La reducción del consumo de combustible en las microrredes es solo uno de los muchos objetivos que pueden alcanzarse gracias al modelado de las baterías. El modelado de baterías es una técnica conocida, pero sigue evolucionando para responder mejor a las necesidades de la sociedad digital. Estas simulaciones son imprescindibles para el proceso de desarrollo del proyecto, ya que proporcionan información sobre las aplicaciones de almacenamiento de energía antes de la fase de despliegue. También ayudan a determinar la cantidad necesaria de potencia y energía. El modelado de alto nivel de la totalidad de una microrred supone un ejercicio excelente para comprobar la viabilidad de las energías renovables con almacenamiento. Un ejemplo de las herramientas que pueden utilizarse es un paquete de software comercial desarrollado por el National Renewable Energy Laboratory (EE.UU.). Dicho modelado suele basarse en datos horarios, y por ello la granularidad del envío del sistema de almacenamiento de energía es sólida. El modelado de alto nivel es viable incluso con una entrada de datos mínima. Por ejemplo, se puede construir un modelo inicial de microrred con entradas mínimas, tales como las coordenadas geográficas de una localidad en el norte de Canadá con una carga máxima de 130 kW en enero. Con esta información, el modelado de alto nivel crea un perfil de carga típico y ofrece la posibilidad de descargar recursos solares o eólicos específicos de la ubicación. A continuación, el software realiza rápidamente varias simulaciones para optimizar la potencia nominal de energía renovable, junto con un nivel adecuado de almacenamiento de energía. Los resultados indican el ahorro en combustible y, si se detallan suficientes entradas, el retorno de la inversión (ROI). A la hora de modelar los detalles de los sistemas, como el acoplamiento entre varios motores diésel en una microrred grande, o la optimización de los puntos de ajuste para operar con motores diésel en una microrred más pequeña, el modelado debe ser más preciso. Los datos de alta frecuencia, con una resolución de al menos cada 10 minutos, son importantes. Este modelado proporciona información sobre el funcionamiento del sistema, incluida la sincronización de los motores diésel y los tiempos de enfriamiento, para minimizar los arranques de los motores diésel, maximizar el ahorro de combustible y optimizar la duración de la batería. Reducing fuel consumption in microgrids is just one of many objectives that can be achieved thanks to battery modelling. Battery modelling is a known technique, yet it continues to evolve to better address the demands of the digital society. These simulations are critical to the project development process, as they deliver insights into energy storage applications ahead of deployment. They also help establish how much power and energy is required. High-level modelling of an entire microgrid is an excellent exercise to check the viability of renewables with storage. One example of the tools that can be used is a commercial software suite developed by the National Renewable Energy Laboratory (USA). Such modelling is typically based on hourly data and the granularity of ESS dispatch is correspondingly coarse. High-level modelling is feasible even with minimal data input. For example, an initial model of a microgrid can be constructed with minimal inputs, such as the coordinates of a village in northern Canada having a peak load of 130 kW in January.With this information, high-level modelling builds a typical load profile and offers the ability to download location-specific solar or wind resources. The software then quickly performs multiple simulations to optimise the renewable energy power rating, along with an appropriate level of energy storage. The results illustrate fuel savings and, if sufficient inputs are detailed, the return on investment (ROI). When it comes to modelling the detail of these systems, such as bridging between multiple diesels in a large microgrid, or optimising the set points for operating with diesel engines in a smaller microgrid, more accurate modelling is required. High frequency data, at least as granular as every 10 minutes, is valuable. This modelling provides information on system operation, including diesel synchronisation and cooldown times, to minimise diesel starts, maximise fuel savings and optimise battery life. USING SOFTWARE TO MODEL A BATTERY’S LIFETIME PERFORMANCE When exploring energy storage opportunities, battery modelling should be a priority for grid operators. As the market for energy storage systems (ESS) expands, microgrids in remote communities have become an attractive opportunity for the deployment of renewable generation with storage. Given that these communities generally rely on diesel generation, and often face logistical challenges as regards fuel delivery, fuel saving is a fundamental objective. USO DEL SOFTWARE PARA MODELAR EL RENDIMIENTO DE POR VIDA DE LAS BATERÍAS Al explorar las oportunidades de almacenamiento de energía, la prioridad de los operadores de red debería ser el modelado de las baterías. A medida que se expande el mercado de los sistemas de almacenamiento de energía, las microrredes en comunidades remotas se han convertido en una oportunidad atractiva para el despliegue de generación renovable con almacenamiento. Dado que estas comunidades dependen en general de la generación de diésel, y a menudo se enfrentan a retos logísticos en el suministro de combustible, uno de sus objetivos fundamentales es el ahorro de combustible. Los modelos Matlab-Simulink que integran el software HOMER Pro ofrecen una sólida evaluación de las capacidades del sistema de almacenamiento de energía | Saft’s Matlab-Simulink models paired with HOMER Pro software offer a robust assessment of ESS capabilities Almacenamiento de energía | Energy storage FuturEnergy | Septiembre September 2017 www.futurenergyweb.es 101
RkJQdWJsaXNoZXIy Njg1MjYx