Los modelos de sistemas de energía abiertos son modelos de sistemas de energía que son de código abierto . [a] Sin embargo, algunos de ellos pueden utilizar software propietario de terceros como parte de sus flujos de trabajo para ingresar, procesar o generar datos. Preferentemente, estos modelos utilizan datos abiertos , lo que facilita la ciencia abierta .
Los modelos de sistemas energéticos se utilizan para explorar los sistemas energéticos futuros y, a menudo, se aplican a cuestiones relacionadas con la política energética y climática . Los modelos en sí varían ampliamente en términos de tipo, diseño, programación , aplicación, alcance, nivel de detalle, sofisticación y deficiencias. Para muchos modelos, se utiliza alguna forma de optimización matemática para informar el proceso de solución.
A principios de la década de 2020, los reguladores de energía y los operadores de sistemas en Europa y América del Norte comenzaron a adoptar modelos de sistemas de energía abiertos con fines de planificación. [1] Los organismos gubernamentales también utilizan cada vez más modelos y datos abiertos para orientar el desarrollo de políticas públicas de cero emisiones netas (con ejemplos indicados a lo largo de este artículo). Las empresas y las consultorías de ingeniería también están adoptando modelos abiertos para el análisis (ver nuevamente a continuación).
Los proyectos de modelado energético abierto enumerados aquí se enmarcan exclusivamente en el paradigma de abajo hacia arriba, en el que un modelo es una representación relativamente literal del sistema subyacente.
Varios factores favorecen el desarrollo de modelos abiertos y datos abiertos. Existe un creciente interés en hacer que los modelos de políticas públicas sobre energía sean más transparentes para mejorar su aceptación por parte de los responsables de las políticas y el público. [2] También existe el deseo de aprovechar los beneficios que pueden aportar los datos abiertos y el desarrollo de software abierto , incluida la reducción de la duplicación de esfuerzos, un mejor intercambio de ideas e información, una mejor calidad y una mayor participación y adopción. [3] Por lo tanto, el desarrollo de modelos suele ser un esfuerzo de equipo y constituirse como un proyecto académico, una empresa comercial o una iniciativa comunitaria verdaderamente inclusiva.
Este artículo no cubre los proyectos que simplemente ponen a disposición del público su código fuente o sus hojas de cálculo para su descarga, pero que omiten una licencia de software libre y de código abierto reconocida . La ausencia de un acuerdo de licencia crea un estado de incertidumbre legal por el cual los usuarios potenciales no pueden saber qué limitaciones puede querer aplicar el propietario en el futuro. [4] : 1 Los proyectos enumerados aquí se consideran adecuados para su inclusión por tener literatura académica pendiente o publicada o por estar reportados en fuentes secundarias.
Un artículo de 2017 enumera los beneficios de los datos y modelos abiertos y analiza las razones por las que, no obstante, muchos proyectos permanecen cerrados. [5] : 211–213 El artículo hace una serie de recomendaciones para proyectos que deseen hacer la transición a un enfoque más abierto. [5] : 214 Los autores también concluyen que, en términos de apertura, la investigación energética se ha quedado rezagada con respecto a otros campos, en particular la física, la biotecnología y la medicina. [5] : 213–214
El modelado de sistemas de energía abiertos alcanzó su madurez en la década de 2010. En un artículo de 2011 sobre el tema, solo se citaron dos proyectos: OSeMOSYS y TEMOA. [6] : 5861 Balmorel también estaba activo en ese momento, ya que se hizo público en 2001. [b] A julio de 2022 [update], se enumeran aquí 31 proyectos de este tipo (con un número aproximadamente igual a la espera de ser agregado ). Chang et al (2021) analizan las tendencias de modelado y encuentran que la división entre abierto y cerrado es casi igual después de revisar 54 marcos, aunque esa interpretación se basa en el recuento de proyectos y no en la adopción y el uso. [7] Un ejercicio de comparación de modelos de 2022 en Alemania informó que ocho de los 40 proyectos de modelado (20%) eran de código abierto, [8] estos proyectos también tenían comunidades activas detrás de ellos. [9]
El uso de modelos de sistemas energéticos abiertos y datos energéticos abiertos representa un intento de mejorar la transparencia, comprensibilidad y reproducibilidad de los modelos de sistemas energéticos, en particular aquellos utilizados para ayudar al desarrollo de políticas públicas. [2]
Un artículo de 2010 sobre modelado de eficiencia energética sostiene que "un proceso de revisión por pares abierto puede respaldar en gran medida la verificación y validación de modelos, que son esenciales para el desarrollo de modelos". [10] : 17 [11] Para honrar aún más el proceso de revisión por pares , los investigadores sostienen, en un artículo de 2012, que es esencial colocar tanto el código fuente como los conjuntos de datos bajo control de versiones de acceso público para que terceros puedan ejecutar, verificar y examinar modelos específicos. [12] Un artículo de 2016 sostiene que los estudios de escenarios energéticos basados en modelos, que buscan influir en los tomadores de decisiones en el gobierno y la industria, deben volverse más comprensibles y más transparentes. Para estos fines, el artículo proporciona una lista de verificación de criterios de transparencia que deben completar los modeladores. Sin embargo, los autores afirman que "consideran que los enfoques de código abierto son un caso extremo de transparencia que no facilita automáticamente la comprensibilidad de los estudios para el asesoramiento sobre políticas". [13] : 4
Un artículo de opinión de una página de 2017 defiende el uso de datos y modelos energéticos abiertos para generar confianza pública en el análisis de políticas. El artículo también sostiene que las revistas científicas tienen la responsabilidad de exigir que los datos y el código se envíen junto con el texto para su revisión por pares . [14] Y un comentario académico de 2020 sostiene que el desarrollo distribuido facilitaría una base de colaboradores más diversa y, por lo tanto, mejoraría la calidad del modelo , un proceso respaldado por plataformas en línea y posibilitado por datos y códigos abiertos. [15]
Los proyectos de código abierto patrocinados por el Estado en cualquier ámbito son un fenómeno relativamente nuevo.
A partir de 2017 [update], la Comisión Europea apoya varios proyectos de modelado de sistemas energéticos de código abierto para ayudar a la transición a un sistema energético con bajas emisiones de carbono para Europa. El proyecto Dispa-SET (abajo) está modelando el sistema eléctrico europeo y aloja su base de código en GitHub . El proyecto MEDEAS, que diseñará e implementará un nuevo modelo de economía energética de código abierto para Europa, celebró su reunión de lanzamiento en febrero de 2016. [16] : 6 [17] A febrero de 2017 [update], el proyecto aún no había publicado ningún código fuente. El proyecto establecido OSeMOSYS (abajo) está desarrollando un modelo energético multisectorial para Europa con financiación de la Comisión para apoyar la divulgación de las partes interesadas. [18] Sin embargo, el modelo insignia JRC-EU-TIMES sigue siendo de código cerrado. [19]
El modelo nacional NEMS de los Estados Unidos está disponible, pero es difícil de utilizar. NEMS no se clasifica como un proyecto de código abierto en el sentido aceptado. [14]
Una convocatoria de investigación de 2021 del programa de financiación de la investigación científica Horizonte Europa de la Unión Europea buscó expresamente modelos de sistemas energéticos que fueran de código abierto. [20]
Una encuesta realizada en 2021 investigó el grado en que los marcos de modelado de sistemas energéticos abiertos respaldan las opciones de flexibilidad, desglosadas por oferta, demanda, almacenamiento , acoplamiento sectorial y respuesta de la red. De los marcos encuestados, ninguno admitía todos los tipos, lo que sugiere que el acoplamiento suave de marcos complementarios podría proporcionar evaluaciones más holísticas de la flexibilidad. Aun así, la mayoría de los candidatos optan por la previsión perfecta y no admiten de forma nativa acciones probabilísticas o respuestas conductuales explícitas . [21]
Los modelos abiertos del sector eléctrico se limitan únicamente al sector eléctrico. Estos modelos invariablemente tienen una resolución temporal de una hora o menos. Algunos modelos se concentran en las características de ingeniería del sistema, incluida una buena representación de las redes de transmisión de alto voltaje y el flujo de energía de CA. Otros modelos representan los mercados spot de electricidad y se conocen como modelos de despacho. Mientras que otros modelos incorporan agentes autónomos para capturar, por ejemplo, decisiones de licitación utilizando técnicas de racionalidad limitada . La capacidad de manejar energía renovable variable , sistemas de transmisión y almacenamiento en red se están volviendo consideraciones importantes.
AMIRIS es un modelo de mercado abierto basado en agentes para la investigación de sistemas de energía renovable e integrados. [22] El marco de simulación AMIRIS fue desarrollado por primera vez por el Centro Aeroespacial Alemán (DLR) en 2008 y luego lanzado como un proyecto de código abierto en 2021. [23] [24]
AMIRIS permite a los investigadores abordar cuestiones relacionadas con los mercados energéticos futuros , su diseño de mercado y los instrumentos de política relacionados con la energía. [25] En particular, AMIRIS puede capturar los efectos del mercado que pueden surgir de la integración de fuentes de energía renovables y opciones de flexibilidad al considerar las estrategias y comportamientos de los diversos actores presentes en el mercado energético. Por ejemplo, esos comportamientos pueden verse influenciados por el marco político predominante y por incertidumbres externas. [26] AMIRIS también puede descubrir efectos complejos que pueden surgir de las interdependencias de los participantes del mercado energético. [27]
El algoritmo de equilibrio del mercado integrado calcula los precios de la electricidad basándose en las ofertas de los actores del mercado prototipo. Estas ofertas no sólo pueden reflejar el coste marginal de la producción de electricidad, sino también la información limitada de que disponen los actores y las incertidumbres relacionadas. Pero también la oferta puede ser estratégica, como un intento de burlar los instrumentos de apoyo oficiales o explotar las oportunidades de poder de mercado .
Los actores en AMIRIS están representados como agentes que pueden dividirse aproximadamente en seis clases: operadores de plantas de energía, comerciantes, operadores de mercado, proveedores de políticas, agentes de demanda y operadores de instalaciones de almacenamiento. En el modelo, los operadores de plantas de energía proporcionan capacidades de generación a los comerciantes, pero no participan directamente en los mercados. En cambio, suministran a los comerciantes que realizan la comercialización e implementan estrategias de licitación en nombre de los operadores. Los mercados sirven como plataformas de negociación y calculan el equilibrio del mercado. Los proveedores de políticas definen el marco regulatorio que luego puede afectar las decisiones de los demás agentes. Los agentes de demanda solicitan energía directamente en el mercado de electricidad . Finalmente, los proveedores de flexibilidad, como los operadores de almacenamiento, utilizan pronósticos para determinar patrones de licitación que coincidan con sus objetivos particulares, por ejemplo, la maximización de ganancias proyectada .
Debido a su naturaleza modular y basada en agentes, AMIRIS se puede ampliar o modificar fácilmente. [28] AMIRIS se basa en el marco abierto para el modelado distribuido basado en agentes de sistemas de energía o FAME. [29] [30] [31]
AMIRIS puede simular sistemas de agentes a gran escala en plazos de tiempo aceptables. Por ejemplo, la simulación de un año con una resolución horaria puede llevar tan sólo un minuto en un ordenador de sobremesa moderno. Los investigadores del DLR también tienen acceso a instalaciones informáticas de alto rendimiento.
El modelo Breakthrough Energy es un modelo de costos de producción con algoritmos y heurísticas de expansión de capacidad, diseñado originalmente para explorar las necesidades de expansión de generación y transmisión para cumplir con los objetivos de energía limpia de los estados de EE. UU. La gestión de datos se realiza dentro de Python y el problema de optimización DCOPF se crea a través de Julia . El modelo Breakthrough Energy está siendo desarrollado por el equipo de Breakthrough Energy Sciences.
Los datos abiertos que sustentan el modelo se basan en los casos de prueba sintéticos desarrollados por investigadores de la Universidad Texas A&M. [32] [33] [34]
El modelo de energía innovadora inicialmente exploró la expansión de la generación y transmisión necesaria para cumplir con los objetivos de energía limpia en 2030 mediante la construcción de una red macro. [35] El trabajo en curso agrega y expande módulos al modelo (por ejemplo, electrificación de edificios y transporte) para proporcionar un marco para probar numerosas combinaciones de escenarios. El desarrollo y la integración con otros conjuntos de datos de código abierto están en progreso para modelar países y regiones más allá de los Estados Unidos.
El modelo se aplicó posteriormente a la crisis energética de Texas de 2021 , en la que los cortes de energía en invierno provocaron cientos de muertes y miles de millones de dólares en pérdidas económicas. [36] : 1
DIETER son las siglas de Dispatch and Investment Evaluation Tool with Endogenous Renewables (Herramienta de evaluación de la distribución y la inversión con energías renovables endógenas). DIETER es un modelo de distribución e inversión. Se utilizó por primera vez para estudiar el papel del almacenamiento de energía y otras opciones de flexibilidad en un futuro entorno de campo verde con una alta proporción de generación renovable. DIETER se está desarrollando en el Instituto Alemán de Investigación Económica (DIW), Berlín , Alemania. La base de código y los conjuntos de datos para Alemania se pueden descargar desde el sitio web del proyecto. El modelo básico se describe completamente en un documento de trabajo del DIW y en un artículo de revista. [37] [38] DIETER está escrito en GAMS y se desarrolló utilizando el solucionador comercial CPLEX .
DIETER se plantea como un problema de minimización de costes puramente lineal (sin variables enteras). En la formulación inicial, las variables de decisión incluyen la inversión y el despacho de capacidades de generación, almacenamiento y DSM en los mercados mayoristas y de equilibrio de electricidad alemanes. Las extensiones posteriores del modelo incluyen interacciones entre vehículos y red y el consumo de electricidad solar. [39] [40]
El primer estudio que utiliza DIETER examina los requisitos de almacenamiento de energía para la adopción de energías renovables, que van del 60% al 100%. En el escenario de referencia del 80% (el límite inferior del objetivo del gobierno alemán para 2050), los requisitos de almacenamiento en la red siguen siendo moderados y otras opciones tanto del lado de la oferta como del lado de la demanda ofrecen flexibilidad a bajo costo. No obstante, el almacenamiento desempeña un papel importante en la provisión de reservas. El almacenamiento se vuelve más pronunciado con mayores proporciones de energías renovables, pero depende en gran medida de los costos y la disponibilidad de otras opciones de flexibilidad, en particular la disponibilidad de biomasa. [41]
En desarrollo en el Centro Común de Investigación (JRC) de la Comisión Europea , Petten , Países Bajos, Dispa-SET es un modelo de compromiso y despacho de unidades destinado principalmente a Europa. Está escrito en Python (con Pyomo ) y GAMS y utiliza Python para el procesamiento de datos. Se requiere una licencia GAMS válida. El modelo está formulado como un problema de números enteros mixtos y JRC utiliza el servidor propietario CPLEX , aunque también se pueden implementar bibliotecas de código abierto. Hay descripciones técnicas disponibles para las versiones 2.0 [42] y 2.1. [43] Dispa-SET está alojado en GitHub , junto con un conjunto de datos de prueba, y se fomentan las contribuciones de terceros. El código base se ha probado en Windows, macOS y Linux. Hay documentación en línea disponible. [44]
El término SET en el nombre del proyecto hace referencia al Plan Estratégico Europeo de Tecnología Energética (SET-Plan), cuyo objetivo es convertir a Europa en un líder en tecnologías energéticas que puedan cumplir los objetivos futuros (2020 y 2050) en materia de energía y clima. La modelización del sistema energético, en diversas formas, es fundamental para esta iniciativa de la Comisión Europea . [45]
El sistema eléctrico modelo es gestionado por un único operador con pleno conocimiento de las características económicas y técnicas de las unidades de generación, las cargas en cada nodo y la red de transmisión muy simplificada. La demanda se considera totalmente inelástica . El sistema está sujeto a restricciones de compromiso de unidades intra-período e inter-período (esta última cubre la generación nuclear y térmica en su mayor parte) y opera bajo despacho económico . [43] : 4 Se utilizan datos horarios y el horizonte de simulación normalmente es de un año. Pero para asegurar que el modelo siga siendo manejable, se emplea una optimización de horizonte móvil de dos días. El modelo avanza en pasos de un día, optimizando las siguientes 48 horas pero reteniendo los resultados solo para las primeras 24 horas. [43] : 14–15
Dos publicaciones relacionadas describen el papel y la representación de las medidas de flexibilidad dentro de los sistemas de energía que enfrentan proporciones cada vez mayores de energía renovable variable (ERV). [46] [47] Estas medidas de flexibilidad comprenden: generación despachable (con restricciones en eficiencia, tasa de rampa, carga parcial y tiempos de subida y bajada), almacenamiento convencional (predominantemente hidroeléctrica de almacenamiento por bombeo ), interconectores transfronterizos, gestión del lado de la demanda , restricción de renovables, deslastre de carga de último recurso y soluciones nacientes de energía a X (siendo X gas, calor o movilidad). El modelador puede establecer un objetivo para las energías renovables y poner límites al CO2 y otros contaminantes. [43] Las extensiones planificadas para el software incluyen soporte para flujo de energía de CA simplificado [c] (la transmisión se trata actualmente como un problema de transporte ), nuevas restricciones (como el suministro de agua de refrigeración ), escenarios estocásticos y la inclusión de mercados para servicios auxiliares . [44]
Dispa-SET se ha aplicado o se está aplicando en estudios de casos en Bélgica, Bolivia, Grecia, Irlanda y los Países Bajos. Un estudio de Bélgica de 2014 investiga escenarios hipotéticos para diferentes combinaciones de generación nuclear, plantas de turbinas de gas de ciclo combinado (CCGT) y energía renovable variable y descubre que las plantas de CCGT están sujetas a ciclos más agresivos a medida que penetra la generación renovable. [49]
Un estudio de 2020 investigó el impacto colectivo de las condiciones climáticas futuras en 34 sistemas energéticos europeos, incluidas las posibles variaciones en la producción de energía solar, eólica e hidroeléctrica y la demanda de electricidad en varios escenarios meteorológicos proyectados para el continente europeo. [50]
Dispa-SET se ha aplicado en África con un vínculo suave al modelo LISFLOOD para examinar los problemas del nexo agua-energía en el contexto de un clima cambiante. [51]
EMLab-Generation es un modelo basado en agentes que cubre dos mercados de electricidad interconectados, ya sean dos países adyacentes o dos grupos de países. El software se está desarrollando en el Laboratorio de Modelado Energético de la Universidad Tecnológica de Delft , en Delft (Países Bajos). Hay disponible una hoja informativa [52] y documentación del software [53] . EMLab-Generation está escrito en Java .
EMLab-Generation simula las acciones de las compañías eléctricas que invierten en capacidad de generación y las utiliza para explorar los efectos a largo plazo de diversas políticas energéticas y de protección climática . Estas políticas pueden apuntar a la generación renovable, las emisiones de CO2 , la seguridad del suministro y/o la asequibilidad de la energía. Las compañías eléctricas son los agentes principales: ofertan en los mercados de energía e invierten en función del valor actual neto (VAN) de los proyectos prospectivos de plantas de energía. Pueden adoptar una variedad de tecnologías, utilizando escenarios del Informe de Perspectivas Energéticas Mundiales de la IEA de 2011. [54] La metodología basada en agentes permite probar diferentes conjuntos de supuestos, como la heterogeneidad de los actores, las consecuencias de las expectativas imperfectas y el comportamiento de los inversores fuera de las condiciones ideales.
EMLab-Generation ofrece una nueva forma de modelar los efectos de las políticas públicas en los mercados de electricidad. Puede brindar información sobre el comportamiento de los actores y del sistema a lo largo del tiempo, incluidos aspectos como los ciclos de inversión, los ciclos de reducción de emisiones, las respuestas demoradas y los efectos de la incertidumbre y el riesgo en las decisiones de inversión.
Un estudio de 2014 realizado con EMLab-Generation investiga los efectos de la introducción de precios mínimos y máximos para el CO2 en el marco del RCDE UE y, en particular, su influencia en la dinámica trayectoria de inversión de dos mercados de electricidad interconectados (Gran Bretaña y Europa central y occidental, en líneas generales). El estudio concluye que un precio de reserva moderado y común para las subastas de CO2 da como resultado una trayectoria de descarbonización más continua y reduce la volatilidad de los precios del CO2 . Añadir un precio máximo puede proteger a los consumidores de shocks de precios extremos. Esas restricciones de precios no deberían conducir a una sobrepasación de los objetivos de emisiones a largo plazo. [55]
EMMA es el Modelo de Mercado Eléctrico Europeo. Es un modelo tecnoeconómico que cubre el sistema eléctrico integrado del noroeste de Europa. EMMA está siendo desarrollado por la consultora de economía energética Neon Neue Energieökonomik, Berlín , Alemania. El código fuente y los conjuntos de datos se pueden descargar desde el sitio web del proyecto. Hay un manual disponible. [56] EMMA está escrito en GAMS y utiliza el solucionador comercial CPLEX .
EMMA modela el despacho y la inversión de electricidad, minimizando el costo total con respecto a la inversión, la generación y los intercambios entre áreas de mercado. En términos económicos, EMMA se clasifica como un modelo de equilibrio parcial del mercado mayorista de electricidad con un enfoque en el lado de la oferta. EMMA identifica óptimos (o equilibrios) de corto o largo plazo y estima la combinación de capacidad correspondiente, los precios por hora, el despacho y el comercio transfronterizo. Técnicamente, EMMA es un programa lineal puro (sin variables enteras) con alrededor de dos millones de variables distintas de cero . A partir de 2016 [update], el modelo cubre Bélgica, Francia, Alemania, los Países Bajos y Polonia y admite la generación convencional, la generación renovable y la cogeneración . [56] [57]
El EMMA se ha utilizado para estudiar los efectos económicos de la creciente penetración de la energía renovable variable (ERV), en concreto la energía solar y la eólica, en el sistema eléctrico del noroeste de Europa. Un estudio de 2013 concluye que el aumento de la cuota de EVR deprimirá los precios y, en consecuencia, la implantación competitiva a gran escala de la generación renovable será más difícil de lograr de lo que muchos anticipan. [58] Un estudio de 2015 estima la cuota de mercado óptima para el bienestar de la energía eólica y solar. En el caso de la eólica, esta es del 20%, tres veces más que en la actualidad. [59]
Un estudio independiente de 2015 analiza el modelo EMMA y comenta los altos costos específicos asumidos para las inversiones en energías renovables. [37] : 6
GENESYS significa Optimización Genética de un Sistema Europeo de Suministro de Energía. El software está siendo desarrollado conjuntamente por el Instituto de Sistemas de Energía y Economía de la Energía (IAEW) y el Instituto de Electrónica de Potencia y Accionamientos Eléctricos (ISEA), ambos de la Universidad RWTH de Aachen , Aachen , Alemania. El proyecto mantiene un sitio web donde los usuarios potenciales pueden solicitar acceso a la base de código y al conjunto de datos solo para el escenario base de 2050. [60] Hay descripciones detalladas del software disponibles. [61] [62] GENESYS está escrito en C++ y utiliza bibliotecas Boost , la base de datos relacional MySQL , el marco de aplicación Qt 4 y, opcionalmente, el solucionador CPLEX .
La herramienta de simulación GENESYS está diseñada para optimizar un futuro sistema energético de EUMENA (Europa, Oriente Medio y África del Norte) y supone una alta proporción de generación renovable. Es capaz de encontrar una distribución económicamente óptima de las capacidades de generación, almacenamiento y transmisión dentro de una EUMENA de 21 regiones. Permite la optimización de este sistema energético en combinación con un método evolutivo. La optimización se basa en una estrategia de evolución de adaptación de matriz de covarianza (CMA-ES), mientras que la operación se simula como una configuración jerárquica de elementos del sistema que equilibran la carga entre las diversas regiones con un coste mínimo utilizando el algoritmo de red simplex . GENESYS se entrega con un conjunto de series temporales de entrada y un conjunto de parámetros para el año 2050, que el usuario puede modificar.
Un futuro sistema de suministro de energía de EUMENA con una alta proporción de fuentes de energía renovables (FER) necesitará una red de transporte de energía fuertemente interconectada y capacidades significativas de almacenamiento de energía. GENESYS se utilizó para dimensionar el almacenamiento y la transmisión entre las 21 regiones diferentes. Bajo el supuesto de un autoabastecimiento del 100%, aproximadamente2500 GW de energías renovables en total y una capacidad de almacenamiento de aproximadamenteSe necesitan 240.000 GWh , lo que corresponde al 6% de la demanda energética anual, y una red de transmisión HVDC de375 000 GW·km . El costo estimado combinado de generación, almacenamiento y transmisión, excluida la distribución, es de 6,87 ¢/kWh. [61]
Un estudio de 2016 analizó la relación entre la capacidad de almacenamiento y la capacidad de transmisión en un sistema eléctrico de la UE MENA con una alta proporción de fuentes de energía renovables. Se concluyó que, hasta cierto punto, la capacidad de transmisión y la capacidad de almacenamiento pueden sustituirse entre sí. Para lograr una transición a un sistema de energía totalmente renovable en 2050, se requieren cambios estructurales importantes. Los resultados indican la asignación óptima de energía fotovoltaica y eólica, la demanda resultante de capacidades de almacenamiento de diferentes tecnologías (baterías, energía hidroeléctrica de bombeo y almacenamiento de hidrógeno) y la capacidad de la red de transmisión. [62]
NEMO, el Optimizador Nacional del Mercado Eléctrico, es un modelo de despacho cronológico para probar y optimizar diferentes carteras de tecnologías de generación de electricidad convencional y renovable. Se aplica únicamente al Mercado Nacional de Electricidad de Australia (NEM), que, a pesar de su nombre, se limita al este y sur de Australia. NEMO ha estado en desarrollo en el Centro de Mercados Energéticos y Ambientales (CEEM), Universidad de Nueva Gales del Sur (UNSW), Sydney , Australia desde 2011. [63] El proyecto mantiene un pequeño sitio web y ejecuta una lista de correo electrónico . NEMO está escrito en Python . NEMO en sí se describe en dos publicaciones. [64] : sec 2 [65] : sec 2 También se indican las fuentes de datos. [64] : sec 3 Las optimizaciones se llevan a cabo utilizando una función de evaluación de un solo objetivo, con penalizaciones. El espacio de soluciones de las capacidades del generador se busca utilizando el algoritmo CMA-ES (estrategia de evolución de adaptación de la matriz de covarianza). El paso de tiempo es arbitrario, pero normalmente se emplea una hora.
NEMO se ha utilizado para explorar las opciones de generación para el año 2030 bajo una variedad de escenarios de energía renovable (ER) y tecnología de combustibles fósiles reducidos. Un estudio de 2012 investiga la viabilidad de un sistema completamente renovable que utilice energía solar concentrada (CSP) con almacenamiento térmico, parques eólicos , fotovoltaica , hidroelectricidad existente y turbinas de gas alimentadas con biocombustibles . Se identifican varios sistemas potenciales, que también cumplen los criterios de confiabilidad de NEM. El principal desafío es atender la demanda máxima en las noches de invierno después de días nublados y períodos de poco viento. [64] Un estudio de 2014 investiga tres escenarios que utilizan generación térmica a carbón con captura y almacenamiento de carbono (CCS) y turbinas de gas a gas con y sin captura. Estos escenarios se comparan con el análisis de 2012 que utiliza generación completamente renovable. El estudio concluye que "solo bajo unas pocas y aparentemente improbables combinaciones de costos, cualquiera de los escenarios de combustibles fósiles puede competir económicamente con la electricidad 100% renovable en un mundo con restricciones de carbono". [66] : 196 Un estudio de 2016 evalúa los costos incrementales de aumentar la participación de las energías renovables en el marco de una serie de límites a los gases de efecto invernadero y precios del carbono. El estudio concluye que los costos incrementales aumentan linealmente desde cero hasta el 80 % de energías renovables y luego aumentan de manera moderada. El estudio concluye que esta escalada de costos no es una razón suficiente para evitar los objetivos de energías renovables del 100 %. [65]
OnSSET es el kit de herramientas de electrificación espacial de código abierto. OnSSET está siendo desarrollado por la división de sistemas de energía, KTH Royal Institute of Technology , Estocolmo , Suecia. El software se utiliza para examinar áreas que no cuentan con servicio de electricidad basada en la red e identificar las opciones tecnológicas y los requisitos de inversión que proporcionarán un acceso al menor costo a los servicios de electricidad. OnSSET está diseñado para apoyar el ODS 7 de las Naciones Unidas : el suministro de energía asequible, confiable, sostenible y moderna para todos. El kit de herramientas se conoce como OnSSET y se lanzó el 26 de noviembre de 2016. OnSSET no se envía con datos, pero los conjuntos de datos adecuados están disponibles en energydata.info . El proyecto mantiene un sitio web y administra una lista de correo. [67] [68] [69]
OnSSET puede estimar, analizar y visualizar las opciones de acceso a la electrificación más rentables, ya sean redes convencionales , minirredes o independientes. [70] El conjunto de herramientas admite una variedad de tecnologías de energía convencionales y renovables, incluidas la energía fotovoltaica, las turbinas eólicas y la generación de pequeñas centrales hidroeléctricas . A partir de 2017 [update], se están agregando tecnologías de bioenergía e híbridas, como la eólica y el diésel .
OnSSET utiliza información geográfica y energética, que puede incluir el tamaño y la ubicación de los asentamientos, la infraestructura de transmisión y generación existente y planificada, la actividad económica, los recursos de energía renovable, las redes viales y las necesidades de iluminación nocturna. La información SIG se puede respaldar mediante el paquete propietario ArcGIS o un equivalente de código abierto como GRASS o QGIS . [71] OnSSET se ha aplicado a las microrredes mediante un análisis de tres niveles que comienza con los arquetipos de asentamientos. [72]
OnSSET se ha utilizado para estudios de casos en Afganistán , [73] Bolivia , [72] [74] Camerún , [75] Etiopía , [70] [76] Malawi , [77] Nigeria , [70] [78] [79] y Tanzania . [71] OnSSET también se ha aplicado en India , Kenia y Zimbabue . Además, se han llevado a cabo estudios continentales para África subsahariana y América Latina . [80] Un estudio basado en SIG de 4 vías realizado en Nigeria informó que OnSSET ofrecía el mejor conjunto de capacidades. [81]
Los resultados de OnSSET han contribuido a los informes Perspectivas de la energía mundial de la AIE de 2014 [82] y 2015, [83] el informe del Marco de seguimiento global del Banco Mundial de 2015, [84] y el informe Perspectivas de la energía de África de la AIE de 2019. [85] OnSSET también forma parte de la naciente plataforma GEP. [86]
pandapower es un programa de análisis y optimización de sistemas de energía que está siendo desarrollado conjuntamente por el grupo de investigación de Gestión de Energía y Operación de Sistemas de Energía de la Universidad de Kassel y el Departamento de Operación de Sistemas de Distribución, Instituto Fraunhofer de Economía de la Energía y Tecnología de Sistemas de Energía (IEE), ambos de Kassel , Alemania. El código base está alojado en GitHub y también está disponible como paquete . El proyecto mantiene un sitio web, una lista de correo electrónico y documentación en línea. pandapower está escrito en Python . Utiliza la biblioteca pandas para la manipulación y análisis de datos y la biblioteca PYPOWER [87] para resolver el flujo de energía . A diferencia de algunas herramientas de sistemas de energía de código abierto, pandapower no depende de plataformas propietarias como MATLAB .
PandaPower permite el análisis y la optimización automatizados de redes de distribución y transmisión. Esto permite explorar una gran cantidad de escenarios, en función de diferentes configuraciones y tecnologías de red futuras. PandaPower ofrece una colección de elementos del sistema eléctrico, que incluyen: líneas, transformadores de 2 devanados, transformadores de 3 devanados y equivalentes de ward. También contiene un modelo de conmutación que permite el modelado de conmutadores ideales de bus-bus, así como conmutadores de bus-línea/bus-transformador. El software admite la búsqueda topológica. La red en sí se puede trazar, con o sin información geográfica, utilizando las bibliotecas matplotlib y plotly .
En una publicación de 2016 se evalúa la utilidad del software mediante la realización de varios estudios de casos con los principales operadores de sistemas de distribución (OSD). Estos estudios examinan la integración de niveles crecientes de energía fotovoltaica en las redes de distribución existentes. El estudio concluye que poder probar una gran cantidad de escenarios detallados es esencial para una planificación sólida de la red. No obstante, los problemas de disponibilidad de datos y la dimensionalidad de los problemas seguirán presentando desafíos. [88]
Un artículo de 2018 describe el paquete y su diseño y proporciona un estudio de caso de ejemplo. El artículo explica cómo los usuarios trabajan con un modelo basado en elementos (EBM) que se convierte internamente a un modelo de rama de bus (BBM) para el cálculo. El paquete admite la simulación del sistema de energía, los cálculos del flujo de energía óptimo (se requiere información de costos), la estimación del estado (en caso de que la caracterización del sistema carezca de fidelidad) y el análisis de red basado en gráficos . El estudio de caso muestra cómo unas pocas decenas de líneas de scripting pueden interactuar con pandapower para avanzar en el diseño de un sistema sujeto a diversos requisitos operativos. El código asociado está alojado en GitHub como cuadernos jupyter . [89]
A partir de 2018 [update], BNetzA , el regulador de red alemán, está utilizando pandapower para el análisis automatizado de la red. [90] Los institutos de investigación energética en Alemania también están siguiendo el desarrollo de pandapower. [91] : 90
El software PowerMatcher implementa un mecanismo de coordinación de red inteligente que equilibra los recursos energéticos distribuidos (DER) y las cargas flexibles mediante ofertas autónomas . El proyecto está gestionado por la Flexiblepower Alliance Network (FAN) en Ámsterdam , Países Bajos. El proyecto mantiene un sitio web y el código fuente está alojado en GitHub . A junio de 2016 [update], los conjuntos de datos existentes no están disponibles. PowerMatcher está escrito en Java .
Cada dispositivo del sistema de red inteligente –ya sea una lavadora, un generador eólico o una turbina industrial– expresa su voluntad de consumir o producir electricidad en forma de una oferta. Estas ofertas se recogen y se utilizan para determinar un precio de equilibrio. De este modo, el software PowerMatcher permite integrar una alta proporción de energía renovable en los sistemas eléctricos existentes y también debería evitar cualquier sobrecarga local en redes de distribución posiblemente envejecidas. [92]
Power TAC son las siglas de Power Trading Agent Competition. Power TAC es un modelo basado en agentes que simula el rendimiento de los mercados minoristas en un panorama eléctrico cada vez más influenciado por el prosumo y las energías renovables. La primera versión del proyecto Power TAC comenzó en 2009, cuando se lanzó la plataforma de código abierto como una plataforma de juego competitivo multiagente de código abierto para simular el rendimiento del mercado minorista de electricidad en escenarios de redes inteligentes. El torneo anual inaugural se celebró en Valencia, España, en 2012.
Los agentes comerciales autónomos que aprenden de las máquinas , o "corredores", compiten directamente entre sí como agregadores que maximizan las ganancias entre los mercados mayoristas y los clientes minoristas. Los modelos de clientes representan hogares, pequeñas y grandes empresas, edificios multiresidenciales, parques eólicos, propietarios de paneles solares, propietarios de vehículos eléctricos, almacenes frigoríficos, etc. Los corredores tienen como objetivo obtener ganancias ofreciendo tarifas eléctricas a los clientes y comercializando electricidad en el mercado mayorista, al tiempo que equilibran cuidadosamente la oferta y la demanda.
La competencia fue fundada y organizada por los profesores Wolfgang Ketter y John Collins y el software de la plataforma fue desarrollado en colaboración por investigadores de la Escuela de Administración de Empresas de Rotterdam, el Centro Universitario Erasmus para el Futuro de la Energía, el Instituto de Economía Energética de la Universidad de Colonia y el Departamento de Ciencias Informáticas de la Universidad de Minnesota. La plataforma utiliza una variedad de datos del mundo real sobre el clima, los precios del mercado y la demanda agregada, y el comportamiento del cliente. Los agentes intermediarios son desarrollados por equipos de investigación de todo el mundo y participan en torneos anuales. Los datos de esos torneos están disponibles públicamente y se pueden utilizar para evaluar el desempeño y las interacciones de los agentes. La plataforma explota la evaluación comparativa competitiva para facilitar la investigación sobre, entre otros temas, el diseño de tarifas en los mercados minoristas de electricidad, las estrategias de licitación en los mercados mayoristas de electricidad, el desempeño de los mercados a medida que aumenta o disminuye la penetración de recursos energéticos sostenibles o vehículos eléctricos, la efectividad de los enfoques de aprendizaje automático y los enfoques de políticas alternativas para la regulación del mercado. El software ha contribuido a temas de investigación que abarcan desde el uso de flotas de vehículos eléctricos como plantas de energía virtuales hasta cómo se puede utilizar un sistema de soporte de decisiones de clientes de electricidad (DSS) para diseñar programas efectivos de respuesta a la demanda utilizando métodos como precios dinámicos.
renpass es un acrónimo de Renewable Energy Pathways Simulation System. renpass es un modelo de simulación de electricidad con alta resolución regional y temporal, diseñado para capturar sistemas existentes y sistemas futuros con hasta un 100% de generación renovable. El software está siendo desarrollado por el Centro de Sistemas de Energía Sostenible (CSES o ZNES), Universidad de Flensburg , Alemania. El proyecto tiene un sitio web, desde donde se puede descargar el código base . renpass está escrito en R y tiene enlaces a una base de datos MySQL . Hay disponible un manual en PDF. [93] renpass también se describe en una tesis doctoral. [94] A partir de 2015 [update], renpass se está ampliando como renpassG!S, basado en oemof.
renpass es un modelo de distribución de electricidad que minimiza los costes del sistema en cada paso de tiempo (optimización) dentro de los límites de una infraestructura dada (simulación). Los pasos de tiempo pueden ser de 15 minutos o de una hora. El método supone una previsión perfecta. renpass es compatible con los sistemas eléctricos de Austria, Bélgica, la República Checa, Dinamarca, Estonia, Francia, Finlandia, Alemania, Letonia, Lituania, Luxemburgo, los Países Bajos, Noruega, Polonia, Suecia y Suiza.
El problema de optimización para cada paso de tiempo es minimizar el costo del suministro de electricidad utilizando la flota de plantas de energía existentes para todas las regiones. Después de este despacho regional, se lleva a cabo el intercambio entre las regiones y está restringido por la capacidad de la red. Este último problema se resuelve con un procedimiento heurístico en lugar de calcularse de manera determinista. La entrada es el orden de mérito, la planta de energía marginal, el exceso de energía (energía renovable que podría reducirse) y el exceso de demanda (la demanda que no puede suministrarse) para cada región. El algoritmo de intercambio busca el menor costo para todas las regiones, por lo tanto, la función objetivo es minimizar los costos totales de todas las regiones, dada la infraestructura de red existente, el almacenamiento y las capacidades de generación. El costo total se define como la carga residual multiplicada por el precio en cada región, sumado para todas las regiones.
Un estudio de 2012 utiliza renpass para examinar la viabilidad de un sistema eléctrico 100% renovable para la región del Mar Báltico (Dinamarca, Estonia, Finlandia, Alemania, Letonia, Lituania, Polonia y Suecia) en el año 2050. El escenario base supone potenciales renovables conservadores y mejoras de la red, una caída del 20% en la demanda, una adopción moderada de opciones de almacenamiento y el despliegue de biomasa para generación flexible. El estudio concluye que es posible un sistema eléctrico 100% renovable, aunque con importaciones ocasionales de países vecinos, y que la biomasa desempeña un papel clave en la estabilidad del sistema. Los costes de esta transición se estiman en 50 €/MWh. [95] Un estudio de 2014 utiliza renpass para modelar Alemania y sus vecinos. [96] Una tesis de 2014 utiliza renpass para examinar los beneficios tanto de un nuevo cable entre Alemania y Noruega como de una nueva capacidad de almacenamiento por bombeo en Noruega , dados los sistemas eléctricos 100% renovables en ambos países. [97] Otro estudio de 2014 utiliza el Renpass para examinar la Energiewende alemana , la transición a un sistema energético sostenible para Alemania. El estudio también sostiene que la confianza pública necesaria para respaldar dicha transición solo puede generarse mediante el uso de modelos energéticos transparentes de código abierto. [98]
SciGRID, abreviatura de Scientific Grid, es un modelo de código abierto de las redes de transmisión de electricidad alemanas y europeas . El proyecto de investigación está gestionado por el Instituto DLR de Sistemas de Energía en Red, situado en Oldenburg , Alemania. El proyecto mantiene un sitio web y un boletín informativo por correo electrónico. SciGRID está escrito en Python y utiliza una base de datos PostgreSQL . La primera versión (v0.1) se publicó el 15 de junio de 2015.
SciGRID tiene como objetivo corregir la falta de datos de investigación abiertos sobre la estructura de las redes de transmisión de electricidad en Europa. Esta falta de datos frustra los intentos de construir, caracterizar y comparar modelos de sistemas energéticos de alta resolución. SciGRID utiliza datos de redes de transmisión disponibles en el proyecto OpenStreetMap , disponibles bajo la Licencia de Base de Datos Abierta (ODbL), para crear automáticamente conexiones de transmisión. SciGRID no utilizará datos de fuentes cerradas. SciGRID también puede descomponer matemáticamente una red dada en una representación más simple para su uso en modelos energéticos. [99] [100]
SIREN son las siglas de SEN Integrated Renewable Energy Network Toolkit. El proyecto está a cargo de Sustainable Energy Now, una ONG con sede en Perth , Australia. El proyecto mantiene un sitio web. SIREN se ejecuta en Windows y el código fuente está alojado en SourceForge . El software está escrito en Python y utiliza el modelo SAM (System Advisor Model) del Laboratorio Nacional de Energía Renovable de EE. UU. para realizar cálculos de energía. SIREN utiliza conjuntos de datos horarios para modelar una región geográfica determinada. Los usuarios pueden utilizar el software para explorar la ubicación y la escala de las fuentes de energía renovable para satisfacer una demanda de electricidad específica. SIREN utiliza varias fuentes de datos abiertas o disponibles públicamente: se pueden crear mapas a partir de mosaicos de OpenStreetMap y se pueden crear conjuntos de datos meteorológicos utilizando datos satelitales MERRA-2 de la NASA . [d] [101]
Un estudio de 2016 que utilizó SIREN para analizar el Sistema Interconectado del Suroeste (SWIS) de Australia Occidental concluye que se puede realizar la transición a un 85 % de energía renovable por el mismo costo que el carbón y el gas nuevos. Además, se evitarían 11,1 millones de toneladas de emisiones de CO2 equivalentes . El modelo supone un precio del carbono de 30 dólares australianos por tonelada de CO2 . Otros escenarios examinan el objetivo de una generación 100 % renovable. [102]
SWITCH es un acrónimo vago para generación y transmisión solar, eólica, convencional e hidroeléctrica. SWITCH es un modelo de planificación óptima para sistemas de energía con grandes proporciones de energía renovable. SWITCH está siendo desarrollado por el Departamento de Ingeniería Eléctrica de la Universidad de Hawái en Mānoa , Hawái, EE. UU. El proyecto ejecuta un pequeño sitio web y aloja su base de código y conjuntos de datos en GitHub . SWITCH está escrito en Pyomo , una biblioteca de componentes de optimización programada en Python . Puede utilizar el solucionador GLPK de código abierto o el solucionador CPLEX comercial .
SWITCH es un modelo de sistema eléctrico centrado en la integración de energías renovables. Puede identificar qué proyectos de generación y transmisión construir para satisfacer la demanda de electricidad al menor costo durante un período de varios años y, al mismo tiempo, reducir las emisiones de CO2 . SWITCH utiliza una optimización lineal estocástica de múltiples etapas con el objetivo de minimizar el valor actual del costo de las plantas de energía, la capacidad de transmisión, el uso de combustible y un cargo arbitrario por tonelada de CO2 ( para representar un impuesto al carbono o un precio de certificado), a lo largo de un período de inversión de varios años. Tiene dos conjuntos principales de variables de decisión. Primero, al comienzo de cada período de inversión, SWITCH selecciona cuánta capacidad de generación construir en cada una de varias zonas de carga geográfica, cuánta capacidad de transferencia de energía agregar entre estas zonas y si operar la capacidad de generación existente durante el período de inversión o suspenderla temporalmente para evitar costos fijos de operación y mantenimiento. En segundo lugar, para un conjunto de días de muestra dentro de cada período de inversión, SWITCH toma decisiones horarias sobre cuánta energía generar en cada planta de energía despachable, cuánta energía almacenar en cada instalación hidroeléctrica de bombeo o cuánta energía transferir a lo largo de cada interconector de transmisión. El sistema también debe garantizar suficiente capacidad de generación y transmisión para proporcionar un margen de reserva de planificación del 15% por encima de las previsiones de carga. Para cada hora de muestra, SWITCH utiliza la demanda de electricidad y la producción de energía renovable en función de mediciones reales, de modo que las correlaciones impulsadas por el clima entre estos elementos permanezcan intactas.
Tras la fase de optimización, SWITCH se utiliza en una segunda fase para probar el plan de inversión propuesto frente a un conjunto más completo de condiciones meteorológicas y para añadir capacidad de generación de respaldo de modo que siempre se cumpla el margen de reserva previsto. Por último, en una tercera fase, se calculan los costes congelando el plan de inversión y haciendo funcionar el sistema eléctrico propuesto en un conjunto completo de condiciones meteorológicas.
En un artículo de 2012 se utiliza California desde 2012 hasta 2027 como caso de estudio para SWITCH. El estudio concluye que no hay un límite a la cantidad de energía eólica y solar que se podría utilizar y que estos recursos podrían reducir potencialmente las emisiones en un 90% o más (en relación con los niveles de 1990) sin reducir la fiabilidad ni aumentar drásticamente los costes. Además, las políticas que alientan a los clientes de electricidad a trasladar la demanda a momentos en que la energía renovable es más abundante (por ejemplo, mediante la carga oportuna de vehículos eléctricos ) podrían lograr reducciones radicales de las emisiones a un coste moderado. [103]
SWITCH se utilizó más recientemente para respaldar la planificación del sistema eléctrico basado en el consenso en Hawái. [104] El modelo también se está aplicando en Chile, México y otros lugares. [105]
La versión principal 2.0 se lanzó a fines de 2018. [105] Una investigación realizada ese año comparó favorablemente SWITCH con el modelo propietario MAPS de General Electric utilizando a Hawái como caso de estudio. [106]
URBS, que en latín significa ciudad, es un modelo de programación lineal para explorar problemas de expansión de capacidad y compromiso de unidades, y es particularmente adecuado para sistemas de energía distribuida (DES). Está siendo desarrollado por el Instituto de Sistemas de Energía Renovable y Sostenible de la Universidad Técnica de Múnich ( Alemania). El código base está alojado en GitHub . URBS está escrito en Python y utiliza los paquetes de optimización Pyomo .
URBS se utiliza como un marco de modelado energético e intenta minimizar el costo total descontado del sistema. Un modelo particular selecciona de un conjunto de tecnologías para satisfacer una demanda de electricidad predeterminada. Utiliza una resolución temporal de una hora y la resolución espacial está definida por el modelo. Las variables de decisión son las capacidades de producción, almacenamiento y transporte de electricidad y la programación temporal de su funcionamiento. [107] : 11–14
El software se ha utilizado para explorar extensiones óptimas en términos de costos para la red de transmisión europea utilizando capacidades eólicas y solares proyectadas para 2020. Un estudio de 2012, utilizando altas resoluciones espaciales y tecnológicas, encontró que las adiciones de energía renovable variable (ERV) causan menores ingresos para las plantas de energía convencionales y que las extensiones de la red redistribuyen y alivian este efecto. [108] El software también se ha utilizado para explorar sistemas de energía que abarcan Europa, Medio Oriente y África del Norte (EUMENA) [107] e Indonesia, Malasia y Singapur. [109]
Los modelos de sistemas de energía abiertos capturan algunos o todos los productos energéticos que se encuentran en un sistema energético. Normalmente, siempre se incluyen modelos del sector eléctrico. Algunos modelos agregan el sector de la calefacción, que puede ser importante para países con calefacción urbana significativa . Otros modelos agregan redes de gas. Con la llegada de la movilidad eléctrica , otros modelos aún incluyen aspectos del sector del transporte. De hecho, la combinación de estos diversos sectores mediante tecnologías de conversión de energía en energía es un área de investigación emergente. [61]
AnyMOD.jl es un marco para la planificación de sistemas macroenergéticos con un alto nivel de detalle espaciotemporal. El marco abarca la expansión y el funcionamiento del almacenamiento a corto y largo plazo, la generación de energía fósil y renovable, la infraestructura de transmisión y las tecnologías de acoplamiento sectorial . Puede utilizarse para planificar vías a largo plazo con una previsión perfecta.
AnyMOD.jl se implementa en Julia y se basa en la biblioteca JuMP para la optimización y en DataFrames.jl para la gestión de datos. Los modelos se formulan como problemas de optimización lineal y se pueden resolver con bibliotecas de código abierto como HiGHS o solucionadores comerciales como CPLEX . Para aumentar la accesibilidad y permitir el desarrollo controlado por versiones , los modelos específicos se definen completamente mediante archivos CSV .
En comparación con herramientas similares, AnyMOD.jl pone énfasis en métodos innovadores para lograr un alto nivel de detalle y capturar energías renovables intermitentes , manteniendo al mismo tiempo un alcance integral en términos de regiones y sectores. Estos métodos incluyen la variación de la resolución espacio-temporal por portador de energía dentro del mismo modelo y un algoritmo de escalado para mejorar las propiedades del problema de optimización subyacente. [112] [111] Ahora se están implementando métodos de programación estocástica para abordar mejor las incertidumbres asociadas con la generación renovable. [113]
A partir de 2022, [update]la mayoría de los estudios que implementan la herramienta se han centrado en el sistema energético alemán en un contexto europeo, por ejemplo, investigando las compensaciones entre los diseños centralizados y descentralizados, el papel de la planificación de la red y el potencial de las medidas de suficiencia. [114] [115] [116] Además, AnyMOD.jl se ha utilizado para respaldar los informes de políticas del Instituto Alemán de Investigación Económica (DIW) sobre el Pacto Verde Europeo y la coordinación de la Energiewende alemana . [110] [117]
Backbone es un marco de modelado de sistemas energéticos que permite un alto nivel de detalle y adaptabilidad. Se ha utilizado para estudiar sistemas energéticos a nivel de ciudad, así como sistemas energéticos de varios países. Fue desarrollado originalmente durante 2015-2018 en un proyecto financiado por la Academia de Finlandia 'VaGe' por el equipo de Diseño y Operación de Sistemas Energéticos en VTT . Se ha desarrollado aún más en una colaboración que incluye a VTT , UCD y RUB .
El marco es agnóstico en cuanto a lo que se modela, pero aún así tiene capacidades para representar una amplia gama de características del sistema energético, como generación y transferencia, reservas, compromiso de unidad, difusión de calor en edificios, almacenamientos, emisiones múltiples y P2X, etc. Ofrece restricciones enteras lineales y mixtas para capturar cosas como puestas en marcha de unidades y decisiones de inversión. Permite al modelador cambiar la resolución temporal del modelo entre pasos de tiempo, y esto permite, por ejemplo, utilizar una resolución temporal más burda más adelante en el horizonte temporal del modelo. El modelo se puede resolver como un modelo de inversión (de período único o múltiple, miope o de previsión completa) o como un modelo de compromiso de unidad de costo de producción continuo para simular operaciones. [118]
La página wiki de Backbone tiene un tutorial para nuevos usuarios, modelos de ejemplo y mods creados por los usuarios. Los conjuntos de datos abiertos incluyen un modelo del norte de Europa para electricidad, calor e hidrógeno [119] y un modelo de calefacción y refrigeración urbana para la región de la capital finlandesa. [120]
Balmorel es un modelo de sistema energético basado en el mercado de Dinamarca. Su desarrollo fue financiado originalmente por el Programa de Investigación Energética Danés en 2001. [94] : 23 El código base se hizo público en marzo de 2001. [121] El proyecto Balmorel mantiene un extenso sitio web, desde donde se pueden descargar el código base y los conjuntos de datos como un archivo zip . Se anima a los usuarios a registrarse. La documentación está disponible en el mismo sitio. [122] [123] [124] Balmorel está escrito en GAMS .
El objetivo original del proyecto Balmorel era construir un modelo de equilibrio parcial de los sectores de electricidad y cogeneración en la región del mar Báltico , con fines de análisis de políticas. [125] Estas ambiciones y limitaciones han sido superadas hace mucho tiempo y Balmorel ya no está vinculado a su geografía y cuestiones políticas originales. [123] Balmorel se clasifica como un modelo de despacho e inversión y utiliza una resolución temporal de una hora. Modela la oferta y la demanda de electricidad y calor, y admite el almacenamiento intertemporal de ambos. Balmorel está estructurado como un programa lineal puro (sin variables enteras).
A partir de 2016 [update], Balmorel ha sido objeto de unas 22 publicaciones. Un estudio de 2008 utiliza Balmorel para explorar el sistema energético nórdico en 2050. El enfoque está en el suministro de energía renovable y el despliegue del hidrógeno como el principal combustible de transporte. Dadas ciertas suposiciones sobre el precio futuro del petróleo y el carbono y la adopción de hidrógeno, el modelo muestra que es económicamente óptimo cubrir, utilizando energía renovable, más del 95% del consumo de energía primaria para electricidad y calefacción urbana y el 65% del transporte. [126] Un estudio de 2010 utiliza Balmorel para examinar la integración de vehículos híbridos enchufables (PHEV) en un sistema que comprende una cuarta parte de energía eólica y tres cuartas partes de generación térmica. El estudio muestra que los PHEV pueden reducir las emisiones de CO2 del sistema eléctrico si se integran activamente, mientras que un enfoque de no intervención (dejar que las personas carguen sus automóviles a voluntad) probablemente resulte en un aumento de las emisiones. [127] Un estudio de 2013 utiliza Balmorel para examinar inversiones en energía eólica optimizadas en cuanto a costos en la región nórdica de Alemania. El estudio investiga la mejor ubicación de los parques eólicos, teniendo en cuenta las condiciones del viento, la distancia a la carga y la infraestructura de generación y transmisión ya instalada. [128]
Calliope es un marco de modelado de sistemas energéticos, centrado en la flexibilidad, la alta resolución espacial y temporal y la capacidad de ejecutar diferentes ejecuciones utilizando el mismo conjunto de datos de caso base. El proyecto se está desarrollando en el Departamento de Ciencias de Sistemas Ambientales, ETH Zurich , Zúrich , Suiza. El proyecto mantiene un sitio web, aloja la base de código en GitHub , opera un rastreador de problemas y ejecuta dos listas de correo electrónico . Calliope está escrito en Python y utiliza la biblioteca Pyomo . Puede vincularse al solucionador GLPK de código abierto y al solucionador CPLEX comercial . La documentación en PDF está disponible. [129] Y hay disponible una revisión de software de dos páginas. [130]
Un modelo Calliope consiste en una colección de archivos de texto estructurados, en formatos YAML y CSV , que definen las tecnologías, las ubicaciones y el potencial de los recursos. Calliope toma estos archivos, construye un problema de optimización lineal pura (sin variables enteras), lo resuelve e informa los resultados en forma de estructuras de datos de pandas para su análisis. El marco contiene cinco tecnologías básicas abstractas (oferta, demanda, conversión, almacenamiento y transmisión) a partir de las cuales se pueden derivar nuevas tecnologías concretas. El diseño de Calliope refuerza la clara separación del marco (código) y el modelo (datos).
Un estudio de 2015 utiliza Calliope para comparar los roles futuros de la energía nuclear y la CSP en Sudáfrica . Encuentra que la CSP podría ser competitiva con la nuclear para 2030 para la carga base y más competitiva cuando se produce por encima de la carga base. La CSP también ofrece menos riesgo de inversión, menos riesgo ambiental y otros beneficios colaterales. [131] Un segundo estudio de 2015 compara una gran cantidad de sistemas de energía futuros óptimos en términos de costos para Gran Bretaña . Se prueban tres tecnologías de generación: energías renovables, energía nuclear y combustibles fósiles con y sin captura y almacenamiento de carbono (CCS). Los escenarios se evalúan en función del costo financiero, las reducciones de emisiones y la seguridad energética. Es posible hasta un 60% de capacidad renovable variable con poco aumento en el costo, mientras que las proporciones más altas requieren almacenamiento a gran escala , importaciones y/o renovables despachables como la amplitud de las mareas . [132]
Stefan Pfenninger, codesarrollador de Calliope, analiza el papel que pueden desempeñar los modelos de sistemas energéticos para respaldar las decisiones del mundo real en un seminario celebrado a mediados de 2021. [133] Un estudio citado investiga las consecuencias de perseguir la autosuficiencia energética añadiendo debidamente restricciones internas cada vez más restrictivas. [134] Otro analiza soluciones casi óptimas para Italia . [135] Un vídeo de 2023 describe avances recientes, muchos de los cuales están diseñados para beneficiar a los usuarios. [136]
DESSTinEE son las siglas de Demand for Energy Services, Supply and Transmission in EuropE (Demanda de servicios, suministro y transmisión de energía en Europa). DESSTinEE es un modelo del sistema energético europeo en 2050, centrado en el sistema eléctrico. DESSTinEE se está desarrollando principalmente en la Imperial College Business School , Imperial College London (ICL), Londres , Reino Unido. El software se puede descargar desde el sitio web del proyecto. DESSTinEE está escrito en Excel / VBA y comprende un conjunto de hojas de cálculo independientes . Hay un folleto disponible. [137]
DESSTinEE está diseñado para investigar supuestos sobre los requisitos técnicos para el transporte de energía –en particular electricidad– y la escala del desafío económico para desarrollar la infraestructura necesaria. Se consideran cuarenta países en Europa y sus alrededores y se admiten diez formas de energía primaria y secundaria. El modelo utiliza una técnica de simulación predictiva, en lugar de resolver el equilibrio parcial o general . El modelo proyecta las demandas anuales de energía para cada país hasta 2050, sintetiza perfiles horarios de demanda de electricidad en 2010 y 2050, y simula la generación y transmisión de electricidad de menor costo en la región. [138]
Un estudio de 2016 que utiliza DESSTinEE (y un segundo modelo eLOAD) examina la evolución de las curvas de carga eléctrica en Alemania y Gran Bretaña desde el presente hasta 2050. En 2050, las cargas máximas y las tasas de rampa aumentan entre un 20 y un 60 % y la utilización del sistema cae entre un 15 y un 20 %, en parte debido a la adopción sustancial de bombas de calor y vehículos eléctricos . Estos son cambios significativos. [139]
El modelo de transición energética (ETM) es un modelo interactivo basado en la web que utiliza una descripción holística del sistema energético de un país. Está siendo desarrollado por Quintel Intelligence, Ámsterdam , Países Bajos. El proyecto mantiene un sitio web del proyecto, un sitio web interactivo y un repositorio de GitHub . ETM está escrito en Ruby (on Rails ) y se muestra en un navegador web . ETM consta de varios componentes de software como se describe en la documentación.
El ETM es totalmente interactivo. Después de seleccionar una región (Francia, Alemania, Países Bajos, Polonia, España, Reino Unido, UE-27 o Brasil) y un año (2020, 2030, 2040 o 2050), el usuario puede configurar 300 controles deslizantes (o ingresar valores numéricos) para explorar lo siguiente:
El ETM se basa en un gráfico de energía ( dígrafo ) en el que los nodos ( vértices ) pueden convertirse de un tipo de energía a otro, posiblemente con pérdidas. Las conexiones ( aristas dirigidas ) son los flujos de energía y se caracterizan por el volumen (en megajulios ) y el tipo de portador (como carbón, electricidad, calor utilizable, etc.). Dada una demanda y otras opciones, el ETM calcula el uso de energía primaria, el costo total y las emisiones de CO2 resultantes . El modelo está impulsado por la demanda, lo que significa que el dígrafo se recorre desde la demanda útil (como la calefacción de espacios, el uso de agua caliente y los kilómetros recorridos en automóvil) hasta la demanda primaria (la extracción de gas, la importación de carbón, etc.).
EnergyPATHWAYS es un modelo de abajo hacia arriba del sector energético que se utiliza para explorar las implicaciones a corto plazo de una descarbonización profunda a largo plazo. El desarrollador principal es la consultora de energía y protección climática, Evolved Energy Research, de San Francisco (EE. UU.). El código está alojado en GitHub . EnergyPATHWAYS está escrito en Python y se vincula al solucionador de código abierto Cbc . Alternativamente, se pueden emplear los solucionadores GLPK o CPLEX . EnergyPATHWAYS utiliza el sistema de gestión de bases de datos relacionales de objetos PostgreSQL (ORDBMS) para gestionar sus datos .
EnergyPATHWAYS es un marco de contabilidad integral que se utiliza para construir escenarios de infraestructura energética para toda la economía. Si bien algunas partes del modelo utilizan técnicas de programación lineal , por ejemplo, para el despacho de electricidad, el modelo EnergyPATHWAYS no es fundamentalmente un modelo de optimización e incorpora pocas dinámicas de decisión. EnergyPATHWAYS ofrece una contabilidad detallada de energía, costos y emisiones para los flujos de energía desde el suministro primario hasta la demanda final. La representación del sistema energético es flexible, lo que permite diferentes niveles de detalle y la anidación de ciudades, estados y países. El modelo utiliza el despacho de electricidad de menor costo por hora y admite la conversión de energía en gas , el almacenamiento de energía de corta duración, el almacenamiento de energía de larga duración y la respuesta a la demanda . Los escenarios suelen extenderse hasta 2050.
Un predecesor del software EnergyPATHWAYS, llamado simplemente PATHWAYS, se ha utilizado para construir modelos de políticas. El modelo PATHWAYS de California se utilizó para informar los objetivos climáticos del estado de California para 2030. [140] Y el modelo PATHWAYS de EE. UU. contribuyó a las evaluaciones del Proyecto de Caminos de Descarbonización Profunda (DDPP) de las Naciones Unidas para los Estados Unidos. [141] A partir de 2016 , el DDPP planea emplear EnergyPATHWAYS para análisis futuros.[update]
ETEM son las siglas de Energy Technology Environment Model. El modelo ETEM ofrece una estructura similar a OSeMOSYS pero está orientado a la planificación urbana. El software está siendo desarrollado por la empresa ORDECSYS, Chêne-Bougeries , Suiza, con el apoyo de subvenciones de investigación nacionales y de la Unión Europea. El proyecto tiene dos sitios web. El software se puede descargar desde el primero de estos sitios web (pero a julio de 2016 [update], parece estar desactualizado). Hay un manual disponible con el software. [142] ETEM está escrito en MathProg . [e] Hay presentaciones que describen ETEM disponibles. [143] [144]
ETEM es un modelo ascendente que identifica las opciones energéticas y tecnológicas óptimas para una región o ciudad. El modelo encuentra una política energética con un costo mínimo, mientras se invierte en nuevos equipos (nuevas tecnologías), se desarrolla la capacidad de producción (tecnologías instaladas) y/o se propone la factibilidad de importación/exportación de energía primaria. ETEM generalmente proyecta 50 años hacia adelante, en pasos de dos o cinco años, con franjas temporales de cuatro estaciones utilizando típicamente días individuales o más precisos. La resolución espacial puede ser muy detallada. Se admiten tanto la electricidad como el calor, al igual que las redes de calefacción urbana , los sistemas de energía domésticos y el almacenamiento en red, incluido el uso de vehículos eléctricos híbridos enchufables (PHEV). ETEM-SG, un desarrollo, admite la respuesta a la demanda , una opción que se habilitaría mediante el desarrollo de redes inteligentes .
El modelo ETEM se ha aplicado a Luxemburgo, los cantones de Ginebra y Basilea-Berna-Zúrich en Suiza, y la región metropolitana de Grenoble y Midi-Pyrénées en Francia. Un estudio de 2005 utiliza ETEM para estudiar la protección del clima en el sector de la vivienda suizo. El modelo ETEM se acopló con el modelo de equilibrio general computable mundial GEMINI-E3 (CGEM) para completar el análisis. [145] Un estudio de 2012 examina el diseño de redes inteligentes . A medida que los sistemas de distribución se vuelven más inteligentes, también deben serlo los modelos necesarios para analizarlos. ETEM se utiliza para evaluar el potencial de las tecnologías de redes inteligentes utilizando un estudio de caso , calibrado aproximadamente en el cantón de Ginebra , bajo tres escenarios. Estos escenarios aplican diferentes restricciones a las emisiones de CO2 y las importaciones de electricidad. Se utiliza un enfoque estocástico para abordar la incertidumbre en los precios futuros de la electricidad y la adopción de vehículos eléctricos. [146]
ficus es un modelo de optimización de números enteros mixtos para sistemas de energía locales. Se está desarrollando en el Instituto de Economía Energética y Tecnología Aplicada de la Universidad Técnica de Múnich , Múnich , Alemania. El proyecto mantiene un sitio web y está alojado en GitHub . ficus está escrito en Python y utiliza la biblioteca Pyomo . El usuario puede elegir entre el solucionador GLPK de código abierto o el solucionador CPLEX comercial .
Basado en URBS, ficus fue desarrollado originalmente para optimizar los sistemas de energía de las fábricas y ahora se ha ampliado para incluir sistemas de energía locales. ficus admite múltiples productos energéticos (bienes que se pueden importar o exportar, generar, almacenar o consumir), incluida la electricidad y el calor. Admite tecnologías de conversión de energía de múltiples entradas y múltiples salidas con eficiencias dependientes de la carga. El objetivo del modelo es satisfacer la demanda dada a un costo mínimo. ficus utiliza series temporales de costos exógenos para los productos importados, así como cargos por demanda máxima con una base temporal configurable para cada producto en uso.
GenX es un modelo de expansión de capacidad del sector de múltiples productos básicos desarrollado originalmente por investigadores en los Estados Unidos. [148] [149] El marco está escrito en Julia e implementa la biblioteca JuMP para construir el problema de optimización subyacente. [150] [151] GenX a través de JuMP puede utilizar varios solucionadores de optimización de código abierto (incluidos CBC / CLP ) y comerciales (incluido CPLEX ). En junio de 2021, el proyecto se lanzó como un proyecto de código abierto activo y hay suites de prueba disponibles para ayudar a la incorporación. [152]
Paralelamente, el proyecto PowerGenome está diseñado para proporcionar a GenX un conjunto de datos completo sobre el estado actual del sistema eléctrico de los Estados Unidos . [153] Ese conjunto de datos puede luego usarse como trampolín para desarrollar escenarios futuros.
GenX se ha utilizado para explorar opciones de almacenamiento a largo plazo en sistemas con una alta proporción de energías renovables, [154] [155] para explorar el valor de las opciones de generación de energía con bajas emisiones de carbono " firmes ", [156] y una variedad de otras aplicaciones. Si bien América del Norte sigue siendo un foco clave, el software se ha aplicado a problemas en India, [157] Italia, [158] y España. [159]
GenX se implementó en un estudio de caso de 2021 con Louisville Gas and Electric y Kentucky Utilities que demostró que el modelado impulsado por las partes interesadas que utiliza herramientas de código abierto y datos públicos puede contribuir de manera productiva al análisis y la planificación dirigidos por las empresas de servicios públicos. [160] [161]
Un estudio de mediados de 2022 examinó la crisis del gas natural que enfrenta Europa , y particularmente Alemania, y concluyó que existen varios caminos factibles (etiquetados como "casos") para eliminar todas las importaciones de gas natural ruso para octubre de 2022. [147] [162] El trabajo en curso busca examinar el efecto de extender la vida útil de los tres reactores nucleares restantes de Alemania más allá de 2022 y el efecto de las fuertes condiciones de sequía en la generación hidroeléctrica y el sistema en general. [ cita requerida ]
oemof significa Open Energy Modelling Framework (Marco de modelado de energía abierta). El proyecto está gestionado por el Instituto Reiner Lemoine de Berlín (Alemania) y el Centro de Sistemas de Energía Sostenible (CSES o ZNES) de la Universidad de Flensburg y la Universidad de Ciencias Aplicadas de Flensburg ( Alemania). El proyecto cuenta con dos sitios web y un repositorio de GitHub . oemof está escrito en Python y utiliza los componentes Pyomo y COIN-OR para la optimización. Los sistemas de energía se pueden representar mediante hojas de cálculo ( CSV ), lo que debería simplificar la preparación de los datos. La versión 0.1.0 se publicó el 1 de diciembre de 2016.
Clases oemof como marco de modelado energético. Consta de una biblioteca de formulación de problemas de optimización lineal o entera mixta (solph), una biblioteca de generación de datos de entrada (feedin-data) y otras bibliotecas auxiliares. La biblioteca solph se utiliza para representar sistemas multirregionales y multisectoriales (electricidad, calor, gas, movilidad) y puede optimizar para diferentes objetivos, como el coste financiero o las emisiones de CO2 . Además, es posible cambiar entre los modos de despacho e inversión. En términos de alcance, oemof puede capturar el sistema eléctrico europeo o, alternativamente, puede describir un esquema complejo del sector eléctrico y térmico local.
oemof se ha aplicado en África subsahariana. [163] Un proyecto de maestría en 2020 comparó oemof y OSeMOSYS . [164]
OSeMOSYS significa Sistema de Modelado Energético de Código Abierto. OSeMOSYS está destinado al desarrollo de políticas nacionales y regionales y utiliza un marco de optimización intertemporal. El modelo postula un único operador/inversor socialmente motivado con una previsión perfecta. El proyecto OSeMOSYS es un esfuerzo comunitario, apoyado por la división de Sistemas de Energía, KTH Royal Institute of Technology , Estocolmo , Suecia. El proyecto mantiene un sitio web que proporciona información de fondo. El proyecto también ofrece varios foros de Internet activos en Google Groups . OSeMOSYS se escribió originalmente en MathProg , un lenguaje de programación matemática de alto nivel . Posteriormente se volvió a implementar en GAMS y Python y ahora se mantienen las tres bases de código. El proyecto también proporciona un modelo de prueba llamado UTOPIA. [ cita requerida ] Hay un manual disponible. [165]
OSeMOSYS proporciona un marco para el análisis de sistemas energéticos a mediano (10-15 años) y largo plazo (50-100 años). OSeMOSYS utiliza optimización lineal pura , con la opción de programación entera mixta para el tratamiento de, por ejemplo, expansiones de capacidad de plantas eléctricas discretas. Cubre la mayoría de los sectores energéticos, incluidos calor, electricidad y transporte. OSeMOSYS está impulsado por demandas de servicios energéticos definidas exógenamente . Estas se satisfacen a través de un conjunto de tecnologías que se basan en un conjunto de recursos, ambos caracterizados por sus potenciales y costos. Estos recursos no se limitan a los productos energéticos y pueden incluir, por ejemplo, el agua y el uso de la tierra . Esto permite que OSeMOSYS se aplique en dominios distintos a la energía, como los sistemas hídricos. También se pueden imponer restricciones técnicas, restricciones económicas y/o objetivos ambientales para reflejar consideraciones de política. OSeMOSYS está disponible en formulaciones MathProg extendidas y compactas, cualquiera de las cuales debería dar resultados idénticos. En su versión extendida, OSeMOSYS comprende un poco más de 400 líneas de código . OSeMOSYS se ha utilizado como base para construir modelos reducidos de sistemas energéticos. [166]
.png/1280px-Cumulative_electricity_trade_2015%E2%80%932065_among_African_countries,_reference_scenario_(Pappis_et_al_2022).png)
Hay disponible un documento clave que describe OSeMOSYS. [6] Un estudio de 2011 utiliza OSeMOSYS para investigar el papel de las decisiones de inversión de los hogares. [168] Un estudio de 2012 extiende OSeMOSYS para capturar las características destacadas de una red inteligente . El documento explica cómo modelar la variabilidad en la generación, la demanda flexible y el almacenamiento en la red y cómo estos impactan en la estabilidad de la red. [169] OSeMOSYS se ha aplicado a sistemas de aldeas. Un documento de 2015 compara los méritos de la electrificación autónoma, en minirredes y en red para áreas rurales en Timor-Leste bajo diferentes niveles de acceso. [170] En un estudio de 2016, OSeMOSYS se modifica para tener en cuenta el comportamiento realista del consumidor. [171] Otro estudio de 2016 utiliza OSeMOSYS para construir un modelo de sistema energético multirregional local de la región de Lombardía en Italia. Uno de los objetivos del ejercicio era alentar a los ciudadanos a participar en el proceso de planificación energética. Los resultados preliminares indican que esto fue exitoso y que se necesita un modelo abierto para incluir adecuadamente tanto la dinámica tecnológica como las cuestiones no tecnológicas. [172] Un artículo de 2017 que cubre Alberta, Canadá, tiene en cuenta el riesgo de sobrepasar los objetivos de emisiones especificados debido a la incertidumbre tecnológica. Entre otros resultados, el artículo concluye que las tecnologías solar y eólica se construyen siete y cinco años antes respectivamente cuando se incluyen los riesgos de emisiones. [173] Otro artículo de 2017 analiza el sistema eléctrico de Chipre y concluye que, después de que se apliquen las regulaciones ambientales de la Unión Europea después de 2020, se indica un cambio de la generación a base de petróleo a la generación a gas natural. [174]
OSeMOSYS se ha utilizado para construir modelos de electricidad de área amplia para África , que comprende 45 países [175] [176] y América del Sur, que comprende 13 países. [177] [178] También se ha utilizado para respaldar las estrategias regionales de clima, tierra, energía y agua (CLEWS) de las Naciones Unidas [179] para la cuenca del río Sava , Europa central, [180] la cuenca del río Syr Darya , Europa oriental, [181] : 29 y Mauricio. [182] Anteriormente se han construido modelos para los Estados bálticos , Bolivia , Nicaragua , Suecia y Tanzania . [183] Un artículo de 2021 resume las aplicaciones recientes y también detalla varias versiones, bifurcaciones y mejoras locales relacionadas con la base de código OSeMOSYS. [184] Un análisis del sector eléctrico para Bangladesh completado en 2021 concluyó que la energía solar es económicamente competitiva en todos los escenarios investigados. [185] Un estudio de 2022 analizó los efectos de un clima cambiante en el sistema eléctrico etíope . [186] OSeMOSYS también se ha aplicado de diversas formas en Zimbabwe [187] y Ecuador. [188] Otro estudio de 2022 examinó el uso del agua, dividido por extracciones y consumo, para varias estrategias energéticas bajas en carbono para África. [167] Otro estudio de ese año examinó la energía renovable en Egipto . [189] Y otro en la República Dominicana. [190] La isla italiana de Pantelleria se utilizó como estudio de caso para comparar el almacenamiento de baterías e hidrógeno y se descubrió que un sistema híbrido era el menos costoso. [191]
En 2016, se comenzó a trabajar en una interfaz basada en navegador para OSeMOSYS, conocida como Infraestructura de gestión de modelos (MoManI). Dirigido por el Departamento de Asuntos Económicos y Sociales de las Naciones Unidas (DESA), MoManI se está probando en países seleccionados. La interfaz se puede utilizar para construir modelos, visualizar resultados y desarrollar mejores escenarios. Atlantis es el nombre de un estudio de caso de país ficticio con fines de capacitación. [192] [193] [194] En marzo de 2021 se lanzó una interfaz GUI simplificada llamada clicSAND y que utiliza Excel y Access. [195] [196] Una herramienta de flujo de trabajo CLI llamada otoole agrupa varias utilidades dedicadas, incluida una que puede convertir entre datos sin fricción de OKI y formatos de datos GNU MathProg . [197] [184] : 3 En 2022, el proyecto lanzó kits de inicio para modelar países seleccionados en África, Asia Oriental y Sudamérica. [198]
El modelo de referencia OSeMBE, que cubre Europa occidental y central, se anunció el 27 de abril de 2018. [200] [201] El modelo utiliza la implementación MathProg de OSeMOSYS, pero requiere primero un pequeño parche . El modelo, financiado como parte de Horizonte 2020 y enmarcado en el paquete de trabajo WP7 del proyecto REEEM, se utilizará para ayudar a las partes interesadas a participar en una variedad de futuros energéticos sostenibles para Europa. [202] El proyecto REEEM se desarrollará desde principios de 2016 hasta mediados de 2020.
Un artículo de 2021 analiza la comunidad OSeMOSYS, su composición y sus actividades de gobernanza. También describe el uso de OSeMOSYS en la educación y para desarrollar la capacidad analítica en los países en desarrollo. [184]
La comunidad OSeMOSYS lanzó el proyecto OSeMOSYS Global en 2022 para crear un modelo global y flujos de trabajo asociados. A fines de 2022, OSeMOSYS Global tiene un alcance limitado al sector eléctrico y el sistema mundial proporcionado comprende 164 países separados por 265 nodos. [199]
PyPSA significa Python para análisis de sistemas de energía. PyPSA es una caja de herramientas de software libre para simular y optimizar sistemas de energía eléctrica y sectores relacionados. [203] [204] Admite generación convencional, generación eólica y solar variable, almacenamiento de electricidad, acoplamiento a los sectores de gas natural, hidrógeno, calor y transporte, y redes híbridas de corriente alterna y continua. Además, PyPSA está diseñado para escalar bien. El proyecto está administrado por el Instituto de Automatización e Informática Aplicada (IAI), Instituto de Tecnología de Karlsruhe (KIT), Karlsruhe , Alemania, aunque el proyecto en sí existe de forma independiente con su propio nombre y cuentas. El proyecto mantiene un sitio web y ejecuta una lista de correo electrónico . PyPSA en sí está escrito en Python y utiliza la biblioteca Pyomo . El código fuente está alojado en GitHub y también se publica periódicamente como un paquete PyPI .
La funcionalidad básica de PyPSA se describe en un artículo de 2018. PyPSA une el software tradicional de análisis de flujo de potencia en estado estacionario y los modelos completos de sistemas de energía de múltiples períodos. Se puede invocar utilizando ecuaciones de flujo de potencia no lineales para la simulación del sistema o aproximaciones linealizadas para permitir la optimización conjunta de las operaciones y la inversión en múltiples períodos. Se pueden especificar tiempos de subida y bajada del generador y de múltiples períodos, se admite DSM , pero la demanda sigue siendo inelástica en términos de precio . [205]
Un estudio de 2018 examina las posibles sinergias entre el acoplamiento sectorial y el refuerzo de la transmisión en un futuro sistema energético europeo limitado a reducir las emisiones de carbono en un 95%. El modelo PyPSA-Eur-Sec-30 captura el potencial de gestión de la demanda de los vehículos eléctricos de batería (VEB), así como el papel que pueden desempeñar la conversión de energía en gas , el almacenamiento de energía térmica a largo plazo y las tecnologías relacionadas. Los resultados indican que los VEB pueden suavizar las variaciones diarias de la energía solar, mientras que las tecnologías restantes suavizan las variaciones sinópticas y estacionales tanto de la demanda como de la oferta renovable. Se requiere una construcción sustancial de la red eléctrica para una configuración de menor costo. En términos más generales, un sistema de este tipo es factible y asequible. Los conjuntos de datos subyacentes están disponibles en Zenodo . [206]
A partir de enero de 2018 [update], PyPSA es utilizado por más de una docena de institutos de investigación y empresas en todo el mundo. [205] : 2 Algunos grupos de investigación han ampliado el software de forma independiente, por ejemplo, para modelar la expansión de la transmisión de números enteros. [207]
En 2020, se utilizó el modelo PyPSA-Eur-Sec para Europa para analizar varios escenarios compatibles con el Acuerdo de París para la infraestructura energética [208] y se determinó que la acción temprana debería dar sus frutos. [209]
El 9 de enero de 2019, el proyecto lanzó un modelo de "juguete" interactivo con interfaz web, utilizando el solucionador Cbc , para permitir que el público experimente con diferentes costos y tecnologías futuras. [210] [211] El sitio se relanzó el 5 de noviembre de 2019 con algunas mejoras internas, una nueva URL y un solucionador más rápido que ahora se completa en aproximadamente12 s . [212] Una versión más nueva ahora utiliza el solucionador HiGHS . [213]
Durante septiembre de 2021, los desarrolladores de PyPSA anunciaron el proyecto PyPSA-Server para proporcionar una interfaz web a una versión simplificada de su modelo europeo acoplado a sectores PyPSA-Eur-Sec. [215] [216] Los usuarios no necesitan instalar software y pueden definir nuevos escenarios "por diferencia" utilizando una página web basada en formularios. Los escenarios ejecutados previamente se almacenan para referencia futura. La implementación a partir de octubre de 2021 [update]es esencialmente una prueba de concepto.
A finales de 2021, los desarrolladores de PyPSA-Eur informaron sobre su investigación sobre las opciones integradas de expansión de la red eléctrica de alto voltaje y de hidrógeno para Europa y el Reino Unido y el impacto del tipo de compensaciones que podrían derivarse de la limitada aceptación pública de la nueva infraestructura. [217] [218] El trabajo posterior agregó efectos de aprendizaje endógenos e identificó reducciones de costos de tecnología más pronunciadas que las anticipadas por la Comisión Europea . [219] El trabajo publicado en 2024 integró PyPSA-Eur con el modelo de cadena de suministro de energía global TRACE y destacó la necesidad de coordinar las políticas de infraestructura y las estrategias de importación. [220]
Un estudio de diciembre de 2021 y un trabajo en curso implementaron un modelo PyPSA-PL para evaluar las opciones de políticas para Polonia. [221] [222] [223] [224] Los investigadores de la Universidad de Edimburgo publicaron un modelo de sistema eléctrico independiente para Gran Bretaña llamado PyPSA-GB en 2024, junto con evaluaciones de los Escenarios Energéticos Futuros (FES) oficiales de cero emisiones netas de la Red Nacional del Reino Unido . [225]
Varios mantenedores de PyPSA anunciaron una nueva empresa sin fines de lucro en junio de 2023 para brindar servicios de consultoría utilizando PyPSA. [226]
La iniciativa PyPSA meets Earth surgió en octubre de 2022 como un medio para reunir varias aplicaciones de PyPSA históricamente disjuntas. [227] Un eje clave es el proyecto PyPSA-Africa (anteriormente PyPSA-meets-Africa), lanzado algunos meses antes para proporcionar un modelo y un conjunto de datos únicos que abarcaran el continente africano . [228] [229] Un seminario web de julio de 2022 copatrocinado por CPEEL, Nigeria, impulsó esta agenda. [230] [231] El primer artículo de investigación, publicado en 2022, examina varias vías para que África sea cero emisiones netas para 2060 , y se espera que la energía solar y el almacenamiento en baterías sean las tecnologías predominantes. [214]
Otro eje clave de la iniciativa es el proyecto PyPSA-Earth, que busca crear un modelo global de sistemas energéticos con alta resolución espacial y temporal. [227] El proyecto espera fomentar la colaboración a gran escala proporcionando software y procesos que puedan capturar el sistema energético global y, por lo tanto, también cualquier subconjunto del mismo. El código base actualmente respalda estudios de integración de sistemas que reúnen la generación, el almacenamiento y la expansión de la transmisión de electricidad. Y se está desarrollando una versión del marco acoplada a sectores que también ofrecerá la posibilidad de elegir entre una toma de decisiones miope o una previsión perfecta. [214] [232]
TEMOA son las siglas de Tools for Energy Model Optimization and Analysis (Herramientas para la optimización y el análisis de modelos energéticos). El software está siendo desarrollado por el Departamento de Ingeniería Civil, de la Construcción y Ambiental de la Universidad Estatal de Carolina del Norte , en Raleigh, Carolina del Norte , EE. UU. El proyecto tiene un sitio web y un foro. El código fuente está alojado en GitHub . El modelo está programado en Pyomo , una biblioteca de componentes de optimización escrita en Python . TEMOA se puede utilizar con cualquier solucionador compatible con Pyomo , incluido el solucionador GLPK de código abierto. TEMOA utiliza el control de versiones para archivar públicamente el código fuente y los conjuntos de datos y, de ese modo, permitir que terceros verifiquen todo el trabajo de modelado publicado. [12]
TEMOA se utiliza como marco de modelado y se utiliza para realizar análisis utilizando un modelo de sistema energético de abajo a arriba y rico en tecnología. El objetivo del modelo es minimizar el costo de suministro de energía en todo el sistema mediante la implementación y el uso de tecnologías y productos energéticos a lo largo del tiempo para satisfacer un conjunto de demandas de uso final especificadas de forma exógena. [233] TEMOA está "fuertemente influenciado por los generadores de modelos MARKAL/TIMES bien documentados ". [234] : 4
TEMOA constituye la base del proyecto de investigación Open Energy Outlook (OEO) que abarca el período 2020-2022. El proyecto OEO utiliza herramientas de código abierto y datos abiertos para explorar opciones de políticas de descarbonización profunda para los Estados Unidos. [15] [235]
Desde mediados de 2021, una interfaz interactiva ubicada en el sitio web principal permite a los usuarios registrados manipular datos de escenarios localmente, cargar archivos SQLite estructurados y luego ejecutar estos escenarios utilizando el software TEMOA. [236] [237] El servicio también proporciona algunas funciones limitadas de visualización de datos y gestión de proyectos.
En esta sección se enumeran marcos de modelado especializados que cubren aspectos particulares de un sistema energético con más detalle del que normalmente sería conveniente o factible con marcos más generales.
RAMP es un paquete de software de código abierto para la simulación estocástica de series temporales de demanda energética impulsadas por el usuario, basándose en unos pocos datos de entrada simples. Por ejemplo, una definición mínima de un tipo de usuario (por ejemplo, una categoría particular de hogar ) requiere únicamente información sobre qué dispositivos de consumo de energía posee, cuándo tiende a usarlos en un día típico y durante cuánto tiempo en total. Luego, el software aprovecha la estocasticidad para compensar la ausencia de información más detallada e incluir la imprevisibilidad del comportamiento humano.
El software RAMP puede entonces generar datos sintéticos allí donde no existen datos medidos, como cuando se diseñan sistemas en áreas remotas [238] o cuando se mira hacia las futuras flotas de vehículos eléctricos. [239] Los requisitos de datos limitados también permiten una mayor flexibilidad en la selección y desarrollo de escenarios que caracterizaciones similares pero más intensivas en datos. [240]
RAMP se ha utilizado en la investigación científica para una variedad de casos de uso , incluida la generación de perfiles de demanda de electricidad para comunidades remotas o residenciales, el uso de agua caliente doméstica, las prácticas de cocina y la movilidad eléctrica. Las escalas geográficas asociadas pueden variar desde vecindarios hasta continentes.
RAMP tiene varias docenas de usuarios en todo el mundo. A principios de la década de 2020, el software pasó a formar parte de un esfuerzo de desarrollo de software multiinstitucional, apoyado por TU Delft , VITO , el Instituto Reiner Lemoine, la Universidad de Lieja , la Universidad Leibniz de Hannover y la Universidad Mayor de San Simón . [240]
RAMP se ejecuta en Python y requiere que la entrada se realice en formato tabular. Hay interfaces gráficas de usuario ( GUI ) disponibles, lo que permite ejecutar el software desde navegadores web. [241]
El marco del modelo venco.py se puede utilizar para investigar las interacciones entre la adopción de vehículos eléctricos a batería (VEB) y el sistema eléctrico en general. Más específicamente, los VEB pueden contribuir de manera útil al almacenamiento de corta distancia en sistemas eléctricos que enfrentan altas proporciones de energía renovable fluctuante. Pero a diferencia del almacenamiento en red dedicado, las contribuciones de los VEB dependen en gran medida de las opciones de conexión y carga que puedan elegir los propietarios de vehículos individuales. [242]
Venco.py se ha aplicado a varios escenarios en Alemania en 2030 utilizando una proyección de 9 millones de vehículos eléctricos en servicio y un consumo de energía anual de la flota de27 TWh . Las simulaciones muestran que las decisiones de los propietarios son, de hecho, significativas y que algunas variables de diseño del sistema tienen más influencia que otras. Por ejemplo, la capacidad total de la flota y la disponibilidad de instalaciones de carga rápida parecen tener un fuerte impacto en la probable contribución del sistema. Se necesita más trabajo para evaluar la influencia de patrones climáticos y de demanda más resueltos. [242] La formulación matemática está disponible. [243] Venco.py se basa en un prototipo de hoja de cálculo anterior . [244]
Las estadísticas de los 29 proyectos de modelado energético abiertos enumerados (si hay suficiente información disponible) son las siguientes:
El lenguaje GAMS requiere un entorno propietario y su costo significativo limita la participación a aquellos que pueden acceder a una copia institucional. [245]
Los componentes de programación , en este contexto, son bloques coherentes de código o bibliotecas compiladas que pueden importarse o vincularse con relativa facilidad mediante marcos de modelado de nivel superior para obtener alguna funcionalidad bien definida.
Actualmente, también hay una serie de modelos de componentes técnicos de código abierto. Si bien estos modelos de componentes no constituyen modelos de sistemas destinados al desarrollo de políticas públicas (el objetivo de esta página), no obstante merecen ser mencionados. Los módulos tecnológicos pueden vincularse o adaptarse de otro modo a estas iniciativas más amplias.
Se han escrito varios modelos de subastas de electricidad en GAMS , AMPL , MathProg y otros lenguajes. [g] Estos incluyen:
Muchos proyectos se basan en un solucionador lineal puro o de números enteros mixtos para realizar la optimización clásica, la satisfacción de restricciones o una combinación de ambos. Si bien existen varios proyectos de solucionadores de código abierto, el solucionador más comúnmente implementado es GLPK . GLPK ha sido adoptado por Calliope, ETEM, ficus, OSeMOSYS, SWITCH y TEMOA. Otra alternativa es el solucionador Clp. [252] [253] A partir de mediados de 2022, el solucionador de código abierto HiGHS ofrece otra opción. HiGHS es utilizado por la versión basada en web del modelo multisectorial europeo PyPSA [254]
Los solucionadores propietarios superan a los solucionadores de código abierto por un margen considerable (quizás diez veces), por lo que elegir un solucionador abierto limitará el rendimiento en términos de velocidad, consumo de memoria y quizás incluso manejabilidad. [255]
La caja de herramientas de optimización flexible SMS++, escrita en C++17 , se está desarrollando específicamente para satisfacer las necesidades de modelado de sistemas de energía. [256]
General
Software
Gente
Estamos especialmente orgullosos de decir que la Agencia Federal de Redes de Alemania (Bundesnetzagentur) también está adoptando PandaPower para el análisis automatizado de la red.
El material fue copiado de esta fuente, que está disponible bajo una licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0).Los emuladores de procesos gaussianos
se pueden utilizar para aproximar el comportamiento de modelos complejos y computacionalmente intensivos y se pueden utilizar para generar predicciones junto con una medida de incertidumbre sobre el resultado previsto del modelo.
Contenido idéntico al postprint de arXiv. Repositorio de GitHubLas siguientes listas y bases de datos cubren modelos de sistemas energéticos en distintos grados de exhaustividad y normalmente con un enfoque en el código abierto:
Esfuerzos de modelado por región