Optimal selection of energy storage system in distribution networks with distributed generation considering operation model by neural networks

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESThis thesis presents a methodology for optimal determination of type, bar, and capacity of Battery Energy Storage Systems (BESS) in distribution systems with distributed generation (DG) where the battery optimal operation is approximated by an input/output model created with neural networks. A genetic algorithm selects the storage by a fitness function defined with the annual operation costs of the distribution system, the voltage limits, and batteries costs. The model allows to compare different types of batteries technologies, considering its technical and economical characteristics. Lifetime of the battery is based on the depth of discharge (DOD) impact to the life cycle. The database for the input/output model is obtained by a Monte Carlo simulation of the optimal daily operation of the battery for a representative sample from a yearly real data. This approach allows to consider the stochastic behavior of the distributed generation, the load and the energy prices. The daily operation of the battery is optimized by a nonlinear optimization model, considering a load flow by OpenDSS proprietary software from the Electric Power System Research Institute (EPRI). The neural network was based on the Group Method of Data Handling (GMDH). The neural network implementation allows to reduce the yearly simulation time, where the possible selection alternatives are chosen by the genetic algorithm. This methodology is tested in a distribution system of 33 nodes, and the generation, demand, and prices curves are taken from data of the Independent Electricity System Operator IESO relative to the Canadian distribution system, considering solar and wind as renewable sources. The studied case shows a good approximation of the neural network with the obtained data for the daily load flow and allows to identify the critic cases of the systems, as bar location not allowed and probability of risk of the results. The results compare the use of the batteries in the distribution network, reducing losses and operational costs along the day in the system and selecting the best type. Also, the storage systems can reduce the final energy cost of the system (limited by the proposed constraints) and the loses, with the possibility to determine the best alternative.Esta tese apresenta uma metodologia para a determinação ótima do tipo, barra e capacidade dos sistemas de armazenamento de energia por baterias (Battery Energy Storage Systems, BESS) em sistemas de distribuição com geração distribuída (GD) . Os resultados da operação ótima da bateria são aproximados por meio de uma relação entrada/saída, formada por redes neurais. A seleção do armazenador é dada por um algoritmo genético, cuja função de aptidão é determinada pelo custo anual de operação do sistema de distribuição, limites de tensão e os custos associados às baterias. O modelo permite comparar diferentes tipos de baterias, observando suas características técnicas e econômicas. O tempo de vida das baterias é determinado baseado no impacto da profundidade de descarga (Depth of Discharge, DOD) dentro do ciclo de falha. A base de dados da rede neural é obtida por meio de uma simulação de Monte Carlo da operação ótima diária da bateria para uma amostra representativa de dados reais durante um ano. Com esta abordagem, é possível considerar o comportamento estocástico da geração distribuída, da carga e dos preços da energia. A operação diária da bateria é otimizada empregando um modelo de otimização não linear baseado num fluxo de carga determinado pelo programa OpenDSS da Electric Power System Research Institute (EPRI). A rede neural foi desenvolvida com a abordagem do Group Method of Data Handling (GDMH). A implementação do modelo entrada/saída permite reduzir o tempo de simulação onde as possíveis alternativas de seleção da bateria são determinadas por meio do algoritmo genético. Esta metodologia é testada num sistema de distribuição teste de 33 barras e as curvas de geração, demanda e preços são tomados de dados reais do Indepent Electricity System Operator (IESO) pertencente ao sistema de distribuição canadense, usando como fontes renováveis de geração de energia solar e eólica. O estudo de caso mostra uma boa aproximação da rede neural com os dados obtidos pelo fluxo de carga diário e permite identificar os casos críticos no sistema, como barras não recomendáveis e probabilidades de riscos nos resultados. Os resultados obtidos comparam o uso de baterias na rede de distribuição, diminuindo os custos totais e das perdas para cada dia, permitindo selecionar o melhor tipo. Além disto, os armazenadores conseguem reduzir o custo final de energia do sistema (sujeito a penalidades propostas) e as perdas, sendo possível determinar a melhor alternativa