See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/318284424

Integración de un algoritmo de gestión de una batería de Pb-ácido en una

estrategia de control óptimo para microredes

Conference Paper · July 2017

CITATIONS READS

0 984

6 authors, including:

Martin P. Marietta Francesc Guinjoan Gispert

Universitat Politècnica de Catalunya Universitat Politècnica de Catalunya
10 PUBLICATIONS   140 CITATIONS    157 PUBLICATIONS   3,039 CITATIONS   

SEE PROFILE SEE PROFILE

Guillermo Velasco Quesada Robert Piqué

Universitat Politècnica de Catalunya Universitat Politècnica de Catalunya
64 PUBLICATIONS   863 CITATIONS    63 PUBLICATIONS   550 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

New Trends in Grid-Connected Photovoltaic Systems View project

MED-Solar View project

All content following this page was uploaded by Martin P. Marietta on 08 July 2017.

The user has requested enhancement of the downloaded file.

 Integración de un algoritmo de gestión de una
batería de Pb-ácido en una estrategia de control
óptimo para microredes
Martin P. Marietta1, B. Samaniego1, F. Guinjoan1, G. Velasco2, R. Piqué2, H. Valderrama Blavi3
1
Depto. Ingeniería Electrónica. Campus Nord – Barcelona Tech (UPC)
2
Depto. Ingeniería Electrónica. Escuela de Ingeniería de Barcelona Este – EEBE (UPC)
3
Depto. Ingeniería Electrónica, Eléctrica y Automática - Universidad Rovira i Virgili - Tarragona
Resumen—Este trabajo sugiere un procedimiento de
integración de un algoritmo de gestión de carga multi-etapas para
una batería de plomo-ácido con una estrategia de control
predictivo basada en la minimización de una función de coste de
operación de una microred. Este enfoque se basa en una
adaptación del modelo de optimización para incorporar etapas de
absorción y flotación después de una primera etapa de carga a
máxima corriente. Los requerimientos de dichas etapas se
procesan independientemente del programa de optimización para
reducir tanto la complejidad computacional como los problemas
de convergencia del primero. Los resultados las simulaciones han
confirmado la viabilidad de este procedimiento a expensas de un
ligero aumento de la función de coste que es asumible en vistas de
la preservación de la vida útil de la batería.
Palabras clave— gestión energética, microredes, optimización,
carga multi-etapas, batería plomo-ácido.
I. INTRODUCCIÓN
Este trabajo forma parte del proyecto MED-Solar [1], cuyo
objetivo es reducir el consumo de combustible de los
generadores diesel de respaldo de una instalación en la zona de
Machrek, donde la red eléctrica se encuentra severamente
afectada por frecuentes cortes de suministro. Dicho proyecto
propone la construcción de una microred (MR), integrando la
generación solar fotovoltaica (FV) y los sistemas de
almacenamiento de energía (ESS) a las instalaciones pre-
existentes compuestas por grupos electrógenos y la conexión a
la red eléctrica [2].
Dentro de este marco, se hace necesario sistema de gestión
de la energía (EMS) para programar adecuadamente el balance
energético de los elementos del sistema con el fin de satisfacer
la demanda a un coste mínimo. Generalmente, el diseño del
EMS incorpora modelos que se formulan como problemas de
optimización y cuya resolución se determina numéricamente
mediante entornos computacionales como GAMS [3] y
AIMMS [4]. Como resultado, el EMS proporciona a los
dispositivos controlables de la MR órdenes basadas en los
perfiles de energía de los distintos dispositivos que minimizan
una función de coste de operación (función objetivo). Estas
órdenes, que forman parte del nivel jerárquico de control más
alto de la MR y se dan generalmente en escalas temporales
horarias y minutales, fijan las referencias de potencia de las
unidades controlables.
Sin embargo, los programas de optimización no suelen tener
en cuenta las limitaciones impuestas por los procesos de carga
y descarga del almacenamiento (p. ej. banco de baterías) para
la preservación de su vida útil. La razón principal por la que
estos procesos no se incluyen dentro de los modelos de
optimización es su elevada complejidad. Del mismo modo, los
modos de carga de los convertidores bi-direccionales o
cargadores de baterías (BC) con que operan frecuentemente
estos equipos no son modelados dentro de los programas de
optimización.
Este trabajo tiene como objetivo integrar los procesos de
carga / descarga de la batería y su gestión a un problema de
optimización sin dificultar su resolución. Por un lado, el
enfoque se basa en la adaptación del programa de
optimización para tener en cuenta dichos procesos y por otro
lado, se incluye un algoritmo ESS que es calculado
separadamente del programa de optimización y que contempla
los modos de operación del BC de acuerdo con un modelo de
batería de Pb-ácido. Vale la pena señalar que este enfoque
introduce un ligero incremento en la función de coste de
operación diario de la instalación.
La organización del trabajo es la siguiente: La Sección II
describe la configuración de la MR y detalla el funcionamiento
del EMS para la programación energética horaria de los
dispositivos. La sección III plantea la problemática de la
integración de un ESS en la gestión predictiva de una MR, la
Sección IV describe algunas características de control en línea
de los BC comerciales y sus modos de operación. La
integración de un algoritmo ESS al programa de optimización
se presentan en la Sección V mientras que la Sección VI
presenta los resultados de algunas simulaciones sobre un caso
de estudio. Finalmente, la Sección VII detalla las conclusiones
de este trabajo.
II. CONFIGURACIÓN DE LA MR Y FUNCIONAMIENTO DEL EMS
La configuración de la MR (propuesta en [5]) se muestra en
la Fig. 1 e incluye: un generador diesel y su unidad de control,
un generador FV y sus inversores, un banco de baterías de Pb-
ácido (de placa tubular inundada) y un BC para gestionar la
energía almacenada. La MR también incluye cargas críticas y

Fig. 1. Configuración de la MR propuesta para el proyecto MED-Solar
no críticas conectadas a distintos buses de corriente alterna
(AC) para asegurar al menos la provisión a las primeras.
La tensión del bus de las cargas lo establece la red, el grupo
electrógeno o el BC, mientras que el inversor FV actúa como
fuente de corriente. Este inversor se conecta al bus AC de las
cargas críticas para ayudar a satisfacer su demanda cuando ni
la red ni el generador diesel están disponibles.
La gestión energética de la MR se realiza en forma
centralizada por medio de un EMS que programa a nivel
terciario la potencia de los dispositivos controlables con el fin
de satisfacer la demanda a un coste mínimo. El EMS se basa
en un programa de optimización numérica constituido por un
modelo de la operación de la MR y por un algoritmo de
resolución, conocido como “solver”, destinado a minimizar
una función objetivo que en este caso es el coste de operación
de la MR. Dicho modelo, que considera el funcionamiento,
límites de operación y modos de operación de los dispositivos,
es complejo al incluir tanto variables contínuas y binarias
como no linealidades en su formulación. Al igual que en este
trabajo, estos modelos pueden ser formulados como problemas
de programación lineal entera y mixta (MILP: Mix Integer
Linear Programming) [6]-[7].
El EMS suele tener carácter predictivo al incluir en sus
cálculos a los pronósticos de generación FV y consumo. Así,
se determina, para un periodo conocido como “horizonte” (por
ejemplo un día) y para una “granularidad” temporal
especificada (por ejemplo una hora) los perfiles de energía de
los elementos de la MR que minimizan la función de coste.
Las entradas de EMS son las siguientes (Fig.2):
--Previsiones de generación FV y demanda para el horizonte
temporal dado (generalmente un día) dividido en N períodos
consecutivos (usualmente 24 horas)
--Estado de carga (SOC) actual del ESS
--Límites operacionales para los generadores y el ESS
--Previsión de los costes de la energía electrica
En el presente trabajo el horizonte temporal es de un día con
Fig. 2. Entradas y salidas de un programa de optimización
intervalos de una hora y los resultados de la optimización son
las siguientes previsiones: la energía FV a inyectar, la
producción de energía del generador diésel, el intercambio de
energía con la red y con el banco de baterías, la evolución
futura del SOC de la batería y la energía horaria de destinada a
las cargas.
III. PROBLEMÁTICA DE LA INTEGRACIÓN DE UN ESS EN LA
GESTIÓN PREDICIVA
Dado que la vida útil del banco de baterías depende
principalmente de las condiciones de operación, es importante
considerar las recomendaciones del fabricante en lo referente a
temperarura ambiente, profundidad de descarga y cantidad de
ciclos de carga - descarga, entre otros factores.
Específicamente, los procesos de carga y descarga abrupta
producen envejecimiento prematuro y por esta razón los BC
actuales disponibles en el mercado incorporan sistemas de
carga multí-etapas. La norma DIN 41773 especifica un
estándar para los fabricantes de estos equipos en lo referente a
las etapas de carga en tiempo reducido: bulk, absorción y
flotación (IUoU charge) que se ilustran en la Fig. 3.
En este sentido, en los trabajos consultados de la
bibliografía no es común encontrar las etapas mencionadas
integradas a los modelos de optimización. Esto podría deberse
a problemas de modelado complejo y de excesiva carga
computacional.
Además los BC comerciales incorporan sus propios
algoritmos de gestión de baterias y ofrecen al usuario la
configuración de ciertos parámetros, como por ejemplo el
estado de carga (SOC) final de la etapa bulk y la duración de
la etapa de absorción, que tampoco suelen ser tenidos en
cuenta por los programas de optimización.
A la vista de lo anterior, el objetivo de este trabajo es
proponer un método que permita integrar un programa de
optimización y los modos de operación de un BC comercial
para determinar un perfil de intercambio energético de la
bateria con la MR que considere las etapas de carga
recomendadas.
IV. CONTROLABILIDAD DE UN BC COMERCIAL COMERCIAL Y
ETAPAS DE CARGA PARA BATERIAS PB-ÁCIDO
Existen en el mercado una amplia gama de BC con distintos

Fig. 3. Secuencia de carga de una batería de Pb-ácido de un BC comercial
según DIN 41773.
modos de carga y controlabilidad. El equipo utilizado en este
proyecto [8] presenta las tres etapas de carga mencionadas
anteriormente y las siguientes características de control en
línea: activación del proceso de carga o descarga,
establecimiento del SOC de finalización del proceso de carga
bulk y tiempo de duración de la fase de absorción, todas
configurables en línea mediante el protocolo de comunicación
CAN Bus [9]-[10].
Dichas etapas poseen las siguientes características:
--Etapa bulk: se produce la transformación de la energía
eléctrica a energía química con mayor intensidad. Esta etapa
presenta un elevado consumo energético a corriente máxima.
La tensión de la batería aumenta progresivamente en
función de la corriente y de la temperatura [11]-[12] hasta
alcanzar un valor pre-determinado (valor de tensión entre 2.35
y 2.40 Voltios por celda (Vpc) [13] que se correspondería a un
SOC aprox. de 0.8 - 0.9.
--Etapa de absorción: se lleva a cabo la recuperación del
electrolito degradado por el proceso anterior, siendo una etapa
necesaria para la prolongación de la vida útil de la batería. En
ella el consumo de energía es bajo y la tensión se ajusta a un
valor constante no superior a 2.40 Vpc para las baterías
utilizadas en este proyecto [14]-[15]. Este nivel de tensión
tiene una duración pre-determinda evitando las sobrecargas
perjudiciales para el equipo. Algunos fabricantes como [16] y
[17] permiten configurar la duración de esta etapa. Como
consecuencia de la tensión constante, la corriente de carga
disminuye progresivamente hasta alcanzar un umbral y
mientras el proceso no supere el tiempo máximo asignado,
posteriormente el equipo conmuta a la etapa de flotación.
--Etapa de flotación: se evita la autodescarga y la
sulfatación de los bornes de la batería. En esta etapa el
consumo de energía es aún menor que en la etapa anterior ya
que el valor de la tensión aplicada a cada celda es de 2.1 Vpc y
la corriente se reduce a valores casi nulos [18].
El conocimiento de la evolución de la tensión y la corriente
en cada etapa requiere de un modelado específico de la
batería. En este trabajo, el modelo utilizado fue propuesto
inicialmente por J.B. Copetti y F. Chenlo [19], simplificado
por R. Dufo Lopez [20] y modificado posteriormente por N.
Achaibou [11] para incluir la etapa de aborción y H. Fakham
[18] para incluir la etapa de flotación. Estos modelos junto con
la estructura lógica de funcionamiento del BC se integran en
un algoritmo específico (algoritmo ESS) cuyo funcionamiento
se explicará en la sección siguiente.
La formulación matemática de los modelos mencionados
no se presentará en este trabajo por motivos de espacio,
pudiendo el lector interesado consultar las referencias.
V. INTEGRACIÓN DEL ALGORITMO ESS
Como ya fue mencionado anteriormente, la inclusión del
modelo de la batería directamente dentro del programa de
optimización conduciría a una excesiva utilización de los
recursos computacionales. Por lo tanto, con el fin de no afectar
adversamente el funcionamiento en línea del EMS, se propone
una estrategia de tres fases, como se resume en la Fig. 4 y se
describe a continuación.
A. 1ra. Fase: Adaptación del modelo de optimización
El programa de optimización determina un perfil de
intercambio energético entre bateria y MR a lo largo del
horizonte minimizando la función de coste de operación. En
dicho perfil se considera que toda la energía destinada a la
carga corresponde a la etapa bulk.
Para incorporar las restantes etapas se agregan restricciones
al modelo de optimización condicionando su resolución a las
siguientes premisas:
a) Inserción de una cantidad mínima de intervalos sin
energía (es decir sin intercambio energético con la MR)
posteriormente a la finalización de la carga bulk. Estos
intervalos se utilizarán posteriormente para computar la etapa
de absorción.
b) Dicha cantidad mínima de intervalos corresponde al
duración máxima recomendada por los fabricantes del BC
como de la batería.
c) Si la cantidad de intervalos adicionados supera a la
cantidad mínima, los intervalos remanentes (antes de la
descarga) son reservados para computar la etapa de flotación
(posterior a la de absorción).
Vale la pena señalar que el SOC máximo (o SOC final de
carga bulk) está acotado superiormente por el parámetro
"Max-end-of-charge" que se ajusta entre 0.8 y 0.9 para evitar
la sobrecarga de la batería en la fase de absorción.
La Fig. 5(a) presenta los resultados de un problema de
optimización en el que no se ha tenido en cuenta el
procedimiento de adición de intervalos después de la carga
bulk. De 12:00 a 13:00 es posible apreciar un intervalo de
descarga posterior al último intervalo de carga,
imposibilitando la carga multi-etapa. A su vez la Fig. 5(b)
presenta un perfil de intercambio energético del mismo
problema pero teniendo en cuenta en las restricciones para la
inclusión de cómo mínimo 4 horas de carga de absorción (tal
como se aprecia el programa de optimización agrega 10 horas
de energía cero después del último intervalo de carga bulk,
posibilitando el cómputo de 6 horas de flotación despúes de
las 4 horas de absorción. De aquí en adelante se hará
referencia a este perfil como PIEAB (Perfil de Intercambio
Energético Adaptado de la Batería)
B. 2da. Fase: Aplicación de un algoritmo ESS específico
Este algoritmo reformula el perfil de intercambio energético

Fig. 4. Propuesta de la arquitectura del EMS
de la batería a escala 5 minutal para el horizonte diario
contemplando tanto características específicas (p. ej.
capacidad nominal), condiciones de operación (p. ej.
temperatura) y el modelo matemático específico de
funcionamiento. El algoritmo prevee la evolución del
intercambio energético de las etapas de absorción y flotación
para la cual el modelo de optimización ya ha previsto las
duraciones. El proceso se inicia con el PIEAB que incluye los
intervalos temporales adicionales sin energía posteriores a la
carga bulk. Seguidamente se procede con los siguentes pasos:
--Paso 1: Al inicio del proceso se determinan los intervalos
en los que se activan cada una de las etapas: bulk, absorción,
flotación y descarga.
--Paso 2: En los doce intervalos 5 minutales de cada etapa
se determina la tensión, la corriente y el SOC de la batería.
Así, el algoritmo ESS presenta el perfil energético que incluye
las etapas de absorción y flotación posteriores a la carga bulk
como se ilustra en la Fig. 6(a). Debido a que el número de
intervalos intercalados en la transición bulk-descarga supera el
valor mínimo de 4 horas de carga de absorción, en las 6 horas
posteriores el algoritmo ESS computa la etapa de flotación. De
aquí en adelante este perfil se denominará PAE (Propuesta del
Algoritmo ESS).
C. 3ra. Fase: Reprogramación de la MR con la PAE
Estas etapas una vez incluidas en el PIEAB, requieren de
una cierta mínima cantidad de energía requiriendo nuevos
balances energéticos en sus correspondientes intervalos. Este
problema puede ser planteado como un segundo problema de
(a)
(b)
Fig. 5. Perfil de intercambio energético (a) Sin modificaciones (no adaptado)
(b) Perfil adaptado de la batería (PIEAB)
optimización, similar al anterior con las mismas restricciones
y función objetivo pero con la diferencia que se eliminan las
restricciones correspondientes a la batería y se utiliza los
valores de la PAE dentro de los balances energéticos en cada
intervalo horario. Con este modelo de optimización
denominado “Modelo de reprogramación EMS” (MRE), se
obtienen nuevos perfiles energéticos para todos los
dispositivos y los set-points para las unidades controlables.
VI. RESULTADOS DE LAS SIMULACIONES Y EVALUACIÓN DE LA
FUNCIÓN DE COSTE
Para verificar la viabilidad de la propuesta, se realiza una
simulación utilizando como situación inicial el PIEAB de la
Fig. 5(b) y aplicando el algoritmo ESS. Se asumen, además,
los siguientes parámetros del banco de baterías: C10 = 1875
Ah, Vbat = 48 V, I10 = 187,5 A y I20 = 375 A y como
condiciones iniciales: ΔT = 0ºC, SOC = 0.5 y un valor de
corriente inicial de baterias de 50 A. Los datos de irradiancia y
demanda se obtuvieron el 15/01/16 en una MR ubicada en el
municipio de Qobbet Bshamra, (provincia de Akkar, Líbano).
La Fig. 6(a) presenta la PAE: etapa bulk de 00:00 a 12:00,
etapa de absorción de 12:00 a 16:00, etapa de flotación de
16:00 a 22:00 y de 23:00 a 24:00 y etapa de descarga de 22:00
a 23:00. Como se puede apreciar en el área ampliada, una
disminución suave al valor de energía cero tiene lugar de
12:00 a 13:00. Además, de 22:00 a 23:00 en la etapa de
descarga se produce la disminución abrupta de la tensión
conjuntamente con los valores negativos de la corriente (Figs.
6(b) y 6(c)). Finalmente, la Fig. 6(d) presenta el perfil de
evolución del SOC del banco de baterías.
La tabla 1 resume los resultados de una simulación con
escala horaria donde las dos primeras columnas figuran la
energía de carga / descarga de la PIEAB y la PAE, en la tercer
columna el SOC de la batería y en la cuarta columna la
descripción de la etapa. A las 00:00 se inicia la etapa bulk
durante un intervalo de 12 horas: de 02:00 a 06:00 la batería
permanece en la fase bulk sin consumo, ya que ni se requiere
ni se abastece energía y posteriormente de 06:00 a 12:00 se
retoma hasta alcanzar el valor de SOC = 0.775. A partir de las
12:00 el sistema ocupa una hora en la carga de absorción (de
 TABLA I
DATOS HORARIOS DEL PIEAB Y PROPUESTA DEL ALGORITMO ESS
Energía Propuesta del algoritmo ESS
Intervalo Energía
horaria del
horario
PIEAB [kWh] horaria SOC ETAPA
[kWh]
00:00 a 01:00 0.789 0.784 0.505 Bulk
(a) 01:00 a 02:00 7.736 7.710 0.577 Bulk
02:00 a 06:00 0 0 0.577 Bulk
06:00 a 07:00 5.798 5.769 0.627 Bulk
07:00 a 08:00 2.922 2.899 0.648 Bulk
08:00 a 09:00 4.203 4.174 0.682 Bulk
09:00 a 10:00 4.589 4.569 0.718 Bulk
10:00 a 11:00 4.809 4.780 0.756 Bulk
(b)
11:00 a 12:00 2.594 2.588 0.775 Bulk
12:00 a 13:00 0 0.999 0.782 Absorción
13:00 a 14:00 0 0 0.782 Absorción
14:00 a 15:00 0 0 0.782 Absorción
15:00 a 16:00 0 0 0.782 Absorción
16:00 a 22:00 0 0 0.782 Flotación
22:00 a 23:00 -4.896 -4.882 0.738 Descarga
(c)
23:00 a 24:00 0 0 0.738 Flotación
Total 28.544 29.361 Diferencia -0.871 kWh

correspondiente a la Fig.4. (Parámetro “Max-end-of-charge” =

0.85 y 4 horas para la etapa de absorción)

(d) La función a minimizar es el coste diario de operación de la

MR expresado en [€/día] definido como:
Fig. 6. Perfiles obtenidos de la aplicación de la propuesta del algoritmo ESS

al PIEAB (a) Intercambio energético de la batería (b) Tensión en la celda (c)
Corriente de la batería (d) SOC de la batería
las cuatro horas disponibles en color gris). De 16:00 a 22:00 y
luego de 23:00 a 24:00, el algoritmo propone una etapa de
flotación, cumpliendo así las condiciones propuestas para la
protección de la batería. Por último, el balance energético final
indica una necesidad energética adicional de 0.817 kWh.
La programación de los dispositivos de la MR antes y
después de la aplicación del algoritmo ESS se muestra en las
Figs. 7(a) y 7(b) respectivamente. Puede apreciarse en el
detalle de la zona ampliada de la Fig. 7(b) que la energía
aportada por la MR para la etapa de absorción (0,999 kWh)
sería suministrada por la red principal, modificando levemente
su perfil horario respecto al de la Fig. 7(a).
Por último, ha de tenerse presente que una vez resuelto el
segundo problema de optimización (MRE), sería posible
configurar el BC comercial en línea (p. ej. a las 00:00 se inicia
el proceso de carga y los set-points para el BC serían: SOC
final de carga bulk=0.775 y tiempo de absorción: 4 hs).
Se hace evidente que la inclusión de la energía extra para la
carga de la batería afectará el coste total de operación diaria de
la instalación. Para cuantificar el incremento se realiza una
segunda simulación considerando la misma función objetivo
en dos casos:
--Caso a: EMS con un programa de optimización en el que
no se ha tenido en cuenta el procedimiento de adición de
intervalos después de la carga bulk.
--Caso b: EMS con la propuesta detallada en este trabajo

t 24
Coste diario = [Coste diésel(t) + Coste de red(t) +
t t1
Coste penalización cargas(t) - Ingreso de red(t)].
Donde t = t1, t2, ..., t24 son los intervalos horarios y:
--Coste diesel(t) es el coste de operación del generador
diesel, teniendo en cuenta un coste unitario de 1,15 € / l.
--Coste de red(t) es el costo horario de compra de energía
de la red. En las simulaciones se ha supuesto una tarifa con
discriminación horaria: 0.056 €/kWh de 02:00 a 07:00, 0.153
€/kWh de 00:00 a 01:00 y de 08: 00 a 13:00 y 0.219 €/kWh)
de 14:00 a 23:00.
--Coste penalización cargas(t) es el costo de penalización
por el no suministro de energía a las cargas no críticas. Se ha
supuesto un valor de 100 € por kWh no suministrado.
--Ingreso de red(t) es el ingreso monetario por la venta de
energía a la red (0.020 €/kWh).
Los resultados señalan que el coste de operación en el Caso
a) es de 52.34 €/día, mientras que en el Caso b) es de 52.59
€/día, lo que supone un incremento del 0,5% del costo diario.
Los modelos de optimización fueron formulados como
problemas de programación entera y mixta (MILP) y resueltos
utilizando el solver CPLEX 12.5.0.0 [21] incluido en GAMS
mientras que el algoritmo ESS se computó en
MATLAB R2016b [22], ambos utilizando un ordenador
personal (Intel Core i7-5500U , 3.0 GHz, 8 GB de RAM,
Windows 10 de 64 bits). El tiempo total de cálculo del caso b)
fue de 20 s, valor mucho menor a la longitud del intervalo
horario y por lo tanto asumible en una operatoria en tiempo
real.
View publication stats
(a)
(b)
Fig. 7. Programación horaria de todas las unidades de la MR antes (a) y
después (b) de la aplicación del algoritmo ESS al PIEAB
VII. CONCLUSIONES
En este artículo se ha sugerido un procedimiento para
integrar un algoritmo de gestión de una batería de Pb- ácido de
un BC comercial a la gestión predictiva de una MR. Este
problema de gestión se plantea como un programa de
optimización y su objetivo minimizar el costo de operación la
instalación. Este enfoque se basa en una adaptación del
programa de optimización para dar lugar a las etapas de
absorción-flotación soportadas por un BC comercial. Estas
etapas se calculan fuera del programa de optimización para
reducir tanto la complejidad computacional como los
problemas de convergencia. A la vez el perfil de intercambio
energético previsto de la batería es perfectamente configurable
en línea través de un protocolo de comunicación soportado por
el equipo. Los resultados de las simulaciones han confirmado
la viabilidad de este procedimiento y han puesto de relieve un
ligero aumento de la función de costes que puede asumirse sin
dificultad para preservar la vida útil del banco de baterías y así
extender la vida util de la instalación.
AGRADECIMIENTOS
Este trabajo ha sido parcialmente financiado por los aportes
del Ministerio de Economía y Conocimiento: DPI2013-41224,
DPI2015-67292 y el apoyo de la Secretaría de Universidades e
Investigación del Departamento de Economía y Conocimiento
de la Generalitat de Cataluña (FI -DGR 2015).
REFERENCIAS
[1] Universitat Politècnica de Catalunya - Barcelona Tech (UPC), “Energy
Campus. MED-Solar project,” UPC, [Online]. Available:
https://campusenergia.upc.edu/en/news/med-solar-more-than-one-year-
of-project. [Accessed 22 December 2016].
[2] G. Velasco and F. Guinjoan, “WP5.3 - Benchmarking of R&D Needs
version 1.0,” 2014. Internal report.
[3] GAMS Development Corporation, [Online]. Available:
http://www.gams.com/. [Last access: 14 May 2016].
[4] AIMMS B.V., «AIMMS,» 2015. [En línea]. Available:
http://www.aimms.com/. [Último acceso: 19 Mayo 2015].
[5] M. Marietta, F. Guinjoan, G. Velasco, R. Pique and D. Arcos-Aviles,
“Analysis of a strategy of predictive control based on time scales for the
management of a connected microgrid,” in 23th Annual Seminar on
Automation, Industrial Electronics and Instrumentation (SAAEI 2016),
Elche - Spain, 2016.
[6] R. Palma-Behnke, C. Benavides, F. Lanas, B. Severino, L. Reyes, J.
Llanos and D. Sáez, “A Microgrid Energy Management System Based
on the Rolling Horizon Strategy,” IEEE Transactions on Smart Grid,
vol. 4, no. 2, pp. 996-1006, 22 January 2013.
[7] M. P. Marietta, M. Graells and J. M. Guerrero, “A Rolling Horizon
Rescheduling Strategy for Flexible Energy in a Microgrid,” in 2014
IEEE International Energy Conference (ENERGYCON), Cavtat, 2014.
[8] “Victron Energy B.V.,” April 2016. [Online]. Available:
https://www.victronenergy.com.es/upload/documents/Manual-
Stationary-batteries-EN.pdf.
[9] “Victron Energy B.V.,” July 2016. [Online]. Available: https://www.
victronenergy.com/upload/documents/Manual-Quattro-5k-8k-10k-100-
100A-230V-(firmware-xxxx4xx)a-EN-NL-FR-DE-ES-SE.pdf.
[10] Matthijs Vader, “Victron Energy B.V.,” [Online]. Available:
https://www.victronenergy.com/upload/documents/Whitepaper-Data-
communication -with-Victron-Energy-products_EN.pdf.
[11] N. Achaibou, M. Haddadi and A. Malek, “Modeling of lead acid
batteries in PV systems,” Energy Procedia 18, pp. 538-544, 2012.
[12] R. Vader, “Victron Energy B.V.,” June 2011. [Online]. Available:
https://www.victronenergy. com.es/upload/documents/Book-Energy-
Unlimited-EN.pdf. [Accessed 03 November 2016].
[13] GERMANOS S.A., «Sunlight OPzS Battery 2V 15 OPzS 1875 Ah,» [En
línea]. Available: www.sunlight.gr. [Último acceso: Noviembre 2016].
[14] Exide Technologies GmbH, «GNB Industrial Power,» 2016. [En línea].
Available: http://www.gnb-nordic.com/en/network/technology/open-
freely-ventilated-batteries/. [Último acceso: Enero 2017].
[15] “Victron Energy B.V.,” April 2016. [Online]. Available:
https://www.victronenergy.com.es/upload/documents/Manual-
Stationary-batteries-EN.pdf.
[16] Victron Energy B.V., «Manual Quattro 5000 120-240V Revision 02,»
28 Marzo 2011. [En línea]. Available: www.victronenergy.com. [Último
acceso: 19 Enero 2017].
[17] SMA Solar Technology AG, «Operating Manual Sunny Island 3.0M /
4.4M / 6.0H / 8.0H Sunny Remote Control,» 2016. [En línea].
Available: http://www.sma.de/en/products/battery-inverters/sunny-
remote-control.html. [Último acceso: 19 Enero 2017].
[18] H. Fakham, D. Lu and B. Francois, “Power Control Design of a battery
charger in a Hybrid Active PV generator for load following
applications,” IEEE Transaction on Industrial Electronics, vol. 58, no. 1,
pp. 85-94, 2011.
[19] J. B. Coppeti and F. Chenlo, “Lead/acid batteries for photovoltaic
applications. Test results and modeling,” Journal Power Sources, Vols.
(1-2), no. 47, pp. 109-18, 1994.
[20] R. Dufo-López, J. M. Lujano-Rojas and J. L. Bernal-Agustín,
“Comparison of different lead–acid battery lifetime prediction models
for use in simulation of stand-alone photovoltaic systems,” Applied
Energy, vol. 115, pp. 242-253, 2014.
[21] The IBM website on CPLEX. [Online]. Available: http://www-
01.ibm.com/software/commerce/optimization/cplex-optimizer/.
[22] The MathWorks, Inc., «MATLAB,» [Online]. Available:
https://es.mathworks.com/products/matlab/. [last acces: 11 November
2016].