Modelado estocástico e integración de recursos energéticos distribuidos en la red eléctrica inteligente
- Autores: Emilio J. Palacios Garcia
- Directores de la Tesis: Antonio Moreno Muñoz (dir. tes.), José María Flores Arias (codir. tes.)
- Lectura: En la Universidad de Córdoba (ESP) ( España ) en 2018
- Idioma: español
- Tribunal Calificador de la Tesis: Enrique Romero Cadaval (presid.), Aurora del Rocío Gil de Castro (secret.), Sarah Rönnberg (voc.)
- Programa de doctorado: Programa de Doctorado en Computación Avanzada, Energía y Plasmas por la Universidad de Córdoba
- Materias:
- Enlaces
- Tesis en acceso abierto en: Helvia
- Resumen
1. Introducción y motivación de la tesis El sector residencial representa aproximadamente el 30% de la energía consumida en los países desarrollados. Esta demanda está actualmente cubierta no solo por combustibles fósiles sino también por fuentes renovables que aseguran una reducción en las emisiones contaminantes, pero que generalmente se encuentran distribuidas, producen intermitentemente y son difíciles de gestionar. Esto exige el desarrollo de políticas energéticas que reduzcan el consumo global y sistemas de control y gestión que tengan como objetivo el consumidor final.
Solucionar estos retos pasa por conocer el comportamiento los consumidores, tanto a nivel agregado para la gestión del sistema, como a nivel individual para el desarrollo de medidas de adaptación de su propio consumo. Además, en este contexto novedoso es necesario estudiar la viabilidad de las distintas estrategias, los beneficios que se pueden obtener y las medidas de control adicionales que pueden ser desarrolladas.
2.Contenido de la investigación La siguiente Tesis doctoral plantea el desarrollo de un sistema de modelado del consumo en el sector residencial como medio para predecir las necesidades de demanda eléctrica dentro de la red inteligente y establecer a partir de ellas medidas de respuesta a la demanda, políticas energéticas y acciones de control que ayuden a la integración de los recursos energéticos distribuidos.
La técnica de modelado escogida sigue una metodología bottom-up (de abajo a arriba) que permite obtener el consumo en el sector residencial como la suma de las contribuciones de cada dispositivo instalado en cada vivienda. Además, la simulación de dichas curvas se ha realizado mediante técnicas estocásticas que permiten reproducir el comportamiento heterogéneo y poco predecible de los residentes con altas resoluciones temporales.
El sistema de modelado se ha dividido en tres componentes principales que son el consumo en iluminación, el consumo en calefacción y aire acondicionado y el consumo en electrodomésticos de uso generales. Esto ha permitido un estudio detallado de las distintas medidas de ahorro energético y potenciales estrategias de respuesta a la demanda, así como el desarrollo de novedosas técnicas de gestión energética.
Todas estas medidas junto con el sistema de modelado han sido implementadas en una herramienta de simulación en la cual se han incluido también datos de producción renovable recogidos en instalaciones reales. De este modo, no solo se ha estudiado el consumo de forma independiente, sino que diversas medidas energéticas han sido también evaluadas.
Finalmente, los modelos y estrategias estudiadas han sido integradas junto con un sistema de contadores inteligentes bajo el paraguas de un edificio gestionable. En este contexto, han aportado una fuente adicional de información hacia la digitalización del sistema eléctrico donde el uso masivo de datos permite implementar estrategias de control aún más avanzadas.
3.Conclusión La tesis ha presentado un modelo para la predicción y simulación del consumo eléctrico en el sector residencial y su uso para la evaluación de estrategias de integración y políticas energéticas. Dicha implementación ha permitido obtener significativas conclusiones sobre el comportamiento de los usuarios desde el punto de vista energético y el impacto de las medidas aplicadas.
El modelo de iluminación ha demostrado el ahorro energético que es posible conseguir mediante la sustitución de los sistemas actuales por tecnologías más eficientes, el tiempo necesario para recuperar la inversión que esto supone y el posible impacto que estos dispositivos pueden tener en la calidad de suministro.
En cuanto al modelado de los sistemas de climatización, el uso particular de sistemas de calefacción eléctricos en ciertas zonas climáticas, así como la incorporación unidades de dispositivos de aire acondicionado se ha presentado como un potencial problema si dicha tendencia se mantiene, debido a que puede desencadenar una sobrecarga del sistema.
Por otro lado, el modelo desarrollado para el resto de electrodomésticos y las medidas de respuesta a la demanda estudiadas han puesto de manifiesto los potenciales ahorros para los consumidores y beneficios desde el punto de vista del operador que estas medidas pueden tener. Así mismo, el porcentaje de aceptación de dichas medidas ha demostrado ser un punto clave en dicho contexto.
La integración del modelo completo junto con datos de producción solar fotovoltaica también permitió estudiar la interacción de los usuarios a bajo nivel con sistemas de baterías y la red eléctrica. En este escenario se demostró la posible sobrecarga que puede ocasionar la inyección descontrolada de producción solar distribuida en ciertos periodos horarios y como un control de baterías en dos niveles puede paliar dicho problema.
Por último, la integración del sistema junto con los datos proporcionados por los contadores inteligentes puso de manifiesto como ambas fuentes de información puede jugar un papel clave en la gestión de recursos distribuidos y ser el paso inicial hacia la digitalización de la energía.
4. Bibliografía Arghira N, Hawarah L, Ploix S, Jacomino M. Prediction of appliances energy use in smart homes. Energy 2012;48:128–34. doi:10.1016/j.energy.2012.04.010.
IDAE. Análisis del consumo energético del sector residencial en España INFORME FINAL. Spain: 2011.
Lopez MA, Santiago I, Trillo-Montero D, Torriti J, Moreno-Munoz A. Analysis and modeling of active occupancy of the residential sector in Spain: An indicator of residential electricity consumption. Energy Policy 2013;62:742–51. doi:10.1016/j.enpol.2013.07.095.
Moreno-Muñoz A, De la Rosa JJG, López MA, Gil de Castro AR. Grid interconnection of renewable energy sources: Spanish legislation. Energy Sustain Dev 2010;14:104–9. doi:10.1016/j.esd.2010.03.003.
Palensky P, Dietrich D. Demand side management: Demand response, intelligent energy systems, and smart loads. IEEE Trans Ind Informatics 2011;7:381–8. doi:10.1109/TII.2011.2158841.
Richardson I, Thomson M, Infield D, Clifford C. Domestic electricity use: A high-resolution energy demand model. Energy Build 2010;42:1878–87. doi:10.1016/j.enbuild.2010.05.023.
Salom J, Marszal AJ, Widén J, Candanedo J, Lindberg KB. Analysis of load match and grid interaction indicators in net zero energy buildings with simulated and monitored data. Appl Energy 2014;136:119–31. doi:10.1016/j.apenergy.2014.09.018.
Swan L, Ugursal V. Modeling of end-use energy consumption in the residential sector: A review of modeling techniques. Renew Sustain Energy Rev 2009;13:1819–35. doi:10.1016/j.rser.2008.09.033.
Widén J, Lundh M, Vassileva I, Dahlquist E, Ellegård K, Wäckelgård E. Constructing load profiles for household electricity and hot water from time-use data-Modelling approach and validation. Energy Build 2009;41:753–68. doi:10.1016/j.enbuild.2009.02.013.
Widén J, Wäckelgård E. A high-resolution stochastic model of domestic activity patterns and electricity demand. Appl Energy 2010;87:1880–92. doi:10.1016/j.apenergy.2009.11.006.
Zhou S, Brown MA. Smart Meter Deployment in Europe: A Comparative Case Study on the Impacts of National Policy Schemes. J Clean Prod 2016;144:22–32. doi:10.1016/j.jclepro.2016.12.031.
