Almacenamiento de energía | Energy storage www.futurenergyweb.es 58 FuturEnergy | Diciembre 2018-Enero 2019 December 2018-January 2019 der los parámetros de la tecnología, incluida la capacidad de energía, carga y de potencia de descarga y el efecto de envejecimiento en la electroquímica. Combinada, esta información va a determinar cómo debe funcionar la planta para optimizar el funcionamiento y equilibrar los costes del sistema, la vida útil de los activos, los gastos de inversión y de funcionamiento. Aprovechar las capacidades del software para modelar el rendimiento de las baterías y el retorno de la inversión Un paso clave al planificar la implantación de una microrred consiste en evaluar el potencial de ahorro de costes que puede lograrse mediante diferentes configuraciones de almacenamiento. Para ayudar a predecir el rendimiento de la vida útil y el retorno de la inversión (ROI) de las distintas opciones, se puede usar un modelado avanzado de baterías, que determine las características de potencia y energía óptimas del sistema de almacenamiento. El modelado de alto nivel, que tiene en cuenta la microrred completa, es un excelente enfoque para evaluar la viabilidad de diferentes implementaciones de sistemas renovables combinados con almacenamiento. Una de las herramientas de modelado más importantes es HOMER Pro, un paquete comercial de software basado en el trabajo de desarrollo inicial llevado a cabo por el NREL de EE.UU. Incluso cuando solo se dispone de datos mínimos, se puede realizar un modelado HOMER de alto nivel. Por ejemplo, se puede construir un modelo inicial de microrred con entradas mínimas, como las coordenadas de una localidad en el norte de Canadá con una carga máxima de 130 kW en enero. Con esta información se crea un perfil de carga típico, con posibilidad de descargar recursos solares o eólicos específicos de la zona. A continuación, el software realiza rápidamente varias simulaciones para optimizar la potencia nominal renovable, junto con un nivel adecuado de almacenamiento. Los resultados indicarán el ahorro en combustible y, si se proporcionan suficientes datos, el ROI. En general, el modelado HOMER utiliza datos horarios; por tanto, la granularidad de los datos predichos para la respuesta del sistema de almacenamiento es muy amplia. El modelado debe ser más preciso a la hora de investigar los detalles de los sistemas, como el acoplamiento entre varios generadores diésel en una microrred grande o la optimización de los puntos de ajuste para operar con los generadores en una microrred más pequeña. Los datos de mayor frecuencia, con intervalos inferiores a 10 s, son inestimables. Este modelado preciso proporciona información sobre el funcionamiento del sistema, incluida la sincronización de los generadores diésel y los tiempos de enfriamiento, para minimizar los arranques de los generadores,maximizar el ahorro de combustible y optimizar la duración de la batería. Un modelado preciso, como el basado en el paquete MATLAB Simulink, requiere datos más detallados para optimizar la metodología de gestión del sistema de almacenamiento. La combinación de un modelado de alto nivel y preciso ayuda a tener una visión más coherente e informada de los requisitos de los sistemas de almacenamiento, lo que permite una evaluación precisa de la viabilidad del proyecto, así como el desarrollo de una estrategia de gestión detallada con el fin de asegurar el éxito del proyecto. ¿Qué datos se necesitan para modelar las baterías? Los datos necesarios paramodelar unamicrorred son relativamente simples. Esto incluye la carga, la potencia renovable, la configuración de los generadores diésel e información sobre cargas gestionables, como calentadores eléctricos de agua. Es strategy, while the ESS supplier will contribute an understanding of the parameters of energy storage technology, including energy, charge and discharge power capacities, and the effect of aging on the electrochemistry. Combined, this information will determine how the plant should be operated to optimise operation and balance lifetime costs, asset lifetime, capital expenditure and operating expenditure. Harnessing software capabilities to model battery performance and ROI A key step when planning the deployment of a microgrid is to evaluate the potential cost savings that may be achieved through different ESS configurations. To help predict the lifetime performance and return on investment (ROI) offered by the various options, an advanced battery modelling can be used to determine the optimumpower and energy characteristics of the ESS. High-level modelling that considers the entire microgrid is an excellent approach to assess the viability of different deployments of renewable energy schemes combined with storage. One of the most important modelling tools available is HOMER Pro, a commercial suite of software based on the initial development work carried out by the National Renewable Energy Laboratory in the US. Even when only minimal data is available, a high-level Homer modelling can be performed. For example, the initial model of a microgrid can be built with minimal inputs, such as the coordinates of a village in northern Canada with a peak load of 130 kW in January.With this information, high-level modelling builds a typical load profile and enables location-specific solar or wind data to be downloaded. The software will then perform multiple simulations to optimise the renewable power rating, along with an appropriate level of energy storage. The results will show the potential fuel savings and, if enough inputs are provided, the ROI. Usually, HOMER modelling utilises hourly data, meaning that the granularity of predicted data for the ESS response is correspondingly coarse. More precise modelling is required when it comes to investigating the detail of these systems, such as bridging between multiple diesel generators in a large microgrid or optimising the set points for operating with diesel generators in a smaller microgrid. Higher frequency data, with intervals no greater than 10 s, are invaluable. This precise modelling provides insights into system operation, including diesel synchronisation and cool-down times, to minimise diesel starts, maximise fuel savings and optimise battery life. Precise modelling, such as that based on the MATLAB Simulink package, requires more detailed inputs to optimise the ESS dispatch methodology. The combination of high-level and precise modelling offers a cohesive, informed insight into ESS requirements, which enables the viability of a project to be
RkJQdWJsaXNoZXIy Njg1MjYx