Scholarly article on topic 'Gestión Óptima de la Energía en Microrredes con Generación Renovable'

Gestión Óptima de la Energía en Microrredes con Generación Renovable Academic research paper on "Educational sciences"

CC BY-NC-ND
0
0
Share paper
Keywords
{Microrredes / "Energías Renovables" / "Control Predictivo" / "Gestión de la Energía" / "Sistema Eléctrico." / Microgrids / "renewable energy" / "model predictive control" / "energy management" / "electrical system"}

Abstract of research paper on Educational sciences, author of scientific article — Carlos Bordons, Félix García-Torres, Luis Valverde

Resumen Este artículo se centra en los temas relacionados con la operación óptima de las microrredes, que son conjuntos de cargas, generadores y sistemas de almacenamiento de energía, aislados o conectados al resto de la red eléctrica, que pueden ser gestionados de manera coordinada para suministrar electricidad de forma fiable. Se aborda la problemática y las soluciones de control tanto para la gestión del reparto de la carga entre los distintos generadores y almacenamiento como para la integración de la microrred en el mercado eléctrico. Se presentan diseños de controladores en el marco del Control Predictivo Basado en Modelo (Model Predictive Control, MPC) para casos que incluyen diversas fuentes renovables, como energía solar y eólica, y almacenamiento híbrido con hidrógeno, lo que permite gestionar el balance de energía en distintas escalas de tiempo. Se muestran algunos resultados experimentales en una microrred de laboratorio así como estudios de planificación para el mercado eléctrico. Los resultados obtenidos indican que el desarrollo de controladores adecuados facilitará una participación competitiva de las energías renovables y la integración de las microrredes en el nuevo modelo de sistema eléctrico. Abstract This paper deals with some issues related to optimal operation of microgrids, which are a group of loads, generators and energy storage systems that can be managed isolated or connected to the main grid, in a coordinated way in order to reliably supply electricity. The control problems and solution are addressed both for optimal dispatch and for the integration of the microgrid in the electricity market. Development of Model Predictive Controllers are presented for case studies that include several renewable sources (photovoltaic and wind) as well as hybrid storage using hydrogen. Some experimental results for a demonstration microgrid are presented, as well as simulations of scheduling in the electricity market. The results indicate that development of the appropriate controllers will allow a competitive participation of renewable energy in the new model of the electrical system.

Academic research paper on topic "Gestión Óptima de la Energía en Microrredes con Generación Renovable"

ScienceDirect

Disponible en www.sciencedirect.com

CrossMark

Revista Iberoamericana de Automática e Informática industrial 12 (2015) 117-132

R I A I

www.elsevier.es/RIAI

Gestión Optima de la Energía en Microrredes con Generación Renovable

Carlos Bordonsa'*, Felix García-Torresb, Luis Valverdec

aDepartamento de Ingeniería de Sistemas y Automática, Universidad de Sevilla. Camino de los descubrimientos s/n, 41092 Sevilla, España b Unidad de Simulación y Control, Centro Nacional del Hidrogeno. Prolongación Fernando el Santo, s/n, 13500 Puertollano, Ciudad Real, España. cDepartamento de Ingeniería Energética, Universidad de Sevilla. Camino de los descubrimientos s/n, 41092 Sevilla, España

Resumen

Este artículo se centra en los temas relacionados con la operacion optima de las microrredes, que son conjuntos de cargas, generadores y sistemas de almacenamiento de energía, aislados o conectados al resto de la red electrica, que pueden ser gestionados de manera coordinada para suministrar electricidad de forma fiable. Se aborda la problematica y las soluciones de control tanto para la gestion del reparto de la carga entre los distintos generadores y almacenamiento como para la integracion de la microrred en el mercado electrico. Se presentan diseños de controladores en el marco del Control Predictivo Basado en Modelo (Model Predictive Control, MPC) para casos que incluyen diversas fuentes renovables, como energía solar y eolica, y almacenamiento híbrido con hidrogeno, lo que permite gestionar el balance de energía en distintas escalas de tiempo. Se muestran algunos resultados experimentales en una microrred de laboratorio así como estudios de planificacion para el mercado electrico. Los resultados obtenidos indican que el desarrollo de controladores adecuados facilitara una participacion competitiva de las energías renovables y la integracion de las microrredes en el nuevo modelo de sistema electrico. Copyright © 2015 CEA. Publicado por Elsevier España, S.L.U.Todos losderechos reservados

Palabras Clave: Microrredes, Energías Renovables, Control Predictivo, Gestion de la Energía, Sistema Electrico.

1. Introducción

La transicion del sistema energetico actual basado en combustibles fosiles a un nuevo sistema con implantacion de energías renovables y sistemas electricos de transporte requiere el desarrollo de nuevos algoritmos de control que permitan gestionar los aspectos relacionados tanto con la intermitencia y la distribucion de la generacion como con los nuevos perfiles de consumo. Las redes actuales de distribucion electrica operan a veces próximas a su maxima capacidad y deben adaptarse a frecuentes cambios para afrontar retos medioambientales y mejorar su confianza y sostenibilidad. Estos retos se satisfacen mediante la efectiva integracion y coordinacion de generadores distribuidos (Distributed Generator, DG), que facilitan la explotacion de los recursos renovables (solar, eolico) y alternativos, como pilas de combustible. Mientras que las formas tradicionales de produccion energetica, controlables desde el origen, permiten ajustar la produccion a la demanda, la implantacion de las nuevas tecnologías basadas en recursos renovables con ciclos fluctuantes obliga a proporcionar nuevas soluciones a problemas nunca antes planteados. La adopcion masiva de las energías renovables

* Autor en correspondencia.

Correos electronicos: bordons@us.es (Carlos Bordons), felix.garcia@cnh2.es (Felix García-Torres), lvalverde@etsi.us.es (Luis Valverde)

plantea por tanto nuevos retos tecnologicos, ya que su inherente intermitencia asociada a la climatología las hace difícilmente gestionables.

El sistema electrico tradicional se ha basado en la gestiona-bilidad que permite la energía almacenada por la propia naturaleza durante años en los combustibles fosiles. La transicion a un nuevo modelo energetico estara sujeta a la superacion de ciertas barreras tecnologicas debidas a la aleatoriedad propia de las fuentes de generacion renovable. La penetracion actual de los sistemas de generacion renovable en la red electrica, especialmente con los desarrollos obtenidos para la energía eolica y fotovoltaica, comienza a ocasionar impactos en la red electrica, como pueden ser la variacion de la magnitud del voltaje de suministro y el incremento del desbalance entre la potencia activa y reactiva entre las fuentes de generacion. La falta de gestiona-bilidad, así como la penalizacion por desvíos en el mercado de casacion, dificulta la competitividad economica de las energías renovables en el mercado energetico. Los sistemas de almacenamiento de energía aparecen como solucion tecnologica a la controlabilidad de las energías renovables permitiendo su introduccion en el mercado diario de energía.

La concepcion de la red electrica en unidades mas pequefias de gestion donde el almacenamiento de energía compense tanto las fluctuaciones de generacion renovable como la aletorie-

© 2015 CEA. Publicado por Elsevier España, S.L.U. Todos los derechos reservados http://dx.doi.org/10.10167j.riai.2015.03.001

dad del comportamiento de los consumidores aparece como una nueva solución estructural. Sin embargo, esto conlleva a nuevos desafíos desde el punto de vista del control.

Para intentar abordar estos problemas, surge el paradigma de la microrred (microgrid), introducido por (Lasseter, 2002) como una aproximacion que considera la generacion y las cargas asociadas como un subsistema o microrred. Aunque la definicion del termino esta todavía bajo discusion en foros tecnicos, se puede considerar una microrred como un conjunto de cargas, generadores y almacenamiento que puede ser gestionado de forma aislada o conectado al resto de la red electrica de manera coordinada para suministrar electricidad de forma fiable (Olivares et al., 2014). En situaciones de emergencia (fallos, perturbaciones, etc.) los generadores y las cargas correspondientes se pueden separar de la red de distribucion, manteniendo el servicio sin danar la integridad del sistema. Aunque originariamente fue asociado a redes electricas, el concepto se ha extendido a cualquier conjunto de cargas y generadores que operen como un sistema línico controlable que puede proporcionar tanto energía electrica como termica o combustible a cierta zona (Jiay et al., 2008). Hoy día, la operacion de los recursos energeticos distribuidos (Distributed Energy Sources, DER) junto con cargas controlables (consumo domestico o vehículo electrico) y diversas formas de almacenamiento como baterías, supercon-densadores o volantes de inercia, consitituye el nucleo central del concepto de microrred. Una microrred puede operar inter-conectada con la red de distribucion principal, a traves del denominado Point ofCommon Coupling, (PCC) o en modo isla y tambien puede interconectarse con otras microrredes, pudiendo dar lugar a sistemas mas complejos.

La microrred permite una coordinacion exitosa entre los DGs, al incluir de forma integrada generacion distribuida, cargas locales y sistemas de almacenamiento. Las microrredes pueden garantizar calidad de suministro para cargas locales tales como hospitales, centros comerciales, urbanizaciones, campus universitarios o polígonos industriales. El concepto de microrred, con su propio control y calidad de suministro, facilita una integracion escalable de generacion local y de cargas en las redes electricas existentes, permitiendo una mejor penetracion de la generacion distribuida (Bidram et al., 2014).

El control de las microrredes presenta numerosos retos, ya que estas pueden operar tanto en modo aislado como conectadas a la red principal, a traves del PCC. Es necesario por tanto un control adecuado de la microrred para una operacion estable y economicamente eficiente en ambas situaciones. El sistema de control debe regular frecuencia y tension en cualquiera de los modos de operacion, debe repartir la carga entre los distintos DGs y el almacenamiento, gestionar el flujo con la red principal y optimizar los costes de operacion. En el modo de conexion a red, la frecuencia y tension vienen fijadas por la red principal, que tiene generadores síncronos y grandes reservas rodantes. La microrred conmutara a modo aislado en caso de perturbaciones graves o fallos, debiendo entonces proporcionar potencia a las cargas críticas y el sistema de control debe gestionar en este caso la frecuencia y la tension. Un punto importante es gestionar los transitorios durante la conmutacion, como se muestra en (Bidram and Davoudi, 2012). Este artículo pre-

tende ofrecer una vision general de los problemas y retos mas importantes relacionados con el control de microrredes, ilustrados con ejemplos experimentales y en simulacion. En concreto, el trabajo se centra en los temas relacionados con la operacioín oí ptima de la microrred, tanto para la gestioí n del reparto de la carga entre los distintos generadores y el almacenamiento como la integracion de la microrred en el mercado electrico. Esta organizado de la siguiente forma: la siguiente seccion presenta las características principales de las microrredes y los beneficios que se pueden derivar de su correcta operacion. La seccion 3 presenta la problematica que aparece en el control de estos sistemas y describe las soluciones adoptadas para su solucioín así como las metodologías de control comunmente empleadas. A continuacion se presentan dos casos detallados de aplicaciones de control en microrredes con generacion renovable y almacenamiento híbrido: en la seccion 4 se detalla el diseno y los resultados experimentales obtenidos de la operacion optima de una microrred de laboratorio, mientras en la seccion 5 se presenta una forma de gestionar la integracion de una microrred en el mercado electrico. La seccion 6 discute alguna de las líneas abiertas y finalmente se termina con unas conclusiones.

2. Generalidades

Las microrredes estan formadas por diversas fuentes de generacion, en general renovables, y diversos tipos de almacenamiento, que pueden operar tanto en modo aislado como conectadas a la red principal (Lopes et al., 2006), (Hatziargyriou et al., 2007). La microrred opera en baja tension y se puede considerar como la estructura basica para las nuevas redes electricas denominadas Redes Inteligentes o Smart Grids. De este modo, la red percibe a la microrred como un elemento individual que responde a las senales de control apropiadas, es decir, se puede considerar como un conjunto de cargas y generadores que opera como un unico sistema controlable. La figura 1 muestra un ejemplo de una microrred con diversos tipos de generacion y almacenamiento. El paradigma de las microrredes puede permitir la integracion masiva de la generacion distribuida (especialmente la renovable), ya que los problemas pueden resolverse de forma descentralizada, reduciendo la necesidad de una coordinacion centralizada que sería extremadamente compleja. Ademas de este beneficio generico para el sistema electrico, se aumenta la fiabilidad a nivel local de la microrred, se permite una mejor calidad de suministro (Jiay et al., 2008) y tambien se abre la posibilidad de que la microrred acceda al mercado electrico como un agente mas.

Las microrredes pueden operar tanto en modo aislado como conectadas a la red principal, debiendo gestionar la transicion de manera adecuada. En el modo de conexion a red, la frecuencia y tension vienen fijadas por la red principal, que tiene generadores síncronos y grandes reservas rodantes, y se producirá importacion o exportacion de energía seg!n determinados criterios tanto de operacion (control de la potencia activa y reactiva) como economicos (precio de la energía).

La conmutacion a modo aislado puede producirse por diversos motivos y puede ser intencionada o no. En el primer caso, es debido a situaciones como mantenimiento planificado o

Supercondensador Deposito de Pila de Batería

Hidrogeno Combustible

Figura 1: Ejemplo de microrred

cuando la mala calidad de la red principal pueda poner en peligro la operación de la microrred. Pero en general, la desconexión se debera a perturbaciones graves o fallos desconocidos, por lo que una detection temprana de las causas que provocan la desconexion es de gran interés para la seguridad tanto de las personas como de los equipos, de manera que se puedan activar los cambios requeridos en la estrategia de control. Existen muchos trabajos relacionados con algoritmos de detection, tanto pasivos (que se basan en medidas de frecuencia y voltaje) como activos (basados en inyeccion de perturbaciones) (Funabashi et al., 2003). En el modo aislado, los sistemas de almacenamiento deben conseguir el balance de potencia inyectando o absorbiendo potencia activa de forma proporcional a la desviacion de frecuencia. El proceso de restauracion a modo conexion a red debe contemplar la sincronizacion con la red y tener en cuenta aspectos como el balance de potencia reactiva y la coordination de los distintos DGs (Vasquez et al., 2010).

Un tema de crucial importancia en la operation de las mi-crorredes es el almacenamiento de energía, ya que permite compensar los desbalances entre la generation y el consumo, posibilitando una adecuada calidad de suministro. Sin embargo, no existe la tecnología de almacenamiento perfecta y todas tienen sus limitaciones en cuanto a densidad de potencia/energía, tiempo de respuesta/tiempo de autonomía, coste economico y ciclo de vida. En la figura 2, se hace una clasificacion de las tecnologías de almacenamiento dependiendo de la densidad de potencia y densidad de energía de cada tecnología, asignandole la aplicacion para la cual es optima. Los sistemas de almacenamiento híbrido permiten abarcar todo el espectro de aplicaciones.

El almacenamiento ofrece la oportunidad de decidir la operacion (optima de la microrred tanto si esta trabaja en modo isla como en el modo de conexion a red, en cuyo caso se pueden gestionar los momentos optimos para intercambiar energía con la red externa. La posibilidad de disponer de un sistema híbrido con diversas tecnologías (Ferrari-Trecate et al., 2004), (Green-well and Vahidi, 2010) resulta de gran interés. En concreto, el almacenamiento en forma de hidrogeno unido a baterías electricas y supercondensadores parece ser una solucion adecuada para generation renovable (Jiay et al., 2008). La utilization de hidrogeno como medio de almacenamiento de energía electrica de origen renovable se basa en la posibilidad de producir este hidrogeno mediante electrolisis, almacenarlo en diferentes formas (baja o alta presion, hidruros metalicos, etc.), y poste-

Calidad de Suministro

Alta Densidad de Potencia

Gestión Energía

Alta Densidad de Energía

segundos

■ Compensación Flicker

■ Armónicos

■ Estabilización de tensión

■ Estabilización de frecuencia

minutos

■ Reserva de giro

■ Capacidad de black start

■ Suministro ininterrummpido de potencia

■ Almacenamiento picos energía

■ Nivelado de carga ■Comercialización de energía

■ Integración de intermitencia de fuentes renovables

■ Redes Aisladas

Volante de inercia

Aire Comprimido

Supercondensador

Baterías de flujo

Hidrógeno

Bombeo hidraúlico

Figura 2: Sistemas de almacenamiento de energía según relación densidad de potencia/densidad de energía (Adaptado de Dotsch (2009))

riormente utilizarlo para generar nuevamente electricidad, principalmente en pilas de combustible, en aplicaciones estacionarias o moviles o bien para su utilizacion como combustible en vehículos con pila de combustible.

En la actualidad existen muchos proyectos en marcha para demostrar el concepto de microrred. Entre ellos se encuentran varias instalaciones en Canada (Hajimiragha and Zadeh, 2013), en Europa y EE.UU. Trends, y los proyectos en Huatacondo en Chile (Palma-Behnke et al., 2013) y NEDO en Japon (Hat-ziargyriou et al., 2007). Estos y otros proyectos han demostrado su eficacia en diversas situaciones, como los que se presentan en (Lidula and Rajapakse, 2011) para otros países. Tambien las microrredes han atraído gran interés debido a su tremendo potencial de aplicacion en areas remotas, donde el suministro de energía presenta numerosos retos en terminos de transmision y distribucion (Palizban, 2011). Por detallar algunos de estos proyectos, en (Rigo-Mariani et al., 2013) se describe la operacion de una microrred para una zona industrial con una potencia instalada de 156 kW que tiene un generador fotovoltaico de 175 kW y un almacenamiento en forma de volantes de inercia de 100 kW/100 kWh. Por su parte en (Hakimi et al., 2013) se aborda el problema del dimensionamiento optimo de una microrred usada para trigeneracion, proporcionando calefaccion, refrigeracion y energía electrica a una zona residencial. El problema de optimizacion proporciona las dimensiones adecuadas de pila de combustible, aerogenerador, electrolizador, reformador, reactor anaerobio, maquina de refrigeracion por absorcion y depositos de almacenamiento termico y de hidrogeno.

En (Valverde, 2013) se recoge un estudio detallado sobre varios proyectos de demostracion con microrredes, centrado en aquellas que usan hidrogeno como almacenamiento. En concreto, se muestran las principales características de 32 plantas que integran generacion renovable (15 de ellas fotovoltaica, 16 eoli-ca y una mixta) con sistema de almacenamiento de hidrogeno en sus diversas formas.

3. Control de microrredes

3.1. Problemática

El objetivo del control de una microrred es proporcionar la energía demandada por las cargas haciendo uso de la generación y los sistemas de almacenamiento de forma eficiente y fiable tanto en condiciones normales como durante las contingencias, independientemente de la conexion a la red externa. Los beneficios economicos y medioambientales de las microrredes y, en consecuencia, su aceptacion y grado de penetracion en el sistema electrico, vienen marcados en gran medida por las capacidades del sistema de control y sus características de operacion.

Las microrredes introducen un numero de retos operaciona-les que deben tenerse en cuenta en el diseno de sus sistemas de control y protection, debido a ciertas particularidades que las distinguen de otros sistemas. Las mas relevantes son (Olivares et al., 2014):

■ Flujos de potencia. A diferencia de las redes convencionales, la integracion de DGs en baja tension puede causar flujos de potencia bidireccionales y dar lugar a complicaciones en los sistemas de protection o a patrones de flujo indeseados.

■ Estabilidad. Pueden aparecer oscilaciones locales debido a la interaction de los sistemas de control de los DGs y a la problematica de las transiciones entre el modo aislado y el modo de conexion a red.

■ Modelo de la red. Las hipotesis generalmente aceptadas de tres fases equilibradas, líneas de transmision inductivas y cargas constantes ya no tienen por que ser validas, lo que conlleva la necesidad de adaptar los modelos a la nueva situation. Una microrred esta inherentemente sujeta a un desbalance de carga por las propias unidades DGs.

■ Baja inercia. Las características dinamicas de los recursos DGs, especialmente de aquellos que estan acoplados electrónicamente, son diferentes de los basados en grandes turbinas de generacion. Si no se implementan los mecanismos de control adecuados, la baja inercia del sistema puede dar lugar a desviaciones considerables de la frecuencia en el modo de operacion aislado.

■ Incertidumbre. En las microrredes existe una mayor in-certidumbre en cuanto a la demanda y, sobre todo a la generacion, ya que el uso de energías renovables provoca que la generacion este unida a las condiciones ambientales. Por tanto, una operacion fiable y con criterios economicos debe considerar el pronostico del tiempo.

En estas circunstancias, el sistema de control debe asegurar una operacion fiable de la microrred. Las principales funciones que se le pueden solicitar al sistema de control en la microrred son (Bidram and Davoudi, 2012) (Olivares et al., 2014):

■ Control de las corrientes y tensiones en los diversos DGs, siguiendo las referencias y amortiguando apropiadamente las oscilaciones.

■ Regulacion de frecuencia y tension tanto en modo aislado como conectado a red.

■ Balance de potencia, adaptandose a los cambios tanto en generacioí n como en carga mientras se mantienen la frecuencia y la tension en límites aceptables.

■ Mecanismos de gestion de la demanda (Demand Side Management, DSM) que permitan cierta variacion en la demanda de una porcioí n de las cargas para adaptarse a las necesidades de la microrred (Wang and Nehrir, 2008), (Alvial-Palavicino et al., 2011).

■ Transicion suave entre los modos de operacion, usando la estrategia maís adecuada para cada uno de ellos y detectando raípidamente las situaciones que provocan el cambio. Resincronizacioí n con la red principal.

■ Despacho economico, repartiendo la carga entre los distintos DGs y sistemas de almacenamiento de forma que se reduzca el coste de operacioí n, siempre manteniendo la fiabilidad. La optimizacion del coste de la operacion incluirá la maximizacion del beneficio economico en el caso de conexion a red.

■ Gestion los flujos de potencia entre la microrred y la red principal y en su caso con otras microrredes

Estas funciones son muy variadas e implican dinaímicas con distintas constantes de tiempo, por la respuesta raípida necesaria en el control de las variables eleíctricas (frecuencia, tensioí n) y las necesidades temporales menos estrictas en el despacho econoímico. Se puede optar por un control centralizado, con todas las funciones y la gestioí n de la informacioí n localizadas en un uínico punto, solucioí n que, aunque proporciona una visioín global de la microrred, depende de forma crítica de un sistema de comunicacion fiable y eficiente. El control centralizado envía comandos basados en informacioí n obtenida de todo el sistema y requiere una compleja red de comunicacion (en general bidi-reccional) que afecta a la flexibilidad y fiabilidad del sistema. Como se basa en una entidad central que gestiona gran cantidad de datos, es vulnerable a fallos. Por su parte, un sistema descentralizado (donde todas las funciones son realizadas por controladores locales en cada DG que operan de manera independiente) no precisa una comunicacioí n tan detallada y permite una faícil reconfiguracioí n, pero no es adecuado para realizar una gestioí n oí ptima de la microrred al no disponer de una vision general de la misma (Lopes et al., 2006). Ello aconseja la adopcioí n de una estructura jeraírquica de control, tal como se describe en la siguiente seccioí n.

3.2. Niveles de control.

Los requerimientos de operacioí n se suelen satisfacer mediante una estructura jerárquica de control (Dondi et al., 2002) (Lopes et al., 2007). Aunque casi todos los autores coinciden

en que existen tres niveles de control, hay diversas discusiones respecto al contenido de eí stos. La idea maís extendida, compartida por (Palizban et al., 2004)(Vasquez et al., 2010) (Bidram et al., 2014) (Brabandere et al., 2007), considera tres niveles asociados a distintas escalas de tiempo.

El nivel primario opera en una escala de tiempo raípida y mantiene la estabilidad de la tensioí n y la frecuencia durante cambios en la generacioí n o en las cargas o tras el paso a modo isla. Este control se implementa localmente, enviando los puntos de consigna de los bucles de tensioí n y corriente de los convertidores de los DGs (o sistemas de almacenamiento cuando existan). Este nivel de seguridad y fiabilidad se encarga de que todos los DGs integrantes de la microrred se mantengan dentro de los maírgenes establecidos de tensioí n y frecuencia incluso en caso de fallo del sistema de comunicaciones. Ver por ejemplo (Garcia and Bordons, 2014).

Por su parte, el nivel secundario (Savaghebi et al., 2012) se encarga de asegurar que las desviaciones de tensioí n y frecuencia se regulan hacia cero ante un cambio de carga o de ge-neracioí n dentro de la microrred. Es el responsable de eliminar cualquier error en estado estacionario introducido por el control primario. Tambien se usa para la sincronización con la red principal previa a la transicioí n del modo isla al modo de conexioí n a red. En (Bidram et al., 2014) se revisan esquemas de control distribuido para este nivel.

El control terciario se utiliza para el control de los flujos de potencia entre la microrred y la red principal y para la operacioí n óptima en escalas de tiempo mas grandes (Bidram and Davoudi, 2012). Se ajustan los puntos de consigna de los inversores para gestionar los flujos de potencia, bien en sentido global (impor-tacióñ/exportacióñ de energía) o bien en sentido local (prioridad en la generación de la energía necesaria). Aquí se tienen en cuenta criterios económicos. En este nivel se pueden incluir muchas estrategias de optimización, según las escalas de tiempo, pudiendo incluir la planificación y el despachó económico.

Sin embargó, en (Olivares et al., 2014) se presenta una clasificación ligeramente distinta. Aunque el nivel primario es similar, el nivel secundario se denomina Sistema de Gestión de la Energía (Energy Management System, EMS) e incluye el despachó (óptimo segun determinados criterios (similar al terciario de la clasificación previa) y ademas incluye las correcciones de frecuencia y tensión provocadas por el control primerió. El nivel terciario se encarga de coordinar la microrred con la red principal y de coordinar la operación de microrredes in-terconectadas. Por otro lado, (Wang and Nehrir, 2008) plantea cuatro niveles de control, con una estructura similar a los anteriores, estableciendo un primer nivel para los dispositivos, un segundo nivel de operación de red, un tercer nivel de analisis y decisión de mercado y un cuarto nivel destinado a la aplicación de usuario, donde cada cliente puede establecer su papel en la microrred bajo su propio criterio de autoridad.

En las siguientes secciones de este artículo se tratara principalmente la optimización de la operación de la microrred, calculando los flujos de potencia en diferentes escalas de tiempo (considerado comunmente como nivel terciario). No se abordara el tema de los niveles de control mas bajos ni de las protecciones electricas, que pueden verse detallados por ejemplo

en (Vandoorn et al., 2013).

3.3. Metodologías de control empleadas

En los niveles primario y secundario se suele usar el denominado control de caída o droop control (Vasquez et al., 2010) para conectar diversos DGs y que se comporten como generadores síncronos. Este tipo de control se ha venido usando en sistemas de generación de potencia para los generadores síncronos conectados a red y se puede extender a DGs conectados mediante convertidores electrónicos. El metodo permite que diversos DGs trabajen en paraleló repartiendose la carga de forma proporcional a su potencia nominal. Se puede demostrar que si todas las maquinas sincronizadas a un sistema tienen el mismo porcentaje de control de velocidad de caída (droop), compartirán la carga de manera proporcional a la carga base de la maquina (William D. Stevenson, 1975). Esto no se va a tratar en detalle en este artículo, que se centra mas en el nivel terciario. El lector interesado puede referirse a (Vasquez et al., 2010) para mas detalles de droop control en microrredes y uso de otras tecnicas como el bucle de impedancia virtual (Virtual Impedance Loop).

En muchos casos, la gestión de flujos de energía en microrredes se hace con algoritmos de tipo heurístico (Gu et al., 2010). La estrategia heurística mas usada recibe el nombre de estrategia de control por banda de histeresis (Ulleberg, 2003) y se basa en mantener el nivel del almacenamiento en una banda, procediendo a su carga o descarga cuando este se sale de la zona marcada. El funcionamiento detallado del metodo así como la aplicación de otros metodos a microrredes con almacenamiento en forma de hidrógeno puede encontrarse en (Valverde, 2013).

Tambien se han aplicado estrategias basadas en controla-dores con lógica borrosa, como se muestra en (Bilodeau and Agbossou, 2006). Adicionalmente, una combinación de lógica borrosa y el apoyo de otro tipo de controlador, como los contro-ladores feedforward permiten realizar una estrategia anticipato-ria (Stewart et al., 2009). Tambien se han empleado metodos en el campo de la inteligencia artificial como redes neuronales, de manera aislada o combinados con controladores de lógica borrosa, y algoritmos basados en teoría de juegos (Mojica-Nava et al., 2014).

Se pueden encontrar muchas estrategias basadas en Control Predictivo (Model Predictive Control, MPC)(Camacho and Bordons, 2010), como las presentadas en (Ferrari-Trecate et al., 2004) para redes que incluyen turbinas de gas y de vapor. Una ventaja de este metodo es su capacidad para integrar las predicciones de generación y de demanda así como una estimación de los precios de la energía. Existen desarrollos de controladores óptimos para redes con generación renovable distribuida y almacenamiento electrico en baterías en (Negentei^ et al., 2009). En el caso de sistemas de almacenamiento híbrido, el MPC parece ser una buena solución, como se muestra en (Del Real et al., 2007), (Greenwell and Vahidi, 2010). En (Nguyen and Crow, 2012) se emplea Programación Dinamica para maximi-zar el beneficio diario y la eficiencia del sistema de almace-namiente durante las cargas y descargas. En (Valverde et al., 2013a) se muestran resultados del uso de tecnicas de MPC centralizado. En determinadas ocasiones aparecen tambien varia-

bles de tipo conexión/desconexión o cambio en el comportamiento de los equipos durante la operacion (por ejemplo distinta eficiencia de carga y descarga en las baterías), en cuyo caso el problema es un MPC híbrido, como el mostrado en (Garcia andBordons, 2013a).

El uso de estrategias de MPC distribuido (Maestre and Negenborn, 2014) puede resolver diversos problemas en la operacion. En primer lugar, los DGs pueden tener distintos propietarios, lo que conlleva que muchas decisiones se deban tomar de forma local, haciendo difícil un control centralizado. Ademas las microrredes pueden operar en un mercado liberalizado, lo que hace que las acciones locales se deban calcular teniendo en cuenta las acciones de los otros agentes. Este tema resulta de especial interés en el caso de microrredes conectadas entre sí.

En escalas de tiempo mas grandes existen diversos trabajos sobre la optimizacion del dimensionamiento de la microrred, intentando optimizar los costes de operacion en tiempo de meses o incluso anos. En (Hakimi et al., 2013) se presenta una aplicacion a una microrred para una zona residencial usando algoritmos geneticos, en la que se calcula tanto el numero necesario como la capacidad de los distintos componentes de la microrred, incluyendo generacion solar y eolica y distintos tipo de almacenamiento, así como la gestion combinada de electricidad y calor (Combined Heat and Power, CHP).

4. Operación óptima

En esta seccion se aborda el problema de la operacion optima de una microrred a nivel de calculo de flujos de energía, correspondiente al nivel terciario de la estructura jerárquica. Se presenta un controlador operando a una escala de tiempo pe-quena, lo que permite la reaccion a las perturbaciones tanto en la generacion renovable como en los cambios en la demanda electrica. Ademas, se tiene en cuenta el intercambio de energía con la red principal y el coste asociado a ello. Se presenta una aplicacion desarrollada sobre una microrred real a escala de laboratorio con generacion renovable y almacenamiento híbrido, que incluye baterías electricas e hidrogeno. El controlador va calculando en tiempo real las potencias que deben inyectar en la microrred cada uno de los sistemas de almacenamiento para ajustar la generacion renovable y la demanda, haciendo uso de la red externa cuando sea necesario. El calculo de dichas potencias se hace minimizando una funcion de coste que considera parámetros economicos e incluyendo predicciones del aporte renovable, mediante un controlador MPC. Este tipo de control se puede encontrar tambien en otras aplicaciones, como Prodan and Zio (2014) donde se presenta un MPC para otro tipo de microrred que incluye tolerancia a fallos, o en Xie and Ilic (2008), Xie and Ilic (2009) para el despacho en sistemas electricos de potencia considerando criterios economicos y medioambientales.

4.1. Descripción de la microrred de laboratorio

La motivacion de la construccion de la microrred fue el desarrollo de una instalacion experimental flexible para la investigacion en la integracion de las energías renovables con el

Figura 3: Microrred experimental

vector hidrogeno. La instalación tiene especiales características que le permiten implementar y estudiar diferentes modos de operacion y estrategias de control. El sistema dispone de una estructura modular con el objetivo de alcanzar un alto grado de flexibilidad en relacion a las topologías de sistemas y componentes que pueden ser investigados Valverde et al. (2013a). Los principales componentes son una fuente electrónica programa-ble para emular diversas fuentes de energía renovable (solar, eolica, mareomotriz, etc.), un electrolizador tipo PEM (Proton Exchange Membrane) para la production de hidrogeno, un deposito de hidrogeno basado en hidruros metálicos, un banco de baterías de plomo-acido, una pila de combustible tipo PEM y finalmente una carga electrónica programable para emular diferentes condiciones de demanda, como una vivienda o un vehículo electrico. La instalacion dispone ademas de todos los dispositivos auxiliares para el correcto funcionamiento de la planta. Tales como: desionizador de agua, agua de refrigeracion y calefaccion, nitrógeno para inertizacion, detectores de fugas, etc. La figura 3 muestra una imagen del sistema donde se pueden observar los equipos principales anteriormente mencionados. La figura 4 muestra un esquema de la planta, cuyas características tecnicas se encuentran resumidas en la Tabla 1.

Para la operacion de la microrred hay que tener en cuenta que, normalmente, la energía producida no coincidirá con la demandada. Entonces, el posible exceso de energía procedente

Tabla 1: Equipamiento de la microrred de Laboratorio

Equipo Valor nominal

Fuente Electrónica programable Carga Electrónica programable Electrolizador PEM Deposito de hidruros metalicos Pila de combustible PEM Banco de baterías plomo-acido Purificador de agua PLC Convertidores DC-DC 6 kW 2.5 kW 0.23 Nm3/h a 1 kW 7 Nm3, 5 bar 1.5 kW a 20 Nl C120=367Ah 3 L/h a 15MQ M340-Canbus 1.5kW, 1 kW

Figura 5: Esquema del controlador predictivo propuesto

Figura 4: Esquema de la microrred

de la fuente renovable puede ser almacenado en las baterías o mediante la producción de hidrógeno a traves del electrolizador (mediante el proceso de electrólisis). El hidrógeno producido en este proceso se almacena en el tanque de hidruros metaílicos. Finalmente la pila de combustible hace uso del hidrógeno cuando es necesario suplir la demanda por ausencia de generacioín de potencia de la fuente renovable. Este tipo de almacenamiento híbrido permite estrategias de operación del almacenamiento en dos escalas de tiempo: la batería puede absorber/aportar pe-quenas cantidades de energía en los transitorios rápidos mientras que el hidrógeno suplementa las variaciones mas grandes. Adicionalmente, se dispone de conexión a la red principal, con la que tambien se puede intercambiar energía cuando sea necesario.

4.2. Formulacion del controlador

En esta sección se describe la formulación de un controlador predictivo para gestión de la energía en la microrred, considerando restricciones y costes de operación. Se ha empleado un controlador MPC lineal con restricciones, en el cual la solución del problema de optimización se realiza mediante Programación Cuadrática (Quadratic Programming, QP), cuya formulación detallada puede encontrarse en Bordons et al. (2012).

El esquema de control propuesto se muestra en la figura 5, donde se han asignado al controlador cuatro variables manipu-lables, la potencia de la pila de combustible (Pfc), la potencia del electrolizador (Pez), la potencia importada o exportada de la red electrica (Pgrid) y lo que se ha definido como potencia neta (Pnet). Esta variable permitirá satisfacer la demanda electrica en el sistema, ya que se corresponde con la diferencia entre la potencia generada y demandada que el sistema trataraí de compensar. Las salidas del sistema se han definido como estado de carga de las baterías (State OfCharge, SOC) y el nivel del tanque de hidruros metalicos (NHM). Como muestra el esquema de la figura 5, se ha anadido una perturbación en la variable de control Pnet. Esta estrategia permite incluir la potencia demanda

y la generada en el esquema, en la forma de una perturbación. En este diseno, el controlador fuerza a la potencia neta a cero. Como resultado, la potencia disponible en la microrred corresponde precisamente con la diferencia entre la potencia generada y demandada. Luego, mediante el empleo del resto de variables correspondientes al electrolizador, pila de combustible y conexión con la red electrica (Pez, Pfc, Pgrid), el controlador buscara equilibrar esta diferencia de manera óptima.

Para finalizar la formulación del controlador, se presenta la función de coste diseñada, que viene dada por la siguiente expresión:

J = Yj [®1 Pfc(t + k) + «2 P2z(t + k) + a Pgrid(t + k)+

+ a4 P2net(t + k) + P\AP2fc(t + k) + P2AP2ez(t + k)+ + p3AP2grid (t + k) + AA P2„et (t + k)]+

+ (SOC(t + k) - SOCref) + y2(MHL(t + k) - MHLref)]

Donde N representa el horizonte de predicción, Nu el de control, ai son los pesos asociados al uso de los equipos, mientras que ¡3i son los pesos asociados a las variaciones de potencia de los mismos. El error en el seguimiento de las referencias se penaliza con los pesos y¡. Tanto los pesos de la función de coste, como los valores de horizontes de control, de prediccioín y tiempo de muestreo se han ajustado mediante simulaciones empleando una herramienta de simulación informatica desarrollada en Valverde et al. (2013b).

4.3. Resultados experimentales

El controlador predictivo descrito anteriormente ha sido im-plementado en la instalación experimental para verificar su funcionamiento en condiciones reales de operación. Los resultados experimentales obtenidos se muestran en la figura 6. En este experimento se representa el caso de un día despejado con alto nivel de irradiancia. En este caso se tiene como fuente renovable un campo fotovoltaico que genera 15.9 kWh a lo largo del día y una demanda de una vivienda unifamiliar típica, que a lo largo del día se corresponde con 14.7 kWh de consumo electrico.

tiempo (h)

Figura 7: Resultados en un día nublado

tiempo (h)

Figura 6: Resultados en un día despejado

En el experimento, desarrollado durante 24 horas, se puede observar coí mo el controlador propuesto gestiona satisfactoriamente la energía en la planta. Se puede observar que el electrolizador se activa cuando las baterías se han cargado al 75 %, la irradiancia sigue siendo muy alta y entonces se necesita almacenar la energía en forma de hidrogeno. El electrolizador incrementa su consumo de forma suave gracias al diseño de la funcioí n de coste, de manera que en los primeros instantes el grueso del exceso de energía se vende a la red y paulatinamente, la energía exportada va disminuyendo mientras que el electrolizador consume mas potencia, segun el optimo calculado por la funcioí n de coste. La potencia de la pila de combustible sigue un patron parecido al funcionamiento del electrolizador. Cuando las baterías alcanzan el límite inferior, la pila se activa. Mientras que va aumentandose la potencia producida por la pila de combustible, la red asume el transitorio de potencia requerida por la demanda. Finalmente, la potencia importada de la red y pila de combustible se reparten el suministro de la potencia demandada de acuerdo al optimo establecido por la funcion de coste.

El siguiente experimento muestra en esta ocasion la actuacion del controlador MPC en un escenario de bajo nivel de irra-diancia, con nubosidad frecuente, lo cual somete al sistema de control a una dura prueba. Se observa en la figura 7 como existe un deficit de energía durante la practica totalidad del ensayo, que es suplido de diferentes formas. En la primera parte, cuando suceden fuertes fluctuaciones de potencia, el control determina que el coste de cubrir esa energía con la pila de combustible es demasiado elevado y usa la energía de la red electrica para ello. Por el contrario, en la segunda mitad del experimento, cuando las fluctuaciones de la nubosidad han desaparecido, el control determina usar la pila de combustible para suplir el deíficit de energía. El controlador actua como un filtro, protegiendo la pila de combustible de las fuertes fluctuaciones características del día nublado a la vez que hace un reparto optimo de la carga. Se confirma por tanto, que funciona adecuadamente, acorde al diseno realizado.

Se observa que el comportamiento en ambos experimentos viene dictado en gran manera por los pesos de la funcion de coste. En Valverde (2013) se puede encontrar un estudio mas deta-

llado sobre la sintonizacion de los parámetros y experimentos de operacion de la planta en otras situaciones, como días nublados o aporte de generacion eolica.

4.4. Variaciones del método

Existen otros trabajos donde se desarrollan controladores predictivos para esta misma microrred o similares. Por ejemplo, en (Salazar et al., 2013) se presenta un MPC híbrido en el que se incluyen como variables de decision los tiempos de arranque y parada de la pila y el electrolizador. De esta manera se puede evitar un arranque y parada frecuente de estos equipos, lo que redunda en la mejora de su durabilidad. Por su parte, en (Garcia and Bordons, 2013a) se resuelve un MPC cuya fun-cioí n objetivo incluye los costes asociados al almacenamiento, tanto los asociados a la degradacioí n de los equipos como los de operacion y mantenimiento. El problema de control híbrido se resuelve con Programacion Cuadrática Entera Mixta (Mixed Integer Quadratic Programming, MIQP).

Esta optimizacion va normalmente asociada a una capa superior de planificacion (scheduling) que se realiza fuera de línea para el día siguiente, usando las predicciones de generacion (asociadas a variables meteorologicas), de la demanda y de los precios de la energía. Este tema se abordara en la seccion siguiente. En (Rigo-Mariani et al., 2013) se comparan diversas estrategias para la planificacion de la operacion diaria de la red, analizando metodos como Algoritmos Geneticos, Programacion Dinamica y Programacion Lineal.

5. Integración de las microrredes en el mercado eléctrico

En esta seccion se presenta la integracion de una microrred en el mercado electrico, aportando soluciones basadas en MPC tanto para la planificacion diaria e intradiaria como para el servicio de regulacion, en escalas de tiempo de segundos. Se desarrolla para una microrred con generacion renovable (plantas fo-tovoltaica y eolica) y un sistema de almacenamiento híbrido, formado por elementos electricos (baterías y supercondensado-res) e hidrogeno.

Figura 8: Estructura y gestion del mercado electrico de la península iberica (Fuente: REE)

5.1. El mercado eléctrico

El mercado eléctrico es un sistema complejo donde se genera en cada instante la cantidad de energía necesaria para abastecer las variaciones de carga que el consumo necesita en cada instante (Pinson et al., 2007; Holttinen, 2005). El intercambio de energía primero tiene lugar en el mercado diario, donde los agentes1 de mercado (compradores y vendedores) tienen que proponer antes del cierre de la sesión la cantidad de energía y el precio de venta para cada uno de los periodos en los que se divide el mercado diario. Una vez realizada la casacion de energía los agentes son responsables de cualquier desvío de energía en las ofertas realizadas. Ciertos mercados electricos contemplan tambien la posibilidad de realizar acciones correctivas a las ofertas realizadas en sesiones de mercado intradiario que tienen lugar en el desarrollo del periodo de planificacion energetica del mercado diario. En la figura 8, se pueden observar los distintos mecanismos de gestion y estructura que rigen el mercado electrico de la peninsula iberica y que son muy similares a los usados en otras partes del mundo.

El funcionamiento de los sistema electricos se encomienda habitualmente a dos entidades independientes, que son el Operador del Mercado2 y el Operador del Sistema3. El Operador

1Entidad que puede acudir como participante en el mercado electrico, tanto para compra como venta de energía. Pueden actuar como agentes del mercado los productores, distribuidores y comercializadores de electricidad, así como los consumidores cualificados de energía electrica y las empresas o consumidores, residentes en otros países, que tengan la habilitación de agentes externos.

2Sociedad mercantil que asume la gestión del sistema de ofertas de compra y venta de energía electrica en el mercado diario e intradiario de energía eléctrica en los teírminos que reglamentariamente se establezcan.

3Sociedad mercantil que tiene como función principal garantizar la continuidad y seguridad del suministro eleíctrico y la correcta coordinacioín del sis-

del Sistema tiene como misión asegurar la calidad y continuidad del suministró de energía electrica en tiempo real. Para variaciones rápidas de carga y problemas imprevistos en cuanto a la capacidad de generación, el Operador del Sistema tiene a su disposición reservas de energía, cuyo uso repercute en la aplicación de penalizaciones por desvío tanto positivo como negativo a los agentes de mercado que incumplen su planificacioín. Estas penalizaciones dificultan la introducción de las energías renovables en el mercado electrico de la energía. El mercado de energía diario cierra a las 8h del día anterior al cual la energía es producida, teniendo que hacer la planificación de generación para el día siguiente de 0-24h, usualmente distribuido por horas. Cualquier desviación respectó a esta planificación requiere de acciones correctivas en las sesiones de mercado intradiario, o bien, mediante la aplicación de las penalizaciones del operador del sistema en el mercado de servicio de regulacioín.

La introducción de los sistemas de almacenamiento de energía no sólo permitiría a las energías renovables actuar en el mercado de la energía pudiendo corregir las desviaciones frente a la planificación realizada, sino que ademas posibilitaría una planificación económica mejor facilitando la venta de energía en aquellos periodos en los que el precio es mayor. En funcionamiento en microrred, se podría comprar energía en aquellos periodos de menor preció de la energía para abastecer las cargas y autoabastecer a las cargas en aquellos periodos en los que el preció de la energía electrica es elevado.

tema de producción y transporte, ejerciendo sus funciones en coordinación con los operadores y sujetos del mercado de energía electrica bajo los principios de transparencia, objetividad e independencia. En algunos mercados, el Operador del Sistema es tambieín el gestor de la red de transporte.

5.2. Planificación del mercado diario de microrredes con almacenamiento híbrido usando MPC En esta sección, se muestra la planificación económica de la microrred para el mercado diario (Garcia and Bordons, 2013a). La explotacion optima de la microrred se basa en optimizar el flujo de energía entre los distintos recursos de la micrrored, bien la compra/venta de energía con red, bien la generacion de hidrogeno mediante el electrolizador (efe), carga(car)/descarga(des) de la batería (bat) o generacion de electricidad mediante la pila de combustible (pc). La funcion de coste del controlador trata de minimizar el uso de cada subsistema de la microrred:

J (Jred(hi) + Jbat(hi) + Jelz(hi) + Jpc(hi))

sujeto a las siguientes restricciones físicas:

Pfv(tk) + Paero(tk) - Pcarga(tk) = Pred(tk) + Zelz(tk) - Zpc(tk) + Pbat(tk)

pnun < Pi(tk) < pmaX\i=red,elz,pc,bat

socman < soCbat(tk) < soczr

LOHmin < LOH(tk) < LOHmax

0 < 6i(tk) < l\i=elz,pc

(6) (7)

donde Pfv, Paero y Pcarga son, respectivamente, la previsión de potencia fotovoltaica, eolica y consumo de cargas por cada periodo de planificacion de la microrred. Las variables SOC y LOH hacen referencia al estado de cargas de las baterías y el nivel de hidrogeno en el deposito de almacenamiento. La variable Si, muestra el estado logico de encendido o apagado del electrolizador y la pila de combustible. Las variables zj(tk), se definen como variables mixtas, enteras-logicas segUn la ecuacion siguiente.

Zj(tk) = Pj(tk) • 5j(tk)\j=elz,pc

Las relaciones logicas que se introducen pueden ser traducidas a inecuaciones usando las relaciones definidas en (Bempo-rad and Morari, 1999) que se introducen como restricciones del controlador. Se detallan a continuacion las funciones de coste que se emplean para resolver los distintos problemas.

5.2.1. Funcion de coste de la red

El coste de intercambio de energía viene dado por el precio de la energía en el mercado diario rDM, que es diferente en compra y en venta. La potencia de venta a la red y la potencia

de compra a la red vienen definidos por las variables Pventa y P

1 compra

5.2.2. Función de coste de las baterías

El coste de uso de las baterías viene dado por la perdida de vida Util en las mismas, que se produce por tres factores fundamentales que deben de evitarse: temperatura de trabajo, el numero de ciclos de carga/descarga y altas corrientes de carga/descarga (Sikha et al., 2003; Ning et al., 2006; Arora et al., 1998), dando lugar a la siguiente funcion de coste:

2 • Ciclosb

Pbat,car(hi) • Ts ' tfbat,c

r • P2at,car (h)

Pbat,des(hi) • Ts

2 • Cyclesbat ndes, bat +Costdegr,des • Pbat,des(hi))

donde CCbat es el coste de adquisicion de las baterias, Ciclosbat es el numero de ciclos de vida de las baterías y n indica el rendimiento en carga y descarga de las baterías. El factor Costdegr penaliza las altas corrientes de carga y descarga que ademas provocan aumento en la temperatura de las baterias.

5.2.3. Funcion de coste del almacenamiento en ciclo de hi-

El almacenamiento en ciclo de hidrogeno, habitualmente esta compuesto por un electrolizador, un deposito de almacenamiento de hidrogeno y una pila de combustible. Variaciones de carga en los electrolizadores producen cambios en la presioín diferencial que afectan a la resistencia mecanica de la membrana y degradacion química de la misma. Los ciclos de encendido/apagado producen degradacion mecanica debido al ciclado de presion y temperatura. Tambien se produce degradacion química causada por la polaridad incontrolada del conjunto de celdas o stack. Se forma peroxido de hidrogeno en el catodo despues del apagado con la consiguiente oxidacion de la membrana y el soporte de carbono (Barbir, 2005; Gorgün, 2006; Car-gnelli, 2013). De la misma forma, variaciones de carga en la pila de combustible producen perdidas de resistencia mecanica de la membrana debido al ciclado tanto termico como de hu-mectacioí n de la misma. El funcionamiento frente a cargas fluctuantes produce degradacion química de la membrana debido al ataque de radicales por mantener el stack a circuito abierto. Un ciclado frente cargas fluctuantes produce la disolucion de particulas de platino en el catodo. De la misma forma se puede dar el fenomeno conocido como starvation, el cual se produce cuando no se puede suministrar el oxígeno necesario para la corriente demandada. A su vez, ciclos de arranque y parada en la pila de combustible producen la corrosion del carbono en los electrodos (Suh, 2006; De Bruijn et al., 2008). Las funciones de coste del electrolizador y la pila de combustible que intentan

Jred = ( rventa(hù • Pventa(hi) + rcompra(hi) • Pc< h¡=1

a(h¡)) • Ts

evitar estos fenómenos se definen en las ecuaciones siguientes:

(CCeh \

—- + Costoym,elz Ôelz(hi)+

Horasefe )

on off (11)

Costarranque,elz ' ^elz(hi) + Costapagado,elz ' ^elz (h)

+ Costdegr,elz • ®2elz(hi)

Jpc(hi)

/ CCpc + Cost

\ Horasp

oym,pc I upc

5pc(hi)+

Costarranque,pc ' &pcfài) + Costapagado,pc ' &pe (hi) + C0Stdegr,pc • ^pc(hi)

donde CC indica el coste de adquisición de los equipos, Horas indica el número de horas de vida de los equipos, Costarranque y Costapagado indican el coste por la degradacion que sufren los equipos por encendido y apagado. El termino Costdegr cuanti-fica la degradacion frente a cargas fluctuantes de los equipos. Los estados logicos de encendido y apagado de los equipos se pueden definir con las relaciones siguientes:

&0pn(tk) = max(öj(tk) - ôj(tk-i), 0)|j=eiz,pc &Pff(tk) = max(ôj(tk-i) - ôj(tk),0)|j=ekpc

Usando las leyes de Karnaugh, pueden ser definidas con las siguientes variables lógicas:

ap¡l(tk) = ôj(tk) A (~ ôj(tk-i))|j=ekpc &0pff(tk) = ôj(tk-l) A (~ ôj(tk))|j=elz,pc

Estas relaciones se pueden a su vez traducir a inecuaciones segiun se muestra en (Bemporad and Morari, 1999), siendo introducidas como restricciones en el controlador.

Se define el estado lógico de degradación (Xj(tk)), como todos los momentos en los que los equipos estan encendidos salvo en los momentos de encendido y apagado:

*j(tk) = (ôj(tk) A ôj(tk-i))

La variable §j(tk), es una variable entera-lógica que tiene en cuenta todos los estados de variacion de potencia de los equipos, salvo en los momentos de encendido y apagado.

§j(tk) = Az(tk) • (ôj(tk) A ôj(tk-1))| j=elz,{

En la figura 9 se muestran los resultados de la planificacioín econoímica de la microrred usando teícnicas MPC. El problema planteado es de Programación Mixta Cuadrática (Mixed Integer Quadratic Programming, MIQP). Como se puede observar la compra y venta de energía con la red electrica se realiza en los momentos de mayor benefició económico, al tiempo que las potencias de carga y descarga de las baterías se minimizan, al igual que las horas de funcionamiento del electrolizador y la pila de combustible. Tambieín se minimizan los encendidos y apagados del electrolizador y la pila de combustible, así como las variaciones de carga aplicadas al electrolizador y la pila de combustible.

Figura 9: Resultados de la planificacion economica de la microrred usando MPC

..........L — Predicción de precios |

Figura 10: Prediccion de precios de la energía en el mercado diario

5.3. Mercado intradiario de microrredes con almacenamiento híbrido usando MPC El mercado intradiario es un mercado de ajustes de los desvíos en generation o en demanda que se pueden producir con posterioridad a haberse fijado el Programa Diario Viable Definitivo. Las diferentes causas por las que los agentes pueden querer variar su prevision de generation o consumo pueden deberse a averías o a un cambio de prevision en las centrales de production de energía renovable. Este mercado esta organizado en seis sesiones (ver Tabla 2), cada una con un horizonte de programacion menor, donde pueden presentar ofertas de compra o venta de energía tan solo aquellos agentes que hayan participado en la sesion del mercado diario y en aquellos periodos en los que hayan participado. El programa de transacciones resultante de cada mercado intradiario es analizado y aprobado por el Operador del Sistema para garantizar el cumplimiento de los

Tabla 2: Sesiones del Mercado Intradiario

Sesion Primera Segunda Tercera Cuarta Quinta Sexta

Apertura 16.00h 21.00h 01.00h 04.00h 08.00h 12.00h

Horizonte 21-24h 1-24h 5-24h 8-24h 12-24h 16-24h

Schedule 28 h 24 h 20 h 17 h 13 h 9 h

criterios de seguridad, generando el Programa Horario Final.

Jred(hi) = —rVenta(hi) ' Pventa(hi) + rcompra(hi) ' Pcompra(hi) rMI

+ rventa(hi) ' Pventa(hi) ' ^red(hi)

venta\ oIM

reompra(hi) ' P iempra(hi)) ' ^red(hi)

Ôred(hi) =

[1 PMD(tk) * 0

10 PMD(tk) = 0

Tan solo en aquellos instantes en los que se había planificado un intercambio de energía en el mercado diario, pueden ser ampliados o disminuidos mediante la venta o compra de energía en el mercado intradiario. Para cumplir con esta especificacion se introduce la variable logica Sre¿(h¡), la cual tiene valor 1 en aquellos periodos horarios en los que se tiene participacion del mercado diario y 0 en aquellos en los que no se tiene. El producto de esta variable logica por la energía intercambiada con la red da lugar a las variables mixtas zventa y zcompra las cuales se introducen como restricciones en la minimizacioín.

Pgrid(hi) = Ps0¡e(hi) - Ppt(hi) + Zsale(hi) - Zpur(hi)

Teniendo en cuenta las consideraciones hechas en el nivel de control del mercado intradiario de la microrred, se introduce la funcioín de coste de la red que se define a continuacioín, donde los horizontes de control y de prediccion son definidos segiun la sesion del mercado intradiario en la que se este actuando.

J = ^ (Jgrid(hi) + Jbat(hi) + Jelz(hi) + Jfc(hi)) (22)

El resto de funciones de coste para el resto de sistemas de la microrred que se usaron en el mercado diario ecuaciones (10)-(12), es valido para el mercado intradiario. En la gráfica de la figura 11, se puede observar como se modifica el uso de los sistemas de almacenamiento para gestionar el mercado intradiario respetando la planificacion realizada en el mercado diario.

2500 2000 1500

! ! ! !

- O pgr - PintradiariO PH _ PRED

J].....

tiempo (h)

Figura 11: Planificación Mercado Intradiario

5.4. Servicio de regulación en microrredes con almacenamiento híbrido usando MPC El servicio de regulation permite ajustar la generation a la demanda y mantener el suministro electrico a la frecuencia establecida. El uso de la penalization por desvío es un incentivo para que los agentes de mercado cumplan con la planificacion realizada. Existen tres niveles de regulation, la regulation primaria cuyo objetivo es la correction automatica (en 30 segundos) de los desequilibrios instantaneos de frecuencia por medio de los reguladores de velocidad y segun la propia inercia de las maquinas o instalaciones de generation. Este servicio es obligatorio y no tiene una remuneration adicional. La regulation secundaria permite al operador del sistema disponer de una reserva de capacidad disponible muy flexible (deben responder en 30 segundos en caso de contingencia) para resolver desequilibrios significativos entre generation y demanda. El servicio de regulation secundaria es gestionado por zonas de regulacion/agrupaciones de centrales con capacidad de prestar el servicio de regulation secundaria, a requerimiento automatico del programa de control de la generation del operador del sistema, con exigencias de respuesta con constante de tiempo de 100 segundos. El servicio de regulation terciaria es de carácter obligatorio para las unidades de production que pueden ofrecerlo. Así, todas las unidades de generation del sistema que pueden variar su production en un tiempo no superior a 15 minutos y mantener la variation durante 2 horas deben ofrecer toda su capacidad excedentaria (no contratada en otros mercados o servicios) al operador del sistema. La disposition de sistemas de almacenamiento de energía permite disponer de margen de regulation propio para no tener que ser penalizado por desvíos, pero ademas permite vender esta capacidad de regulation en el caso de no ser necesaria. Los históricos meteorologicos se almacen en la estacion meteorologica cada diez minutos, por lo que, cada hora se divide en intervalos de 10 minutos y se impone un horizonte de control de 3 horas (18 instantes de control) para cumplir con el requerimiento de la red de mantener durante 2 horas la energía planificada en el mercado de servicio de regulation. La funcion a minimizar en el MPC viene dada por:

J(tk) = jRMM (fk) + jRM(tk ) + JRM (* ) + H«* )

A continuacioín se particulariza esta ecuacioín para cada sistema de almacenamiento, ya que ahora las funciones objetivo son distintas al problema previo.

5.4.1. Funcion de Coste de la Red

La funcioín de coste de la red viene dada por el coste de la penalizacion por desvío por encima o por debajo de lo planificado con el operador de mercado en el mercado de intradiario.

j=18 (tk ) =2

^Mubir,reg(tk+j) ' (Pred(tk+j) P>Md(h0) ' Ôsubir,reg(tk+j)

(tk+j) ' (Pred(tk+j) - P'MeId(h0) ' Sbajar,reg(tk+j)

ba jar,reg

donde,

de coste.

&subir, reg(tk) =

g(tk) =

(Pred(tk) - PMrId(hi)) > 0 (Pred(tk) - PMJ/hi)) < 0

(Pred(tk) - PM/d(hi)) > 0 (Pred(tk) - PMJ/hi)) < 0

5.4.2. Funcion de Coste del Supercondensador

La función de coste del supercondensador gestiona este sistema de almacenamiento de energía para que este siempre disponible para acciones correctivas ante imprevistos de consumo de carga o de generación, manteniendolo en un nivel de referencia de estado de carga intermedió.

Jsc(tk) = ^ Wsc • (SOCsc(tk+j) - SOCf/) j=1

5.4.3. Funcion de coste de las baterías

La funcioín de coste para el uso de las baterias en el nivel de control de la regulacioín de servicio, viene dada por una pena-lización del desvío respectó a la planificación dada en los mercados intradiarios, dado que las desviaciones en el corto plazo (3h) pueden afectar a la planificación realizada a largo plazo (3h-24h). Nótese que la desviación del estado de carga de las baterias tan sólo se tiene para el instante final del horizonte de control, el resto de los instantes la planificación del almacenamiento de energía la realiza el MPC de regulación de servició o la planificación en el corto plazo. Los distintos aspectos de degradación comentados anteriormente tambien deben ser incluidos en la función de coste.

Jbat(tk) =

wbat • {SOCbat(tk+18) - SOCbM(tk+18))

1 V1 í CCbat í Pbat,dis(tk+j)

ndis,bat

6 j~i\2 • Cyclesbat

+Pbat,ch(tk+j) • nbat,chj +Costdegr,dis • P2bat,dis(tk+ j) +Cóstdegr,ch • Pbat,ch(tk+j))

5.4.4. Funcion de Coste del Almacenamiento en Ciclo de Hi-droígeno

De manera similar a las baterías, la función de coste para el uso del almacenamiento en ciclo de hidrógeno en el nivel de control de la regulacioí n de servicio, viene dado por una pe-nalización del desvío respectó a la planificación dada en los mercados intradiarios, dado que las desviaciones en el corto plazo (3h) pueden afectar a la planificación realizada a largo plazo (3h-24h). Los distintos aspectos de degradación comentados anteriormente tambien deben ser incluidos en la función

JH2(tk) =

WH2 • (LOH(tk+18) - LOHMM(tk+ls)f

íí 1 ^

j=18 -(

/ , 7T + Cóstoym,e/z &elz(tk+;)

^ Horas,

+ C°stencendido,elz ' j)

+ Cóstapagado,e/z • &olz (tk+j^

+ Cosídegr,elz • j) 6CC pc

7T + Cóstoym,pc \dpc(tk+j)

Horaspc

+ Cóststartup,pc • &pc(tk+j) + C°Stshuídow^pc • &pc f(tk+j) +Cóstdegr,pc • $2pc(.tk+j))

■ : : Mercado Regulación — P'H2 0 P™.

"O—O" „.....^ 1.........i........i...............-

tiempo (h)

Figura 12: Planificación en el Mercado de Regulación

5.4.5. Resultados

El controlador MPC para el servició de regulación es el ultimo nivel por encima de reparto de cargas en tiempo real. Se ejecuta media hora antes de cada hora planificada con un horizonte de prediccioí n de 3 horas. Este corto horizonte propicia la accioí n del supercondensador. Como se muestra en la figura 12, el algoritmo envía una referencia constante al electrolizador para todos los instantes de trabajó, minimizando así los efectos de degradación. Tambien se minimizan las desviaciones por desvío así como la corriente de pico de carga en las baterías, cuyo perfil de carga es suave. El supercondensador se mantiene sobre su SOC de referencia y tambien se sigue el nivel deseado de almacenamiento de hidrógeno (figura 14). Se observa por tanto que el MPC disenado permite seguir las referencias planificadas a largo plazo ajustando las peticiones a los sistemas

tiempo (h)

Figura 13: Seguimiento de la planificación del estado de carga

de almacenamiento para cumplir los requisitos de operación de estos.

time (h)

Figura 14: Seguimiento de la planificacion del nivel del hidrogeno

6. Líneas abiertas

Existen numerosas líneas abiertas relacionadas con el control de microrredes. En cuanto al control de variables electricas, en la actualidad se estan dedicando esfuerzos al diseño de esquemas especiales de protección y sistemas de control que garanticen una operación segura y económicamente eficiente de la microrred tanto en modo aislado como conectado a red, incluido el rediseno de los esquemas de protección al nivel de distribución para tener en cuenta los flujos de energía bidirecciona-les. Pero es en la gestión y planificación óptimas de la microrred en las distintas escalas de tiempo donde mas campos abiertos existen. Uno de estos campos de interés esta relacionado con la integración de los vehículos electricos en las microrredes. Los sistemas Vehículo a Red (Vehicle to Grid, V2G) consisten en la utilización de las baterías de los coches electricos (incluyendo híbridos), durante los periodos en que estos no se utilizan,

como almacenamiento de energía para una red electrica. Teniendo en cuenta el tamano actual del parque automovilístico y que se preve un incrementó progresivo del numero de vehículos electricos, la capacidad de almacenamiento de energía que se puede disponer en un futuro mas o menos próximo es suficiente para poder acercar de manera significativa la oferta y demanda en una microrred, y por tanto mejorar el comportamiento y la estabilidad del sistema electrico. Ademas, los sistemas V2G permiten plantear nuevos modelos de negocio donde aparecerían nuevos actores, como por ejemplo los Gestores de Carga, que serían responsables de la infraestructura de recarga, proporcionando servició a los vehículos, vendiendo o comprando electricidad y estableciendo relaciones con los gestores de la red. En relación a ello, en los ultimos anos han aparecido en la literatura algoritmos de control para la carga de vehículos electricos en redes, en los que por un lado se busca un servició oí ptimo de recarga respetando las preferencias del conductor y por otro lado garantizar el seguimiento de un determinado perfil de potencia en la red, considerando ademas diversas restricciones tanto en el vehículo, en la estación de carga y en la red. En (Deilami et al., 2011) (Richardson et al., 2012) se resuelve el problema mediante algoritmos de optimización en tiempo real, mientras que en (Giorgio et al., 2013) se presenta un algoritmo basado en MPC. Tambien se han aplicado a la resolución del problema algoritmos distribuidos o jerárquicos (Bashash and Fathy, 2011) (Fan, 2011) (Galus et al., 2010). En general, la mayoría de los algoritmos en la literatura estan centrados en las interacciones entre los usuarios y la compama de suministro, que se resuelve principalmente mediante la resolución de algoritmos de optimización en tiempo real. Tambien resulta de gran interés la gestión de las cargas de la microrred, en lo que se denomina "Gestión de la demanda"(Demand Side Management, DSM) . En este sentido, resulta de interés disenar esquemas apropiados para que los consumidores puedan reaccionar de forma activa a las necesidades de la red, desconectando o disminuyendo la potencia de las cargas en determinados momentos. De esta forma, las variables de decisión no son sólo las potencias de los DGs o el almacenamiento, sino que las cargas pueden tambien manipularse en cierta medida. En este sentido, la microrred o algunos de sus elementos pueden considerarse tanto productores de energía como consumidores, ya que pueden actuar de diversas maneras en diferentes instantes de tiempo. Para designar esta figura, se ha acunado el termino pro-sumer, que sirve para denominar a agentes que pueden actuar tanto como generadores (vendiendo energía cuando el preció es elevado) o como consumidores (comprando cuando no hay energía propia disponible). Al disponer de sistema de almacenamiento, el prosumer podraí operar para satisfacer un objetivo económico, considerando tanto la predicción de generación (asociada a pronósticos del tiempo en el caso de renovables) como la situación cambiante de los precios y las posibles restricciones del operador de la red electrica (Rigo-Mariani et al., 2013). Esto abre nuevas posibilidades al desarrollo de algoritmos de optimización tanto para la planificación diaria de las microrredes como para la operacioí n en tiempo real. Relacionado con lo anterior, surge el paradigma de las "Plantas de Potencia Virtuales"(Virtual Power Plant, VPP), que son microrredes

que desde el punto de vista de la red electrica operan como una planta de potencia clasica, tanto en cuanto a comportamiento electrico (potencia activa y reactiva, frecuencia, reserva rodante, etc.) como desde el punto de vista economico, formando parte del mercado tal como se ha mostrado en el apartado anterior. De esta forma, una planta de generation renovable se puede convertir en una planta despachable. Estas plantas pueden por tanto participar en el mercado en distintas escalas de tiempo, incluido el corto plazo y por tanto colaborar en el servicio de regulation (Garcia and Bordons, 2013b), vendiendo energía a un precio muy alto para el mantenimiento de la frecuencia y de la estabilidad de la red. Esto las hace muy atractivas, por lo que el desarrollo de algoritmos de operation optima de las VPPs es un tema con gran proyeccion de futuro.

7. Conclusiones

Este artículo ha presentado la problematica de control en las microrredes que integran generation renovable y diversas tecnologías de almacenamiento, describiendo las metodologías que abordan el problema. Se muestra como el paradigma de la microrred puede permitir una mayor integration de las energías renovables en el sistema electrico. Tambien se han mostrado desarrollos de Control Predictivo para la operation (optima de microrredes y para su conexion a la red electrica formando parte del mercado en sus diversas escalas. Los casos estudiados incluyen diversas fuentes renovables y almacenamiento híbrido con hidrogeno, lo que permite gestionar el balance de energía en distintas escalas de tiempo. El desarrollo de controladores adecuados permitira una participation competitiva de las energías renovables y la integration de las microrredes en el nuevo modelo de sistema electrico.

English Summary

Optimal Energy Management for Renewable Energy Mi-crogrids.

Abstract

This paper deals with some issues related to optimal operation of microgrids, which are a group of loads, generators and energy storage systems that can be managed isolated or connected to the main grid, in a coordinated way in order to reliably supply electricity. The control problems and solution are addressed both for optimal dispatch and for the integration of the microgrid in the electricity market. Development of Model Predictive Controllers are presented for case studies that include several renewable sources (photovoltaic and wind) as well as hybrid storage using hydrogen. Some experimental results for a demonstration microgrid are presented, as well as simulations of scheduling in the electricity market. The results indicate that development of the appropriate controllers will allow a competitive participation of renewable energy in the new model of the electrical system.

Keywords:Microgrids; renewable energy; model predictive control; energy management; electrical system

Agradecimientos

Los autores agradecen al Ministerio de Economía y Com-

petitividad de Espana la financiacion de parte de estos trabajos mediante el contrato DPI2013-46912-C2-1.

Referencias

Alvial-Palavicino, C., Garrido-Echeverria, N., Jimenez-Estevez, G., Reyes, L., Palma-Behnke, R., 2011. A methodology for community engagement in the introduction of renewable based smart microgrid. Energy for Sustainable Development 15 (3), 314-323.

Arora, P., White, R. E., Doyle, M., 1998. Capacity fade mechanisms and side reactions in lithium-ion batteries. Journal of the Electrochemical Society 145 (10), 3647-3667.

Barbir, F., 2005. Pem electrolysis for production of hydrogen from renewable energy sources. Solar Energy 78 (5), 661-669.

Bashash, S., Fathy, H., 2011. Robust demand-side plug-in electric vehicle load control for renewable energy management. In: Proc. American Control Conference.

Bemporad, A., Morari, M., 1999. Control of systems integrating logic, dynamics, and constraints. Automatica 35 (3), 407-427.

Bidram, A., Davoudi, A., 2012. Hierarchical structure of microgrids control system. IEEE Trans on Smart Grid 3,1963-1976.

Bidram, A., Lewis, F. L., Davoudi, A., 2014. Distributed control systems for small-scale power networks. IEEE Control Systems Magazine 34 (6), 5677.

Bilodeau, A., Agbossou, K., 2006. Control analysis of renewable energy system with hydrogen storage for residential applications. Journal of Power Sources 162, 757-764.

Bordons, C., Rosa, F., Valverde, L., 2012. Power management using model predictive control in a hydrogen-based microgrid. In: IECON 2012 - 38th Annual Conference on IEEE Industrial Electronics Society, Montreal.

Brabandere, K. D., Vanthournout, K., Driesen, J., Deconinck, G., Belmans, R., 2007. Control of microgrids. In: Dept. of Electr. Eng., Katholieke Univ. Leu-ven, Leuven : Power Engineering Society General Meeting, IEEE.

Camacho, E. F., Bordons, C., 2010. Control predictivo: Pasado, presente y futuro. Revista Iberoamericana de Automatica e Informatica Industrial 1 (3).

Cargnelli, J., 2013. Recent advances in pem water electrolysis. First International Workshop on durability and degradation issues of PEM electrolysis, Freiburg, Germany.

De Bruijn, F., Dam, V., Janssen, G., 2008. Review: durability and degradation issues of pem fuel cell components. Fuel cells 8 (1), 3-22.

Deilami, S., Masoum, A., Moses, P., Masoum, M., 2011. Real-time coordination of plug-in electric vehicle charging in smart grids to minimize power losses and improve voltage profile. IEEE Trans. on Smart Grid 2 (3).

Del Real, A., Arce, A., Bordons, C., 2007. Hybrid model predictive control of a two generator power plant integrating photovoltaic panels and fuel cell. In: Proceedings of 46th IEEE Conf. on Decision and Control.

Dondi, P., Bayoumi, D., Haederli, C., Julian, D., Suter, M., 2002. Network integration of distributed power generation. J. of Power Sources 106 (1), 1-9.

Dotsch, C., 2009. Energy storage. In: Technology Guide. Springer, pp. 362367.

Fan, Z., 2011. A distributed demand response algorithm and its application to phev charging in smart grids. IEEE Trans. on Smart Grid 3,1280-1290.

Ferrari-Trecate, G., Gallestey, E., Letizia, P., Spedicato, M., Morari, M., Antoine, M., 2004. Modeling and control of co-generation power plants: a hybrid system approach. IEEE Trans. on control systems technology 12 (5), 694705.

Funabashi, T., Koyanagi, K., Yokoyama, R., 2003. A review of islanding detection methods for distributed resources. In: Proc. IEEE PowerTech Conf.

Galus, M. D., LaFauci, R., Andersson, G., 2010. Investigating phev wind balancing capabilities using heuristics and model predictive control. In: IEEE Power and Energy Society General Meeting.

Garcia, F., Bordons, C., 2013a. Optimal economic dispatch for renewable energy microgrids with hybrid storage using model predictive control. In: Industrial Electronics Society, IECON 2013-39th Annual Conference of the IEEE, Viena, Austria. pp. 7932-7937.

Garcia, F., Bordons, C., 2013b. Regulation service for the short-term management of renewable energy microgrids with hybrid storage using model predictive control. In: Industrial Electronics Society, IECON 2013-39th Annual Conference of the IEEE, Viena, Austria. pp. 7962-7967.

Garcia, F., Bordons, C., 2014. Model predictive control based inverter for energy storage integration in renewable energy microgrids. In: IEEE 11th International Conference on Modeling and Simulation of Electric Machines, Converters and Systems, (Electrimacs), Valencia, Espana.

Giorgio, A. D., Liberati, F., Canale, S., 2013. IEC 61851 compliant electric vehicle charging control in smartgrids. In: 21st Mediterranean Conference on Control and Automation (MED). Crete, Greece.

Gorgun, H., 2006. Dynamic modelling of a proton exchange membrane (pem) electrolyzer. International journal of hydrogen energy 31 (1), 29-38.

Greenwell, W., Vahidi, A., 2010. Predictive control of voltage and current in a fuel cell-ultracapacitor hybrid. IEEE Trans. on Industrial Electronics 57 (6), 1954-1963.

Gu, W., Wu, Z., Yuan, X., 2010. Microgrid economic optimal operation of the combined heat and power system with renewable energy. In: IEEE. Power and Energy Society General Meeting.

Hajimiragha, A., Zadeh, M. R. D., 2013. Research and development of a micro-grid control and monitoring system for the remote community of bella coola: Challenges, solutions achievements and lessons learned. In: Proc. IEEE Internat. Conf. on Smart Energy Grid Engineer. (SEGE'13).

Hakimi, S., Moghaddas-Tafreshi, S. M., Hassanzadehfard, H., Taylor, G. A., Alamuti, M. M., 2013. Optimization of a reliable combined cooling, heat and power microgrid system. In: Industrial Electronics Society, IECON 2013-39th Annual Conference of the IEEE, Viena, Austria.

Hatziargyriou, N., Asano, H., Iravani, R., Marnay, C., 2007. Microgrids. IEEE Power Energy Mag. 5 (4), 78-94.

Holttinen, H., 2005. Optimal electricity market for wind power. Energy Policy 33 (16), 2052-2063.

Jiay, H., Chuanwen, J., Rongi, X., 2008. A review on distributed energy resources and microgrid. Renewable Sustainable Energy Rev. 12, 2472-2483.

Lasseter, R. H., 2002. Microgrids. IEEE Power Eng Soc Transm Distrib Conf, 305-8.

Lidula, N., Rajapakse, A., 2011. Microgrids research: a review of experimental microgrids and test systems. Renewable Sustainable Energy Rev 15, 186202.

Lopes, J., Moreira, C., Madureira, A., 2006. Defining control strategies for microgrids islanded operation. IEEE Trans. Power Syst. 21 (2), 916-924.

Lopes, J. P., Hatziargyriou, N., Mutale, J., Djapic, P., Jenkins, N., 2007. Integrating distributed generation into electric power systems: A review of drivers, challenges and opportunities. Electric Power Syst. Research 77 (9), 11891203.

Maestre, J. M., Negenborn, R. R., 2014. Distributed Model Predictive Control Made Easy. Springer.

Mojica-Nava, E., Macana, C. A., Quijano, N., 2014. Dynamic population games for optimal dispatch on hierarchical microgrid control. IEEE Trans. on Systems, man and cybernetics 44 (3).

Negenborn, R. R., Houwing, M., Schutter, B. D., Hellendoorn, J., 2009. Model predictive control for residential energy resources using a mixed-logical dynamic model. In: Networking, Sensing and Control, 2009. ICNSC'09.

Nguyen, T. A., Crow, M. L., 2012. Optimization in energy and power management for renewable-diesel microgrids using dynamic programming algorithm. In: Proc 2012 IEEE International Conference on Cyber Technology in Automation.

Ning, G., White, R. E., Popov, B. N., 2006. A generalized cycle life model of rechargeable li-ion batteries. Electrochimica acta 51 (10), 2012-2022.

Olivares, D. E., Mehrizi-Sani, A., Etemadi, A. H., Canizares, C. A., Iravani, R., Kazerani, M., Hajimiragha, A. H., Gomis-Bellmunt, O., Saeedifard, A., Palma-Behnke, R., Jimenez-Estevez, G. A., Hatziargyriou, N. D., 2014. Trends in microgrid control. IEEE Trans on Smart Grid 5 (4).

Palizban, O., 2011. Active and reactive power control for a hybrid system with photovoltaic panel, windturbine, fuelcells, electrolyzer and supercapacitor in off-grid mode. In: IEEE international conference on control system, computing and engineering (ICCSCE).

Palizban, O., Kauhaniemi, K., Guerrero, J., 2004. Microgrids in active network management-part i: Hierarchical control,energy storage, virtual power plants, and market participation. Renewable and Sustainable Energy Reviews.

Palma-Behnke, R., Benavides, C., Lanas, F., Severino, B., Reyes, L., Llanos, J., Saez, D., 2013. A microgrid energy management system based on the rolling horizon strategy. IEEE Trans. Smart Grid 4 (2), 996-1006.

Pinson, P., Chevallier, C., Kariniotakis, G. N., 2007. Trading wind generation from short-term probabilistic forecasts of wind power. Power Systems, IEEE Transactions on 22 (3), 1148-1156.

Prodan, I., Zio, E., 2014. Model predictive control framework for reliable microgrid energy management. Electrical Power and Energy Systems 61,399409.

Richardson, P., Flynn, D., Keane, A., 2012. Optimal charging of electric vehicles in low-voltage distribution systems. IEEE Trans. on Power Systems 27, 268-279.

Rigo-Mariani, R., Sareni, B., Roboam, X., 2013. A fast optimization strategy for power dispatching in a microgrid with storage. In: Industrial Electronics Society, IECON 2013-39th Annual Conference of the IEEE, Viena, Austria.

Salazar, J., Tadeo, F., Valverde, L., 2013. Predictive control of a renewable energy microgrid with operational cost optimization. In: IECON 2013 - 39th Annual Conference on IEEE Industrial Electronics Society, Viena, Austria.

Savaghebi, M., Vasquez, J. C., Jalilian, A., Guerrero, J. M., 2012. Secondary control for compensation of voltage harmonics and unbalance in microgrids. In: Power Electronics for Distributed Generation Systems (PEDG), 2012 3rd IEEE International Symposium on. IEEE, pp. 46-53.

Sikha, G., Ramadass, P., Haran, B., White, R., Popov, B. N., 2003. Comparison of the capacity fade of sony us 18650 cells charged with different protocols. Journal of power sources 122 (1), 67-76.

Stewart, E., Lutz, A., Schoenung, S., Chiesa, M., Keller, J., Fletcher, J., Ault, G., McDonald, J., Cruden, A., 2009. Modeling, analysis and control system development for the italian hydrogen house. International journal of hydrogen energy, 1638-1646.

Suh, K. W., 2006. Modeling, analysis and control of fuel cell hybrid power systems. Department of Mechanical Engineering, The University of Michigan.

Ulleberg, O., 2003. The importance of control strategies in pv-hydrogen systems. Solar Energy, 323-329.

Valverde, L., 2013. Gestion de Energia en Sistemas con Fuentes Renovables y almacenamiento de energia basado en Hidrogeno Mediante Control Predic-tivo. Universidad de Sevilla.

Valverde, L., Rosa, F., Bordons, C., 2013a. Design, planning and management of a hydrogen-based microgrid. Industrial Informatics, IEEE Transactions on 9 (3), 1398-1404.

Valverde, L., Rosa, F., del Real, A., Arce, A., Bordons, C., 2013b. Modeling, simulation and experimental set-up of a renewable hydrogen-based domestic microgrid. Int J Hydrogen Energy 38 (27), 11672-11684.

Vandoorn, T. L., Vasquez, J. C., Koonin, J. D., Guerrero, J. M., Vandevelde, L., 2013. Microgrids. hierarchical control and an overview of the control and reserve management strategies. IEEE industrial electronics magazine.

Vasquez, J., Guerrero, J., Miret, J., Castilla, M., Garcia, L., 2010. Hierarchical control of intelligent microgrids. IEEE IEMagazine.

Wang, C., Nehrir, M., 2008. Power management of a stand-alone wind/ photovoltaic/fuel cell energy system. IEEE Trans. Energy Convers. 23 (3), 957967.

William D. Stevenson, J., 1975. Elements of Power System Analysis. McGraw-Hill, New York.

Xie, L., Ilic, M. D., 2008. Model predictive dispatch in electric energy systems with intermittent resources. In: Proc. IEEE Int. Conf. Systems, Man and Cybernetics.

Xie, L., Ilic, M. D., 2009. Model predictive economic/environmental dispatch of power systems with intermittent resources. In: Proc. IEEE Power and Energy Society General Meeting.