Modelado y gestión de la integración de generación distribuida de energías renovables en un edificio de oficinas

Transcripción

1 Modelado y gestión de la integración de generación distribuida de energías renovables en un edificio de oficinas I. Benítez, L. Moreno, I. Díaz y A. oria Instituto Tecnológico de la Energía. Parque Tecnológico Valencia. Avda. Juan de la Cierva, Paterna, Valencia, {ignacio.benitez@ite.es, laura.moreno@ite.es, inma.diaz@ite.es, anabel.soria@ite.es} Resumen: El presente trabajo describe el desarrollo de la obtención de un sistema de predicción de generación de energía eléctrica basándose en modelos ajustados con datos experimentales de tres fuentes de energías renovables (fotovoltaica, eólica y pila de hidrógeno), instaladas en las dependencias del Instituto Tecnológico de la Energía. Los modelos obtenidos permiten diseñar, plantear y simular estrategias de control e integración de la generación distribuida, planteándose para este artículo un caso concreto, que es el del autoabastecimiento energético, mediante un sistema basado en reglas, y concretamente en la lógica borrosa. Palabras clave: modelado, redes neuronales, lógica borrosa, ingeniería de sistemas.. INTRODUCCIÓN Y OBJETIVO Con el objetivo de estudiar la integración de generación distribuida de energías renovables, el Instituto Tecnológico de la Energía (ITE) dispone en su edificio de oficinas de una planta piloto, compuesta por paneles fotovoltaicos, un aerogenerador y una pila de hidrógeno. El conjunto se completa con una estación meteorológica, que recoge las mediciones de variables como la temperatura ambiente, la irradiancia, velocidad del viento, etc.; inversores para convertir a corriente alterna la producción en contínua, y analizadores de red para medir la producción de energía. Un dispositivo CADA registra todos los datos disponibles para su posterior análisis. El presente artículo describe las tareas que se están llevando a cabo en el modelado de cada sistema de generación por separado. De este modo se podrán simular distintos escenarios y posibilidades de funcionamineto e integración de recursos, en función de las condiciones ambientales y otros requerimientos funcionales. De igual manera, se estudia el desarrollo de un sistema de regulación de la generación, que permita la elección de las condiciones de integración en función de las condiciones climáticas, las limitaciones o restricciones consideradas en el funcionamiento de la pila de hidrógeno, y los posibles requerimientos de la demanda energética del edificio. Los sistemas basados en reglas, y en concreto la inferencia borrosa, se plantean como un diseño apropiado para este objetivo. 2. MODELADO Y IMULACIÓN DE FUENTE DE ENERGÍA RENOVABLE La planta piloto de energías renovables del ITE cuenta con una instalación fotovoltaica compuesta de 33 módulos fotovoltaicos de 227 Wp que ofrecen una capacidad total de 7.5 KWe. Los paneles son de tecnología de silicio policristalino. Los 33 módulos se reparten en una conversión a sistema trifásico mediante inversores de módulos y 2.5 KWe cada fase. El sistema de generación eólica está compuesto por un aerogenerador de eje horizontal de 6kW con una tensión de salida entre 48 y 300V, con un alternador trifásico de imanes permanentes que genera una corriente alterna de frecuencia variable, adaptada a la frecuencia de red de 50Hz mediante un convertidor de alterna.

2 En el caso de la pila de hidrógeno la situación es distinta. Los datos de generación también son monitorizados mediante un analizador de redes, pero en este caso la producción no se ve influenciada por las condiciones climatológicas, sino por un suministro adecuado de aire e hidrógeno, obtenido mediante electrolizador y almacenado en depósitos. DATO DIPONIBLE La Tabla I muestra las variables de entrada y de salida disponibles para modelar la generación de fotovoltaica y de eólica. e dispone de datos para distintas fechas y horas del año 2007 (44494 registros) y 2008 (466 registros). Tabla I. Variables de entrada y salida disponibles para el modelado de generación fotovoltaica y eólica. Entradas Temperatura ambiente (ºC) Humedad (%) Punto de Rocío (ºC) Velocidad del viento (m/s) Dirección del viento (rosa de los vientos) Presión (mb) Lluvia (mm) Irradiancia solar (W/m2) Energía solar (J/cm2) alidas Intensidad RM (A/00) en fase, fase 2, fase 3 y neutro Tensión RM (V/000) en fase, fase 2 y fase 3 Frecuencia (Hz/00) umatorio de Potencias (KW/000) en las tres fases, para activa, reactiva y aparente Factor de potencia / 000 Respecto a la pila de hidrógeno, los datos disponibles corresponden a una serie de ensayos realizados en distintas fechas, agrupados de forma secuencial. La Tabla II muestra las variables de entrada y salida disponibles para el modelado. Tabla II. Variables de entrada y salida disponibles para modelar la pila de hidrógeno. Entradas Presión del hidrógeno, medida en barg (bar gauge pressure) Consumo acumulado de hidrógeno en litros Temperatura ambiente (ºC) en las cercanías de la pila Consumo de aire, medido en slpm (tandard litres per minute) Carga (ohmios) conectada a la pila para que esta funcione alidas Temperatura en la pila (ºC) Tensión en bornes de la pila (V) Corriente generada (I) Potencia (W) METODOLOGÍA DE MODELADO El disponer de datos históricos de monitorización permite la validación de los modelos obtenidos, y también emplear la metodología de modelado llamada de caja negra, consistente en ajustar el comportamiento del proceso a un conjunto de ecuaciones matemáticas, sin atender a la naturaleza del proceso ni a sus características, únicamente a las variables de entrada y salida. El modelado de los paneles fotovoltaicos y el aerogenerador se ha realizado haciendo uso de las redes neuronales artificiales (ANN) [HAYKIN,. (994)], y en concreto usando el toolbox de redes neuronales del software Matlab para entrenar redes multicapa MIO (multiple input single outpu. Respecto a la pila de hidrógeno, atendiendo a su naturaleza dinámica se han obtenido modelos MIO basándose en modelos recursivos tipo ARX (autoregressive model) () o ARMAX (autoregressive moving average model) (2). La obtención de estos modelos se ha realizado mediante el toolbox de system identification del software Matlab.

3 nu A( q) y( = Bi ( q) ui ( t nki) + nu i= e( A( q) y( = Bi ( q) ui ( t nki) + C( q) e( i= () (2) El modelado se ha desarrollado en dos etapas: primero, se ha realizado un estudio de correlación que permite seleccionar sólo aquellas variables que influyen en la generación en cada caso. El índice de correlación entre dos variables es la covarianza normalizada (3), siendo la covarianza la expresión matemática que define la dispersión o relación lineal entre dos variables, cuya fórmula se puede ver en (4). xy xy C xy = (3) = n n i= i xx yy ( x x)( y i y) (4) e han ajustado los modelos con las variables seleccionadas y teniendo en cuenta las técnicas descritas anteriormente. Los resultados se muestran a continuación. MODELADO DE GENERACIÓN FOTOVOLTAICA La Tabla III muestra los índices de correlación de las variables de entrada y salida seleccionadas para el modelo. e ha ajustado una red neuronal distinta para cada variable de salida. La Fig. muestra resultados del modelo de generación para los casos de la potencia activa y reactiva. En ambos casos, la red neuronal seleccionada es de estructura multicapa con una capa de entrada de cuatro neuronas, una capa oculta de dos, y una tercera capa con una neurona de salida. Tabla III. Coeficientes de correlación en variables de entrada (filas) y salida (columnas) seleccionadas para el modelo de generación fotovoltaica. Intensidad fase Tensión fase Potencia activa Potencia reactiva Temperatura ambiente Humedad Velocidad del Viento Irradiancia MODELADO DE GENERACIÓN EÓLICA La Tabla IV recoge, para el caso de generación eólica, los índices de correlación de las variables de entrada y salida seleccionadas para el modelo. Tabla IV. Coeficientes de correlación en variables de entrada (filas) y salida (columnas) seleccionadas para el modelo de generación eólica. Intensidad fase Tensión fase Potencia activa Potencia reactiva Humedad Velocidad del viento e ha ajustado una red neuronal distinta para cada variable de salida. La Fig. 2 muestra resultados del modelo de generación para los casos de la potencia activa y reactiva.

4 (a) (b) Figura. Ejemplo de generación fotovoltaica del modelo a partir de variaciones en temperatura ambiente e irradiancia, para el caso de potencia activa (a) y potencia reactiva (b). (a) (b) Figura 2. Ejemplo de generación eólica del modelo a partir de variaciones en humedad y velocidad del viento, para el caso de potencia activa (a) y potencia reactiva (b). MODELADO DE PILA DE HIDRÓGENO Para el caso de la pila de hidrógeno, la Tabla V recoge los índices de correlación de las variables de entrada y salida seleccionadas para el modelo. e ha ajustado un modelo MIO recursivo, ARX o ARMAX, para cada una de las cuatro variables de salida. La Fig. 3 muestra el ajuste del modelo para la potencia, obtenido con un modelo ARX. Tabla V. Coeficientes de correlación en variables de entrada (filas) y salida (columnas) seleccionadas para el modelo de la pila de hidrógeno. Temperatura en la pila Tensión en la pila Corriente generada Potencia Consumo de hidrógeno Temperatura ambiente Caudal de aire Carga

5 (a) (b) Figura 3. Entrenamiento (a) y validación (b) de un modelo ARX para la generación de potencia en la pila de hidrógeno. 3. DIEÑO DE ITEMA DE CONTROL PARA LA INTEGRACIÓN DE FUENTE DE ENERGÍA DITRIBUIDA El modelado de generación de energías distribuidas en un mismo edificio permite el diseño, simulación y validación de técnicas de gestión de la generación combinadas con el almacenamiento, en función de las condiciones climatológicas y la necesidad de consumo eléctrico. En este sentido se aplicaría el control mediante la decisión basada en reglas, en casos como el escenario que se plantea a continuación, en el cual las fuentes de energía se dedican al abastecimiento para el propio edificio, sin inyección en la red, y combinadas con tecnología de almacenamiento específica para cada fuente. La Fig. 4 muestra cómo podría ser este sistema de gestión. DIEÑO BAADO EN LÓGICA BORROA La lógica borrosa [ZADEH, L. (965)], permite la partición de variables numéricas en rangos cualitativos, acorde con el pensamiento humano. Este diseño permite implementar técnicas de gestión de la demanda, basándose en reglas antecedente/consecuente, a partir de información cualitativa respecto a la diferencia entre la energía entregada y la consumida, la disponibilidad del hidrógeno, y otros factores. e puede definir mediante reglas la decisión de cuándo transmitir la generación de cada fuente para consumo del edificio, o para almacenamiento energético, con el fin de desplazar la curva de generación para ajustarla a la de la demanda. La generación de la pila de hidrógeno puede ponerse en marcha para suplir picos de consumo, teniendo en cuenta la limitación del suministro de combustible, y por tanto la disponibilidad (y el coste) de éste. La Fig. 5 muestra un ejemplo de inferencia borrosa de tipo ugeno, para tres variables de entrada (diferencia entre el consumo y la generación entregada, disponibilidad de hidrógeno y nivel de carga de baterías) y dos variables de salida (gestión de baterías y puesta en marcha de generación por pila de hidrógeno). 4. CONCLUIONE e ha presentado un desarrollo de tres fuentes ditintas de energías renovables, basándose en datos experimentales. Por tanto, aunque se han validado los resultados, se debe indicar que los modelos son válidos sólo para los elementos específicos de donde se obtuvieron los datos, incluyéndose

6 además en el modelado datos que pueden ser erróneos o con ruido. De igual manera, el planteamiento de la gestión es acorde a un escenario concreto, el del autoabastecimiento, quedando pendiente futuros desarrollos en cuanto al modelado y la integración con la inyección en red, y la adecuada gestión de los flujos de potencia y consumo. Figura 4. Escenario de gestión de la integración de energías distribuidas para el autoabastecimiento. Figura 5. Ejemplo de inferencia borrosa tipo ugeno para toma de decisones en gestión de los recursos distribuidos. 5. REFERENCIA HAYKIN,. (994).: Neural Networks, a Comprehensive Foundation. MacMillan. ZADEH, L. (965).: Fuzzy ets. Journal of Information and Control, 8,