Estudio y diseño de una microrred DC para estaciones de recarga de vehículos eléctricos

Proyecto Fin de Carrera Ingeniería de Telecomunicación Formato de Publicación de la Escuela Técnica Superior de Ingeniería Autor: F. Javier Payán Somet Tutor: Juan José Murillo Fuentes Dep. Teoría de la Señal y Comunicaciones Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2013 Trabajo Fin de Grado Grado en Ingeniería de Tecnologías Industriales Estudio y diseño de una microrred DC para estaciones de recarga de vehículos eléctricos Autor: Jorge García Roldán Tutores: Abraham Márquez Alcaide y Ramón Carlos Portillo Guisado Dpto. Ingeniería Electrónica Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2025 Trabajo Fin de Grado Grado en Ingeniería de Tecnologías Industriales Estudio y diseño de una microrred DC para estaciones de recarga de vehículos eléctricos Autor: Jorge García Roldán Tutores: Abraham Márquez Alcaide, Investigador postdoctoral FEDER 23 Ramón Carlos Portillo Guisado, Profesor colaborador Dpto. Ingeniería Electrónica Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2025 Trabajo Fin de Grado: Estudio y diseño de una microrred DC para estaciones de recarga de vehículos eléctricos Autor: Jorge García Roldán Tutores: Abraham Márquez Alcaide y Ramón Carlos Portillo Guisado El tribunal nombrado para juzgar el trabajo arriba indicado, compuesto por los siguientes profesores: Presidente: Vocal/es: Secretario: acuerdan otorgarle la calificación de: El Secretario del Tribunal Fecha: Agradecimientos E ste trabajo marca un punto y aparte en mi vida, un capítulo que ha ocupado muchos años de aprendizaje, esfuerzo y crecimiento personal. Si mi yo de 10 años supiera que en un futuro estaría en esa situación, no podría creérselo. Me gustaría agradecer brevemente a todas las personas que han contribuido, de forma directa o indirecta, a alcanzar este objetivo, que no han sido pocas. En primer lugar, a mi familia, fuente de inspiración y energía positiva que me ha apoyado incondicionalmente cuando no podía ni sostenerme en pie. A mis amigos y compañeros de carrera, que me han acompañado paso a paso en este camino y han hecho de cada examen, trabajo y noche desvelada una tarea un poco más amena. Espero vuestro éxito personal y profesional. Por último, a todos los profesores que he tenido, en especial a mis tutores: Abraham Márquez Alcaide y Ramón Carlos Portillo Guisado, por su tiempo, implicación y orientación durante todo el proceso. Sin su ayuda, este proyecto no sería posible. A todos, gracias. Jorge García Roldán Sevilla, 2025 I Resumen E l modelo de movilidad se encuentra en plena transición, donde el vehículo eléctrico se perfila como una mejor alternativa al vehículo de combustión. Sin embargo, uno de los principales motivos de la reticencia al cambio de vehículo de combustión al vehículo eléctrico es el denominado range anxiety, el temor que sufre el conductor a que su vehículo se quede sin carga en mitad de su trayecto. Para hacer posible esta transición, los puntos de recarga ultrarrápidos deben volverse la norma y no la excepción. Este proyecto tiene como objeto estudiar la viabilidad de la construcción de una electrolinera con apoyo de un campo fotovoltaico y una batería de almacenamiento auxiliar y su posible impacto sobre la red, a la vez que valorar técnicas de control a largo plazo de esta. Se plantea una función de optimización económica para encontrar la mejor combinación entre PV y batería. Adicionalmente, se ha desarrollado un modelo de simulación donde se observan las interacciones entre el campo fotovoltaico, la batería, los puntos de recarga y la red. III XÍndice 3.4 Cálculo de la irradiancia 20 3.4.1 Datos de irradiancia en plazo horizontal 20 3.5 Función de coste completa 21 3.5.1 Datos de entrada 21 3.5.2 Amortización y cálculos fiscales 22 3.5.3 Simulación de la batería 23 3.6 Optimización y TIR 23 3.6.1 Metodología de búsqueda 25 3.7 Resultados y análisis 26 3.7.1 Parámetros de entrada 26 3.7.2 Resultados 26 4 Diseño del sistema 29 4.1 Arquitectura general 29 4.2 Red eléctrica e inversor 30 4.2.1 Dificultades en la simulación 30 4.2.2 Transformada de Clarke 30 4.2.3 Transformada de Park 31 4.2.4 Algoritmo de control 31 4.2.5 Implementación en Simulink de la red 32 4.2.6 Inversor 32 4.3 Elevador/Reductor 32 4.3.1 Convertidor bidireccional DC-DC 32 4.3.2 Implementación en Simulink 33 4.4 Campo fotovoltaico 34 4.5 Sistema de almacenamiento 35 4.5.1 Rangos de uso reales 35 4.6 Puntos de recarga 35 4.7 Parámetros de simulación 36 4.7.1 Algebraic loops 36 5 Casos de estudio 39 5.1 Perfiles de irradiancia 39 5.2 Modelos de vehículos eléctricos 39 5.3 Caso de estudio 1: Verano 40 5.4 Caso de estudio 2: Invierno 41 6 Resultados 45 6.1 Caso de estudio 1: Verano 45 6.1.1 Bus DC (Caso 1) 45 6.1.2 Batería (Caso 1) 46 6.1.3 Cargadores (Caso 1) 47 6.2 Caso de estudio 2: Invierno 48 6.2.1 Bus DC (Caso 2) 48 6.2.2 Batería (Caso 2) 49 6.2.3 Cargadores (Caso 2) 49 Índice XI 7 Conclusiones 51 Índice de Figuras 53 Índice de Tablas 55 Bibliografía 57 1 Introducción L a movilidad eléctrica ha pasado de ser una idea prometedora a ser una necesidad actual. Según datos de 2024 proporcionados por AEDIVE [ 1 ], se ha producido un incremento de cerca del 8% en las matriculaciones de automóviles 100% eléctricos en España con respecto a 2023, habiendo casi 60 000 nuevos vehículos eléctricos de este tipo en circulación. Mostrado de forma gráfica en la Figura 1.1. Figura 1.1 Matriculación de automóviles en 2024 [1]. En cualquier caso, aún muy alejado del mercado chino, donde 1 de cada 10 vehículos son ya eléctricos [2]. Paralelamente, como se puede observar en la Figura 1.2, se ha intensificado la expansión de infraestructura de recarga de acceso público, con un total de 10 088 nuevos puntos distribuidos por todo el territorio nacional. Cabe destacar que unos 2 400 de estos puntos son de recarga ultrarrápida. Este proceso de transición energética plantea nuevos desafíos técnicos, especialmente relacionados con la capacidad de la red eléctrica para absorber de forma estable y eficiente la nueva demanda asociada a la recarga simultánea de múltiples vehículos. La naturaleza aleatoria y errática de la demanda, condicionada por el comportamiento humano, requiere el empleo de modelos estadísticos para su adecuada caracterización y análisis. Con esta situación, se hace cada vez más relevante el desarrollo de soluciones que permitan 1 2Capítulo 1. Introducción Figura 1.2 Comparación de puntos de recarga 2023 y 2024 [1]. una implementación dinámica entre fuentes renovables, almacenamiento energético y el consumo variable de los vehículos. A su vez, el dimensionamiento de las instalaciones no es algo trivial. Uno de los mayores retos al que se enfrenta aquella empresa que quiera adentrarse en la construcción de una estación de recarga de vehículos eléctricos es optimizar (según las prioridades que se tengan) el dimensionamiento y alcance de los elementos del sistema. Se puede optar por un enfoque meramente económico, buscando tener la mayor rentabilidad posible en los años de vida útil de las instalaciones. También se pueden hacer los cálculos para obtener una independencia de la red parcial o absoluta, limitando el impacto sobre la red eléctrica, librando así de posibles fallas nacionales a costa de un ligero sobredimensionamiento de los elementos. La opción de obtener independencia de la red resulta atractiva al valorar que la empresa tiene un contrato fijo de potencia con la distribuidora, si la excede en algún instante corta la conexión y deja a las instalaciones sin energía. Estos estudios son el primer paso y el más crítico del proceso de creación, pues la viabilidad del proyecto depende de la elección de un enfoque correcto y cauto. 1.1 Motivación y necesidad En los últimos años, el asunto de la sostenibilidad energética ha tomado un protagonismo creciente, siendo actualmente una de las principales preocupaciones de los jóvenes. Según un estudio de 2019 [ 3 ], el medio ambiente se posiciona como la cuarta preocupación entre jóvenes de 11 a 18 años, siendo solo superada por problemas sociales como el terrorismo o el machismo. En este contexto, el vehículo eléctrico se posiciona como una buena alternativa a los vehículos de combustión interna. Sin embargo, uno de los principales frenos para su implantación masiva sigue siendo el tiempo para recargar la batería, siendo notablemente más alto que el de un repostaje de combustible. Además del ya mencionado Range anxiety. Este inconveniente, unido a la necesidad de adaptar la infraestructura eléctrica a una demanda creciente y variable, plantea el reto de estudiar y diseñar sistemas de carga eficientes y estables ante casos impredecibles. La implantación de energías renovables, como la energía fotovoltaica, combinada con el uso de baterías de almacenamiento, surge como solución para el apoyo en la recarga de vehículos cuando se presentan casos de picos en la demanda eléctrica, disminuyendo la dependencia de la red y mejorando la gestión de la energía. Este proyecto se enmarca en este contexto de transición energética, proponiendo la simulación de una electrolinera en el largo plazo y el estudio de las interacciones entre todos los elementos del sistema, valorando su viabilidad y el impacto sobre la red eléctrica. 1.2 Objetivos El objetivo principal de este trabajo es estudiar la viabilidad técnica y económica de una electrolinera apoyada con energía solar y un sistema de almacenamiento auxiliar, mediante el desarrollo de un modelo eléctrico dinámico promediado, y su posterior simulación y análisis bajo diferentes 1.2 Objetivos 3 circunstancias como la irradiación solar, la carga de las baterías y los vehículos que llegan al punto de recarga. Para ello se propone una función de optimización que, a partir de unas variables de entrada elegidas por el usuario (número de cargadores a instalar, precio del kWp de PV (potencia máxima que puede generar un sistema fotovoltaico en condiciones estándar), precio de kWh de Batería, etc.) proporcione el punto de máxima rentabilidad económica a 10 años vista, además de un análisis del intercambio de energía con la red a nivel horario. A su vez, se plantea el diseño de una simulación que implemente de forma dinámica todos los elementos eléctricos con un comportamiento aproximado al real. El modelo será implementado utilizando el software matemático Matlab y su entorno de programación visual Simulink, los cuales proporcionan las herramientas necesarias para recrear sistemas complejos en horizontes temporales extensos, preservando la dinámica energética general del sistema, como la evolución de los flujos de potencia, los estados de carga y las interacciones con la red. Esta dinámica ha sido verificada mediante pruebas comparativas con datos de referencia y comprobaciones de coherencia interna. Como primer paso, se valorará la viabilidad técnica y económica de la planta, buscando minimizar el intercambio con la red y maximizar beneficios sin dejar de respetar las restricciones establecidas. Posteriormente, se comprobará el correcto funcionamiento de los elementos eléctricos en el modelo promediado diseñado y se buscará estudiar diversas estrategias de control que optimicen los recursos disponibles bajo las restricciones definidas. 2 Estado del arte E n este capítulo se expondrá la actualidad de todo lo relacionado a la electrolinera, tratando su pasado, su presente y su futuro, haciendo especial énfasis en los elementos concretos que serán de gran interés para el posterior diseño de la planta. 2.1 Red eléctrica española La Red eléctrica española está conformada por tres sistemas que operan de forma coordinada: generación, transporte y distribución. La generación está compuesta por las centrales que producen electricidad. Actualmente, según datos de la Red Eléctrica de España [ 17 ], más del 50% de la energía generada viene de fuentes renovables como la eólica y fotovoltaica entre otras. Figura 2.1 Estructura de generación de energía 2024 en España [4]. En el caso de la península, en meses cercanos a verano donde la irradiación solar aumenta y la velocidad del viento es mayor, la generación renovable crece notablemente, llegando a alcanzar el 75% de toda la generación. Como se puede observar en la Figura 2.2, la generación en estos meses es muy variable, teniendo días del 65% y días de casi el 80%. 5 6Capítulo 2. Estado del arte Figura 2.2 Evolución de la generación renovable y no renovable durante una semana de abril de 2025 [5]. La ubicación geográfica de la península permite tener un porcentaje de generación renovable extremadamente elevado comparado con otros países del mundo. Según datos de 2024 [ 6 ], y como se puede observar en la Figura 2.3, España se coloca como una de las potencias mundiales con mayor porcentaje de generación renovable. Figura 2.3 Porcentaje de generación de renovables a nivel mundial [6]. Este dato presenta a su vez un dilema a tratar: para que la red eléctrica de un país sea estable se necesitan estaciones de generación que aporten inercia física. Las centrales convencionales (térmicas, nucleares...) funcionan con máquinas síncronas, cuyos rotores giran almacenando energía cinética, la cual actúa como "amortiguador" frente a variaciones de carga o generación. Las energías renovables, en su configuración habitual, están conectadas por inversores que aportan muy poca o ninguna inercia al sistema, lo que las hace susceptibles a inestabilidades en la demanda o generación si no se implementan estrategias adicionales como almacenamiento o control avanzado. Además de esto, las energías renovables dependen de las condiciones atmosféricas, las cuales pueden cambiar minuto a minuto. Aunque se disponen de predicciones meteorológicas precisas, los errores de 2.1 Red eléctrica española 7 cálculo siguen ocurriendo y pueden dejar huecos o picos de generación no contemplados. Sin una reserva suficiente de energía gestionable, estos huecos pueden provocar apagones. Se podría hablar de tres enfoques diferentes para abordar este problema: 2.1.1 Sobredimensionamiento de la capacidad renovable Aplicar un factor de sobredimensionamiento a toda la generación renovable del país permite operar constantemente por debajo del punto de máxima potencia, permitiendo así cubrir huecos de demanda sin depender de respaldo fósil. Esta vía presenta un grave problema, el coste de inversión es elevado y mucha generación no se aprovecharía o requeriría de curtailment (reducción involuntaria de la producción de energía de un generador eléctrico para mantener la estabilidad de la red). 2.1.2 Grandes sistemas de almacenamiento Acoplar sistemas de almacenamiento que puedan absorber los excesos de generación y exportarlos a la red cuando sean necesarios es una opción que permite abarcar tanto huecos como picos en la red. Existen tres tipos de almacenamiento: • Bombeo reversible: se aprovecha la energía sobrante para mover grandes masas de agua a una posición de mayor energía potencial. De esta forma, cuando se necesita energía, la turbia genera electricidad al convertir esta energía potencial en cinética. Como desventaja, no proporcionan una respuesta rápida. • Baterías químicas a gran escala: proporcionan respuestas en el rango de milisegundos, pero su implantación a nivel nacional sería tremendamente costoso e inviable con la tecnología actual. • Power-to-gas: es una tecnología que convierte energía eléctrica en gas, principalmente hidrógeno y metano, para posteriormente convertirla de nuevo en energía eléctrica cuando sea necesario. Presenta una gran desventaja y es que la eficiencia de esta tecnología es muy baja, perdiéndose mucha energía en el proceso [27]. 2.1.3 Centrales de base con inercia Mantener un pequeño porcentaje de plantas de base (nucleares, ciclo combinado) permite aportar inercia física al sistema, sin destruir por completo el objetivo de ser un país "verde". También cabe destacar la capacidad de black-start (arranque autógeno), que es el proceso de encendido de una central eléctrica sin dependencia de la red. Tener centrales con esta capacidad es fundamental en caso de apagones, pues sirven para reponer la operación de la red tras un colapso del sistema. En cuanto al transporte, este se lleva a cabo a alta tensión (>220 kV) para así disminuir las pérdidas por efecto Joule en largas distancias. Este nivel es gestionado por Red Eléctrica de España (REE), que actúa como único operador del sistema de transporte nacional. El sistema de distribución, en cambio, es responsabilidad de empresas privadas como Iberdrola, Endesa o Naturgy, que se encargan de llevar la energía desde las subestaciones hasta los consumidores finales. Además, España está interconectada con: •Francia, a través de los Pirineos. • Portugal, con una infraestructura que forma parte de la lista PIC (Proyectos de interés Común) de la Unión Europea. •Marruecos, mediante un cable submarino. 14 Capítulo 3. Función de optimización El problema queda definido como la maximización de la TIR en función de kWp y kWh, a la vez que se mantiene una independencia parcial de la red. Las restricciones que se establecerán son las siguientes: •Área máxima de PV instalada. •Número de cargadores en la instalación. •Horizonte temporal para el análisis económico. •Tasa de descuento fija para los cálculos fiscales. 3.1.1 Área máxima de PV instalada La instalación se realizará en la zona de aparcamiento ubicada junto a la ETSI de Sevilla. Se utilizará la herramienta de medición de distancias de Google Maps para determinar la superficie de la que se dispone para la instalación de PV. Figura 3.1 Cuatro zonas de posible instalación fotovoltaica en la electrolinera [11]. 3.1.2 Horizonte temporal para el análisis económico La elección del horizonte temporal para el cálculo de la TIR es fundamental, ya que si se toma un valor muy bajo, la planta no será rentable nunca, mientras que si se toman valores demasiado altos, se complican los cálculos en exceso al tener que asumir que algunos elementos dejen de funcionar. No obstante, un análisis detallado de este compromiso queda fuera del alcance del estudio realizado. Por norma general, el componente de la electrolinera con menor vida útil es la batería de almacenamiento, la cual suele aguantar unos 8-15 años [ 18 ]. Por ello, la simulación se hará a 10 años vista. 3.1.3 Tasa de descuento La tasa de descuento es, en términos financieros, la tasa de interés que se utiliza para descontar flujos de caja futuros al valor presente. Es decir, sirve para expresar cuánto vale hoy una unidad monetaria que se va a recibir o pagar en el futuro. En proyectos de riesgo intermedio, como puede ser la construcción de una electrolinera, una tasa de descuento típica suele rondar el 6-7%. 3.2 Generación de perfiles de carga 15 3.2 Generación de perfiles de carga En esta sección se tratará la generación aleatoria de los perfiles de carga que se utilizarán para el cálculo de la energía exigida por los cargadores. El objetivo es crear una serie temporal de 8760 valores (uno por cada hora del año) que represente de forma aleatoria y realista: •La tasa de ocupación de los cargadores. •El número de sesiones iniciadas por hora. •La duración media por sesión. •El modelo de vehículo eléctrico que acude por sesión •La energía total consumida por hora (kWh). 3.2.1 Objetivo de la función Los cargadores de corriente continua de carga ultrarrápida (DCFC) presenten una variabilidad horaria tremenda debido a que el tiempo medio de cada usuario suele ser en torno a decenas de minutos. Para evaluar el dimensionado óptimo de PV y batería, se necesita conocer cuánta energía necesitará la electrolinera en cada hora. Por tanto, se debe hacer una simulación de la energía demandada en cada hora de un año completo. 3.2.2 Perfil base de ocupación Para hacer que la simulación sea lo más realista posible, se ha realizado un perfil base de ocupación basándose en estudios realizados en Italia [ 12 ]. Como se puede observar en la figura 3.2, en cargadores DC ultrarrápidos se sigue un perfil muy similar durante todos los días de la semana, donde hay un primer pico en torno a las 09:00, una posterior caída para luego alcanzar el máximo a las 16:00. Figura 3.2 Perfil de ocupación normalizado de distintos tipos de cargadores [12]. 3.2.3 Modelos de vehículos disponibles Se dispondrán de 9 modelos distintos de vehículos eléctricos que acudirán a la electrolinera. Se han elegido estos9 modelos ya que se disponen de perfiles de carga reales que se utilizarán posteriormente para el modelo en Simulink. 16 Capítulo 3. Función de optimización Tabla 3.1 Listado de modelos de vehículos con su potencia nominal. Índice Modelo Potencia nominal (kW) 1PorscheTaycan 179.88 2TeslaModel3LR 136.32 3AudiEtron 141.32 4Polestar2 94.19 5VolksWagenID4 96.32 6MercedesEQV 93.63 7JaguarIPACE 80.78 8PeugeotE208 67.91 9HyundaiKona 59.45 3.2.4 Estructura de la función La función se puede dividir en 8 pasos: 1. Se fija una semilla del generador de números aleatorios de MATLAB para garantizar tanto la aleatoriedad como la reproducibilidad. 2. Se establece un vector de potencias con los valores de las potencias nominales de los vehículos que pueden acudir a la electrolinera. 3. A partir del perfil base mencionado anteriormente, se introduce un ruido aleatorio y se limita de forma que no haya valores negativos, se fuerzan a 0 todas las horas donde la electrolinera no estará operativa (23:00-06:00) y por último se normaliza para que ningún valor supere el 1. 4. Conociendo la ocupación aleatoria y el número de cargadores de los que se dispone, se realiza el cálculo de la ocupación total de la planta. 5. Usando datos del estudio anteriormente mencionado [ 12 ], se siguen los mismos pasos tomados para la ocupación pero en este caso para la duración de las sesiones de carga. 6. Una vez se dispone de la ocupación aleatoria y la duración de las sesiones, se calculan cuántas sesiones se han iniciado, este resultado se redondea para que sean valores con sentido y se re-calcula la ocupación real. 7. En el siguiente paso, se asigna cada sesión en cada hora a un modelo de vehículo que se genera de forma aleatoria del 1 al 9. 8. Por último, conociendo las sesiones que se han iniciado en cada hora, cuanto han durado, y el vehículo que estaba conectado, se hace el sumatorio para tener la energía consumida por los vehículos hora a hora. 3.2.5 Ejemplo para 3 cargadores Para ilustrar, se hará una simulación con una semilla=1923 y 3 cargadores. Los resultados se muestran de forma gráfica en la figura 3.5: Se puede observar un funcionamiento coherente, donde el ratio de ocupación máximo no supera el número de cargadores que tiene la planta. A su vez, el perfil de ocupación y las sesiones siguen de forma correcta la referencia seguida [12]. 3.3 Coste de la energía 17 Figura 3.3 Diagrama de flujo de la función de generación de perfiles de carga. 3.3 Coste de la energía En esta sección se analizará cómo se determina el coste horario de la energía extraída de la red para los puntos de recarga ultrarrápida (DCFC). El objetivo es generar, para las 8 760 horas del año, una serie de precios que refleje de forma realista las tarifas eléctricas en función del periodo horario y de la potencia demandada. Con esa información, se podrá calcular el gasto anual de la electrolinera por energía importada de la red. 3.3.1 Objetivo del cálculo Para dimensionar correctamente la planta PV–batería y estimar el retorno económico, se necesita conocer cuánto costará cada kWh extraído de la red en cada hora del año. Cada hora se asocia a un periodo tarifario (P1-P6), que a su vez determina un coste unitario de la energía. Además, hay que incorporar IVA e impuesto eléctrico. El resultado final será un vector con 8 760 valores (uno por cada hora del año), expresados en €por kWh. 18 Capítulo 3. Función de optimización Figura 3.4 Duración en minutos de la carga [12]. Figura 3.5 Ejemplo de perfil diario resultante. 3.3.2 Estructura de los precios tarifados (P1-P6) Los periodos tarifados están establecidos y son iguales para todos los peajes. Según el BOE del 15 de enero de 2020, se definen los periodos tarifados dependiendo de la hora del día y el día del año 3.3 Coste de la energía 19 [13]. Los tipos de día son los siguientes: •Tipo A: de lunes a viernes no festivos de temporada alta. •Tipo B: de lunes a viernes no festivos de temporada media alta. •Tipo B1: de lunes a viernes no festivos de temporada media. •Tipo C: de lunes a viernes no festivos de temporada baja. •Tipo D: sábados, domingos, festivos y 6 de enero. Donde: •Temporada alta: enero, julio, agosto y septiembre. •Temporada media alta: febrero y diciembre. •Temporada media: junio, octubre y noviembre. •Temporada baja: marzo, abril y mayo. Figura 3.6 Definición de los periodos horarios en la península [13]. Según el BOE del 16 de diciembre de 2024 [ 14 ], los puntos de recarga de vehículos eléctricos conectados en tensión igual o inferior a 1 kV pertenecen al peaje 3.0. Con esta información se puede determinar el coste de transporte y distribución en términos de potencia y energía según el periodo, los cuales se pueden observar en la figura 3.7: Figura 3.7 Precios de transporte y distribución según periodo [14]. 3.3.3 Precios horarios del mercado diario en España Para obtener el precio total del kWh en cada hora del año se tiene que sumar el precio de transporte y distribución al coste de la energía en el mercado mayorista. Para simular este último se tomarán los valores de 2024, los cuales se obtuvieron de la base de datos [19]. Para finalizar, a este resultado hay que aplicarle el 21% de IVA y el 5% del impuesto a la electricidad. 20 Capítulo 3. Función de optimización De esta forma se obtiene un vector de 8 760 elementos que contiene el precio exacto del kWh importado de la red en cada hora del año. 3.4 Cálculo de la irradiancia En esta sección se explica el procedimiento para obtener la serie temporal de irradiancia que incide sobre la superficie inclinada de los paneles fotovoltaicos durante las 8 760 horas del año. 3.4.1 Datos de irradiancia en plazo horizontal Los datos de irradiancia se han obtenido a partir de la base de datos de NASA POWER (NASA Prediction Of Worldwide Energy Resources) [ 20 ]. Estos datos incluyen la irradiancia promediada horariamente durante todo un año. Se han tomado los datos de 2023 y muestra el siguiente comportamiento: Figura 3.8 Irradiancia horaria sobre superficie horizontal 2023. Se observa cómo en los meses de verano hay valores notablemente más elevados. Durante algunas horas la irradiancia cae a niveles muy bajos, probablemente debido a nubes que sobrevuelan los paneles. Es importante recordar que estos valores son sobre superficie horizontal, de tal modo que si se quieren determinar la relación sobre superficie inclinada se tiene que aplicar un factor de corrección. El ángulo óptimo de inclinación de los paneles puede calcularse aplicando la siguiente fórmula: βopt =3.7+0.69 ϕ  Donde: •βopt es el ángulo de inclinación óptimo. •ϕes la latitud. De esta forma, sabiendo que la latitud de la zona de instalación es de 37 º, se puede calcular que la inclinación óptima es de 30 º. 3.5 Función de coste completa 21 Tomando los valores de [21], se puede aplicar el factor de corrección para cada mes del año. Tabla 3.2 Factor de corrección kpara una latitud de 37°[15]. Inc Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic 0 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 5 1.05 1.04 1.03 1.01 1.00 1.00 1.00 1.01 1.03 1.05 1.06 1.06 10 1.10 1.08 1.05 1.02 1.00 0.99 1.00 1.02 1.06 1.10 1.12 1.11 15 1.14 1.11 1.06 1.02 0.99 0.97 0.99 1.02 1.07 1.13 1.16 1.16 20 1.17 1.13 1.07 1.01 0.97 0.95 0.98 1.01 1.09 1.17 1.22 1.23 25 1.19 1.14 1.07 1.00 0.94 0.92 0.94 1.00 1.09 1.18 1.24 1.24 30 1.20 1.14 1.06 0.98 0.91 0.88 0.91 0.98 1.11 1.19 1.26 1.26 35 1.22 1.15 1.05 0.95 0.87 0.84 0.87 0.95 1.07 1.18 1.28 1.28 40 1.23 1.15 1.03 0.91 0.83 0.79 0.83 0.92 1.05 1.19 1.29 1.29 45 1.22 1.13 1.00 0.87 0.78 0.73 0.78 0.88 1.03 1.20 1.29 1.29 50 1.21 1.10 0.97 0.83 0.72 0.68 0.72 0.82 0.99 1.16 1.28 1.28 55 1.19 1.06 0.93 0.78 0.66 0.62 0.66 0.78 0.96 1.13 1.26 1.26 60 1.16 1.04 0.88 0.72 0.60 0.55 0.60 0.72 0.93 1.10 1.24 1.24 65 1.12 0.99 0.81 0.64 0.53 0.48 0.53 0.65 0.89 1.06 1.21 1.21 70 1.09 0.95 0.75 0.57 0.46 0.41 0.45 0.59 0.79 1.01 1.16 1.17 75 1.04 0.90 0.68 0.50 0.39 0.35 0.39 0.52 0.74 0.96 1.11 1.13 80 0.98 0.82 0.65 0.45 0.33 0.26 0.30 0.48 0.66 0.89 1.06 1.07 85 0.93 0.78 0.58 0.38 0.23 0.18 0.22 0.37 0.58 0.82 1.02 1.02 90 0.86 0.71 0.51 0.33 0.15 0.14 0.19 0.29 0.51 0.75 0.93 0.95 Aplicando estos factores da como resultado un perfil de irradiancia más homogéneo, como se puede observar en la figura 3.9. 3.5 Función de coste completa En este apartado se describe de manera detallada la función de coste que integra todos los elementos necesarios para evaluar la viabilidad económica de la instalación. El objetivo consiste en combinar los perfiles horarios de demanda, precios de la red, generación fotovoltaica y comportamiento de la batería, junto con los costes de inversión inicial y mantenimiento, para obtener un flujo de caja anual durante la vida útil del proyecto. A partir de esos flujos se calculará la Tasa Interna de Retorno (TIR) óptima. 3.5.1 Datos de entrada La función de optimización tendrá 7 variables de entrada: •seed: semilla para garantizar aleatoriedad y reproducibilidad de una simulación a otra. •Precio_PV: coste del kWp de panel fotovoltaico, medido en €/kWp. •Precio_Batt: coste del kWh de batería, medido en €/kWh. • umbral: precio umbral a partir del cual se carga la batería cuando se cumplen las condiciones. •coste_ev: coste al usuario de la carga de vehículos. •nchargers: número de cargadores en las instalaciones. •Area_disponible_PV: área de la que se dispone para la instalación de módulos PV. 22 Capítulo 3. Función de optimización Figura 3.9 Irradiancia horaria sobre superficie inclinada 30º2023. 3.5.2 Amortización y cálculos fiscales La amortización y otros procedimientos contables son fundamentales para distribuir el gasto de la inversión a lo largo de la vida útil de los activos, así como para el cálculo de los impuestos a final de año. Para dichos cálculos se debe conocer el coste de la inversión y la vida útil del componente: • Cargadores: El coste por cargador ultrarrápido suele rondar los 130 000 €[ 23 ]. Su vida útil se estima en unos 15 años. • PV: El coste de módulos mono cristalinos suele rondar los 800 €/kWp [ 22 ]. La vida útil de este tipo de paneles asciende a 25 años. • Batería: Coste de 200 €/kWh. Según estudios [ 18 ], la vida útil de estas baterías de almacenamiento es de unos 10 años. • Transformador MT: Coste de 300 k€. La vida útil se puede estimar en unos 35 años, aunque puede extenderse más con un mantenimiento adecuado. • Obra civil: Coste del 10% de la inversión en todos los componentes. Se le suele estimar una vida útil de mínimo 30 años. Cada activo se amortiza según su vida útil, empleando el método de anualidad constante (cuota anual fija), la fórmula es: Cuota_anual =Valor_inicial×r(1+r)n (1+r)n−1 Donde r es la tasa de descuento (se tomará 6%) y n es la vida útil del activo. La amortización es imprescindible para el cálculo de los impuestos anuales. Estos se determinan 3.6 Optimización y TIR 23 como un porcentaje (se puede asumir un tipo fijo de 21%) sobre el EBIT (beneficio antes de impuestos). Este se calcula como: EBIT =Ingresos−Gastos_operativos−Amortizaciones_anuales Una vez se dispone de los ingresos, los costes y los impuestos se puede hacer el cálculo de los flujos de caja anual: FCAN =EBIT−Impuesto+Amortizaciones_anuales Al utilizar generación fotovoltaica y baterías de almacenamiento, se reducen los costes de energía comprada a la red (menor gasto operativo). Además, al disponer de una fuente de energía interna, la potencia contratada puede ser menor, lo que contribuye a reducir los costes fijos. Por otro lado, la amortización de los PV y batería incrementa los gastos contables (amortización), disminuyendo el EBIT y reduciendo el pago de impuestos. 3.5.3 Simulación de la batería Se hará una asunción sobre el control en alto nivel: en cada hora, se comparará la energía que piden los vehículos con la energía procedente de los paneles PV, si sobra energía, esta se usará para cargar la batería, y si sigue sobrando se exportará a la red. En el caso de que la energía de los módulos PV no sea suficiente, se descargará la energía de la batería hasta abastecer la demanda, en el caso de no ser suficiente, se importará energía de la red. Para promover la inversión en baterías, se hará un cálculo extra en cada hora. En el caso de que la batería esté por debajo del 40% de carga, que el precio de la energía de la red esté por debajo del umbral establecido y que no haya vehículos conectados, se cargará un tercio de la capacidad total con energía importada de la red. Esta energía es más barata que la energía en horas pico por lo que conviene tener una gran batería. En la figura 3.10 se puede observar el diagrama de flujo de la función completa. 3.6 Optimización y TIR El proceso de optimización aplicado al dimensionado de la instalación fotovoltaica y la batería se basa en la maximización de la Tasa Interna de Retorno (TIR), que permite valorar la rentabilidad del proyecto, a la vez que intentar mantener el impacto en la red mínimo. Se busca identificar la combinación de potencia PV y capacidad de almacenamiento que cumpla dichas condiciones. La TIR es la medida de los rendimientos futuros esperados de una inversión. Se suele utilizar como indicador de la rentabilidad de un proyecto: a mayor TIR, mayor rentabilidad. Por norma general, la TIR se compara con el coste de oportunidad de la inversión. Si la inversión no tiene riesgo, se utilizará como coste de oportunidad la tasa de descuento típica. En el caso de ser una inversión de riesgo, se le sumará a esta tasa factores de protección a los inversores, aumentando así la TIR mínima para que el proyecto sea rentable. En el caso de una electrolinera situada en la localización elegida, se deben aplicar factores de seguridad grandes, aumentando la TIR mínima para que el proyecto sea rentable hasta un 12% aproximadamente. Como ya se mencionó anteriormente, la Tasa Interna de Retorno se define como la tasa de descuento que anula el Valor Actual Neto, siguiendo la fórmula: 0=CF0+ 10 ∑ t=1 CFt (1+TIR)t 30 Capítulo 4. Diseño del sistema • Batería de almacenamiento: actúa como amortiguador aportando o absorbiendo energía dependiendo de las circunstancias del sistema. •Vehículos eléctricos: cargas variables que simulan diferentes tipos de vehículos. El modelo permite escalar fácilmente el número de puntos de recarga o el de baterías de almacenamiento. Además, se pueden estudiar estrategias de control locales para cada elemento. 4.2 Red eléctrica e inversor En esta sección se describe el funcionamiento de la red eléctrica en España y los posibles problemas que se pueden encontrar a la hora de hacer una simulación en el rango de las horas y días. 4.2.1 Dificultades en la simulación En España, la frecuencia de la red eléctrica es de 50 Hz, lo que implica una dinámica demasiado rápida para ser representado de forma directa en un modelo orientado a simulaciones al largo plazo. Para resolver este problema, se implementa internamente como un sistema de dos fuentes ideales de tensión en coordenadas dq, conectadas a través de una inductancia de acoplo que minimiza los armónicos, manteniendo tiempos de respuesta compatibles con los objetivos de simulación especificados en el proyecto. 4.2.2 Transformada de Clarke La transformada de Clarke (también conocida como transformada αβ ) es una herramienta matemática que convierte las tres corrientes o voltajes de un sistema trifásico en dos componentes ortogonales en un plano estacionario. Esta representación bidimensional simplifica el análisis y control de máquinas eléctricas y convertidores de potencia, al reducir de tres variables a dos sin pérdida de información. Figura 4.2 Transformada de Clarke [9]. Esta simplificación ayuda pero no soluciona el problema, pues se sigue teniendo una magnitud variable en el tiempo con una frecuencia de 50 Hz, para terminar con esto se utilizará la Transformada de Park. 4.2 Red eléctrica e inversor 31 4.2.3 Transformada de Park La transformada de Park (o transformada dq) convierte las componentes estáticas en el plano αβ a un sistema de referencia giratorio alineado con un vector de flujo θ . De este modo, las magnitudes que en el entorno estacionario oscilaban con la frecuencia de la red pasan a valores constantes en régimen permanente, simplificando enormemente los controladores PI y solucionando los problemas de simulación a largo plazo. Figura 4.3 Transformada de Park [9]. 4.2.4 Algoritmo de control El inversor opera con un doble lazo de control. En la figura 4.4 se observa el lazo interno de control. Figura 4.4 Lazo interno de control [9]. 32 Capítulo 4. Diseño del sistema Por otro lado, en el lazo externo de control se calcula la potencia activa de referencia a partir de la siguiente ecuación: p∗=(V∗ dc)2 2 −(Vdc)2 2 De este modo, el inversor ajusta la corriente inyectada en la red para compensar las variaciones de carga o generación, manteniendo así estable el bus DC. 4.2.5 Implementación en Simulink de la red En la figura 4.5 se muestra el modelo de la red eléctrica implementado en Simulink. Figura 4.5 Esquema de la red eléctrica en simulink. 4.2.6 Inversor La potencia activa (P) y reactiva (Q) que fluye entre la red y el inversor se calculan utilizando las siguientes expresiones: P=vd∗id+vq∗iq Q=vq∗id−vd∗iq Estas magnitudes se utilizan para obtener la intensidad neta que se inyecta en el bus DC, la cual se implementa mediante una fuente de corriente variable dentro del modelo. De esta forma se simplifica la dinámica del inversor en el dominio DC, permitiendo mantener la fiabilidad del intercambio energético disminuyendo la complejidad computacional del modelo conmutado. 4.3 Elevador/Reductor En esta sección se tratará el modelo de elevador/reductor que se utilizará, además de su implementación en el modelo promediado. 4.3.1 Convertidor bidireccional DC-DC Los convertidores DC/DC bidireccionales juegan un papel fundamental en la conexión de sistemas eléctricos. A diferencia de un convertidor convencional, el convertidor bidireccional puede actuar tanto como elevador (Boost) como reductor (Buck). Esta capacidad es clave para controlar la dirección de transferencia de la energía. Por ejemplo, una batería debe tener capacidad de recibir carga 4.3 Elevador/Reductor 33 desde la fuente principal (modo Buck) y de inyectar energía de vuelta a un bus de mayor tensión (modo Boost). Otro motivo de peso para el uso de este tipo de convertidores es para evitar el uso del modo de conducción discontinuo. En la figura 4.6 se puede observar la estructura común de este tipo de convertidores. Figura 4.6 Esquema del convertidor bidireccional DC-DC. En la práctica, su topología básica emplea dos interruptores de semiconductores (MOSFETs) colocados en ambos lados de una inductancia intermedia, junto a diodos de libre circulación. Controlando la conmutación de esos interruptores mediante señales PWM se regula no solo el valor promedio de la tensión aplicada a la inductancia, sino también la dirección del flujo de corriente. En este proyecto, se ha utilizado una versión promediada de este tipo de convertidores, donde se controla la corriente que fluye por la inductancia imponiendo una tensión en uno de los lados del convertidor. Con este modelo se eliminan los efectos de la conmutación, disminuyendo la carga computacional. 4.3.2 Implementación en Simulink La figura 4.7 muestra la implementación del convertidor bidireccional en el entorno Simulink. Figura 4.7 Implementación del convertidor bidireccional en Simulink. 34 Capítulo 4. Diseño del sistema La referencia de tensión ( Va ) se calcula mediante un control clásico como se muestra en la figura 4.8. Figura 4.8 Lazo de control del convertidor bidireccional. 4.4 Campo fotovoltaico El campo fotovoltaico es la fuente de generación renovable del sistema. Para su modelado, se ha optado por diseñar un bloque personalizado en Simulink donde se introduce la irradiancia en ese momento y el bloque devuelve la potencia instantánea y la tensión por string, como se observa en la figura 4.9. Este bloque representa una agrupación de paneles con las siguientes características individuales: •Tensión en el punto de máxima potencia (Vmpp): 29.53 V •Potencia máxima por módulo (Pmax): 249.53 W Figura 4.9 Implementación del campo fotovoltaico en Simulink. Conociendo la potencia de pico que debe tener la planta (490 kWp), se pueden calcular los módulos en serie y en string para alcanzar dicha potencia sin sobrepasar una tensión estándar por string. Se han dispuesto 21 módulos por string y 93 strings en paralelo, dando como resultado una potencia de pico de: Pmax =21 ∗93 ∗249.53 =487.33kW p Y una tensión por string en el punto de máxima potencia de: Vmax =21 ∗29.53 =620.13V Para reproducir el comportamiento dinámico real que tendría el sistema, se han empleado los perfiles de irradiancia reales promediados a la hora utilizados para la función de optimización. Finalmente, la corriente generada que se inyecta en el bus DC se calcula con la siguiente ecuación: IPV =PPV VDC 4.5 Sistema de almacenamiento 35 Donde PPV es la potencia del campo en función de la irradiancia y VDC es la tensión instantánea del bus DC. 4.5 Sistema de almacenamiento La batería cumple una función clave como elemento de amortiguación frente a eventos inesperados. Para poder reaccionar tanto a excesos de generación como a picos de demanda de los vehículos, se necesita un sistema de almacenamiento de alta capacidad y buen tiempo de respuesta. Para su modelado, se ha utilizado el bloque Battery de la librería Simscape. Las principales características son: •Nominal voltage: 400 V. • Rated capacity: siguiendo los resultados obtenidos en el capítulo 3, la capacidad de la batería debe ser de 1 140 kWh, es decir, 2 850 Ah. •Initial SOC: condicionado por el caso de estudio. • Battery response time: se ha considerado un valor de 5 s, que representa un tiempo de respuesta razonable para sistemas de almacenamiento convencionales, sin que su variación haya supuesto cambios relevantes en la dinámica observada. 4.5.1 Rangos de uso reales Como se puede observar en la figura 4.10, las baterías de ion de litio no tienen una curva de funcionamiento lineal ni constante. En los extremos de la curva, el comportamiento de la carga es exponencial y aparecen fenómenos electroquímicos y sobretodo térmicos que acortan la vida útil de las baterías y pueden generar inestabilidades. Para evitar estos fenómenos y maximizar la vida de las baterías, los límites de funcionamiento no son los límites reales. Por ejemplo, cuando un vehículo eléctrico indica que tiene un 10% de carga, realmente tiene más de un 10%. Lo mismo ocurre en la parte superior de la curva. Cuando indica que está cargado al 100% realmente tiene una carga menor. Para implementar este comportamiento en Simulink, las baterías se sobredimensionarán ligeramente y solo se utilizarán en el rango de 20% al 80%. Figura 4.10 Curva de descarga batería de ion de litio. 4.6 Puntos de recarga El sistema contempla dos puntos de recarga que reciben vehículos en horario de 06:00-23:00. Cada punto de recarga está modelado en Simulink con una "Level-2 MATLAB S-Function" que modela el comportamiento de la batería de vehículos eléctricos. Este bloque recibe como entrada la intensidad que le llega del elevador y da como salida el SOC en el siguiente paso de tiempo y la tensión de la batería. Para obtener estos dos parámetros la función lee desde el Workspace de 36 Capítulo 4. Diseño del sistema Matlab unas variables Timeseries que le proporciona la tensión nominal y la capacidad (en Ah) del vehículo que está conectado en ese momento. Además, también lee una variable Timeseries que es siempre nula excepto en los momentos de cambio de vehículo, en ese momento la variable tiene el valor del SOC con el que viene el siguiente vehículo y la función lo impone forzosamente, cambiando así por completo el modelo de batería al cambiar de sesión de carga. Para el control de la recarga del vehículo se han utilizado perfiles de potencia reales de ciclos de carga de distintos modelos de vehículos eléctricos, almacenados en un .mat y seleccionados en el sistema dinámicamente con una S-Function. Para evitar discontinuidades en la demanda al conectar el vehículo, se han aplicado rampas de suavizado sobre la corriente, evitando picos no realistas. 4.7 Parámetros de simulación Como ya se ha mencionado anteriormente, el objetivo de la simulación es analizar el comportamiento de la electrolinera en el largo plazo. Esto requiere un equilibrio entre fidelidad al comportamiento real y eficiencia computacional. La configuración del solver se ha ajustado empíricamente para garantizar una representación precisa del comportamiento dinámico del sistema, manteniendo al mismo tiempo una eficiencia computacional. De esta forma, se han adoptado estos parámetros de simulación: •Duración total: 86400 s (24 horas) •Tipo de solver: ode15s (stiff/NDF) •Tolerancia relativa: valores entre 0.1 y 10 •Tolerancia absoluta: valores entre 0.1 y 10 •Paso máximo: valores entre 5 y 20s •Solver Jacobian method: Sparse perturbation El sistema se inicia en condiciones de equilibrio con todos los sistemas desconectados y a lo largo del día se activan progresivamente todos los subsistemas. Se considerarán múltiples casos de estudio variando: •Perfil de irradiancia solar. •SOC inicial de la batería. •Número y tipo de vehículos eléctricos. Estas condiciones permiten evaluar el comportamiento transitorio de la electrolinera, así como su capacidad de mantener la estabilidad ante escenarios de estrés energético. 4.7.1 Algebraic loops Durante el desarrollo del modelo en Simulink, uno de los principales retos ha sido la aparición de algebraic loops. Estos surgen cuando una señal depende directa o indirectamente de sí misma sin un retraso temporal, lo que obliga al solver a resolver un sistema de ecuaciones algebraicas en cada paso de simulación. Aunque en modelos pequeños esto puede ser manejable, en simulaciones de largo plazo con múltiples subsistemas interconectados, los algebraic loops incrementan drásticamente el coste computacional y pueden comprometer la estabilidad numérica. En este modelo, los algebraic loops más problemáticos aparecieron en el lazo de control del inversor y en la interfaz con los bloques de batería. Para mitigarlos, se han implementado algunos bloques delay sobre las variables que tienen una dinámica especialmente lenta, mientras que los que tienen una dinámica muy rápida se han mantenido los algebraic loops. 4.7 Parámetros de simulación 37 Estas modificaciones han permitido mantener la fidelidad del modelo mientras se mejora su estabilidad y eficiencia durante la simulación. No obstante, el tratamiento de los algebraic loops ha supuesto una tarea crítica para asegurar la viabilidad del modelo a largo plazo. 5 Casos de estudio En este apartado se analizará el comportamiento del sistema bajo distintas condiciones de operación. Para ello, se han definido dos casos de estudio que combinan diferentes escenarios de generación renovable, disponibilidad de almacenamiento y demanda energética. Esta metodología permite comparar el rendimiento del sistema global frente a condiciones diferentes. 5.1 Perfiles de irradiancia Para representar de forma realista la generación renovable, se han utilizado los perfiles horarios de irradiancia solar que se han comentado anteriormente. Se han elegido dos perfiles diferentes: •Irradiancia alta: curva típica con un pico solar máximo al mediodía. •Irradiancia baja: día nublado con perfil de baja intensidad y poca variabilidad. Figura 5.1 Perfil de irradiancia del caso 1 (a) y perfil de irradiancia del caso 2 (b). 5.2 Modelos de vehículos eléctricos El sistema contempla la recarga de vehículos durante el horario de operación: 06:00-23:00, distribuidos en dos puntos de recarga. Para representar esa demanda, se han empleado perfiles reales de carga proporcionados por el tutor Abraham Marquez Alcaide. Cada vehículo se caracteriza por: 39 46 Capítulo 6. Resultados En la figura 6.2 se observan todas las corrientes que llegan o salen del bus DC, las positivas entran y las negativas salen. La suma de todas las intensidades en cualquier instante es cero, esto permite asegurar la estabilidad del bus. Figura 6.2 Corrientes en el bus DC (Caso 1). 6.1.2 Batería (Caso 1) Como se puede intuir en el anterior apartado, la batería no ha tenido demasiada demanda en este caso de estudio, habiendo sido exigida en momentos de poca irradiancia, mientras que en el resto de la jornada ha almacenado el sobrante de energía fotovoltaica hasta alcanzar el máximo de capacidad, como se observa en la figura 6.3, donde en la figura a se muestra el SOC y en la figura b las intensidades que intercambia. Es importante recordar que este 100% de SOC no es realmente un 100% en la curva de una batería de ion de litio, sino el máximo que puede cargar sin entrar en zona exponencial, es decir, un 80%. Figura 6.3 Comportamiento de la batería de almacenamiento (Caso 1). 6.1 Caso de estudio 1: Verano 47 6.1.3 Cargadores (Caso 1) En total en esta jornada se han iniciado 28 sesiones, siendo 18 de estas en el cargador 1 y 10 en el cargador 2. En la figura 6.4 está representado el comportamiento del cargador 1 y en la figura 6.5 el del cargador 2, donde la figura a es la evolución del SOC de los vehículos y la figura b es la intensidad que intercambian los vehículos con el cargador. En las intensidades se pueden distinguir diferentes perfiles de recarga, dependiendo del modelo de vehículo en esa sesión. La media de tiempo de carga es de 30 minutos, lo que conlleva una recarga de, por lo general, un 50% del vehículo. Figura 6.4 Comportamiento de los vehículos en el cargador 1 (Caso 1). Figura 6.5 Comportamiento de los vehículos en el cargador 2 (Caso 1). 48 Capítulo 6. Resultados 6.2 Caso de estudio 2: Invierno En este apartado se verán los resultados de la simulación del caso de estudio 2: un día de invierno donde la irradiancia solar es escasa y la batería tendrá que actuar en momentos de estrés energético. Se espera que el campo fotovoltaico no tenga la capacidad de abastecer toda la demanda de los cargadores y que la batería de almacenamiento acabe la jornada ligeramente descargada. 6.2.1 Bus DC (Caso 2) En la figura 6.6 se puede observar que, a pesar de comenzar la jornada con un porcentaje bajo de carga y ser un día de irradiancia baja, la electrolinera es capaz de abastecer la demanda sin depender de la red, manteniendo la estabilidad en el bus DC y no importando energía de esta. Incluso hay breves instantes a lo largo del día en los que se exporta energía a la red. Figura 6.6 Comportamiento del VDC (a) y potencia intercambiada con la red (b) (Caso 2). Figura 6.7 Corrientes en el bus DC (Caso 2). 6.2 Caso de estudio 2: Invierno 49 6.2.2 Batería (Caso 2) La figura 6.8 muestra una representación del comportamiento de la batería, donde en la figura a se muestra el SOC y en la figura b las intensidades que intercambia. Es interesante destacar que, incluso en días críticos en términos de generación fotovoltaica, la batería termina la jornada con una carga aproximadamente similar a la inicial. De esta forma se puede confirmar que la planta es totalmente independiente de la red eléctrica y no se necesitará en ningún momento importar energía de la misma. Figura 6.8 Comportamiento de la batería de almacenamiento (Caso 2). 6.2.3 Cargadores (Caso 2) En la figura 6.9 está representado el comportamiento del cargador 1 y en la figura 6.10 el del cargador 2. Se pueden apreciar similitudes con respecto al caso de estudio 1 pues estos perfiles están generados de forma aleatoria siguiendo una base empírica, por lo que el número de sesiones, las horas de estas y la energía total intercambiada seguirán un mismo patrón. El modelo de vehículo y ligeras variaciones horarias y de carga son donde se encuentran las diferencias. 50 Capítulo 6. Resultados Figura 6.9 Comportamiento de los vehículos en el cargador 1 (Caso 2). Figura 6.10 Comportamiento de los vehículos en el cargador 2 (Caso 2). 7 Conclusiones E ste trabajo ha permitido analizar la viabilidad técnica, operativa y económica de una electrolinera alimentada por energía fotovoltaica, apoyada por un sistema de almacenamiento y conectado a la red eléctrica, bajo condiciones variables y con modelos realistas. A lo largo del proyecto, se ha realizado una función de optimización que muestra el comportamiento energético y económico que tendría la planta en distintos casos de dimensionamiento. A su vez, se ha implementado un modelo completo en Simulink que reproduce de forma aproximada, pero computacionalmente eficiente, el comportamiento de la microrred DC siguiendo los parámetros obtenidos de la función anterior. La simulación de la función de optimización ha mostrado que: • La electrolinera puede ser altamente rentable si se elige el dimensionamiento de forma correcta, en el caso de tener poca área para PV o en el caso de instalar demasiados cargadores, la planta no sería rentable. • Las baterías por norma general no son rentables, pero otorgan grandes ventajas a la hora de la independencia de la red. La simulación del caso de estudio ha demostrado que: • En condiciones ideales el sistema es plenamente funcional y energéticamente sostenible, pudiendo recargas los vehículos sin picos de potencia en el inversor y exportar la energía sobrante a la red. • La implementación de una estrategia de control de alto nivel para la sincronización de los elementos del sistema es fundamental. Dados los resultados obtenidos, se pueden extraer conclusiones relevantes: • El uso de modelos promediados ha sido clave para simular escenarios de larga duración sin comprometer los tiempos de simulación, lo que resulta útil para estudiar y validar muchos escenarios de condiciones variables y estrategias de control. • La batería de almacenamiento correctamente dimensionada y controlada es un elemento fundamental para garantizar la estabilidad energética de la electrolinera frente a la variabilidad de la generación y la demanda. • El diseño del control (especialmente del inversor y el control de carga de la batería) tiene un impacto directo en la calidad de la respuesta del sistema. Una sintonización adecuada permite evitar inestabilidades. • El sistema es ampliable por módulos, pudiendo añadir puntos de recarga, puntos de generación o baterías auxiliares de forma sencilla. En función del alcance que se le busque dar a la planta, se deberán dimensionar los elementos del sistema para abastecer dicha demanda. 51 52 Capítulo 7. Conclusiones En términos de aplicaciones prácticas, los resultados indican la posibilidad de una implementación del sistema en el mundo real. En conclusión, la función creada ha mostrado ser una simulación realista de la optimización de una electrolinera, a la vez que el modelo desarrollado ha cumplido con los objetivos propuestos, permitiendo simular el comportamiento de una electrolinera realista y evaluar su respuesta con casos reales. Los resultados obtenidos refuerzan la idea de que la integración fotovoltaica, junto con almacenamiento bien gestionado puede ser una solución viable para cubrir parte de la demanda energética del transporte eléctrico futuro. Como ampliaciones futuras, parece interesante plantear la idea de implementar una batería de supercondensadores o estudiar estrategias de control que tengan otros objetivos, como utilizar de forma puntual los vehículos eléctricos ya cargados pero que sigan conectados como baterías de almacenamiento en casos extremos de déficit energético. Índice de Figuras 1.1 Matriculación de automóviles en 2024 [1] 1 1.2 Comparación de puntos de recarga 2023 y 2024 [1] 2 2.1 Estructura de generación de energía 2024 en España [4] 5 2.2 Evolución de la generación renovable y no renovable durante una semana de abril de 2025 [5] 6 2.3 Porcentaje de generación de renovables a nivel mundial [6] 6 2.4 Inversores multi-hilera vs Microinversores [7] 8 2.5 Diferencias Grid forming y Grid following [8] 9 2.6 Curvas características típicas de un módulo fotovoltaico 10 2.7 Diagrama de flujo del algoritmo de perturbación y observación (P&O) [9] 10 2.8 Diagrama de flujo del algoritmo de conductancia incremental (IncCond) [9] 11 2.9 Modelo típico de alto nivel en microrredes de CC [10] 12 3.1 Cuatro zonas de posible instalación fotovoltaica en la electrolinera [11] 14 3.2 Perfil de ocupación normalizado de distintos tipos de cargadores [12] 15 3.3 Diagrama de flujo de la función de generación de perfiles de carga 17 3.4 Duración en minutos de la carga [12] 18 3.5 Ejemplo de perfil diario resultante 18 3.6 Definición de los periodos horarios en la península [13] 19 3.7 Precios de transporte y distribución según periodo [14] 19 3.8 Irradiancia horaria sobre superficie horizontal 2023 20 3.9 Irradiancia horaria sobre superficie inclinada 30º 2023 22 3.10 Diagrama de flujo de la función de optimización 24 3.11 Contenedor de 20 pies estándar 25 3.12 TIR en función de PV y batería instalada (%) 27 3.13 Energía importada de la red en un año (kWh) 27 3.14 Energía importada de la red en el caso de 0 batería (kWh) 28 4.1 Esquema general de la microred en Simulink 29 4.2 Transformada de Clarke [9] 30 4.3 Transformada de Park [9] 31 4.4 Lazo interno de control [9] 31 4.5 Esquema de la red eléctrica en simulink 32 4.6 Esquema del convertidor bidireccional DC-DC 33 4.7 Implementación del convertidor bidireccional en Simulink 33 4.8 Lazo de control del convertidor bidireccional 34 4.9 Implementación del campo fotovoltaico en Simulink 34 53 54 Índice de Figuras 4.10 Curva de descarga batería de ion de litio 35 5.1 Perfil de irradiancia del caso 1 (a) y perfil de irradiancia del caso 2 (b) 39 5.2 Perfiles de carga de todos los vehículos disponibles 40 5.3 Perfil de asistencia a la electrolinera en el caso de estudio 1 41 5.4 Perfil de asistencia a la electrolinera en el caso de estudio 2 42 6.1 Comportamiento del VDC (a) y potencia intercambiada con la red (b) (Caso 1) 45 6.2 Corrientes en el bus DC (Caso 1) 46 6.3 Comportamiento de la batería de almacenamiento (Caso 1) 46 6.4 Comportamiento de los vehículos en el cargador 1 (Caso 1) 47 6.5 Comportamiento de los vehículos en el cargador 2 (Caso 1) 47 6.6 Comportamiento del VDC (a) y potencia intercambiada con la red (b) (Caso 2) 48 6.7 Corrientes en el bus DC (Caso 2) 48 6.8 Comportamiento de la batería de almacenamiento (Caso 2) 49 6.9 Comportamiento de los vehículos en el cargador 1 (Caso 2) 50 6.10 Comportamiento de los vehículos en el cargador 2 (Caso 2) 50 Índice de Tablas 3.1 Listado de modelos de vehículos con su potencia nominal 16 3.2 Factor de corrección kpara una latitud de 37° [15] 21 3.3 Dimensiones interiores y exteriores de un contenedor de 20 pies [16] 25 5.1 Listado de modelos de vehículos del cargador 1 con su estado de carga inicial (Caso 1) 41 5.2 Listado de modelos de vehículos del cargador 2 con su estado de carga inicial (Caso 1) 42 5.3 Listado de modelos de vehículos del cargador 1 con su estado de carga inicial (Caso 2) 43 5.4 Listado de modelos de vehículos del cargador 2 con su estado de carga inicial (Caso 2) 43 55