Desarrollo de un modelo computacional para analizar el comportamiento de parques de generación de energía solar fotovoltaica Laura Paola Oñate Niño Departamento de ingeniaría mecánica Universidad de los Andes

Asesor de proyecto de grado: Andrés Leonardo González Mancera, PhD. M.Sc. Ing

1

Contenido Motivación Objetivos Metodología Implementación Conclusiones y recomendaciones

Trabajo a seguir

2

Motivación Distribución de las principales fuentes de producción de energía

Aumento exponencial de la energía consumida

[1]

Crecimiento de la energía solar fotovoltaica.

[1]

[1]

3

Motivación Aumento exponencial de la energía consumida

Distribución de las principales fuentes de producción de energía

Crecimiento de la energía solar fotovoltaica.

[1] 4

Retos de la energía solar fotovoltaica. Alta dependencia en las horas luz y otros factores climáticos. Dificultad en la planeación, ya que es una unidad de generación variable.

5

Modelos computacionales para energía solar fotovoltaica Fase de planeación

Predecir comportamientos

Analizar viabilidad e implementar mejoras

Tomar mejores decisiones

6

Objetivo general Diseñar e implementar un modelo computacional de un parque de generación de energía solar fotovoltaica, capaz de predecir la producción energética en el tiempo, en función de los parámetros de diseño.

Objetivos específicos Determinar los parámetros de diseño que caracterizan el desempeño de un parque solar fotovoltaico. Desarrollar un modelo computacional de los principales componentes de un parque de generación de energía solar fotovoltaica.

Calibrar el modelo diseñado con datos experimentales obtenidos de un sistema existente

7

Metodología

8

Selección de parámetros de diseño Ubicación geográfica Arquitectura del sistema Perdidas del sistema

9

Selección de parámetros de diseño Ubicación geográfica Arquitectura del sistema Perdidas del sistema

10

Ubicación geográfica Posición del sol Altitud Longitud Altitud Zona horaria Tiempo

Condiciones climáticas Temperatura ambiente Velocidad del viento 11

Selección de parámetros de diseño Ubicación geográfica Arquitectura del sistema Perdidas del sistema

12

Arquitectura del sistema La arquitectura se basa en lo establecido en el estándar 928-1986 de la ANSI/IEEE Número de sub-arreglos Número de paneles en serie Número de paneles en paralelo Características del panel Características del controlador DC/DC Características del inversor DC/AC

13

Selección de parámetros de diseño Ubicación geográfica Arquitectura del sistema Perdidas del sistema

14

Perdidas del sistema Perdidas por nieve Perdidas por desajustes Perdidas por sombra Perdidas por presencia de suciedad Perdidas por el cableado Perdidas por degradación Valores de las perdidas sugeridas por NREL [2]

15

Perdidas del sistema Perdidas por nieve Perdidas por desajustes Perdidas por sombra Perdidas por presencia de suciedad Perdidas por el cableado

[2]

16

Selección de la herramienta computacional Flexibilidad para diseñar algoritmos. Uso previo para modelar sistemas solares fotovoltaicos. Fácil acceso, tanto económico como computacional. Facilidad para que otras personas continúen con el proyecto. 17

Selección de la herramienta computacional Flexibilidad para diseñar algoritmos. Uso previo para modelar sistemas solares fotovoltaicos. Fácil acceso, tanto económico como computacional.

Python 3.7.2 + PVLIB-Python

Facilidad para que otras personas continúen con el proyecto. 18

Selección de la herramienta computacional Una librería comúnmente utilizada en proyectos con esta temática es PVLIB-Python.

Evaluación de la precisión de la librería [3] 19

Realización del modelo computacional

20

1. Posición del sol

[4]

21

2. Calcular la irradiación sobre el modulo Irradiación que recibe la ubicación

Modelo Clear Sky

Irradiación sobre el modulo Irradiación directa normal al modulo Irradiación reflejada del suelo

Irradiación por difusión

Modelo isotrópico: Distribución del aire uniforme. Modelo HDKR: Mayor intensidad en la zona alrededor del sol. Modelo Pérez: Brillo del horizonte. 22

2. Calcular la irradiación sobre el modulo Comparación de datos reales de Green Village, Holanda. Mismo comportamiento y orden de magnitud.

23

3. Estimar la temperatura del modulo Considerando la dinámica de fluidos en un sistema transitorio. Considerando la dinámica de fluidos en un sistema estacionario. Comportamiento lineal (TNOCT) Modelo empírico NREL

24

3. Estimar la temperatura del modulo Considerando la dinámica de fluidos en un sistema estacionario. Error relativo promedio: 1.83% Error máximo: 7.09% Error mínimo: 0.02%

Comportamiento lineal (TNOCT) Error relativo promedio: 1.80% Error máximo: 10.09% Error mínimo: 0.01%

25

3. Estimar la temperatura del modulo Modelo empírico NREL Error relativo promedio: 2.83% Error máximo: 7.09% Error mínimo: 0.02%

Desempeño computacional Comportamiento exponencial. Menor tiempo de ejecución: Modelo empírico NREL

26

4. Calcular la potencia DC del sistema Efecto de la intensidad solar y la temperatura del modulo sobre el desempeño del sistema

Efectos espectrales y ópticos sobre el desempeño del sistema

27

4. Calcular la potencia DC del sistema Efecto de la intensidad solar y la temperatura del modulo sobre el desempeño del sistema

Error relativo promedio: 22.5 % Error máximo: 94.09% Error mínimo: 0%

Efectos espectrales y ópticos sobre el desempeño del sistema

28

5. Calcular la potencia AC del sistema Perdidas solo por la eficiencia del inversor

Modelo considerando el consumo y la saturación del inversor

𝑃𝑖𝑛𝑣,𝑎𝑐 𝑃𝑎𝑐 = 𝑃𝑑𝑐 − 𝑃𝑖𝑛𝑣 𝑃𝑖𝑛𝑣,𝑑𝑐 − 𝑃𝑖𝑛𝑣

𝑃𝑖𝑛𝑣 = 𝜂𝑖𝑛𝑣 𝑃𝑑𝑐

Si PDC < PINV Si P AC > PAC,INV

-P

2

INV

PAC = PAC,INV

29

6. Calcular la potencia AC del sistema Perdidas solo por la eficiencia del inversor

Error relativo promedio: 15.25% Error máximo: 23.69% Error mínimo: 9.24%

Modelo considerando el consumo y la saturación

Error relativo promedio: 362.11% Error máximo: 3999.62% Error mínimo: 20.82%

30

7. Calcular la energía considerando las perdidas generales 𝐸𝑡𝑜𝑡𝑎𝑙 = %𝑝𝑒𝑟𝑑𝑖𝑑𝑎𝑠 න 𝑃𝐴𝐶

%Perdidas Cableado Otras

𝑃𝑐𝑎𝑏𝑙𝑒 = 𝐼 2 𝜌

𝐿 𝐴

Sugerido por NREL

31

Calibración y comparación del modelo computacional. Pennington, NJ

[5]

32

Calibración y comparación del modelo computacional. Pennington, NJ Error relativo promedio modelo que considera los efectos ópticos y espectrales : 14% Error relativo promedio modelo simple: 21%

33

Calibración y comparación del modelo computacional. Sicklerville,NJ

[6] 34

Calibración y comparación del modelo computacional. Sicklerville,NJ Error relativo promedio modelo que considera los efectos ópticos y espectrales : 21% Error relativo promedio modelo simple: 28%

35

Calibración y comparación del modelo computacional. Bogotá D.C (Uniandes)

36

Calibración y comparación del modelo computacional. Bogotá D.C (Uniandes) Error relativo promedio modelo que considera los efectos ópticos y espectrales : 122% Error relativo promedio forcast: 77%

37

Conclusiones El modelo que tiene en cuenta los efectos ópticos y espectrales es más exacto, mientras que el modelo simple es más preciso. Entre mayor sea la cantidad de micro inversores, el error relativo promedio también aumenta. Sin embargo, no es posible conocer la tendencia del incremento del error por la falta de datos. Algunas de las posibles causas del error son: i) Se supone una misma temperatura ambiente todos los días de verano y otra para los días de invierno. ii)La velocidad del viento es la misma para cada instante de tiempo calculado. iii) Las perdidas no son calculadas, se supone que los porcentajes son constantes. iv) La acumulación de error de los modelos utilizados.

38

Trabajo a seguir Desarrollar un modelo para la irradiación que considere los cambios climáticos (nubosidad), de manera probabilística . Implementar un modelo de perdidas más robusto. Comparar con una mayor cantidad de parques solares fotovoltaicos, preferiblemente si se tienen las especificaciones climáticas en el tiempo . Implementar un modelo para sistema de almacenamiento.

Vectorizar las funciones que todavía no cuenten con esta característica. 39

Gracias por su atención

40

Referencias [1] Primary energy|home|BP. [Online]. Available: https://www.bp.com/en/global/corporate/energyeconomics/statistical-review-of-world-energy/primary-energy.html [2] D. Serverin and J. Freeman, “Integration, validation, and application of a PV snow coverage model in SAM.” [Online]. Available: https://www.nrel.gov/docs/fy17osti/68705.pdf [3] J. S. Stein, W. F. Holmgren, J. Forbess, and C. W. Hansen, “PVLIB:Open source photovoltaic performance modeling functions for matlab and python,” in 2016 IEEE 43rd Photovoltaic Specialists Conference (PVSC), pp.3425–3430. [Online]. Available: https://ieeexplore-ieee org.ezproxy.uniandes.edu.co:8443/stamp/stamp.jsp?tp=&arnumber=7750303 [4] J. Klaus, I. Olindo, A. H. Smets, A. v. S. Ren ́e, and Z. Miro, Solar energy: The physics and engineering of photovoltaic conversion, technologies and systems. UIT Cambridge University [5] SolarEdge. Layout pennington nj. [Online]. Available: https://monitoringpublic.solaredge.com/solaredgeweb/p/site/public?name=PenningtonNJ&fbclid=IwAR3EW8SWYzyUg0htCgfcAwIpTHKi0P1uywslfoUx0zwNr3M4BdeV4oF1Y#/layout 41

Referencias [6] ——. Layout sicklerville nj. [Online]. Available: https://monitoringpublic.solaredge.com/solaredgeweb/p/site/public?name=SicklervilleNJ#/layout84

42