Este protocolo presenta un método de planificación de capacidad para bases de energía renovable eólica-fotovoltaica-almacenamiento térmico, integrando incertidumbre, flexibilidad intradía y costes operativos. Emplea simulaciones de producción secuencial y un algoritmo de descomposición anidada de Benders para optimizar la construcción y el funcionamiento.
Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.
Artículo de investigación
Planificación de la capacidad de bases energéticas eólica-fotovoltaica-almacenamiento térmico considerando los costes de ajuste intradía mediante descomposición de blegadores generalizados anidados
En este artículo
Resumen
Resumen
Cada vez se despliegan más bases de energía renovable a gran escala en regiones áridas, que ofrecen condiciones favorables para la generación eólica y fotovoltaica apoyadas por sistemas de almacenamiento de energía y líneas de transmisión de larga distancia. Sin embargo, la planificación de tales bases se complica por la alta variabilidad de la generación renovable, recursos de flexibilidad limitados y complejos compromisos multiobjetivo. Para abordar estos problemas, este estudio propone un modelo de planificación de capacidad para bases de energía renovable eólica-fotovoltaica-almacenamiento térmico, minimizando los costes de construcción y operativos, teniendo en cuenta la incertidumbre y cuantificando explícitamente el valor de los recursos de flexibilidad. En comparación con los modelos existentes de planificación de capacidad que se basan en formulaciones deterministas o representaciones estocásticas simplificadas de dos etapas, el modelo propuesto integra explícitamente la flexibilidad operativa intradía y los costes de error de pronóstico en la planificación del ciclo de vida. Los costes operativos se evalúan mediante simulaciones de producción secuenciales, en las que los errores de previsión intradiaria se incorporan mediante los costes de desviación y los requisitos de flexibilidad. Se utiliza una estrategia de muestreo híbrida que combina muestreo hipercube latino y muestreo de importancia para la generación de escenarios, seguida de la reducción de escenarios para mejorar la eficiencia computacional. Para resolver el modelo de optimización, se desarrolla un marco anidado de descomposición generalizada de Benders, que descompone el modelo en un problema maestro y varios subproblemas de simulación de producción, que se dividen a su vez en capas mixtas de enteros y variables continuas para mejorar la manejabilidad computacional y la precisión de la solución. Los estudios de caso demuestran que el modelo y algoritmo propuestos demuestran el papel de los recursos de flexibilidad, lo que resulta en una capacidad económicamente viable y prácticamente implementable bajo una alta penetración de renovables. Al tener explícitamente en cuenta las desviaciones de previsión intradiaria, los planes resultantes aseguran la adecuación de reservas para más del 95% de las realizaciones de incertidumbre, manteniendo a la vez la viabilidad económica y la práctica aplicable. Además, se cuantifica el impacto de las penalizaciones por emisiones de carbono en la asignación de capacidad y la utilización de energías renovables, destacando las implicaciones para el diseño y las estrategias de planificación de sistemas para las bases de energía renovable eólica-fotovoltaica-almacenamiento térmico.
Introducción
La acelerada transición hacia la neutralidad de carbono ha impulsado el despliegue a gran escala de energía eólica y fotovoltaica, creando nuevos retos para la flexibilidad y fiabilidad del sistemaeléctrico 1. Las regiones desérticas y semiáridas ofrecen abundantes recursos complementarios de viento y solar, así como una amplia disponibilidad detierras 2. Estas características las convierten en ubicaciones atractivas para bases integradas a escala eólica-solar-térmica de servicios públicos, que dependen del almacenamiento de energía y la transmisión a larga distancia para alinear la disponibilidad de recursos con la demandadel sistema 3.
Planificar bases tan grandes presenta varios desafíos. Las capacidades suelen alcanzar decenas de gigavatios, por lo que la variabilidad renovable y la capacidad despachable limitada conllevan un alto riesgo de restricción y requieren un modelado explícito de la incertidumbrede la previsión 4. El acoplamiento operativo estrecho entre los recursos eólicos, solares, térmicos, de almacenamiento y transmisión complica significativamente la modelización del sistema. Además, la planificación de la capacidad debe abordar simultáneamente múltiples objetivos, incluyendo la eficiencia económica, el desempeño medioambiental y la seguridad operativa. La coexistencia de un fuerte acoplamiento operativo y requisitos multiobjetivo incrementa sustancialmente la complejidad de la toma de decisiones.
Una amplia investigación ha abordado la planificación de capacidad para sistemas integrados de energía eólica-solar. Zhou et al.5 incorporaron los costes de resistencia ecológica en la ubicación y la optimización de la capacidad para abordar conjuntamente los objetivos medioambientales y económicos. Shang et al.6, Dai et al.7 y Zheng et al.8 examinaron la coordinación multi-energía y la programación de almacenamiento distribuido, demostrando que la operación coordinada puede mejorar significativamente la eficiencia de costes y el rendimiento de las emisiones. Específicamente, se propuso un modelo conjunto de planificación para sistemas de cogeneración con almacenamiento integrado en Shang et al, utilizando optimización robusta para mejorar la complementariedad multi-energía y el rendimiento de costes. Se introdujo un modelo de despacho dinámico robusto en la distribución en Dai et al., que aprovechaba el valor condicional en riesgo (CVaR) para mejorar la robustez del sistema bajo condiciones extremas. De manera similar, la programación centralizada del almacenamiento distribuido demostró en Zheng et al que supera al control descentralizado tanto en términos de ahorro de costes como de mitigación de emisiones. Las restricciones de emisiones de carbono también se han incorporado en los modelos de planificaciónrenovable 9,10, ampliando su relevancia bajo los objetivos de políticas bajas en carbono.
También se han estudiado estrategias de dimensionamiento para almacenamiento de energía. Un modelo de configuración híbrida de almacenamiento para microredes eólica-solar fue propuesto en Li et al.11, y posteriormente se extendió a sistemas de almacenamiento multitipo con relaciones de capacidadoptimizadas 12. Otros estudios13 investigaron sistemas acoplados de almacenamiento eólico-solar-térmico y plataformas de almacenamiento compartido, aplicando marcos multiobjetivo y teóricos de juegos para la optimización coordinada. Los modelos multiobjetivo que equilibran objetivos económicos, de baja carbono y de operación distribuida para clústeres de microredes se desarrollaron aún más en Zhang et al.14, empleando a menudo optimización estocástica o robusta para gestionar la incertidumbre.
La programación del sistema y la fiabilidad operativa bajo incertidumbre también han recibido atención. Marcos de optimización robusta/basada en datos de dos etapas y dos etapas fueron formulados en Li et al.15, abordando explícitamente las incertidumbres de carga y covariables. La planificación de la transmisión para recursos integrados de viento, solar y térmico con control de riesgos integrados se presentó en Wu etal 16. Para bases de almacenamiento eólico-solar-térmico a gran escala, la co-optimización de las capacidades de conexión y almacenamiento ha demostrado mejorar tanto el rendimiento económico como la fiabilidad, especialmente para sistemas remotos oislados 17. Estudios relacionados han cuantificado aún más el potencial de reducción de emisiones de las tecnologías de generación integradaen almacenamiento18, mientras que en Shao et al.19 se desarrolló una planificación con riesgo limitado de microredes rurales que integran hidrógeno y almacenamiento en baterías, mejorando la resiliencia y reduciendo costes a largo plazo.
El objetivo de este estudio es desarrollar un marco de planificación de la capacidad del ciclo de vida para bases de transmisión eólica-fotovoltaica-almacenamiento a gran escala que cuantifique explícitamente el valor de la flexibilidad incorporando los costes de error de previsión intradía en la toma de decisiones operativas y de inversión. En resumen, los errores de previsión intradiaria y sus impactos en costes (restricción, cortes de carga, provisión de flexibilidad) se omiten con frecuencia, lo que minimiza el valor de flexibilidad y tergiversa las características operativas bajo alta penetración de renovables. Además, muchos trabajos dependen de solucionadores heurísticos (por ejemplo, NSGA-II, PSO) que manejan la no linealidad pero carecen de garantías de convergencia.
Este estudio incorpora explícitamente los costes de error de pronóstico intradiario en un marco de planificación de capacidad del ciclo de vida para bases de eólica-PV-almacenamiento-transmisión.
A diferencia de los estudios existentes de planificación de capacidad que tratan la incertidumbre operativa de forma implícita o ex post, este estudio integra directamente los costes de error de previsión intradía en un marco de planificación del ciclo de vida, permitiendo una valoración más precisa de los recursos de flexibilidad para responder a la incertidumbre intradía, y resuelve el problema de enteros mixtos a gran escala resultante mediante un enfoque de descomposición secuencial basado en simulación.
Las principales contribuciones se resumen de la siguiente manera: (i) Se desarrolla un modelo de planificación de la capacidad de transmisión eólica-fotovoltaica-almacenamiento-capacidad de transmisión con una consideración explícita del valor de los recursos de flexibilidad. La función objetivo minimiza conjuntamente los costes de inversión y operativos. Los costes de ajuste intradía se incorporan explícitamente al coste operativo para cuantificar mejor el valor de flexibilidad. Los costes operativos se evalúan mediante simulación secuencial de producción, incluyendo una etapa de anticipación y una etapa de ajuste intradía que tiene en cuenta los errores de previsión. (ii) Se desarrolla un marco eficiente de generación de muestras y reducción de escenarios. Se producen muestras de incertidumbre de alta calidad utilizando muestreo hipercúbico latino combinado con muestreo de importancia, y se emplea reducción de escenarios para mantener la representatividad mientras se alivia la complejidad computacional. (iii) Se propone una solución anidada basada en GBD. El modelo de planificación se divide en un problema maestro de asignación de capacidad y múltiples subproblemas de simulación secuencial, que se dividen a su vez en formulaciones enteras de nivel superior y continuas de nivel inferior. Esta estructura jerárquica permite una optimización eficiente y mejora la escalabilidad computacional para problemas de variables mixtas a gran escala.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Protocolo
Resumen del protocolo
Este estudio sigue un protocolo de tres pasos para planificar la capacidad del ciclo de vida bajo incertidumbre intradía. (i) Formular e implementar el modelo integrado de planificación y operación en MATLAB. Se formula un modelo integrado de planificación de capacidad y operación para una base de transmisión eólica–fotovoltaica–almacenamiento. La función objetivo y las restricciones se implementan en MATLAB R2023a usando YALMIP, las variables de decisión se definen con sdpvar y CPLEX 12.10 está configurado como el solucionador de enteros mixtos. La formulación del modelo incluye la estructura general, la función objetivo y las restricciones. (ii) Generar escenarios de incertidumbre para la operación intradía. Los datos históricos de series temporales sobre energía eólica, producción fotovoltaica, demanda de carga y precios del mercado eléctrico se extraen de conjuntos de datos públicos20. Las distribuciones de probabilidad se ajustan para cada variable incierta, y se generan escenarios representativos diarios usando muestreo hipercúbico latino combinado con muestreo de importancia. (iii) Resolver el problema de planificación usando la descomposición generalizada de Bendersanidada 21 y finalizar los resultados. El problema resultante de planificación mixta a gran escala se resuelve utilizando un marco anidado de descomposición generalizada de Benders. Los subproblemas operativos y el problema maestro de planificación se iteran hasta la convergencia. Finalizar los resultados registrando las capacidades óptimas, los calendarios operativos y los costes asociados, y publicarlos para su análisis y validación posteriores.
Formular el modelo de optimización
El modelo de planificación de capacidad para bases integradas de energía eólica, solar, almacenamiento y transmisión en regiones áridas minimiza el coste del ciclo de vida del sistema, incluyendo componentes de construcción/mantenimiento y producción/operativos. El coste de construcción es una función determinista de las capacidades planificadas de viento, fotovoltaica, almacenamiento y transmisión, mientras que el coste operativo se obtiene a partir de una simulación secuencial de producción que captura el rendimiento operativo práctico bajo incertidumbre. La simulación secuencial comprende una etapa de programación con antelación de un día (compromiso de unidades por escenario usando la previsión de viento/fotovoltaica/carga para establecer los estados de encendido/apagado del generador y despacho) y una etapa de ajuste en tiempo real intradía (despacho térmico, regulación de líneas amarradas, operación de almacenamiento, restricción de energías renovables y, si es necesario, corte de carga) que mitiga desviaciones y genera el impacto en costes de los errores de previsión. La incertidumbre se modela en dos niveles: (i) incertidumbre de la previsión diaria, representada por múltiples escenarios muestreados de carga eólica–fotovoltaica a partir de datos históricos con soluciones UC independientes; y (ii) desviaciones intradías, representadas por cuantiles representativos de distribuciones de pronóstico-error para estimar los costes de ajuste y asegurar suficiente flexibilidad operativa.
Formulación de la función objetivo
El objetivo general del modelo de planificación es minimizar el coste total, incluyendo los costes de construcción Cen condiciones y el coste operativo C opt por la base de energía eólica–solar–térmica–almacenamiento 22
(1)
El coste de construcción para cada tipo de instalación i ∈ {W, P, S, T} se formula como:
(2)
donde Si es la capacidad instalada y βcontras, i, γcontras, i son coeficientes de coste lineales y cuadráticos. Yo
= W denota energía eólica, fotovoltaica P , almacenamiento S y transmisión T .
El coeficiente cuadrático γcontras,i refleja la escala no lineal del coste de construcción con la capacidad instalada, capturando economías (o deseconomías) de escala basadas en la práctica típica de la ingeniería.
La simulación secuencial de producción emplea una formulación de coste multiobjetivo21, en la que el coste operativo total Copt se expresa como la suma del coste de generación térmica CH, la penalización por cortes de carga Crel, el coste de emisiones de carbono CCO2, el coste de comercio eléctrico CT y el coste de regulación intradía Creg:
(3)
El coste de generación térmica se formula como:
(4)
donde uH,t,g denota el estado de encendido/apagado de la unidad térmica g en el tiempo t (binario), PH,t,g es su salida, y αg, βg y γg son los coeficientes de coste fijo, lineal y cuadrático, respectivamente.
La penalización por corte de suministro se formula como:
(5)
donde lapérdida u, t es el indicador de corte de carga (binario) en el tiempo t, lapérdida P, t es la carga reducida, y τL y ρpérdida, 0 son coeficientes de penalización que reflejan los requisitos de fiabilidad del suministro.
El coste de emisiones de carbono se formula como:
(6)
donde χCO2 es el factor de penalización de carbono, PT,t es la potencia de enlace (positiva para importaciones), y ξred y ξH,g son los coeficientes de emisiones de las importaciones de red y la unidad térmica g, respectivamente.
El coste de compra/venta de electricidad se formula como:
(7)
donde πT,b,t y πT,s,t son los precios de compra y venta de la electricidad en el tiempo t, respectivamente.
El coste de ajuste intradía se formula como:
(8)
donde cT, cL y cWP son los costes unitarios para ajustes de líneas de conexión, gestión del lado de la demanda y reducción de renovables, respectivamente. ΔPTL,t y ΔPTU,t son ajustes de línea de amarre para carga neta inferior y superior a la previsión, respectivamente; ΔPL,t denota ajustes por el lado de la demanda bajo excedente neto de carga; y ΔP WP, es la producción renovable restringida bajo déficit neto-carga.
El coste de ajuste intradía cuantifica el gasto incurrido debido a desviaciones en tiempo real respecto a las previsiones del día. Cuando la carga neta supera las previsiones, se requieren ajustes al alza en la generación térmica, las importaciones de líneas de enlace o intervenciones en el lado de la demanda. Por el contrario, cuando la carga neta queda por debajo de las previsiones, se emplean despachos térmicos descendentes, exportaciones de líneas de enlace o restricción de renovables para mantener el equilibrio del sistema.
Formulación de las restricciones
Las restricciones se formulan de la siguiente manera:
Restricciones de salida de la unidad térmica
(9)
donde SH,g denota la capacidad de la unidad térmica g, y 
y 
representan los factores de salida máximo y mínimo de la unidad g, respectivamente.
Restricciones de salida eólica y fotovoltaica
(10)
donde SW y S P son las capacidades instaladas de la eólica y la energía fotovoltaica, respectivamente, y 
PP,t representan sus salidas en el tiempo t. Los coeficientes 
y 
denotan los factores máximos de salida del viento y la energía fotovoltaica en el tiempo t.
Restricciones de salida de la batería
(11)
donde PS, t es la potencia de la batería (positiva para descarga), mientras que PS, ch, t y PS, dis, t representan la potencia de carga y descarga en el tiempo t, respectivamente.
Exclusividad de carga/descarga de baterías
(12)
donde u S, ch, t es una variable binaria que indica el estado de carga de la batería (1 para carga a través de la red, 0 para descarga), y SS, P denota la capacidad nominal de potencia de la batería.
Balance energético de la batería
(13)
donde ES,t es la energía almacenada en el tiempo t, y ηch y ηdis denotan eficiencias de carga y descarga, respectivamente.
Limitaciones de potencia de transmisión
(14)
donde PT,b,t y P T,s,t representan la energía comprada y vendida a través de la línea de transmisión en el tiempo t.
Exclusividad de compra/venta de transmisiones
(15)
donde uT,b,t es una variable binaria que indica la compra de energía (1 para importar desde la red, 0 para exportar a la red).
Restricción del balance energético
(16)
donde PL,t es la demanda local de carga, y P loss,t es la carga limitada en el tiempo t.
Restricción mínima de capacidad en línea
(17)
donde S min,sys denota la capacidad mínima requerida en línea de las unidades térmicas locales.
Limitaciones mínimas de tiempo de activación/inactividad
(18)
donde vg, t y wg,t son variables binarias que indican el arranque y apagado de la unidad g en el tiempo t, y T U y TD denotan los tiempos mínimos de subida y bajada de las unidades térmicas.
Determinar los costes de producción únicamente mediante el compromiso de unidades con un día de antelación no es suficiente para captar los desafíos de flexibilidad inducidos por errores de prevision. Además, no refleja adecuadamente el valor económico de los recursos de flexibilidad para garantizar una operación segura y fiable.
Debido a la variabilidad inherente del viento y la energía fotovoltaica, la carga neta experimenta fluctuaciones dinámicas durante la operación intradía. Para abordar esto, se introduce modelización de costes de regulación intradiaria para cuantificar los impactos económicos de los recursos de flexibilidad y su adecuación para mitigar desviaciones bajo incertidumbre.
La Figura 1 ilustra el concepto de ajuste intradía y los costes asociados de ajuste. El eje horizontal representa la potencia. El marcador púrpura claro indica la previsión diaria de la carga neta, correspondiente a la generación y intercambio programados de energía. La carga neta intradía real puede desviarse de esta prevision, que se caracteriza por la curva de densidad de probabilidad cian. Para acomodar estas desviaciones, las unidades térmicas y las líneas de amarre pueden ajustarse en relación con el calendario del día, indicado respectivamente por la flecha azul marino y la flecha rosa. El área sombreada con tramas resalta la porción de desviaciones netas de carga que no puede ser cubierta por la capacidad de ajuste disponible. Estas desviaciones descubiertas pueden conducir a la reducción de energías renovables o a cortes de carga, lo que a su vez afecta al equilibrio energético y la seguridad del suministro, al tiempo que introduce riesgos y costes adicionales.
Figura 1: Ilustración de la programación del día previo y el ajuste intradía. Por favor, haga clic aquí para ver una versión ampliada de esta figura.
En el tiempo t, la reserva giratoria ascendente RU,t y la reserva giratoria descendente RD,t se definen como:
(19)
Existen errores de previsión para el viento, la fotovoltaica y la carga. En general, las previsiones de carga son generalmente más precisas, mientras que las previsiones fotovoltaicas presentan un error mayor. Cuando la carga se sobreestima y la producción renovable se subestima, el sistema se enfrenta a excedente de energía, lo que requiere una regulación a la baja significativa. Por el contrario, la subestimación de la carga y la sobreestimación de la producción renovable provocan escasez de suministro, lo que requiere una regulación al alza sustancial.
Para evaluar plenamente las necesidades de flexibilidad, se construyen dos escenarios extremos: uno dominado por requisitos de regulación ascendente y otro por requisitos de regulación descendente. En el tiempo t, la flexibilidad ascendente y descendente exige L U,t y LD,t se expresan como:
(20)
donde σL, σW y σP son constantes determinadas por las precisiones de previsione de carga, viento y PV, respectivamente.
La flexibilidad ascendente se proporciona secuencialmente mediante generación térmica, importaciones de línea de enlace y gestión de la demanda, mientras que la flexibilidad hacia abajo se proporciona mediante generación térmica, exportaciones de líneas de enlace y la reducción de energías renovables:
(21)
Generación de las muestras
Obtener datos históricos: la producción fotovoltaica, la producción de energía eólica, la demanda de carga y las series temporales de precios de la electricidad se descargan del repositorio de datos del sistema abierto20. Las marcas de tiempo y los valores faltantes del preproceso se alinean mediante interpolación lineal (función interp1 en MATLAB). Cada parámetro se divide en intervalos de 15 minutos, lo que resulta en 96 puntos de datos diarios para cada variable.
Ajustar distribuciones de probabilidad: Las distribuciones beta se ajustan para la producción fotovoltaica, las distribuciones de Weibull para la producción eólica, las distribuciones normales para la demanda de carga con ciclos diarios/estacionales embebidos, y las distribuciones log-normales para precios de compra y venta.
Genera escenarios usando muestreo hipercube latino y muestreo de importancia. La distribución acumulada de cada parámetro se divide en 20 intervalos igualmente probables, y se muestrea un valor de cada intervalo para formar los escenarios representativosdiarios 23. Se generan muestras de LHS (50–100) por parámetro para una cobertura robusta. El SI se aplica para sobremuestrear los cuantillos del 10% superior y del 10% inferior de las distribuciones de error de pronóstico para capturar eventos raros perocríticos 24.
En este estudio se consideran cinco fuentes de incertidumbre: la producción fotovoltaica, la producción de energía eólica, la demanda de carga, el precio de compra y el precio de venta. Para representar adecuadamente la variabilidad temporal y las características estadísticas de estos parámetros inciertos dentro del modelo de optimización, se seleccionan modelos de distribución de probabilidad basándose en las observaciones históricas y los atributos físicos de cada parámetro. El muestreo y la construcción de escenarios se realizan posteriormente según estos modelos.
Dentro de este marco, un "escenario" se define como un conjunto de cinco perfiles de series temporales—salida fotovoltaica, eólica, carga, precio de compra y precio de venta—que abarcan todo un día y se discretizan en intervalos de 15 minutos. Al muestrear cada parámetro incierto y combinarlos, se generan múltiples condiciones representativas diarias de funcionamiento. Estos escenarios se utilizan entonces para simular el funcionamiento del sistema bajo diversas perturbaciones estocásticas, mejorando así la robustez y adaptabilidad de las decisiones de planificación resultantes.
En cuanto a la elección de modelos de distribución de probabilidad, la salida PV se modela típicamente usando distribuciones Beta o Weibull, capturando su asimetría y efectos de saturación causados por variaciones en la irradiancia solar y la cobertura de nubes. La producción de energía eólica se representa generalmente mediante una distribución de Weibull debido a su fuerte dependencia de fluctuaciones estocásticas de la velocidad del viento. Se asume comúnmente que la demanda de carga sigue una distribución normal, a menudo con componentes periódicos incorporados para reflejar los ciclos diarios y estacionales. Mientras tanto, los precios de compra y de venta, debido a sus características log-normales y saltos ocasionales de precio, suelen modelarse usando distribuciones log-normales.
Debido a que un mayor número de muestras aumenta significativamente la escala computacional del modelo y reduce la eficiencia de la solución, es necesario comprimir el conjunto de muestras manteniendo la representatividade. Para lograr esto, se emplean dos técnicas complementarias de muestreo. Primero, se utiliza el muestreo hipercubo latino para asegurar una cobertura más uniforme del espacio de entrada. En segundo lugar, el muestreo de importancia se aplica a regiones de probabilidad sobremuestreadas con mayor significancia operativa, mejorando así la representación de eventos raros pero críticos.
Resolver el modelo usando descomposición de benders generalizados anidados
Se abre MATLAB R2023a y se configura el solucionador CPLEX 12.10. La función sdpvar en YALMIP se utiliza para definir todas las variables de decisión. Las muestras se generan en MATLAB según la sección anterior. Cada escenario se almacena como una matriz de 5 × 96. El objetivo y las restricciones se formulan como expresiones YALMIP, siguiendo el modelo de optimización descrito en secciones anteriores. Para cada escenario, el subproblema de simulación de producción secuencial se resuelve llamando a la función de optimización en YALMIP con CPLEX como solucionador. Se extraen soluciones óptimas y se obtienen variables duales, llamando a la función dual para construir cortes de viabilidad de nivelsuperior 21. El problema maestro se formula y resuelve en YALMIP usando la función optimización con CPLEX como solucionador. Los bucles interior y exterior se iteran. Alternativamente, las decisiones operativas (y) y de planificación (z) se actualizan repitiendo el paso de resolución del primer nivel de descomposición, y se repite hasta que la brecha entre las cotas superior e inferior21 esté por debajo de una tolerancia de convergencia prescrita 10-6. Los límites superior e inferior en cada iteración se registran para el monitoreo de convergencia.
En el resto de esta sección se proporcionan fórmulas de cálculo detalladas y explicaciones adicionales de estos pasos. Sea las variables continuas en el problema de planificación denotadas por x, las variables enteras por y y las variables continuas en el problema de planificación por z. El conjunto de escenarios es {ξd}d∈D. Bajo cada escenario, el modelo original puede expresarse en la siguiente forma compacta:
(22)
donde P representa el coste de construcción, mientras que Q denota los componentes de coste relacionados con el compromiso unitario y el despacho.
El modelo de planificación estocástica se resuelve mediante un GBD21 anidado. GBD se ha aplicado extensamente a la planificación del sistemaeléctrico 25 y a la programación26. En comparación con el algoritmoheurístico 27, el framework GBD anidado ofrece escalabilidad y propiedades de convergencia garantizadas. El GBD anidado amplía el enfoque convencional del GBD introduciendo una estructura de subproblema multinivel.
En la descomposición de primer nivel, se construye un subproblema para cada escenario. Para un escenario dado ξd y una variable de decisión dada z = z l, el problema de simulación de producción secuencial se formula como:
(23)
Tras resolver los subproblemas en todos los escenarios, se genera un corte de viabilidad de nivel superior como:
(24)
donde θu es una variable auxiliar introducida para representar el coste del subproblema.
El problema maestro, que representa el problema de planificación de nivel superior, sigue siendo:
(25)
Para cada escenario ξd, el problema de simulación de operaciones secuenciales se descompone aún más. El subproblema de nivel inferior bajo un y = yk dado es un problema de programación no lineal (PLN):
(26)
A partir de su solución, se deduce un corte de viabilidad de nivel medio como:
(27)
donde θm es una variable auxiliar introducida para representar el coste del subproblema de nivel inferior.
El problema maestro de nivel medio, correspondiente a la capa de programación entera, se expresa entonces como:
(28)
A nivel externo, para una decisión de planificación fija z = z l, se resuelve un subproblema por escenario para obtener óptimos 
y duales; estos producen recortes de viabilidad a nivel superior, donde θu agrega las contribuciones de coste de subproblemas. El problema maestro exterior actualiza entonces z minimizando P(z)+θu sujeto a los cortes acumulados.
Para cada escenario, la simulación de operación secuencial se descompone a su vez por un GBD interno. Al mantener decisiones operativas enteras y = y k, se resuelve la PLN de nivel inferior para obtener soluciones primales/duales y cortes de nivel medio, mientras que el maestro de nivel medio actualiza el entero y. El procedimiento de solución alterna bucles internos y externos: inicializar l= 0, k = 0 con z0,y 0, resolver subproblemas internos para generar cortes medios/superiores, actualizar los maestros para obtener yk y z l, e iterar. El objetivo óptimo de los subproblemas resueltos proporciona un límite superior, y los problemas maestros proporcionan un límite inferior; la convergencia se declara cuando su hueco está cerrado o por debajo de una tolerancia prescrita. Este marco GBD anidado gestiona así capas de decisión jerárquicas y acoplamiento de escenarios, manteniendo al mismo tiempo garantías de escalabilidad y convergencia teórica. La visión general del protocolo se muestra en la Figura 2.
Figura 2: Resumen del protocolo propuesto. Por favor, haga clic aquí para ver una versión ampliada de esta figura.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Resultados
La aplicación del protocolo propuesto genera resultados representativos en planificación y operaciones que destacan la eficacia de modelar explícitamente la flexibilidad intradiaria y las penalizaciones de carbono.
Resultados representativos de planificación bajo las penalizaciones de carbono
Utilizando 400 escenarios representativos a lo largo de las estaciones, la simulación secuencial de producción produce el coste operativo correspondiente a cad...
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Discusión
El protocolo presentado proporciona un marco de planificación de capacidad del ciclo de vida que integra simulación secuencial de producción, modelado de ajuste intradía y descomposición generalizada de Benders anidada para cuantificar explícitamente el valor de la flexibilidad bajo incertidumbre intradía. A diferencia de los enfoques convencionales de planificación de capacidad, que normalmente se basan en formulaciones deterministas o en modelos estocásticos simplificados de dos
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Divulgaciones
Los autores declaran no haber conflicto de intereses.
Agradecimientos
Este trabajo se financió bajo el proyecto Investigación sobre Previsión del Mercado Eléctrico y Tecnologías Básicas de Apoyo para el Sistema Eléctrico de Nuevo Tipo (Grant No. YJ10-2024).
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Materiales
| Nombre | Empresa | Número de catálogo | Comentarios |
|---|---|---|---|
| Datos de precios del mercado eléctrico | Operador de mercado / Conjuntos de datos abiertos | — | Entradas de precios del día a día y intradía para modelado de costes operativos |
| Datos históricos de series temporales de generación fotovoltaica | Operador regional de red / Conjuntos de datos abiertos | — | Utilizado para modelización de previsión fotovoltaica y generación de escenarios |
| Datos históricos de series temporales sobre energía eólica | Operador regional de red / Conjuntos de datos abiertos | — | Utilizado para la modelización de pronósticos del viento y generación de escenarios |
| MATLAB / Python | MathWorks / Fundación de Software en Python | MATLAB R2025a / Python 3.11 | Utilizado para implementar modelos de planificación de capacidad y simulación secuencial de producción |
| Solucionador de optimización (por ejemplo, CPLEX, Gurobi) | IBM / Gurobi | CPLEX 22.1 / Gurobi 10.0 | Resuelve los problemas de optimización lineal de enteros mixtos |
| Bibliotecas de generación de escenarios | Python: pyDOE, NumPy, SciPy | pyDOE 0.3.1, NumPy 1.26, SciPy 1.11 | Utilizado para muestreo hipercube latino, muestreo de importancia y ajuste de probabilidad |
| Datos de carga del sistema | Operador regional de red / Conjuntos de datos abiertos | — | Utilizado para la predicción de carga y la generación de escenarios |
| Bibliotecas de visualización | Python: Matplotlib, Seaborn | Matplotlib 3.8, Seaborn 0.12 | Se utiliza para generar cifras de resultados de planificación, trayectorias operativas y márgenes de reservas |
Referencias
- Huang, C., Zhao, T., Huang, D., Cen, B., Zhou, Q., Chen, W. Artificial intelligence-based power market price prediction in smart renewable energy systems: Combining prophet and transformer models. Heliyon. 10 (20), e38227(2024).
- Zhang, Y., Liu, F., Guo, Q. Critical clearing time sensitivity of power systems with high power electronic penetration. iEnergy. 4 (1), 3-15 (2025).
- Patnaik, S., Nayak, M., Viswavandya, M. Strategic integration of battery energy storage and photovoltaic at low voltage level considering multiobjective cost-benefit. Turk J Electr Eng Comput Sci. 30 (4), 1600-1620 (2022).
- Tharani, K., Dahiya, R. Choice of battery energy storage for a hybrid renewable energy system. Turk J Electr Eng Comput Sci. 26 (2), 666-676 (2018).
- Zhou, B., Ning, C., Chen, S., Zhu, M., Su, Y. Capacity planning and layout optimization method of wind and photovoltaic power plants in new energy base considering ecological resistance cost. Electr Power Autom Equip. 44, 1-20 (2024).
- Shang, C., Ge, Y., Zhai, S., Huo, C., Li, W. Combined heat and power storage planning. Energy. 279, 128044(2023).
- Dai, L., You, D., Yin, X., Wang, G., Zou, Q. Distributionally robust dynamic economic dispatch model with conditional value at risk recourse function. Int Trans Electr Energy Syst. 29 (4), e2775(2019).
- Zheng, M., Wang, X., Meinrenken, C. J., Ding, Y. Economic and environmental benefits of coordinating dispatch among distributed electricity storage. Appl Energy. 210, 842-855 (2018).
- Hu, J., Wang, Y., Dong, L. Low carbon-oriented planning of shared energy storage station for multiple integrated energy systems considering energy-carbon flow and carbon emission reduction. Energy. 290, 130139(2024).
- Xia, Q., Zou, Y., Wang, Q. Optimal capacity planning of green electricity-based industrial electricity-hydrogen multi-energy system considering variable unit cost sequence. Sustainability. 16 (9), 3684(2024).
- Li, Y., Guo, X., Dong, H., Gao, Z. Optimal capacity configuration of wind/PV/storage hybrid energy storage system in microgrid. Proc CSU-EPSA. 32, 123-128 (2020).
- Guo, S., He, Y., Pei, H., Wu, S. The multi-objective capacity optimization of wind-photovoltaic-thermal energy storage hybrid power system with electric heater. Sol Energy. 195, 138-149 (2020).
- Chen, C., et al. Two-stage multiple cooperative games-based joint planning for shared energy storage provider and local integrated energy systems. Energy. 284, 129114(2023).
- Zhang, S., Li, Y., Liu, W., Sun, S., Yu, F. Economic, low-carbon and reliable multi-objective optimal configuration method of cloud energy storage for microgrid clusters. Autom Electr Power Syst. 48, 21-30 (2024).
- Li, H., Zhu, J., Dong, H. Two-stage distributionally robust optimization scheduling for multi-energy microgrid considering covariate factors. Proc CSEE. 44, 1-12 (2024).
- Wu, W., et al. Coordinated planning for multiarea wind-solar-energy storage systems that considers multiple uncertainties. Energies. 17 (21), 5242(2024).
- Masaud, T. M., El-Saadany, E. Optimal tie-line and battery sizing for remote provisional microgrids. IET Gener Transm Distrib. 15 (2), 214-225 (2021).
- Mago, P. J., Luck, R. Potential reduction of carbon dioxide emissions from the use of electric energy storage on a power generation unit/organic Rankine system. Energy Convers Manag. 133, 67-75 (2017).
- Shao, Z., Cao, X., Zhai, Q., Guan, X. Risk-constrained planning of rural-area hydrogen-based microgrid considering multiscale and multi-energy storage systems. Appl Energy. 334, 120682(2023).
- Time series data for power system modeling. , Open Power System Data. https://data.open-power-system-data.org/time_series/ (2024).
- Liu, Z., Wu, Q., Shen, X., Tan, J., Zhang, X. Post-disaster robust restoration scheme for distribution network considering rerouting process of cyber system with 5G. IEEE Trans Smart Grid. 15 (5), 4478-4491 (2024).
- Ndwali, K., Njiri, J. G., Wanjiru, E. M. Multi-objective optimal sizing of grid connected photovoltaic batteryless system minimizing the total life cycle cost and the grid energy. Renew Energy. 148, 1256-1265 (2020).
- Phromphan, P., Suvisuthikasame, J., Kaewmongkol, M., Chanpichitwanich, W., Sleesongsom, S. A new Latin hypercube sampling with maximum diversity factor for reliability-based design optimization of HLM. Symmetry. 16, 901(2024).
- Tokdar, S. T., Kass, R. E. Importance sampling: A review. WIREs Comput Stat. 2, 54-60 (2010).
- Zhang, Y., Kou, P., Zhang, Z., Tian, R., Yan, Y., Liang, D. Optimal sizing and siting of battery energy storage systems in high wind penetrated power systems:A strategy considering frequency and voltage control. IEEE Trans Sustain Energy. 15 (1), 642-657 (2024).
- Zhang, Y., Guo, Q., Zhou, Y., Sun, H. Frequency-constrained unit commitment for power systems with high renewable energy penetration. Int J Electr Power Energy Syst. 153, 109274(2023).
- Wang, F., Li, R., Zhao, G., Xia, D., Wang, W. Analysis of the operating characteristics of a photothermal storage coupled power station based on the life-cycle-extending renovation of retired thermal power units. Energies. 17 (4), 792(2024).
- Geoffrion, A. M. Generalized Benders decomposition. J Optim Theory Appl. 10 (4), 237-260 (1972).
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.