Almacenamiento de energía | Energy storage www.futurenergyweb.es 66 FuturEnergy | Agosto-Septiembre August-September 2018 El modelado de alto nivel suele basarse en datos por hora, y por ello la granularidad del envío del sistema de almacenamiento de energía es densa. Este tipo de modelado 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 de una localidad insular cerca de la Costa del Pacífico de EE.UU. con una carga máxima de 150 kW en enero. Conforme a esta información, el modelado de alto nivel puede utilizarse para construir un perfil de carga típico, y se pueden descargar datos solares o eólicos específicos de la ubicación. El software de modelado puede realizar rápidamente varias simulaciones para detectar la potencia óptima de energía renovable, junto con un nivel adecuado de almacenamiento de energía. Los resultados indican el ahorro de combustible y, si se detallan suficientes entradas, el retorno de la inversión. No obstante, un modelado preciso requiere entradas más detalladas y tiempo para optimizar la metodología de envío. La combinación de unmodelado de alto nivel y preciso nos lleva a tener una visiónmás coherente e informada de los requisitos de los sistemas de almacenamiento de energía, permitiendo, a su vez, una evaluación precisa de la viabilidad de un proyecto, así como el desarrollo de una estrategia detallada con el fin de contribuir a asegurar el éxito del proyecto. Requisitos de datos En lo referente al modelado de microrredes, los requisitos de datos son relativamente sencillos. En general, incluyen la configuración de la carga, de los recursos renovables y generadores diésel, así como cualquier tipo de información sobre la gestión de cargas despachable, como por ejemplo, calentadores de agua eléctricos. Además de en las microrredes, también podemos necesitar los sistemas de almacenamiento de energía para reforzar redes débiles, como las de las islas, donde desempeñan un papel clave en la estabilización de la red, abordando tanto la variabilidad de las energías renovables como otras interferencias, por ejemplo, fallos del generador. En esta situación, el modelado de baterías suele basarse en la respuesta de frecuencia, donde la salida del almacenamiento de energía varía de forma constante en función de la frecuencia de red, que se carga cuando la frecuencia es alta y se descarga cuando la frecuencia es baja. En este caso, la entrada (la frecuencia de la red) es sencilla, pero la elección de los parámetros es mucho más compleja, puesto que incluye la banda muerta de la frecuencia, la curva de caída y la importantísima función de gestión del estado de carga. Por consiguiente, es importante tener presente que el dato de entrada de la simulación (frecuencia) se verá modificado por el de salida (potencia de carga o descarga). Es más, puede que los datos disponibles en la actualidad no sean un reflejo fiel del desarrollo previsto de la red, en especial si se trata de la implementación de fuentes de energía renovable en el futuro. Esto hace que resulte fundamental llevar a cabo modelos adicionales mientras el sistema está operativo, y también cada cierto tiempo a lo largo de su vida útil, y ajustar los parámetros de funcionamiento en consecuencia. La experiencia ha demostrado que typical load profile and location-specific solar or wind data can be downloaded. The modelling software can then quickly carry out multiple simulations to identify the optimum renewable energy power rating, along with an appropriate level of energy storage. The results illustrate fuel savings and, if sufficient inputs are provided, the ROI. However, precise modelling requires more detailed inputs and time to optimise the dispatch methodology. By combining high-level and precise modelling, a more cohesive, informed insight into ESS requirements is achieved. This, in turn, enables an accurate evaluation of a project’s viability, as well as the development of a detailed strategy to help ensure project success. Data requirements When it comes to modelling microgrids, the data requirements are relatively simple. They typically include load, renewable resource and diesel configuration, along with any information on dispatchable loads, such as, for example, electric water heaters. Outside microgrids, ESSs may also be needed to support weak grids, such as those on islands, playing a critical role in grid stabilisation by addressing both the variability of renewables and other disruptions, such as generator trips. In this situation, battery modelling is typically based on frequency response, where the energy storage output varies constantly as a function of the network frequency: charging when the frequency is high and discharging when the frequency is low. Here, the input (grid frequency) is simple, but the choice of parameters is much more complex, as it includes frequency deadband, droop slope and the allimportant state-of-charge-management function. It is important to bear in mind that the simulation input (frequency) will be altered by the output (charge or discharge power).What is more, the currently available data may not be a true reflection of the grid’s planned
RkJQdWJsaXNoZXIy Njg1MjYx