Serie Energy Speaker – Módulo 3: Almacenamiento de energía y control del sistema de potencia con IA
Visión de conjunto
Sesión 3.2: Desarrollo de controladores de centrales eléctricas de última generación para aplicaciones de almacenamiento de energía,
Dr. Pietro Raboni y Guido Recalcati, NHOA
NHOA, anteriormente Electro Power Systems – Engie EPS, es uno de los principales actores mundiales en almacenamiento de energía y movilidad eléctrica con el objetivo de permitir el cambio de paradigma en el sistema energético global hacia la energía limpia y la movilidad sostenible.
Esta presentación tiene como objetivo mostrar cómo MATLAB®, Simulink® y Simulink PLC Coder™ aceleraron el desarrollo del Power Plant Controller (PPC) propiedad de EEPS. El discurso presenta el PPC como el elemento clave para cualquier planta renovable, de almacenamiento y de Vehicle-to-Grid a escala de servicios públicos. De hecho, estas aplicaciones tienen en común la necesidad de coordinar convertidores de electrónica de potencia de acción rápida junto con las solicitudes de TSO y las decisiones a más largo plazo de un sistema de gestión de energía o un agregador de mercado. Además, el PPC juega un papel vital para las plantas a gran escala en términos de cumplimiento del código de red, así como para conservar y administrar de manera óptima las baterías en las aplicaciones BESS y V2G.
En los últimos 3 años, EEPS actualizó su enfoque de desarrollo de PPC adoptando el diseño basado en modelos y utilizando Simulink. Esto facilitó el diseño de estructuras de control más complejas, su prueba e integración con el resto de nuestra biblioteca. Además, la integración de Git con Simulink facilita el seguimiento del desarrollo de versiones y código en una empresa en crecimiento. Luego, los proyectos de Simulink se convierten automáticamente a diferentes plataformas de control de hardware industrial en una base de proyecto, aprovechando Simulink PLC Coder™ y un conjunto de scripts internos. Esta revolución aceleró todo el diseño de PPC y resultó una ventaja clave durante los meses de COVID-19 para la puesta en marcha remota de las plantas. La presentación se basa en simulaciones y grabaciones de campo recopiladas durante el diseño, la puesta en marcha y el funcionamiento de nuestros proyectos BESS y V2G.
Sesión 3.3: Controlador basado en aprendizaje de refuerzo profundo para la gestión de SOC del sistema de almacenamiento de energía multieléctrica,
Prof. Francisco Gonzalez-Longatt – UniversitetetiSørøst-Norge y Dr. Francisco Sanchez, Researcher – Loughborough University
Los sistemas de almacenamiento de energía eléctrica (EESS) se han vuelto cada vez más atractivos para brindar servicios de respuesta de frecuencia rápida debido a sus tiempos de respuesta. Sin embargo, se requiere una gestión adecuada de sus reservas de energía finitas para garantizar un funcionamiento oportuno y seguro. Esta presentación muestra la implementación de un controlador basado en aprendizaje de refuerzo profundo (DRL) para administrar el estado de carga (SOC) de un Multi-EESS (M-EESS) y proporcionar servicios de respuesta de frecuencia a la red eléctrica.
El controlador basado en DRL decide cuándo cargar o descargar el M-EESS para proporcionar el servicio de frecuencia mientras controla simultáneamente el SOC del M-EESS para alcanzar el nivel deseado. El agente DRL se entrena utilizando un método de actor crítico llamado Gradientes de política deterministas profundos (DDPG) que permite una acción continua y un control SOC más fluido del M-EESS. MATLAB y Simulink se utilizan como marco de modelado y simulación para el controlador. Los modelos de almacenamiento de energía de batería, volante y ultracondensador se han implementado utilizando Simulink junto con el entorno utilizado para definir la observación y las acciones; además, el agente ha sido desarrollado en Simulink aprovechando Reinforcement Learning Toolbox (RLT). El proceso de capacitación se implementó utilizando el script en vivo de MATLAB, lo que facilita la comprensión y el uso del RLT. El controlador propuesto se compara con métodos DRL de referencia y otras técnicas de control, es decir, Fuzzy Logic y un control PID tradicional. Los resultados de la simulación muestran la efectividad del enfoque propuesto.
Sesión 3.4: Diagnóstico y control de plantas geotérmicas con MATLAB
Matteo Galgani y Marco Magrini, ENEL Italia
Enel Green Power GEO se ocupa de la producción de electricidad a partir de fuentes geotérmicas. La flota cuenta actualmente con 35 plantas para un total de 750MW de potencia instalada. Esta presentación se centra en la arquitectura de cálculo adoptada por Enel Green Power para la ejecución de algoritmos tanto con fines de diagnóstico como de control.
El sistema de cálculo está compuesto por dos partes: la primera parte es la ejecución de algoritmos de monitoreo y diagnóstico, residiendo en el Mainframe central; la segunda parte para la ejecución de algoritmos de control, residiendo en el PLC de la producción.
El corazón del sistema es MATLAB, que se utiliza para el desarrollo, prueba y ejecución de los algoritmos desarrollados. Los datos se adquieren de las plantas de producción con un tiempo de muestreo promedio de 5 segundos y se almacenan en el Mainframe central. MATLAB puede acceder a este flujo de datos para el desarrollo de algoritmos basados en datos históricos. Mediante el uso de MATLAB Production Server también podemos ejecutar los algoritmos desarrollados en tiempo real directamente sobre los datos adquiridos por las plantas.
En esta presentación, mostraremos los algoritmos característicos de la planta que usamos para monitorear y diagnosticar, y los algoritmos de control que desarrollamos e implementamos en un PLC para permitir una acción directa y mucho más rápida directamente en un compresor centrífugo.
Acerca de los presentadores
Sesión 3.2
El Dr. Pietro Raboni recibió su BS y MS en Ingeniería Eléctrica de la Università degli Studi di Pavia, Italia, en 2008 y 2011, y el Ph.D. en Tecnología Energética de la Universidad de Aalborg, Dinamarca, en 2016. Actualmente es Jefe de I+D de Sistemas en ENGIE-Eps, Milán, Italia. De 2014 a 2017 fue especialista en modelado de plantas e inversores en ABB, ya sea para productos fotovoltaicos o BESS. Actualmente es miembro del CEI CT-316 y profesor industrial en el Politecnico di Milano, Italia. Es experto en modelado y control de plantas fotovoltaicas y BESS de gran escala, así como microrredes. Sus intereses de investigación abarcan desde inversores hasta controladores de plantas de energía renovable e incluyen EMS para microrredes y aplicaciones V2G.
Guido Recalcati recibió la maestría en Ingeniería Eléctrica del Politecnico di Milano en 2018. Desde entonces, ha estado trabajando con Engie EPS como parte del equipo de I+D. Recientemente se unió a Free2Move eSolutions, una JV entre Stellantis y ENGIE Eps. Sus principales actividades incluyen la simulación y desarrollo de sistemas de control para plantas de almacenamiento de energía y V2G.
Sesión 3.3
El Prof. Francisco Gonzalez-Longatt es profesor titular de ingeniería eléctrica en Instituttfor elektro, IT ogkybernetikk, UniversitetetiSørøst-Norge, Noruega. Su interés de investigación incluye esquemas innovadores (operación/control) para optimizar el rendimiento de futuros sistemas energéticos.
El Dr. Francisco Sánchez recibió su licenciatura en Ingeniería Eléctrica de la Universidad Simón Bolívar, Caracas, Venezuela, en 2011 y una maestría en Tecnologías de Energía Renovable de la Universidad Politécnica de Madrid, España, en 2013. Recientemente completó su doctorado. Licenciado en Ingeniería Eléctrica en la Universidad de Loughborough en el Reino Unido. Su investigación se centra en el desarrollo de técnicas de inteligencia artificial para el análisis de sistemas de potencia y aplicaciones de gestión energética.
Sesión 3.4
Matteo Galgan i recibió su licenciatura en ingeniería informática y se especializó en robótica e inteligencia artificial. El Sr. Galgani ha estado en ENEL durante seis años, donde se enfoca en innovaciones tecnológicas y análisis de datos.
Marco Magrini recibió su licenciatura en Tecnología de la Información de la Universidad de Pisa