JULIO / DICIEMBRE 2020 - VOLUMEN 30 (2)
/ ISSN electrónico: 2215-2652
Esta obra está bajo una Licencia de Creative Commons. Reconocimiento - No Comercial - Compartir Igual 4.0 Internacional
DOI 10.15517/ri.v30i2.40598
Ingeniería 30 (2): 95 - 102, julio-diciembre, 2020. ISSN: 2215-2652. San José, Costa Rica
Algoritmo de optimización para sistema de
gestión eléctrica inteligente
Optimization algorithm for intelligent electrical energy
management system
José David Murillo Rodríguez
Universidad de Costa Rica, San José, Costa Rica.
jose.murillorodriguez@ucr.ac.cr
ORCID: https://orcid.org/0000-0003-3448-2346
Recibido: 6 de febrero 2020 Aceptado: 12 de mayo 2020
_________________________________________________________
Resumen
Mediante un algoritmo de optimización, se muestra el comportamiento de una gestión eléctrica inteligente
basado en la combinación multiagente de almacenamiento y energía alternativa. El algoritmo de control se
concibe a través de una optimización del flujo energético de una residencia. Con datos reales de consumo
y generación prevista, la optimización ja un límite de ahorro del 93 % respecto a un sistema tradicional
sin gestión eléctrica. De acuerdo con el flujo energético y bajo las mismas condiciones de optimización, se
comprueba el funcionamiento del algoritmo, el cual permite acercarse al límite y lograr un 86 % de ahorro.
Palabras clave:
Ingeniería eléctrica, Fuente de energía renovable, Casa, Ahorro, Consumo de energía
Abstract
Through an optimization algorithm, the behavior of intelligent electrical energy management based on
the multiagent combination of storage and alternative electric energy is shown. The control algorithm is
conceived altogether with the optimization and the energy flow of a residence. With real consumption and
expected generation data, the optimization sets a savings limit of 93 % compared to a traditional system without
electrical energy management. According to the energy flow and under the same optimization conditions,
the operation of the algorithm is veried, and the results approach the limit and achieve savings of 86 %.
Keywords:
Electrical engineering, Renewable energy sources, Houses, Savings, Energy consumption
MURILLO: Algoritmo de optimización para sistema de gestión eléctrica inteligente...
96
1. INTRODUCCIÓN
Actualmente existe un amplio desarrollo tecnológico de nuevas fuentes de energía alternativa
renovable, más accesibles y adecuadas para el sector residencial. Celdas solares fotovoltaicas (PV,
del inglés Photovoltaics), celdas de hidrógeno, sistemas de micro-generación eólica y otros son
casos de fuentes alternativas asequibles en las residencias (Haider, See & Elmenreich, 2016).
Teniendo en cuenta las carencias y defectos que posee la tecnología actual, se piensa en la próxima
generación de redes de sistemas eléctricos Smart-grid, donde la comunicación y el manejo de datos
son esenciales para este nuevo paradigma (Farhangi, 2010; Ipakchi & Albuyeh, 2009). La Tabla 1
contrasta algunos rasgos importantes entre esquemas convencionales y Smart-grid.
Tabla 1. Comparación entre Smart-Grid y esquema convencional. Adaptado de Farhangi (2010)
Red Existente
Smart-grid
Una vía de comunicación Doble vía de comunicación
Generación centralizada Generación distribuida
Topología jerárquica Topología de malla
Pocos sensores Sensores predominantes
Restauración manual Autorreparación
Fallas y apagones Adaptativa y aislante
Chequeo y control manual Chequeo y control remoto
1.1 Sistemas de gestión energética residencial: NanoGrid
Adaptando el concepto de Smart-grid al entorno residencial, el resultado es una NanoGrid.
Una NanoGrid cuenta con las características importantes de Smart-grid a bajas potencias (Amjad
et al., 2015).
Un esquema típico de NanoGrid se observa en la Figura 1-a.
El corazón de la NanoGrid residencial es el sistema de control energético o REMS (del inglés
Residential Energy Management System) (Refaat & Haitham, 2015). De acuerdo con las condi-
ciones de la casa, el usuario y el entorno, el REMS tomará decisiones para el flujo energético. Los
REMS se distinguen por esquemas de control distribuido y multiagente (Pipattanasomporn &
Feroze, 2009). La Figura 1-b representa una arquitectura típica de REMS asociada a la NanoGrid
descrita anteriormente.
En general, el REMS consiste en el agente FER, encargado de supervisar la generación de la
fuente renovable. La alimentación proveniente de la empresa distribuidora es controlada por el
agente FEED y el agente LOAD supervisa la demanda de las cargas. El agente BAT se encarga
Ingeniería 30 (2): 95 - 102, julio-diciembre, 2020. ISSN: 2215-2652. San José, Costa Rica DOI 10.15517/ri.v30i2.40598
97
del almacenamiento energético. Estos cuatro agentes se comunican entre sí y no dependen de los
demás. También existe un agente con conectividad DAT, que almacena y comparte información
de acuerdo a las necesidades del REMS.
Figura 1. Esquema general de NanoGrid residencial a) y su REMS asociado b).
Fuente: Elaboración propia
2. METODOLOGÍA
El desarrollo del trabajo incluyó los pasos y procedimientos mostrados en la tabla 2, clasicados
por subtema.
Tabla 2. Metodología propuesta
Subtema Metodología
Especicación de problema a resolver
Investigación sobre arquitecturas de NanoGrids y REMS
Denición de estructura de NanoGrid
Esquematización y denición de arquitectura de REMS
Optimización y algoritmo
Desarrollo de optimización de acuerdo a NanoGrid propuesta
Síntesis de algoritmo basado en la optimización obtenida
Validación Medición y validación de algoritmo en diferentes casos uso
MURILLO: Algoritmo de optimización para sistema de gestión eléctrica inteligente...
98
3. OPTIMIZACIÓN Y DESARROLLO DEL ALGORITMO
Para el REMS, se propone un sistema multiagente que gestione la energía de forma optimizada.
Los cinco tipos agentes denidos conforman la propuesta del sistema y se asignan a cada elemento
residencial. Como se trata de un sistema modular, se pueden agregar tantos agentes como elementos
se requiera, sin embargo, para este caso se propone un caso general donde existe un agente para
cada tipo.
3.1 Gestión Energética
La gestión inteligente de la energía se lleva a cabo al tratar de minimizar el costo energético.
La idea principal es minimizar el consumo de energía proveniente de la red de distribución. Si se
divide el día en 24 horas, en cada hora i el flujo de potencia residencial está dado por la ecuación 1.
(1)
P
i
red
representa la potencia demandada por el agente FEED. P
i
gen
es la potencia total generada por
el agente FER y P
i
cbat
es la potencia consumida por el agente LOAD. Además, se tiene P
i
cbat
y P
i
dbat
que corresponden a la potencia de carga y descarga del agente BAT. Por simplicidad, BAT se
modela con dos potencias y sus valores están delimitados por las características del agente, que
son mutuamente excluyentes ya que la batería no se puede descargar y cargar al mismo tiempo.
Con una tarifa horaria
i
, el costo diario F
d
ante la empresa distribuidora está dado por 2.
(2)
La cantidad F
d
es la que se debe minimizar controlando únicamente P
i
cbat
y P
i
dbat
.
3.2 Problema de optimización
De la ecuación 2 se tiene información de la potencia consumida, la potencia generada y la
tarifa horaria. La información de cada uno de estos aspectos se clasica como “datos de entrada”
del problema. Datos reales de potencia consumida, promedio y diaria en hogares se obtienen del
Uvecase (Unidad de vericación de la calidad del suministro eléctrico) de la Universidad de Costa
Rica (2017). La fuente renovable se modela como un panel fotovoltaico de 1 kW y los datos pro-
medio de producción para San José se adquieren de Rojas y Valverde (2014). La tarifa horaria se
obtiene de la CNFL (2016). El problema se dene como una optimización lineal con restricciones
no lineales. En este caso, se deben encontrar los valores P
i
red
, P
i
cbat
y P
i
dbat
que minimicen F
d
. Estos
valores se agrupan en un vector
.
En este caso, las restricciones recaen en la mutual exclusión de la carga y descarga de BAT (P
i
cbat
x P
i
dbat
= 0), además que estas no pueden ser negativas (P
i
cbat
0), (P
i
dbat
0). Por simplicidad se
Ingeniería 30 (2): 95 - 102, julio-diciembre, 2020. ISSN: 2215-2652. San José, Costa Rica DOI 10.15517/ri.v30i2.40598
99
considera que no se puede inyectar energía a la red (P
i
red
0) y se establece la limitante de un ciclo
único diario de carga y descarga de la batería (P
1
cbat
+ P
2
cbat
+ ... + P
24
cbat
- P
1
dbat
- P
2
cbat
- P
24
cbat
... = 0).
Con ayuda de “fmincon” de MATLAB, se resuelve la optimización y se encuen-
tran los valores que minimizan el costo de energía comprada. El resultado se muestra en la Figura
2-a incluyendo la fuente renovable y en 2-b excluyéndola.
Figura 2. Resultado para el problema de optimización a) con sistema fotovoltaico y b) sin sistema fotovoltaico.
Fuente: Elaboración propia
3.3 Algoritmo optimizado
Con los resultados prometedores de la optimización, se crea un algoritmo que sea capaz de
obtener resultados cercanos. Como las decisiones únicamente se toman en la batería (agente BAT)
y en el alimentador principal residencial (agente FEED), se crean dos variantes del algoritmo. El
agente FEED debe controlar el alimentador principal de acuerdo a las condiciones de FER, LOAD y
BAT. El diagrama de ujo de la Figura 3-a representa el algoritmo propuesto para el agente FEED.
En la Figura 3-b se muestra el diagrama de ujo correspondiente a la variante del algoritmo para
el agente BAT. En este caso se tienen tres estados para la batería. BAT CHARGE implica que se
habilita solamente la carga de la batería. BAT DSCHRGE implica habilitar la descarga y BAT OFF
corresponde a inhabilitar tanto la carga como la descarga.
En la Figura 4-a, se observa en azul punteado los valores óptimos obtenidos al ejecutar el
algoritmo con los mismos datos preliminares que la optimización, mientras que en la Figura 4-b se
considera el caso de no tener un PV.
MURILLO: Algoritmo de optimización para sistema de gestión eléctrica inteligente...
100
Figura 3. Algoritmo obtenido a través de la optimización, variante a) para agente RED y b) para agente BAT.
Fuente: Elaboración propia
Figura 4. Comparación entre algoritmo y resultado de optimización a) con sistema fotovoltaico y b) sin sistema fotovoltaico.
Fuente: Elaboración propia
6. CONCLUSIONES
En la Tabla 3 se muestran los resultados obtenidos mediante la optimización y el algoritmo.
De las comparaciones resultantes, se nota que el sistema hace lo posible para minimizar el costo
energético proveniente de la empresa distribuidora. El ahorro por parte del algoritmo está muy cerca
del límite teórico obtenido con la optimización.
Para un análisis posterior se puede extender la optimización incorporando la entrega de energía a
la red y así evaluar el algoritmo obtenido e incluso crear un nuevo algoritmo bajo estas condiciones.
Ingeniería 30 (2): 95 - 102, julio-diciembre, 2020. ISSN: 2215-2652. San José, Costa Rica DOI 10.15517/ri.v30i2.40598
101
Tabla 3. Resultados económicos de optimización de costo energético de la empresa distribuidora
Caso
Costo mensual promedio [
]
Ahoro [%]
Sin optimización 25032 0
Optimización con PV 1783 92.88
Optimización sin PV 8302 66.83
Algoritmo optimizado con PV 3531 85.89
Algoritmo optimizado sin PV 22602 9.71
Nota: Basado en tarifas eléctricas residenciales CNFL. (Octubre 2016). San José, Costa Rica
SIMBOLOGÍA
BAT agente encargado del almacenamiento eléctrico en la NanoGrid.
BAT CHARGE estado de carga del agente BAT.
BAT DSCHRGE estado de descarga del agente BAT.
BAT OFF estado de apagado del agente BAT.
CNFL Compañía Nacional de Fuerza y Luz.
DAT agente que almacena información y detalles de lo que está sucediendo en la
NanoGrid.
F
d
Costo de energía diario en la NanoGrid.
FEED agente que representa la alimentación proveniente de la empresa distribuidora
en la NanoGrid.
FER agente encargado de supervisar la generación, estado, habilitación y
disponibilidad de la fuente renovable en la NanoGrid.
FEED ON estado de encendido del agente FEED.
FEED OFF estado de apagado del agente FEED.
i
^ tarifa residencial horaria de la CNFL.
LOAD agente que supervisa la demanda de las cargas eléctricas en la NanoGrid.
NanoGrid Smart-grid residencial.
P
i
red
representa la potencia demandada por el agente FEED.
P
gen
es la potencia total generada por el agente FER.
P
con
es la potencia consumida por el agente LOAD.
P
i
dbat
potencia de descarga del agente BAT.
P
i
cbat
potencia de carga del agente BAT.
P
i
red
potencia proveniente de la red de distribución eléctrica en la hora del día i.
PV del inglés Photovoltaics, sistema Fotovoltaico.
REMS del inglés Residential Energy Management System, Sistema de Administración
MURILLO: Algoritmo de optimización para sistema de gestión eléctrica inteligente...
102
Energético Residencial.
Smart-grid Red eléctrica inteligente.
Uvecase Unidad de vericación de la calidad del suministro eléctrico de la Universidad
de Costa Rica
x Arreglo matemático de las potencias de cada uno de los agentes de la
NanoGrid.
REFERENCIAS
Amjad, A., Monsef, H., Ashkan, R., Guerrero, J., y Vasquez, J. (Julio, 2015). Optimized energy management
of a single-house residential micro-grid with automated demand response. En: IEEE Eindhoven
PowerTech. Conferencia realizada en Eindhoven, Países Bajos.
CNFL. (Octubre, 2016). Tarifa Residencial Horaria. Compañía Nacional de Fuerza y Luz. Recuperado de
https://www.cnfl.go.cr/index.php/tarifas-vigentes-r.
Farhangi, H. (Diciembre, 2010). The path of the smart grid. IEEE Power Energy Magazine, 8(1), 18-28.
Haider, H., See, O., y Elmenreich, W. (2016, Junio). A review of residential demand response of smart grid.
Renew Sustain Energy Rev, 59, 166–178.
Ipakchi, A. y Albuyeh, F. (Febrero, 2009). Grid of the future. IEEE Power and Energy Magazine, 7(2), 52–62.
Pipattanasomporn, M. y Feroze, H. (Marzo, 2009). Multi-agent systems in a distributed smart grid: Design
and implementation. En: IEEE/PES Power Systems Conference. Conferencia realizada en Seattle,
Estados Unidos.
Refaat, S. y Haitham, A. (Septimbre, 2015). Implementation of smart residential energy management system
for smart grid. En: IEEE Energy Conversion Congress and Exposition. Conferencia realizada en
Montreal, Canadá.
Rojas, J. y Valverde, G. (2014). Reporte SolarGIS (Informe N° 01). San José, Costa Rica: Escuela de
Ingeniería Eléctrica, Universidad de Costa Rica.
Uvecase. (2017). Unidad Vericadora de la Calidad del Suministro Eléctrico. San José, Costa Rica: Universidad
de Costa Rica. Recuperado de http://celeq.ucr.ac.cr/servicios/uvecase
