Gestión de energía en microrredes interconectadas usando D-ADMM

Abstract

Las microrredes eléctricas son el resultado de la alta integración de las energías renovables en los sistemas eléctricos y el constante esfuerzo por mejorar los índices de calidad, confiabilidad y seguridad. El incremento de estos sistemas ha derivado en la interacción por medio de sistemas interconectados. Como resultado de esta interacción, la asignación económica de recursos a cargo del sistema de gestión de energía se ha vuelto una tarea compleja, a menudo resuelta con métodos de optimización centralizados. En este trabajo se presenta una formulación del problema de gestión de energía utilizando las ecuaciones de flujo de potencia AC, para que represente el comportamiento de cualquier sistema eléctrico. Además, se propone un algoritmo de optimización distribuido basado en el método de multiplicadores de dirección alternante, que con el uso de estimadores locales distribuye el problema entre todas las microrredes. De esta manera se evita la centralización parcial de información eliminando puntos únicos de falla y violaciones de privacidad. El algoritmo es puesto a prueba a través de tres casos de estudio que simulan diferentes condiciones de red y recurso. De igual manera, se verifica la convergencia utilizando los residuales primales y duales del problema planteado. (Texto tomado de la fuente)

Microgrids result from the evolution of electrical systems and the high penetration of renewable energy resources. Due to the increasing number of these systems, their interaction is inevitable. Consequently, economic resource allocation has become one of the most challenging tasks in operation and control, usually solved with centralized optimization algorithms. In this work, we present an energy management problem formulation, considering AC power flow equations, to represent the behavior of every electrical system. Moreover, we propose a fully distributed optimization algorithm based on the alternating direction method of multipliers, using local estimates to avoid data privacy violations. Then, the optimization algorithm is validated through some study cases to show its convergence and applicability.