IRPopt (Planificación y Optimización Integrada de Recursos)

El marco de modelización IRPopt (Integrated Resource Planning and optimization), desarrollado principalmente por Scheller(Fabian Scheller, 2018) en el Instituto de Gestión de Infraestructuras y Recursos de la Universidad de Leipzig, es un marco de modelización de programación lineal de enteros mixtos para el despacho económico con la maximización del beneficio como objetivo principal. IRPopt se implementa en la plataforma de infraestructura de modelado IRPsim(Reichelt, Kühne, Scheller, Abitz, & Johanning, 2021) y ambos son de código abierto con licencia GPLv3(Fabian; Scheller & Reichelt, 2022).

IRPopt es un modelo de sistema energético municipal dinámico, determinista y discreto con granularidad temporal ajustable y horizonte de optimización rodante. Su modelo matemático está escrito en GAMS y utiliza el solucionador IBM CPLEX.
Con este marco, los modelos de sistemas energéticos pueden construirse a partir de una amplia cartera de componentes tecnológicos de consumo, almacenamiento, producción y distribución, así como de vectores energéticos como la electricidad, el calor, el hidrógeno y múltiples combustibles fósiles. Además del flujo de energía entre los componentes, se puede modelar el flujo monetario entre agentes como diferentes proveedores, distribuidores, consumidores o reguladores. La función objetivo maximiza el beneficio. Una de las principales restricciones es que la demanda (por ejemplo, la electricidad) debe ser cubierta en cada paso de tiempo si no se permite el desplazamiento de la carga del lado del consumidor. Si se permite el desplazamiento de la carga del lado del consumidor, la demanda debe cubrirse a lo largo de periodos temporales de desplazamiento de la carga ajustables. Los ajustes de desplazamiento de carga permiten desplazar entre el 0 y el 100% de la carga dentro del periodo de desplazamiento de carga especificado y son ajustables.
IRPopt ya se aplicó en el pasado para responder a una gama más amplia de preguntas de investigación, por ejemplo, el potencial de la respuesta de la demanda residencial a través de tarifas eléctricas variables(FabianScheller, Krone, Kühne,& Bruckner, 2018) o la competencia entre las opciones de flexibilidad del lado de la demanda simultáneas en el caso de los sistemas de almacenamiento de electricidad de la comunidad(Fabian Scheller, Burkhardt, Schwarzeit, McKenna, & Bruckner, 2020), véase también el siguiente capítulo con casos de uso de IRPopt.

Las principales ventajas de IRPopt en comparación con muchos otros modelos son la modularidad, la granularidad temporal y el horizonte de optimización variable. La modularidad permite construir modelos de forma eficiente a partir de una gran cartera de componentes tecnológicos en cadenas de valor completas. La granularidad temporal puede ajustarse libremente, por ejemplo a una resolución de ¼ de hora. El horizonte de optimización de un año, que incluye un horizonte móvil ajustable, cubre los efectos estacionales al tiempo que mantiene una previsión perfecta restringida. Se puede encontrar una descripción más detallada del modelo en el material suplementario de este artículo y en(Fabian Scheller, 2018).

La figura 1 visualiza conceptualmente la incrustación del modelo y el flujo de datos de entrada/salida de IRPopt incluyendo el flujo de datos de entrada de otro modelo MICOES-Europa. La especificación de los datos de entrada en los diferentes escenarios y en el análisis de sensibilidad se presenta en la siguiente sección. MICOES-Europe utiliza los principales parámetros de entrada de la demanda de electricidad específica del país, el parque de centrales eléctricas, los precios de los combustibles y del CO2 y la producción de electricidad renovable para modelar los precios al contado de la electricidad en el día y las intensidades de las emisiones de CO2. Estos datos se introducen en IRPopt. Otros datos proceden de una base de datos tecnoeconómicos creada que incluye datos empíricos y bibliográficos, por ejemplo, del perfil de demanda de cloro o de la especificación del electrolizador de la CAE. Los datos de entrada se introducen a través de un frontend basado en la web en el backend, donde los datos son preprocesados antes de ser enviados al modelo GAMS que utiliza el solucionador IBM CPLEX. Los datos de salida brutos resultantes en formato GDX contienen más de 100 variables y más de 1000 parámetros, la mayoría de ellos distribuidos en conjuntos dependientes de la granularidad temporal en este trabajo, ya sea horaria o trimestral (8760 o 35040 pasos). Sobre el front-end y el back-end se utiliza una herramienta de exportación de datos mejorada para exportar los elementos de datos de salida relevantes de los archivos GDX en bruto. Los datos de salida relevantes se evalúan además, por ejemplo, calculando las diferencias relativas entre escenarios o la sensibilidad de los resultados. Los indicadores clave de rendimiento en este trabajo son los costes de la electricidad y las emisiones de CO2, que se comparan en diferentes escenarios o casos de sensibilidad y dan lugar a posibles ahorros mediante el desplazamiento de la carga.

El proceso de modelización de las distintas carteras se acelera en IRPopt gracias a una funcionalidad pull con respecto a las configuraciones básicas de las opciones tecnológicas. Así, la unidad de estrategia obtiene un acceso eficaz a las especificaciones técnicas de las instalaciones de generación existentes o previstas de la empresa de servicios públicos, actualizadas con frecuencia por la unidad de ingeniería. En un caso de uso ejemplar, el margen bruto de la venta de calor y electricidad al cliente sirve como uno de los indicadores clave de rendimiento. Por consiguiente, las carteras se comparan con el impacto económico y medioambiental. Así, el responsable de la toma de decisiones puede encontrar un equilibrio entre ambos factores. Como dimensión adicional, se puede evaluar el gasto de capital de las carteras. En lo que respecta a la gran complejidad de la toma de decisiones estratégicas, el caso de uso muestra que IRPopt permite la evaluación cuantitativa de una amplia gama de incertidumbre combinada con una representación significativa de los resultados.