Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Trabajo de Titulo PFH v2
Trabajo de Titulo PFH v2
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA
TRABAJO DE TÍTULO
DIMENSIONAMIENTO Y UBICACIÓN EFICIENTE DE
B AT E R Í A S E N E L S I S T E M A E L É C T R I C O N A C I O N A L
C O N S I D E R A N D O E S TA B I L I D A D D E V O LTA J E
• A nivel mundial las ERNC se están incorporando a gran escala en los Sistemas Eléctricos de Potencia (SEP)
• Las ERNC traen grandes beneficios para el medio ambiente (tecnologías de generación limpia)
• Problema: representan un desafío en la operación de los SEP para mantener la estabilidad del sistema.
• Bajos aportes de corriente de cortocircuito en comparación con los generadores sincrónicos
• Menor nivel de cortocircuito se traduce en tensiones más sensibles frente a perturbaciones
• Complica mantener la estabilidad voltaje
• Estabilidad de Voltaje: habilidad que posee un SEP para mantener los niveles de voltaje en todas las barras de la red dentro de los
niveles normales de operación ya sea por contingencias
2
Datos: Coordinador Eléctrico Nacional
Introducción
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Motivación
3
Datos: Bloomberg NEF
Marco Teórico
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Algoritmo Genético
Algoritmo Genético
4
Marco Teórico
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Optimización uniobjetivo
• Problemas de optimización tradicionales buscan el valor de variables de decisión que maximicen o minimicen una función
objetivo, y que cumplan con un conjunto de restricciones
• Los algoritmos genéticos son ampliamente utilizados para resolver este tipo de optimizaciones de manera iterativa
• Sin embargo, el problema que se desea abordar consiste determinar simultáneamente cierta cantidad de baterías y su impacto en
la estabilidad del sistema
• Para esto se hace necesario implementar una optimización multiobjetivo donde un objetivo es maximizar el criterio de
estabilidad y el otro es minimizar los costos de inversión
5
Marco Teórico
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Optimización Multiobjetivo
65
Óptima cuando no existe otra solución que mejore un
60 objetivo, sino empeorar al menos uno de los otros.
55 • Usualmente no existe una única solución. El conjunto de
50
soluciones Pareto-eficientes se denomina Frente de Pareto
Óptimo.. Éste y el resto de los Frentes de Pareto se basan
45 en el concepto de dominancia y no dominancia de
40 soluciones.
30 35 40 45 50 55 60 65 70
Función Objetivo 1
6
Marco Teórico
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Optimización Multiobjetivo
75.5
Óptima cuando no existe otra solución que mejore un
75 objetivo, sino empeorar al menos uno de los otros.
74.5 • Usualmente no existe una única solución. El conjunto de
74
soluciones Pareto-eficientes se denomina Frente de Pareto
A C Óptimo.. Éste y el resto de los Frentes de Pareto se basan
73.5 en el concepto de dominancia y no dominancia de
B
73 soluciones.
34 36 38 40 42 44
Función Objetivo 1
65
60
55
50
45
40
30 35 40 45 50 55 60 65 70
Función Objetivo 1
8
Marco Teórico
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Optimización Multiobjetivo
65
60
55
50
45
40
30 35 40 45 50 55 60 65 70
Función Objetivo 1
9
Marco Teórico
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Optimización Multiobjetivo
65
60
55
50
45
40
30 35 40 45 50 55 60 65 70
Función Objetivo 1
10
Marco Teórico
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Optimización Multiobjetivo
65
60
55
50
45
40
30 35 40 45 50 55 60 65 70
Función Objetivo 1
11
Marco Teórico
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Optimización Multiobjetivo
65
60
55
50
45
40
30 35 40 45 50 55 60 65 70
Función Objetivo 1
12
Marco Teórico
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Optimización Multiobjetivo
65
60
55
50
45
40
30 35 40 45 50 55 60 65 70
Función Objetivo 1
13
Marco Teórico
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Optimización Multiobjetivo
65
60
55
50
45
40
30 35 40 45 50 55 60 65 70
Función Objetivo 1
14
Marco Teórico
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Optimización Multiobjetivo
65
60
55
50
45
40
30 35 40 45 50 55 60 65 70
Función Objetivo 1
15
Marco Teórico
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Optimización Multiobjetivo
65
60
55
50
45
40
30 35 40 45 50 55 60 65 70
Función Objetivo 1
16
Marco Teórico
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Optimización Multiobjetivo
65
60
55
50
45
40
30 35 40 45 50 55 60 65 70
Función Objetivo 1
17
Metodología
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Esquema Metodológico
Estrategia implementada
• Los datos de entrada son parámetros técnicos del algoritmo y una base de datos del SEP en el
software DIgSILENT PowerFactory
• Se seleccionan las barras candidatas donde se podrían instalar baterías. Corresponden a las
barras donde la incorporación de baterías tiene un mayor efecto en la estabilidad
• En la iteración se genera una población de individuos
• Cada individuo representa una solución factible al problema de optimización
• En la iteración inicial la población se genera de forma aleatoria
• La población se genera en los procesos de crossover y mutación a partir de un conjunto
de mejores individuos llamado población elite
• Los individuos de la población son evaluados en base al cálculo de la función fitness (valor de
índice de estabilidad de tensión del sistema)
• Se determina si se realiza la búsqueda local. Se realiza cada cierto número de iteraciones
• Se explora la vecindad de individuos seleccionados estratégicamente para tener mejores
soluciones
• Individuos generados se agregan al conjunto de Población Total
18
Metodología
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Esquema Metodológico
Estrategia implementada
• Individuos se clasifican en Fronteras de Pareto en base a su fitness y número de baterías
instaladas
• Se evalúa si se cumplen los criterios de término del algoritmo.
• Si no se termina el proceso, se determina la Población Élite con individuos del conjunto de
Población Total.
• Comienza una nueva iteración. La población generada para la iteración entrante se compone de
tres etapas:
• Selección de candidatos del conjunto élite en base a dominancia y aglomeración con
otras soluciones
• Generación de descendencia por medio del proceso de Crossover pares de los
candidatos
• Se exploran soluciones en el proceso de mutación al modificar aleatoriamente algunas
características de los individuos
19
Caso de estudio
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Características del sistema
Características generales
• Base de datos que modela el Sistema Eléctrico Nacional en
un escenario de planificación al 2028
• La potencia máxima es aproximadamente 38.000 MW
• 15.000 MW corresponden a generación solar, eólica y
almacenamiento
• Este modelo contempla las obras del plan de expansión de la
transmisión 2021
• Se modela en un horario de día (alta penetración ERV, altas
transferencias Norte-Sur y bajas inercias en Norte Grande y
Nueva
Centro
Nueva Nueva Pan de Azúcar
Polpaico
Kimal Los Changos
520 654
Parinas
800
Cumbres
840
Cardones Maitencillo
960 1700 1700
• Tramo Nueva Pan de Azúcar – Polpaico 500 kV se asigna
con capacidad máxima (aproximadamente 1700 MW)
==
==
==
==
==
==
160
130
20
Caso de estudio
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Datos de Entrada
Contingencias
21
Caso de estudio
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Datos de Entrada
22
Caso de estudio
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Definición de casos
23
Resultados
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Falla en Kimal 500 kV
24
Resultados
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Falla en Kimal 500 kV
25
Resultados
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Falla en Kimal 500 kV
26
Resultados
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Falla en Kimal 500 kV
27
Resultados
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Falla en Kimal 500 kV
Caso 2: Multiobjetivo
28
Resultados
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Falla en Los Changos 500 kV
29
Resultados
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Falla en Los Changos 500 kV
30
Resultados
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Falla en Los Changos 500 kV
31
Resultados
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Falla en Los Changos 500 kV
32
Resultados
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Falla en Los Changos 500 kV
Caso 4: Multiobjetivo
33
Conclusiones
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Objetivos
• En la revisión del estado del arte se encontraron diferentes estrategias de algoritmos heurísticos para la optimización multiobjetivo,
siendo las más relevantes el SPEA, NNC y NSGA II
• Se consideraron métodos de optimización de índices de estabilidad con el fin de revisar los antecedentes y mejores opciones de la
literatura para evaluar la robustez del sistema
• Se desarrolló un algoritmo de optimización multiobjetivo que considera los elementos del sistema eléctrico para encontrar el
posicionamiento de equipos de almacenamiento (baterías) dada una contingencia en el sistema
• Al algoritmo de optimización multiobjetivo se le incorporó una estrategia de búsqueda local de la que no existe análisis en la
literatura especializada
• El método diseñado permitió realizar una buena ubicación de baterías en el modelo más realista del Sistema Eléctrico Nacional.
• Los resultados obtenidos indican que las baterías pueden contribuir a la estabilidad del sistema y se puede determinar su cantidad
para distintos escenarios de planificación, destacando aquellos con alta penetración de ERNC
34
Conclusiones
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Tr a b a jo s f u tu r o s
• Los Changos
35
Conclusiones
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Tr a b a jo s f u tu r o s
• Los Changos
36
Conclusiones
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Tr a b a jo s f u tu r o s
• Gran parte de los resultados se concentra para valores mayores al 50% de la cantidad total de baterías. Esto puede corregirse
desarrollando más los criterios de la búsqueda local junto con la formación de la población elite
• Se estudió el almacenamiento y carga de datos en el proceso de ejecución. Se encontró que el tiempo de ejecución del algoritmo
tiene una considerable holgura para ser optimizado
• El algoritmo se puede ampliar para estudiar fallas múltiples dado un caso, esto incrementaría de forma impredecible el tiempo de
ejecución del proceso
• El algoritmo permite la exploración de diferentes funciones objetivo tales como el modelo BESS que se desea implementar, los
múltiples aspectos económicos u otros índices de estabilidad
• En este trabajo el algoritmo desarrollado considera elementos BESS, sin embargo, es posible agregar otros elementos tales como
STATCOMs para ubicar basándose en otros criterios
37
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA
TRABAJO DE TÍTULO
DIMENSIONAMIENTO Y UBICACIÓN EFICIENTE DE
B AT E R Í A S E N E L S I S T E M A E L É C T R I C O N A C I O N A L
C O N S I D E R A N D O E S TA B I L I D A D D E V O LTA J E
Población
Los genes
• El individuo se compone de genes que pueden adquirir valores binarios, enteros o reales.
• En este caso, cada gen representa una barra candidata y puede adquirir valores enteros
• El valor que adquiere cada gen indica la cantidad de unidades de baterías instaladas en esa barra
El individuo y su población
• El conjunto de individuos generados en una iteración se denomina población. Queda
representada por el conjunto
• El conjunto contiene todos los individuos generados durante el proceso de optimización
• La población elite se considera para el crossover y la mutación. Contiene los mejores individuos
de
39
Metodología
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Datos, parámetros y conjunto de barras
candidatas
Selección de barras candidatas para la Datos y parámetros
ubicación de baterías El modelo del sistema en estudio: corresponde a una base de datos en el programa DIgSILENT
PowerFactory.
La base datos contiene:
Las barras candidatas forman el conjunto de barras del SEP que serán • El modelo detallado del sistema eléctrico en estudio
consideradas para el proceso de optimización.
• Falla implementada junto a su ubicación y cálculo de cortocircuito
Cumplen con la tensión nominal y la tensión transitoria máxima.
Los parámetros del programa son:
Se considera la potencia de cortocircuito de la barra como criterio de
• Número de fallas
selección. Las barras con menor potencia son débiles para la robustez del
sistema. • Peso de las fallas
• Tensión del sistema para ubicar baterías
• Tensión transitoria máxima
• Cantidad máxima de barras candidatas
• Cantidad máxima de baterías a instalar
• Potencia aparente de la batería
• Número de generaciones
• Número de individuos de la población
• Frecuencia de búsqueda local
• Cantidad de barras candidatas para la exploración
• Discretización del espacio de búsqueda
• Umbral de empeoramiento
• Retiro máximo de baterías
40
• Probabilidad de mutación
Metodología
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Generación y evaluación de la Población
Crossover
Selección de padres
Cada individuo tiene una probabilidad de selección proporcional a su Frontera de Pareto. Los
mejores individuos tienen mayor probabilidad y los menos aptos aún pueden ser seleccionados
Frontera 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅
1 0.5
Mutación 2 0.25
La cantidad de genes que serán mutados está definida por la siguiente función: 3 0.20
4 0.04
𝑚 ( 𝑁 𝐾 , 𝑁 𝑚𝑢𝑡
𝑔 ) =⌈
𝑁 𝐾 − 𝑁 𝑚𝑢𝑡
𝑔 −1+ √ ( 𝑁 𝐾 − 𝑁 𝑚𝑢𝑡
𝑔 𝑔
2
−1 ) + 8 𝑁 𝐾 𝑁 𝑚𝑢𝑡
⌉
>5 0.01
4
Donde:
: Corresponde al número de baterías que se van a relocalizar entre los genes mutados.
41
Metodología
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Generación y evaluación de la Población
Función Objetivo 1
Función Objetivo
𝑔 La Función Objetivo 1 se define como la suma de las baterías que se instalan
42
Metodología
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Generación y evaluación de la Población
Función Objetivo 2
(∑ (| |))
𝑁𝑐 𝑁𝐾 Función Objetivo
𝑓𝑖𝑡𝑛𝑒𝑠𝑠 ( 𝑥 𝑔 )=∑ 𝜆𝑘 ∙ 𝑈 𝑖𝑘
La Función Objetivo 1 se define como la suma de las baterías que se instalan
en el sistema. Ésta se busca minimizar.
La Función Objetivo 2 cuantifica la caída de tensión durante contingencias,
𝑗=1 𝑖=1 según ciertas condiciones operacionales críticas del sistema. Ésta se busca
maximizar.
Donde:
: Número de contingencias.
: Número de barras candidatas para la localización de baterías.
: factor de peso de la contingencia k.
: voltaje transitorio en la barra i durante la contingencia j con asignación de
unidades de baterías en las barras candidatas g.
43
Metodología
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Generación y evaluación de la Población
Optimización Multiobjetivo
Función Objetivo
{min 𝑛 _ 𝑏𝑒𝑠𝑠 ( 𝑥 ) , max 𝑓𝑖𝑡𝑛𝑒𝑠𝑠 ( 𝑥 ) }
𝑥∈𝑋 𝑥∈𝑋
La Función Objetivo 1 se define como la suma de las baterías que se instalan
en el sistema. Ésta se busca minimizar.
La Función Objetivo 2 cuantifica la caída de tensión durante contingencias,
según ciertas condiciones operacionales críticas del sistema. Ésta se busca
Sujeto a:
maximizar.
𝑔
∑ 𝐵𝑖 ≤ 𝐵𝑚𝑎𝑥
𝑖
Donde:
es la cantidad máxima de baterías que se pueden instalar en el sistema,
definida por el usuario.
44
Metodología
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Búsqueda Local
Zonas de búsqueda
• Todos los individuos de la población total que no han sido seleccionados para este proceso son
candidatos para realizar una búsqueda local
• Para elegir los individuos se realizan los siguientes pasos:
• Se discretiza el eje de las abscisas en rangos definidos por el parámetro de entrada
respectivo
• Se identifican los individuos que pertenecen a cada rango
• Por cada grupo se escoge un individuo de forma aleatoria
45
Metodología
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Búsqueda Local
Zonas de búsqueda
• Todos los individuos de la población total que no han sido seleccionados para este proceso son
candidatos para realizar una búsqueda local
• Para elegir los individuos se realizan los siguientes pasos:
• Se discretiza el eje de las abscisas en rangos definidos por el parámetro de entrada
respectivo
• Se identifican los individuos que pertenecen a cada rango
• Por cada grupo se escoge un individuo de forma aleatoria
46
Metodología
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Búsqueda Local
Zonas de búsqueda
• Todos los individuos de la población total que no han sido seleccionados para este proceso son
candidatos para realizar una búsqueda local
• Para elegir los individuos se realizan los siguientes pasos:
• Se discretiza el eje de las abscisas en rangos definidos por el parámetro de entrada
respectivo
• Se identifican los individuos que pertenecen a cada rango
• Por cada grupo se escoge un individuo de forma aleatoria
47
Metodología
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Búsqueda Local
Adición de baterías
• A cada individuo resultante del proceso anterior se le reintegran la cantidad de baterías retiradas
explorando el conjunto de barras candidatas sensibles
• Una vez que se han probado todas las barras de exploración, se elige la solución que entrega el
fitness más elevado
• Esto se repite hasta que todas las baterías son reintegradas
• Todos los individuos explorados se agregan a la población total
48
Metodología
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Búsqueda Local
Adición de baterías
• A cada individuo resultante del proceso anterior se le reintegran la cantidad de baterías retiradas
explorando el conjunto de barras candidatas sensibles
• Una vez que se han probado todas las barras de exploración, se elige la solución que entrega el
fitness más elevado
• Esto se repite hasta que todas las baterías son reintegradas
• Todos los individuos explorados se agregan a la población total
49
Metodología
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Frontera Pareto y conjunto elite
• Frontera 1
• Frontera 2
• Frontera 3
• Frontera 4
•
•
Frontera 5
Frontera 6
Non-dominated Sorting
• Frontera 7 • El objetivo es clasificar a los individuos en fronteras o frentes de Pareto
• Se considera el valor de la función , que es discrete por representar el
número de baterías. Para cada individuo con dicho valor se revisa la
función
• Se toma aquel individuo en con mayor valor en y se asigna la mayor
frontera de Pareto disponible
• Cuando todos los valores de han sido considerados se completa la
frontera de Pareto
• Esto se repite para todo los valores de hasta que todos los individuos
hayan sido clasificados
50
Metodología
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Frontera Pareto y conjunto elite
51
Metodología
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Frontera Pareto eficiente
52
Metodología
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Frontera Pareto y conjunto elite
53
Metodología
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Frontera Pareto y conjunto elite
54
Metodología
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Frontera Pareto y conjunto elite
55
Metodología
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Frontera Pareto y conjunto elite
56