂĚĞƵŶůşŶĞĂďĂƐĞĞĐŽŶſŵŝĐĂŵĞŶƚĞſƉƟŵĂĂŶƚĞƐĚĞĐŽŶͲ siderar cualquier servicio de Ňexibilidad agregado. Al incorporar la segunda etapa de coordinación, en la que el agregador centraliza las curvas de coste incremental generadas localmente, se logra asignar la provisión de potencia Ňexible de forma ópƟma bajo restricciones de presupuesto. En el escenario de beneĮcio parcial, la asignación de los 40, 50 y 60 kW requeridos a las 18 h, 19 h y 20 h se reparte entre las cuatro microrredes de acuerdo con los costes más bajos por tramo, como ilustra la Figura 6, dando lugar a un suministro agregado de 36,3, 48,5 y 55,9 kW respecƟvamente (véanse los valores detallados en la Tabla III y las curvas de operación en las Figuras 7-10). Figura 6: Reparto de Ňexibilidad con beneĮcio parcial Tabla III: Reparto de Ňexibilidad con beneĮcio parcial IV EDICIÓN CONGRESO DE VOLVER AL ÍNDICE 1 9 9 CONGRESO REDES INTELIGENTES Figura 7: Curva operación Ňexible MG1 Figura 8: Curva operación Ňexible MG2 Figura 9: Curva operación Ňexible MG3 Figura 10: Curva operación Ňexible MG4 En términos de eĮciencia computacional, el agregador resuelve la asignación de Ňexibilidad para cuatro microrredes en 28 s y para diez microrredes en 82 s, conĮrmando una evolución casi lineal del Ɵempo de cálculo con el tamaño de la red (Tabla IV). Esta elevada escalabilidad, unida a la garanơĂ de facƟbilidad y a una brecha de opƟmalidad despreciable gracias a la aproximación por tramos, demuestra que la arquitectura propuesta es adecuada para aplicaciones de mercado en Ɵempo casi real sin compro meter la calidad de la solución. IV EDICIÓN CONGRESO DE VOLVER AL ÍNDICE 2 0 0 CONGRESO REDES INTELIGENTES Tabla IV: Resumen de propiedades computacionales y algorítmicas CONCLUSIONES Y PRÓXIMOS PASOS En conclusión, la propuesta de arquitectura de control híbrido para microrredes ofrece un mecanismo eĮciente y escalable para converƟr la Ňexibilidad distribuida en un acƟvo comercializable. Gracias al enfoque de doble etapa —con control predicƟvo local y agregación centralizada mediante MILP—, se consiguen Ɵempos de cómputo prácƟcamente lineales con el tamaño de la red, garanƟzando al mismo Ɵempo la facƟbilidad y una brecha de opƟmalidad despreciable. Este método no sólo simpliĮca la integración en plataformas de operación existentes, sino que también abre nuevos canales de ingresos para agregadores y operadores al permiƟr la parƟcipación efecƟva en los mercados de reservas y balanceo de la red. De cara al futuro, nuestro objeƟvo es validar esta solución en entornos reales, comenzando por pilotos en clusters de ediĮcios y campus industriales, donde se evaluará su rendimiento ante variaciones de demanda y condiciones de red reales. Al mismo Ɵempo, se trabajará en la extensión de la metodología para incorporar modelos estocásƟcos y robustos de incerƟdumbre en precios y generación renovable, asegurando un comportamiento ópƟmo bajo escenarios adversos. Finalmente, estamos desarrollando una herramienta “plug-and-play” que facilite su adopción por parte de agregadores de Ňexibilidad y empresas de servicios energéƟcos, de modo que puedan desplegar rápidamente esta solución sin necesidad de adaptar su infraestructura de control ni sus procedimientos operaƟvos. REFERENCIAS [1] InternaƟonal Energy Agency, Electricity Grids and Secure Energy TransiƟons, 2023. [2] García-Torres F. et al., “OpƟmal economic schedule for a network of microgrids with hybrid energy storage system using distributed model predicƟve control”, IEEE Trans. Ind. Electron., vol. 66, no. 3, 2018. [3] García-Torres F. et al., “OpƟmal Economical Schedule of Hydrogen-Based Microgrids With Hybrid Storage Using Model PredicƟve Control”, IEEE Trans. Ind. Electron., vol. 62, no. 8, pp. 5195-5207, 2015 [4] García-Torres F. et al., “GesƟón avanzada de Microrredes como Mecanismo de Flexibilidad”, V Congreso Smart Grids, 2018, Madrid. IV EDICIÓN CONGRESO DE VOLVER AL ÍNDICE 2 0 1