herramienta para optimizar el mix eléctrico aplicando ... · generación a nivel horario...

Herramienta para optimizar el mix eléctrico aplicando técnicas de inteligencia artificial

Javier Bonilla

Centro de Investigaciones Energéticas, Medioambientales y Tecnológicas (CIEMAT) Plataforma Solar de Almería (PSA)

Índice

Motivación1

Optimización del Mix Eléctrico2

Inteligencia Artificial: Algoritmos Genéticos3

Herramienta Software4

Resultados5

Aproximación actual

Motivación

? ● Datos históricos● Previsión de cambio

Demanda

● Modelos matemáticos● Estimación generación

Generación

● Criterios definidos ● Aproximación macro

Optimización

¿Como optimizar el mix eléctrico?Potencia instalada óptima de las distintas fuentes energéticas para un año objetivo


Motivación¿Como optimizar el mix eléctrico?

?Aproximación actual

Tecnologías

● Datos históricos● Previsión de cambio

Demanda


Generación


Optimización

Potencia instalada óptima de las distintas fuentes energéticas para un año objetivo


Motivación

?Aproximación actual

Eólica

Termosolar

Fotovoltaica

● Datos históricos● Previsión de cambio

Demanda


Generación


Optimización


Otra aproximación

Motivación

? ● Datos históricos● Previsión de cambio

Demanda

● Datos históricos● Proyección generación

Generación

● Selección de criterios● Detalle horario

Optimización


Optimización del Mix Eléctrico

Demanda y generación de las diferentes tecnologías a nivel horario.

Datos

Minimizar o maximizar uno o varios objetivos.

Objetivos

Suposiciones previas al proceso de optimización.

Hipótesis

Definir las variables que se desean optimizar y restricciones.

Variables a optimizar

Cálculo de variables óptimas que miniminzan o maximizan los objetivos.

Optimización

Optimización del Mix EléctricoOptimización del mix

eléctrico en 2030Demanda y generación de las diferentes tecnologías a nivel horario.

Datos


Objetivos


Hipótesis



2017

Mix Protermosolar

Potencia instalada● Fotovoltaica● Eólica ● Termosolar

● Satisfacer la demanda● Minimizar coste medio generación


Optimización

Datos de 2017 de demanda y generación a nivel horario



Datos


Objetivos


Hipótesis




Optimización

Demanda en 20301,2% incremento anual

Cierre centrales carbón y nucleares



Datos


Objetivos


Hipótesis




Optimización

Replicar perfil de generación horario:●

● Hydráulica + Turbinación por bombeo● Residuos● Termosolar● Cogeneración (8.5 GW)

Horas equivalentes

Biomasa5 GWEólica2.240 h

Fotovoltaica1.840 h

Termosolar3.500 h

16h - 08h

Tanques: 15h

EólicaPotencia instaladaFotovoltaica, Eólica y Termosolar



Datos


Objetivos


Hipótesis




Optimización

Horas equivalentes

Biomasa5 GWEólica2.240 h

Fotovoltaica1.840 h

Termosolar3.500 h

16h - 08h

Tanques: 15h

EólicaPotencia instaladaFotovoltaica, Eólica y Termosolar


Cubrir demanda en orden de despacho

Biomasa5 GW

Biomasa5 GW

Importación / exportación7 GW

Ciclo combinado15,8 GW


Datos


Objetivos


Hipótesis




Optimización

Minimizar diferencia entre demanda y generación total

Satisfacer la demanda

€Coste por fuente energética

previamente fijados

Minimizar el coste

2 2.5

8

43,5

5,56

76

4

7,4



Datos


Objetivos


Hipótesis




Optimización

Espacio de búsqueda extenso y complejo.

Inteligencia Artificial: Algoritmos Genéticos

¿Por qué aplicar técnicas de Inteligencia Artificial?

Mix eléctrico basado en datos históricos no en modelos matemáticos.


Biomasa5 GW

Población Conjunto

de soluciones

SelecciónMejores

soluciones

CruceCombinación de soluciones

MutaciónPequeñas variaciones


PV: P2pv

Eólica: P2E

CSP: P2csp

PV: P1pv

Eólica: P1E

CSP: P1csp

Biomasa5 GW

Población Conjunto

de soluciones

SelecciónMejores

soluciones




PV: P2pv

Eólica: P2E

CSP: P2csp

PV: P1pv

Eólica: P1E

CSP: P1csp

Vertidos

€Coste

Biomasa5 GW

Población Conjunto

de soluciones

SelecciónMejores

soluciones




PV: P2pv

Eólica: P2E

CSP: P2csp

PV: P1pv

Eólica: P1E

CSP: P1csp

Vertidos

€Coste

PV: 1/2 * ( P1pv

+ P2pv

)Eólica: 1/2 * ( P1

E+ P2

E )

CSP: 1/2 * ( P1csp

+ P2csp

)

Biomasa5 GW

Población Conjunto

de soluciones

SelecciónMejores

soluciones



PV: P2pv

Eólica: P2E

CSP: P2csp

PV: P1pv

Eólica: P1E

CSP: P1csp

Vertidos

€Coste

PV: 1/2 * ( P1pv

+ P2pv

)Eólica: 1/2 * ( P1

E+ P2

E )

CSP: 1/2 * ( P1csp

+ P2csp

)

PV: 1/2 * ( P1pv

+ P2pv

) + P0

Eólica: 1/2 * ( P1E+ P2

E ) - P

0

CSP: 1/2 * ( P1csp

+ P2csp

)

Biomasa5 GW

Población Conjunto

de soluciones

SelecciónMejores

soluciones




Vertidos (GWh)

Coste (c€/kWh)

Optimización Multiobjetivo


Vertidos (GWh)

Coste (c€/kWh)

X

X

X X



Vertidos (GWh)

Coste (c€/kWh)

X

X

X X


Frente de Pareto

Herramienta Software

Multiprocessing

Datos Resultados

Web de resultadosOptimización

● Algoritmo genético● Multiobjetivo● Eficiente● Preciso

NSGA-II

Resultados

ResultadosPV:Eólica:CSP:

25 GW33 GW20 GW

Coste:Vertidos:

4.88 c€/kWh830 GWh

Protermosolar


25 GW33 GW20 GW

Coste:Vertidos:

4.88 c€/kWh830 GWh

PV:Eólica:CSP:

19.2 GW38.7 GW15.4 GW

Coste:Vertidos:

4.88 c€/kWh117 GWh

Protermosolar


25 GW33 GW20 GW

Coste:Vertidos:

4.88 c€/kWh830 GWh

PV:Eólica:CSP:

19.5 GW46.7 GW14.4 GW

Coste:Vertidos:

4.69 c€/kWh859 GWh

Protermosolar


25 GW33 GW20 GW

Coste:Vertidos:

4.88 c€/kWh830 GWh

PV:Eólica:CSP:

19.5 GW43.5 GW15.4 GW

Coste:Vertidos:

4.78 c€/kWh344 GWh

Protermosolar


25 GW33 GW20 GW

Coste:Vertidos:

4.88 c€/kWh830 GWh

PV:Eólica:CSP:

19.5 GW43.5 GW15.4 GW

Coste:Vertidos:

4.78 c€/kWh344 GWh

Protermosolar

CSP

PV o Eólica


19.5 GW43.5 GW15.4 GW

Coste:Vertidos:

4.78 c€/kWh344 GWh


19.5 GW43.5 GW15.4 GW

Coste:Vertidos:

4.78 c€/kWh344 GWh

Día más desfavorable para las renovables


19.5 GW43.5 GW15.4 GW

Coste:Vertidos:

4.78 c€/kWh344 GWh

81%


19.5 GW43.5 GW15.4 GW

Coste:Vertidos:

4.78 c€/kWh344 GWh

81%

Optimización con más datos históricos

Resultados

Demanda eléctrica

Potencia instalada

Potencia renovable

Potencia fotovoltaica

Potencia eólica

Potencia termosolar

Potencia biomasa

Emisiones (1)

Vertidos

Coste

Protermosolar Inteligencia Artificial - 2017

296 TWh

130 GW

106 GW 81,5 %

25 GW

33 GW

20 GW

5 GW

4.991 kt CO2

830 GWh

4,88 c€/kWh

296 TWh

130.4 GW

106.4 GW 81,6 %

19,5 GW

43,5 GW

15,4 GW

5 GW

4.356 kt CO2

344 GWh

4,78 c€/kWh

Mix eléctrico - 2030

(1) El cálculo de las emisiones consiera ciclo combinado y resiudos (no se considera cogeneración)

Resultados

● Herramienta útil para el análisis● Permite optimización y evaluación

Conclusiones

● Optimizar mix en varios años● Otras hipótesis ● Distintos objetivos: costes, emisiones, etc.

Futuros trabajos

(1) El cálculo de las emisiones consiera ciclo combinado y resiudos (no se considera cogeneración)

Demanda eléctrica

Potencia instalada

Potencia renovable

Potencia fotovoltaica

Potencia eólica

Potencia termosolar

Potencia biomasa

Emisiones (1)

Vertidos

Coste

Protermosolar Inteligencia Artificial - 2017

296 TWh

130 GW

106 GW 81,5 %

25 GW

33 GW

20 GW

5 GW

4.991 kt CO2

830 GWh

4,88 c€/kWh

296 TWh

130.4 GW

106.4 GW 81,6 %

19,5 GW

43,5 GW

15,4 GW

5 GW

4.356 kt CO2

344 GWh

4,78 c€/kWh

Mix eléctrico - 2030

Herramienta para optimizar el mix eléctrico aplicando técnicas de inteligencia artificial

Javier Bonilla

Centro de Investigaciones Energéticas, Medioambientales y Tecnológicas (CIEMAT) Plataforma Solar de Almería (PSA)

herramienta para optimizar el mix eléctrico aplicando ... · generación a nivel horario...

Documents