IEEE Power & Energy Magazine - Spanish - Enero/Febrero 2017 - 60

supervisar y controlar la infraestructura multienergética en
general, las metodologías de descomposición potentes se
pueden aprovechar para separar estratégicamente la solución
de los problemas de optimización de sistemas de multienergéticos entre agentes. Las estrategias de distribución permiten que diferentes partes conserven la capacidad de controlar
sus propios activos de energía y perseguir sus objetivos de
negocio, rendimiento y fiabilidad, al tiempo que reconocen
las interdependencias entre los subsistemas de energía. Aunque los métodos de descomposición se pueden aplicar a programas no convexos, los sustitutos convexos de las ecuaciones de flujo y caudal eléctrico, hidráulico, termal y de gas,
y las relajaciones convexas de limitaciones binarias, suelen
facilitar el desarrollo de sistemas distribuidos con propiedades de convergencia mejoradas.
Identificar las limitaciones que unen los activos energéticos y las subredes gestionadas por diferentes entidades es
fundamental para alcanzar estos objetivos. Por ejemplo, las
limitaciones de acoplamiento de agua y electricidad corresponden a las bombas de velocidad y electricidad; el acoplamiento entre centros de energía puede darse a través de líneas
eléctricas, tuberías de calefacción y refrigeración urbanas y
tuberías de gas que estén conectadas a los centros. Después
de formular las funciones parciales de Lagrange basadas en
las limitaciones de acoplamiento, se pueden aprovechar una
serie de técnicas (incluidos los métodos de tipo gradiente
dual primario y el método de dirección alterna de multiplicadores) para derivar un procedimiento pertinente de optimización distribuida.
En particular, estos métodos permiten desarrollar algoritmos para los casos donde a) diferentes operadores administran diferentes sistemas, como se muestra en el Gráfico 8; b)
centrales de energía son propiedad y están controladas por
diferentes agentes multienergéticos; c) los clientes comerciales y residenciales mantienen el control de sus propios activos y participan en el suministro de distintos servicios de
sistema energéticos (tarea de optimización); y d) se da una
combinación de la a) a la c). En todas estas configuraciones,
las entidades que participan de la tarea de optimización pertinente mantienen el control de sus activos y persiguen sus
objetivos operativos específicos. Sin embargo, mediante el
intercambio de variables de optimización pertinentes, lograrán la solución del problema de optimización global que se
muestra en el Gráfico 7, el cual sintetiza, de forma natural,
las opciones de multiflexibilidad.
Vale la pena señalar que las soluciones distribuidas suponen esquemas reiterativos donde cada agente energético,
previa convergencia de los algoritmos, manda los puntos de
ajuste de los activos de energía. Para entornos operativos que
varían rápidamente con el tiempo, es más conveniente recurrir a esquemas de optimización en línea, donde los puntos
de ajuste de los dispositivos se envían como y cuando sea
posible, sin tener que esperar a que el algoritmo distribuido
converja. Un reto, en este sentido, es asegurar que los puntos
de ajuste producidos por el algoritmo en línea no provoque
enero/febrero 2017

vulneraciones de los límites operativos o de seguridad. Un
intercambio de control y herramientas de optimización en
línea es, por lo tanto, lo fundamental para permitir la síntesis
de los esquemas de control de realimentación distribuida que
garanticen la satisfacción de límites físicos y de seguridad,
mientras se encuentran soluciones a problemas de optimización multienergéticos subyacentes.

Conclusiones
El control coordinado de los sistemas multienergéticos en
diversas escalas espacio-temporales promete importantes
beneficios desde un punto de vista socioeconómico, de eficiencia operativa y medioambiental, aprovechando la flexibilidad de varios activos controlables para garantizar un
balance, entre oferta y demanda, seguro y rentable, y ofrecer
servicios de reserva. Para ofrecer tal nivel de coordinación
a escalas de tiempo adecuadas, un planteamiento posible
consistiría en la formulación de problemas de optimización
globales donde se maximicen los diversos objetivos de rendimiento e indicadores (económicos) que pertenecen a proveedores de energía individuales y múltiples, así como clientes
finales y, posteriormente, mediante el control y la optimización pertinente de herramientas para desarrollar algoritmos
(en línea) distribuidos, computacionalmente asequibles.
En una escala de tiempo más pausada, los algoritmos distribuidos permiten a centros de energía, operadores de red y,
posiblemente, a clientes, coordinarse para lograr soluciones
de problemas de envío a nivel de sistema. En una escala de
tiempo más rápida, los algoritmos de control descomponen,
de forma estratégica, el proceso de toma de decisiones entre
agentes, ofreciendo opciones de flexibilidad en una escala de
tiempo rápida y guiando los puntos operativos de sistemas
multienergéticos hacia la solución de problemas de optimización global. Para ello, es fundamental representar el sistema multienergético y los modelos de redes como tareas
de control y optimización pertinentes y descubrir las estructuras de convexidad intrínsecas que conducen a soluciones
distribuidas, computacionalmente eficientes.

Lecturas Complementarias
P. Mancarella, G. Andersson, J. A. Peças-Lopes y K. R. W.
Bell, "Modeling of integrated multi-energy systems: Drivers, requirements, and opportunities," de and los actos en
la conferencia "19th Power Systems Computation Conf.",
Génova, Italia, 2016, págs. 1-22.
M. Geidl, G. Koeppel, P. Favre-Perrod, B. Klockl, G. Andersson y K. Frohlich, "Energy hubs for the future," IEEE
Power Energy Mag., vol. 5, n.º 1, págs. 24-30, ene./feb. 2007.
S. Clegg yP. Mancarella, "Integrated electrical and gas
network flexibility assessment in low-carbon multi-energy
systems," IEEE Trans. Sustain. Energy, vol. 7, n.º 2, págs.
718-731, abr. 2016.
P. Mancarella yG. Chicco, "Real-time demand response
from energy shifting in distributed multi-generation," IEEE
Trans. Smart Grid, vol. 4, n.º 4, págs. 1928-1938, dic. 2013.
ieee power & energy magazine

Table of Contents for the Digital Edition of IEEE Power & Energy Magazine - Spanish - Enero/Febrero 2017