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