Diseño de una red energética descentralizada
La tecnología de red de energía autónoma y el aprendizaje automático tienen como objetivo proteger la red de interrupciones y ataques cibernéticos
Un equipo del Laboratorio Nacional de Energía Renovable (NREL) de EE. UU. Está trabajando en la tecnología de redes de energía autónomas (AEG) para garantizar que la red eléctrica del futuro pueda administrar una base creciente de dispositivos de energía inteligente, energía renovable variable y controles avanzados.
«La red del futuro estará mucho más distribuida y será demasiado compleja para controlarla con las técnicas y tecnologías actuales», dijo Benjamin Kroposki, director del Centro de Ingeniería de Sistemas de Energía de NREL.
«Necesitamos un camino para llegar allí, para alcanzar el potencial de todas estas nuevas tecnologías que se integran en el sistema de energía».
El esfuerzo de AEG prevé un sistema de energía autónomo, una red muy «consciente» de tecnologías y controles distribuidos que trabajan juntos para hacer coincidir de manera eficiente el suministro de energía bidireccional con la demanda de energía.
Este es un eje duro del sistema actual, en el que se utiliza el control centralizado para administrar los flujos de electricidad unidireccionales a los consumidores a lo largo de las líneas eléctricas que se expresan desde los generadores centrales.
En cambio, las rejillas AEG están compuestas unas dentro de otras, como un grupo fractalizado de microrredes. Las secciones o «células» de AEG utilizan la comunicación y la capacidad de control generalizadas para perseguir continuamente sus mejores condiciones operativas, que se ajustan al temperamento de la demanda del cliente, la generación disponible y los precios.
El control descentralizado resuelve algunos desafíos, ya que miles de millones de nuevos dispositivos de energía que generan energía a partir de recursos variables son difíciles de administrar de forma centralizada. Por el momento, el AEG es un marco altamente teórico para construir sistemas de energía futuros, con una aplicación potencial dentro de 10 años y algunos de los primeros usuarios que están probando la tecnología.
AEG surge de un proyecto de la Agencia de Proyectos de Investigación Avanzada-Energía (ARPA-E) llamado Network Optimized Distributed Energy Systems (NODES) que desarrolla métodos de control y optimización en tiempo real para sistemas eléctricos. «Yo diría que para nosotros, todo comenzó con NODES», dijo Andrey Bernstein, investigador principal y director técnico de AEG.
«En términos de algoritmos y marco, NODES cubre solo una celda, una comunidad limitada. Entonces Ben tuvo la idea de tener células que se comunican entre sí para formar un sistema jerárquico que podría cubrir toda la cuadrícula. Así fue como pasó a la perspectiva multicelda».
Con el lanzamiento de NODES en 2015, Bernstein y su colega investigador de NREL, Emiliano Dall’Anese, se fijaron en nuevos algoritmos para una cuadrícula distribuida. Estos algoritmos utilizan el cálculo limitado de muchos dispositivos de los clientes, como los inversores, para hacer funcionar la red de forma funcional.
«Nuestros principales algoritmos provienen de la teoría de la optimización y el control», dijo Bernstein. «Si consulta la literatura, hay una brecha entre los dos: la optimización encuentra soluciones (pero ignora las condiciones del mundo real) mientras que los algoritmos de control trabajan para estabilizarse en condiciones no ideales. Estamos uniendo los dos dominios».
«Lo novedoso de nuestra solución es que abordamos un problema de dos partes», dijo Kroposki. «Primero, debido a la gran cantidad de dispositivos, no podemos usar el control central, sino que debemos distribuir el problema de optimización. El otro problema es que tenemos condiciones que varían en el tiempo, por lo tanto, la optimización cambia cada segundo y debe resolverse en condiciones reales. hora.»
Quedan otros desafíos, como identificar el conjunto completo de funciones del inversor necesarias para ayudar a estabilizar la red, así como los incentivos necesarios.
A nivel teórico, AEG une estos desarrollos, junto con la experiencia de NREL en el desarrollo de tecnología de control, controles de sistemas de distribución y microrredes, y ciberseguridad, en una teoría más amplia y completa.
Al igual que la cuadrícula que el equipo está optimizando, están apareciendo «células» distribuidas de apoyo para AEG. Uno de estos dominios es la energía eólica, en la que un futuro AEG también presupone un parque eólico autónomo.
«Es uno de mis proyectos favoritos con diferencia», dijo Jennifer King, investigadora de NREL que pasó el año pasado construyendo el segmento de viento de AEG. «Es una buena combinación de investigación aplicada, pero todavía podemos trabajar en el nivel técnico fundamental.
Las técnicas y la comunicación entre tecnologías simplemente no existen hoy», dijo. «Un pensamiento es que los edificios pueden cambiar su carga para tratar de igualar (la salida variable de viento), por lo que estamos trabajando con el equipo de edificios para entender cómo».
AEG también está abriendo una caja de Pandora de desafíos técnicos. «Cuanto más indagamos, más temas encontramos que deben abordarse», dijo Kroposki.
Entre ellos está la escala. Actualmente, el equipo está simulando AEG con unos cientos de nodos en la computadora de alto rendimiento ubicada en la Instalación de Integración de Sistemas de Energía de NREL. Pero regiones como el Área de la Bahía en California tienen más de 20 millones de puntos de control. «Se necesitan tiempos de resolución de algoritmos cada segundo. Tratar de decidir el destino de un millón de cosas segundo a segundo es donde entra el desafío», dijo King.
En el mundo real, los sistemas de energía plantean problemas reales. Las comunicaciones se retrasan, los dispositivos de la red provienen de muchos proveedores y los datos no siempre están disponibles donde se necesitan. Este es un desafío especial para Bernstein y su equipo, cuyos algoritmos deben ser robustos a pesar de condiciones no tan ideales.
«Digamos que producimos algoritmos muy buenos», dijo Bernstein. «Aún dependen de la física: la topología de las líneas y los modelos de los dispositivos. Si estás en un edificio y quieres elegir qué encender o apagar, necesitas tener un modelo preciso de ese edificio, que pueda será difícil de encontrar «.
Para superar peculiaridades como los modelos de dispositivos, Bernstein está utilizando big data y herramientas del aprendizaje automático. «A veces, definir el modelo es más difícil que aprender a ser óptimo a partir de datos y mediciones», dijo. «En lugar de construir los modelos, estamos usando datos para aprender el comportamiento óptimo directamente».
Otras condiciones más limitan la AEG; hay preguntas sobre cómo organizar la infraestructura de comunicaciones y, fundamentalmente, cómo proteger esa futura infraestructura de las ciberamenazas.
Estas preguntas prácticas serán el centro de atención a medida que AEG adopte una forma del mundo real.
Si bien Kroposki predice un esfuerzo de 10 años, ya hay avances hacia la comercialización de algoritmos AEG. Siemens está trabajando con NREL para desarrollar técnicas de control distribuido con el apoyo de la Oficina de Tecnologías de Energía Solar del DOE, y Eaton está aprovechando el esfuerzo de AEG para soluciones de movilidad autónoma y electrificada.