Planificación óptima de una comunidad energética con energías renovables empleando sistemas fotovoltaicos

Abstract

Este trabajo introduce una herramienta innovadora para la planificación óptima de paneles fotovoltaicos en comunidades energéticas (CE). La metodología desarrollada aborda la complejidad del problema al representar el espacio de decisión para cada año y día durante la vida útil del proyecto, típicamente entre 25 y 30 años, considerando un conjunto mínimo de perfiles representativos y la descomposición del problema en una estructura esclava resuelta mediante el algoritmo de descomposición de Benders. Este enfoque reduce la carga computacional y permite incorporar parámetros de degradación e inflación a largo plazo. Adicionalmente, se empleó un enfoque híbrido para calcular el estado de carga (SoC) de las baterías de iones de litio, comenzando con una modelización precisa utilizando el optimizador African Vultures (AVOA), seguido por un método híbrido que combina el conteo de Coulomb (CCM) con el Filtro de Kalman No Lineal Adaptativo (AUKF) para la estimación del SoC. El AUKF corrige el valor inicial y elimina errores en las primeras lecturas, mientras que el CCM estima el SoC a largo plazo. Comparado con otros métodos, la combinación de CCM con AUKF mostró una validación dinámica excepcional y una capacidad sobresaliente en diversas situaciones. This paper introduces an innovative tool for optimal planning of photovoltaic panels in energy communities (ECs). The developed methodology addresses the complexity of the problem by representing the decision space for each year and day during the lifetime of the project, typically between 25 and 30 years, considering a minimum set of representative profiles and the decomposition of the problem into a slave structure solved using the Benders decomposition algorithm. This approach reduces the computational burden and allows the incorporation of long-term degradation and inflation parameters. Additionally, a hybrid approach was employed to estimate the state of charge (SoC) of lithium-ion batteries, starting with accurate modeling using the African Vultures optimizer (AVOA), followed by a hybrid method combining Coulomb counting (CCM) with the Adaptive Nonlinear Kalman Filter (AUKF) for SoC estimation. The AUKF corrects the initial value and eliminates errors in the first readings, while the CCM estimates the SoC in the long term. Compared to other methods, the combination of CCM with AUKF showed exceptional dynamic validation and outstanding capability in various situations.