Nuevo Modelo Optimiza Redes con Energía Verde y Vehículos Eléctricos
La transición energética global ha alcanzado un punto de inflexión, y los vehículos eléctricos (VE) junto con las energías renovables como la solar y la eólica están en el epicentro de este cambio. Mientras que los beneficios ambientales de estas tecnologías son indiscutibles, su integración a gran escala en las redes eléctricas existentes plantea desafíos técnicos complejos. La naturaleza intermitente de la generación solar y eólica, combinada con la demanda de potencia concentrada y variable de las estaciones de carga para vehículos eléctricos, puede provocar fluctuaciones de voltaje, aumentar las pérdidas de energía y, en última instancia, comprometer la estabilidad del sistema. Un suministro eléctrico fiable y estable es la piedra angular del éxito de toda la transición energética, y resolver estos problemas técnicos es crucial.
En un estudio pionero publicado en las Proceedings of the CSU-EPSA, investigadores han presentado un nuevo modelo de optimización de potencia reactiva multiobjetivo para redes de distribución activas (ADN) con una alta penetración de energías renovables y estaciones de carga para vehículos eléctricos. El equipo, liderado por Jiang Zhijun, Yuan Xuan, Qiu Wenhao, Huang Licai de la Escuela de Ingeniería de la Información de la Universidad de Nanchang y He Wei del Instituto de Investigación Eléctrica de State Grid Jiangxi Electric Power Co., Ltd., ha desarrollado una solución integral que aborda las complejas interacciones entre las fuentes de energía modernas y la gestión de la red.
El núcleo del estudio radica en el reconocimiento de que las estrategias tradicionales de gestión de redes ya no son suficientes. Las investigaciones anteriores a menudo se centraron de forma aislada en la optimización del lado de la generación de energía, por ejemplo, mediante el uso de inversores en parques eólicos y solares para el control de potencia reactiva, o en el lado de la carga. Sin embargo, los autores argumentan que se requiere un enfoque holístico. La inyección simultánea de generación variable y cargas altamente dinámicas y concentradas provenientes de las estaciones de carga para vehículos eléctricos representa un desafío doble que puede desestabilizar el sistema si no se gestiona de forma sinérgica. El estudio destaca que muchos modelos existentes han subestimado el impacto significativo de las estaciones de carga para vehículos eléctricos en el lado de la carga y no han prestado suficiente atención a los problemas de estabilidad resultantes de la fuente y el lado del consumidor.
Para abordar este problema, el equipo desarrolló un modelo de optimización sofisticado y multiobjetivo con tres metas principales: minimizar el costo operativo del sistema, minimizar la desviación de voltaje en toda la red y maximizar la estabilidad del sistema. El primer objetivo, el costo operativo, está impulsado principalmente por la minimización de las pérdidas de potencia activa en las líneas de transmisión de la red, lo que representa un gasto significativo para las compañías eléctricas. El segundo objetivo, la desviación de voltaje, tiene como meta mantener el voltaje en cada nodo de la red de distribución lo más cerca posible de su valor nominal (por ejemplo, 12,66 kV), previniendo así daños en los equipos y asegurando la calidad del suministro eléctrico. El tercer y más innovador objetivo es la optimización de la estabilidad del sistema, para lo cual los investigadores propusieron un nuevo índice de estabilidad de voltaje estático.
El índice de estabilidad propuesto es una contribución clave del trabajo. Los métodos tradicionales para evaluar la estabilidad de voltaje pueden ser complejos y computacionalmente intensivos. Los autores desarrollaron un nuevo indicador basado en el análisis de la curva PV (Potencia-Voltaje), un concepto fundamental en el análisis de sistemas de energía que muestra la relación entre la potencia extraída de una red y el voltaje resultante. A medida que un sistema se acerca a su límite de estabilidad, o «punto de colapso», la curva PV exhibe una forma característica de «nariz». La distancia entre las ramas superior e inferior de esta curva se vuelve muy pequeña para un nivel de potencia dado. El nuevo índice de los investigadores cuantifica esta proximidad, proporcionando un indicador claro y de un solo valor de qué tan cerca está cualquier rama de la red del colapso de voltaje. Al minimizar el valor máximo de este índice en todas las ramas de la red, el modelo asegura que todo el sistema opere con un margen de estabilidad robusto, incluso bajo las condiciones más estresantes de alta generación renovable y demanda máxima de carga de vehículos eléctricos.
La complejidad de este modelo multiobjetivo es inmensa. Implica una gran cantidad de variables de decisión, incluyendo variables continuas como la salida de potencia reactiva de turbinas eólicas, inversores fotovoltaicos (PV), compensadores estáticos de VAR (SVC) y estaciones de carga para vehículos eléctricos, así como variables discretas como el número de bancos de condensadores (CB) que se conectan o desconectan en nodos específicos. Resolver un problema de optimización mixta, no convexa y no lineal de este tipo es notoriamente difícil para los algoritmos convencionales, que pueden quedar atrapados en soluciones subóptimas o requerir tiempos de cálculo prohibitivamente largos.
Para superar este obstáculo computacional, el equipo de investigación introdujo un algoritmo híbrido de optimización con un mecanismo de retroalimentación cruzada único. Este algoritmo combina dos potentes técnicas metaheurísticas: un algoritmo mejorado de Optimización de la Polilla y la Llama (MFO) para las variables continuas y un Algoritmo Genético (AG) para las variables discretas. El algoritmo MFO, inspirado en el comportamiento de navegación de las polillas, es conocido por su capacidad para explorar un espacio de soluciones. Sin embargo, puede sufrir una pérdida de diversidad en sus etapas finales, lo que lleva a una convergencia prematura en un óptimo local. Los autores mejoraron significativamente el algoritmo MFO incorporando dos mejoras clave.
Primero, utilizaron un mapeo caótico Tent para la generación de la población inicial. La teoría del caos proporciona una manera de generar secuencias que son deterministas pero parecen aleatorias y son altamente sensibles a las condiciones iniciales. Esto garantiza que la población inicial de soluciones potenciales sea mucho más diversa y esté más ampliamente distribuida en todo el espacio de soluciones, dándole al algoritmo una mejor oportunidad de encontrar el óptimo global desde el principio. Segundo, introdujeron un operador de mutación adaptativo basado en el «grado de agregación» de la población. Esta métrica mide qué tan agrupada está la población actual de soluciones. Si la población se vuelve demasiado concentrada (indicando un riesgo de quedar atrapada), el operador de mutación inyecta más aleatoriedad y diversidad en el proceso de búsqueda, ayudando efectivamente al algoritmo a escapar de los óptimos locales y continuar su exploración.
El mecanismo de retroalimentación cruzada del algoritmo híbrido es su gran logro. En lugar de optimizar todas las variables simultáneamente, las separa. El AG trabaja en las decisiones discretas de conmutación de los bancos de condensadores, mientras que el MFO mejorado (denominado TAMMFO) trabaja en las salidas de potencia reactiva continua. Lo crucial es que los algoritmos no trabajan de forma aislada. Después de una ronda de optimización por un algoritmo, sus mejores resultados se envían como parámetros fijos para que el otro algoritmo los use en su próxima ronda de optimización. Por ejemplo, el AG podría encontrar una configuración prometedora para los bancos de condensadores; esta configuración se mantiene constante mientras el algoritmo TAMMFO busca la configuración óptima de potencia reactiva para los inversores y SVC. El resultado de esta búsqueda se utiliza luego para informar la siguiente iteración del AG, y así sucesivamente. Este proceso iterativo y guiado por retroalimentación permite que los dos algoritmos se guíen mutuamente hacia una solución superior, aprovechando las fortalezas de cada método y mitigando sus debilidades. Este enfoque es mucho más eficiente que intentar resolver todo el problema complejo con un solo algoritmo.
Para validar su modelo y algoritmo, los investigadores realizaron un estudio de caso detallado utilizando un sistema de distribución IEEE de 33 nodos modificado, un punto de referencia estándar en la investigación de sistemas de energía. El escenario de simulación incluía turbinas eólicas, una planta fotovoltaica y dos estaciones de carga para vehículos eléctricos conectadas en puntos estratégicos de la red. Los investigadores utilizaron datos pronosticados realistas para la generación eólica y solar, y una sofisticada simulación de Monte Carlo para modelar el comportamiento estocástico de 400 vehículos eléctricos (una mezcla de vehículos privados, oficiales y de taxi) basándose en sus patrones de viaje y carga.
Los resultados de la simulación fueron convincentes y demostraron la superioridad del enfoque propuesto. Los investigadores compararon dos casos: el Caso 1, que utilizó su algoritmo híbrido completo (TAMMFO + AG), y el Caso 2, que utilizó un algoritmo MFO estándar combinado con AG. Los resultados mostraron que el modelo logró sus tres objetivos con éxito. Después de la optimización, el costo operativo del sistema, impulsado principalmente por las pérdidas de potencia, se redujo en más del 44 % en comparación con el escenario no optimizado. El Caso 1 superó al Caso 2, logrando una reducción adicional del 2,41 % en costos, lo que demuestra la eficiencia del algoritmo TAMMFO mejorado.
El impacto en la calidad del voltaje fue igualmente impresionante. La desviación total de voltaje en la red se redujo en más del 49 %. El Caso 1 mostró nuevamente una ventaja clara, reduciendo la desviación en un 3,74 % adicional en comparación con el Caso 2. Esto se traduce en un suministro de energía más estable y de mayor calidad para todos los clientes conectados a la red. Quizás lo más crítico fue la mejora del nuevo índice de estabilidad de voltaje (VSI). El valor máximo del VSI se redujo significativamente, lo que indica un margen de seguridad mucho mayor contra el colapso de voltaje. El Caso 1 logró un sistema más estable que el Caso 2, con una reducción adicional del valor máximo del VSI.
Una ventaja práctica importante de la estrategia propuesta fue su capacidad para gestionar el desgaste del equipo. El modelo incluye explícitamente una restricción sobre el número máximo de veces que los bancos de condensadores pueden conectarse o desconectarse en un día, ya que el conmutado frecuente reduce la vida útil del equipo y genera costos de mantenimiento. En el Caso 2, los bancos de condensadores en dos nodos clave se conmutaron 10 veces cada uno, superando el límite diario permitido de 6. Este es un defecto operativo significativo. En contraste marcado, la solución optimizada del Caso 1 mantuvo el conmutado dentro del límite, con un banco conmutándose 6 veces y el otro solo 4 veces. Esto no solo prolonga la vida útil del equipo, sino que también reduce los costos operativos para la compañía eléctrica.
Finalmente, la eficiencia computacional del algoritmo híbrido fue una característica destacada. El Caso 1, a pesar de sus resultados superiores, completó su optimización en 6.115 segundos, lo que es un 38,06 % más rápido que los 9.873 segundos del Caso 2. Esta velocidad es crucial para la aplicación práctica, ya que los operadores de la red necesitan ejecutar estas optimizaciones diariamente o incluso por hora para responder a las condiciones cambiantes. Un algoritmo más rápido hace esto práctico.
En conclusión, la investigación de Jiang Zhijun, Yuan Xuan, Qiu Wenhao, Huang Licai y He Wei representa un avance significativo en el campo de la gestión de redes inteligentes. Su modelo integrado, que considera simultáneamente los efectos dinámicos de las energías renovables y los vehículos eléctricos, proporciona un marco más realista y efectivo para las redes eléctricas modernas. El nuevo índice de estabilidad ofrece una poderosa herramienta nueva para que los operadores de la red gestionen proactivamente los riesgos. Lo más importante, su innovador algoritmo de optimización híbrido con retroalimentación cruzada demuestra una manera práctica y eficiente de resolver uno de los problemas más complejos en la ingeniería de energía. A medida que el mundo continúa electrificando el transporte y descarbonizando su suministro de energía, este tipo de enfoque sofisticado, basado en datos y holístico será esencial para crear una red que no solo sea verde, sino también robusta, fiable y económica. Este trabajo proporciona una guía valiosa para las compañías eléctricas e investigadores de todo el mundo mientras enfrentan los desafíos y oportunidades de la transición energética.
Jiang Zhijun, Yuan Xuan, Qiu Wenhao, Huang Licai, He Wei, Escuela de Ingeniería de la Información, Universidad de Nanchang; Instituto de Investigación Eléctrica, State Grid Jiangxi Electric Power Co., Ltd. Modelo de Optimización de Potencia Reactiva para Redes de Distribución Activas con Energías Renovables y Estaciones de Carga para Vehículos Eléctricos. Proceedings of the CSU-EPSA. DOI: 10.19635/j.cnki.csu-epsa.001297