- INSTRUMENTO Fondo Sectorial Energía
- BENEFICIARIO Juan Andrés Bazerque Giusto : Facultad de Ingeniería
- DEPARTAMENTO Montevideo
- SUBSIDIO UYU 2998000
- FECHA DE INICIO 01.11.2020
- DURACIÓN 25 meses
- AÑO CONVOCATORIA 2019
- CÓDIGO FSE_1_2019_1_159457
- FASE CERRADO
- ESTADO Terminado
El sector eléctrico está encaminado hacia cambios significativos, que ya han comenzado y se harán mucho más pronunciados en la próxima década. Por una parte, del lado de la generación se produce el reemplazo -en Uruguay ya fuertemente consumado- de centrales despachables de fuente térmica, por energías renovables de características intermitentes, eólica y solar. Este cambio tiene profundas consecuencias en el problema de despacho de carga, obligando a una gestión mucho más dinámica de los recursos. Uno de los desarrollos fundamentales que viene ocurriendo recientemente, y que implica un cambio de paradigma en la gestión de la red eléctrica, es el que proveen los sistemas de almacenamiento de energía. El desarrollo de nuevas baterías de gran escala, tanto para su utilización en vehículos e instalaciones domiciliarias, así como su incorporación a nivel de las ?utilities?, permiten por primera vez avizorar una gestión inteligente de la energía combinada con el almacenamiento. Esto no solo impacta en la operación del sistema, sino también en la planificación de la expansión de la red y la matriz energética, permitiendo diferir inversiones. En este proyecto nos proponemos desarrollar nuevos modelos y técnicas de optimización para el sistema eléctrico, apuntando a la integración de sistemas de almacenamiento distribuidos. Preguntas generales a responder son: cómo dimensionar el almacenamiento, en qué puntos ubicarlo, y cómo debe operarse en tiempo real. Para responder a estas preguntas incorporaremos los modelos de flujo de carga, y propondremos algoritmos de programación dinámica aproximada. En particular nos focalizaremos en desarrollar nuevas técnicas de Model Predictive Control, Stochastic Dual Dynamic Programming y Reinforcement Learning, que permitan manejar la dinámica del almacenamiento y las restricciones que imponen la red.
Este informe reporta las conclusiones obtenidas del proyecto de investigación FSE 159457, financiado por la Agencia Nacional de Investigación e Innovación. El proyecto tuvo la participación de los profesores Fernando Paganini, Pablo Monzón, Andrés Ferragut, Enrique Briglia y Juan Andrés Bazerque y contó con la asistencia de los investigadores en formación Mariana del Castillo, Rodrigo Porteiro y Matías Iglesias. Se prevé que en un futuro cercano se agreguen dispositivos de almacenamiento a la red eléctrica uruguaya, ya que la tecnología está disponible a nivel mundial. Estos dispositivos vienen a cambiar una regla en la operación de redes eléctricas que establecía que la potencia generada por las térmicas y fuentes renovables debía ser consumida instantáneamente en los hogares e industrias. Con estos nuevos dispositivos se permite el arbitraje de energía, almacenando los excedentes de eólica y solar durante el día y la noche para verterlos a la red en hora pico. En nuestro proyecto investigamos nuevas técnicas para el control de dispositivos de almacenamiento en la red eléctrica, con métodos basados en inteligencia artificial. Específicamente, analizamos cómo optimizar la carga y descarga de estos dispositivos con especial énfasis en considerar las restricciones que introduce la red eléctrica. Para ello expandimos la teoría de Reinforcement Learning (RL) para agregar restricciones, en particular las que contemplaran el modelo de la red. En las siguientes secciones se destacan los modelos de flujo de carga como restricciones a un problema de optimización, comparando sus propiedades y grados de complejidad. También se discute la relación entre la técnica de programación dinámica estocástica dual (SDDP), que se impuso en las últimas décadas como método de optimización de la red eléctrica [9], y RL, tema de investigación en auge que busca la programación dinámica en base a datos [17],[19], [4]. El informe incluye también una sección quedescribe los avances teóricos [5] [6] obtenidos en conjunto con el grupo de nuestro colaborador el Prof. Enrique Mallada en la Universidad de Johns Hopkins, EEUU. Junto a ellos desarrollamos una metodología para garantizar que las restricciones en un problema de RL puedan satisfacerse con probabilidad uno. La más reciente publicación del grupo de investigación en Uruguay, aceptada a la conferencia ISGT 2024 [14], ahonda en este aspecto. En [14] obtenemos una política de control para dispositivos de almacenamiento en redes eléctricas que satisface las restricciones de capacidad en el intercambio de potencia con la red eléctrica. Estos resultados se exponen también en el capítulo 6 de este reporte. Los experimentos en [14] se hicieron con trazas de energías e ?olica obtenidas del sistema interconectado nacional pero en una red simulada. Prevemos extender este trabajo a un artículo de revista que aplique los resultados de [14] a la red eléctrica uruguaya in corporando también fuentes fotovoltaicas. Para ello realizamos un modelo reducido de la red uruguaya, comparable a un equivalente de Thévenin. Este modelo, que se explica en el capítulo 4 de este informe, se focaliza las líneas de 150kV en el centro del país, las cuales tienen menor margen de capacidad. Asume que las capacidades del resto de la red son más holgadas, de modo que las restricciones de capacidad de las líneas en el resto de la red no se activan antes de que se activen las de nuestro modelo reducido. El efecto de fuentes de energía y cargas en puntos remotos de la red se incorporan en forma de potencias equivalentes por las líneas despejando éstas de un modelo DC-OPF de la red completa. Consideramos que este modelo es una contribución en misma para realizar nuevos estudios de operación del sistema interconectado nacional que contemple el despacho a través de la red. Más allá de este aspecto, la conclusión general de este proyecto es que las técnicas de RL son adecuadas para optimizar la operación de la red, cuando se incorporan dispositivos de almacenamiento. La ventaja comparativa de RL respecto a los modelos tradicionales de control óptimo es que no requiere modelos dinámicos precisos para las los parques eólicos y fotovoltaicos. Por otro lado, un método de RL totalmente basado en datos no sería adecuado ya que descartaría los modelos físicos de red de eficacia ampliamente comprobada. Nuestros avances teóricos nos permiten incorporar estos modelos combinando aprendizaje y optimización para el despacho de energía de los dispositivos de almacenamiento a través de la red.