Almacenamiento de energía | Energy storage FuturEnergy | Septiembre September 2017 www.futurenergyweb.es 103 Un modelado preciso requiere entradas más detalladas y tiempo para optimizar la metodología de despacho de energía. Por lo tanto, un acoplamiento de alto nivel acompañado de un modelado preciso presenta una perspectiva cohesionada e informada de un sistema de almacenamiento de energía para facilitar la evaluación de la viabilidad de un proyecto, así como una estrategia detallada necesaria para garantizar el éxito del proyecto. Datos a tener en cuenta en el modelado de baterías Los requisitos de datos paramodelar microrredes son relativamente sencillos, relativos, entre otros, a la carga, recursos renovables, configuración del motor diésel, e información sobre cualquier carga a suministrar, como calentadores de agua eléctricos. El paso siguiente a las microrredes son las redes débiles, como las islas, donde el almacenamiento de energía puede desempeñar un papel clave para la estabilización de la red, abordando tanto la variabilidad de las renovables como otras interrupciones, por ejemplo, fallos del generador. El modelado de baterías para redes débiles suele basarse en la respuesta de frecuencia, donde la salida del almacenamiento de energía varía de forma constante como una función de la frecuencia de red, que se carga cuando la frecuencia es alta y se descarga cuando la frecuencia es baja. En este caso, la entrada (la frecuencia de la red) es sencilla, pero la elección de los parámetros es mucho más compleja e incluye la banda muerta de frecuencia, la curva de caída y la importantísima función de gestión del estado de carga. También debe recordarse que la entrada de simulación (frecuencia) se verá modificada por la salida (potencia de carga o descarga). Asimismo, los datos disponibles no tienen que reflejar necesariamente el desarrollo previsto de la red, en especial el despliegue continuo de las energías renovables. Realizar un modelado adicional cuando el sistema está en funcionamiento y de forma periódica durante toda la vida, así como ajustar los parámetros operativos en consecuencia, es de vital importancia, porque unos pequeños ajustes pueden ampliar en gran medida el ciclo de vida de una batería. Los datos con una alta tasa de muestreo son favorables para un modelado preciso, y proporcionan mayor certeza en cuanto al valor para una inversión en almacenamiento de energía. Además, se recomienda realizar un muestreo de los datos de la red de una semana durante cada temporada, con el fin de asegurarse de que los efectos de la estacionalidad se tengan en cuenta de forma apropiada. También puede resultar útil capturar datos durante un evento de gran frecuencia. Funciones adicionales del modelado de baterías En las islas en concreto, los sistemas de almacenamiento de energía suelen precisarse para proporcionar black-start. Tras un apagón de todo el sistema, un sistema de almacenamiento de energía bien diseñado puede respaldar a un generador y proporcionar energía de control para el arranque. Después, a medida que los transformadores, los alimentadores y las líneas de transmisión de la red se reactivan, el sistema de almacenamiento de energía puede responder a los cambios de frecuencia para mantener todo el sistema en funcionamiento. En la fase de planificación del sistema de almaAccurate modelling requires more detailed inputs and time to optimise the dispatch methodology. Thus, high-level coupling combined with accurate modelling offers a cohesive, informed overview of an ESS to facilitate the viability assessment of a project, as well as a detailed strategy required to ensure project success. Data to consider for battery modelling The data requirements for modelling microgrids are relatively simple and include load, renewable resources, diesel configuration, as well as information on any dispatchable loads, such as electric water heaters. The next step beyond microgrids are weak grids such as islands, where energy storage can play a critical role in grid stabilisation, addressing both the variability of renewables and other disruptions, such as generator trips. Battery modelling for weak grids is typically based on frequency response, where the energy storage output varies constantly as a function of the grid frequency, charging when the frequency is high and discharging when the frequency is low. In this case the input (grid frequency) is simple, but the choice of parameters, including frequency deadband, droop slope and the all-important state-of-charge-management function, is much more complex. It is also important to remember that the simulation input (frequency) will be altered by the output (charge or discharge power). Furthermore, available data may not necessarily reflect the grid’s planned development, particularly as regards the ongoing deployment of renewables. Performing additional modelling when the system is operational and periodically throughout its lifetime, in addition to adjusting operating parameters as required, is crucial, as minor adjustments may greatly extend a battery’s lifecycle. Data with a high sampling rate is beneficial for accurate modelling, providing better certainty as regards value for an energy storage investment. Moreover, a sampling of grid data from a week during each season is recommended, to make sure that seasonality effects are properly considered. Capturing data during a major frequency event is also useful. Supplementary battery modelling capabilities For islands in particular, ESSs are often called upon to provide black-start capabilities. Following a system-wide blackout, a well-designed ESS can back up a generator and then provide control power for starting. Then, as the transformers, feeders and transmission lines of the network are repowered, the ESS can respond to frequency shifts to keep the entire system functioning. In the ESS planning phase, modelling can help make sure that batteries always maintain a reserve of energy for black starting. Los sistemas de almacenamiento de energía en contenedores Li-ion de Saft a escala de megavatios, para redes y fuentes de energía renovable, suavizan la generación intermitente y las tasas de desnivel, y proporcionan apoyo para la gestión de picos de consumo y de la tensión Saft’s megawatt-scale Li-ion containerised ESSs for grids and renewable energy sources, smooths intermittent generation and ramp rates, as well as peak management and voltage support
RkJQdWJsaXNoZXIy Njg1MjYx