Optimización de La Programación Del Sistema de Almacenamiento de Energía de Baterías Residenciales para Reducir Costos y Emisiones - ScienceDirect

6/2/2020 Optimización de la programación del sistema de almacenamiento de energía de baterías residenciales para reducir costos y emisiones - ScienceDirect
contorno Descargar Compartir Exportar
Energia y Edificios
Volumen 210 , 1 de marzo de 2020 , 109787
Optimización de la programación del sistema de almacenamiento de energía de

baterías residenciales para reducir costos y emisiones
Zachary T. Olivieri , Katie McConky
Mostrar más
https://doi.org/10.1016/j.enbuild.2020.109787 Obtenga derechos y contenido
Destacar
• Los sistemas de almacenamiento de energía de la batería utilizados para minimizar
los costos de energía aumentan las emisiones.
• Los modelos de objetivos múltiples que consideran tanto las emisiones como los
costos reducen los impactos de BESS.
• Las regiones en el centro de EE. UU. Ven los mayores beneficios de los modelos de
objetivos múltiples.
https://www-sciencedirect-com.consultaremota.upb.edu.co/science/article/pii/S0378778819312150 1/42
Resumen
La introducción del precio dinámico de la electricidad en los mercados residenciales ha creado la posibilidad de que los
consumidores residenciales de electricidad reduzcan sus facturas de electricidad utilizando sistemas de almacenamiento de
energía de batería (BESS) para el cambio de carga y / o la reducción de carga máxima. Si bien existen numerosos diseños de
sistemas y formulaciones de modelos para minimizar las facturas de electricidad a precios dinámicos, el uso de estos sistemas
tiene el potencial de causar un aumento en las emisiones de la generación de electricidad. El aumento de las emisiones está
relacionado con la diferencia en la combinación de combustible de los generadores marginales a lo largo del día, así como con las
ineficiencias asociadas con el almacenamiento de energía. En este trabajo, un modelo de optimización de objetivos múltiples está
diseñado para equilibrar los objetivos competitivos de minimizar los costos de electricidad para el propietario de la casa, así como
minimizar el dióxido de carbono (CO 2) emisiones de la operación de un BESS a precios dinámicos. Se analizan un total de 22
regiones diferentes en los EE. UU. La optimización solo para el costo de la energía resultó en un aumento anual de las emisiones
de CO 2 en todas las regiones, excepto en dos, que van de 70 a 2200 kg por hogar. El modelo de objetivos múltiples cuando se
utiliza un costo social de carbono de 42 $ / tonelada se puede utilizar para reducir económicamente estas emisiones adicionales
en la mayoría de las regiones en cualquier lugar de 49 a 1450 kg de CO 2 por año.
anterior Siguiente
Palabras clave
Sistema de almacenamiento de energía de la batería; BESS; Emisiones; Demanda - gestión lateral; Hogares
inteligentes; Programación óptima
Terminología
BESS
contorno Descargar
Sistema de almacenamiento Compartir
de Exportar
energía de batería
DALMP
Día por delante Precios marginales locales
MEF
Factor de emisión marginal
PV
Fotovoltaica
RTO
Operadores de transmisión regional
PARA TI
Tiempo de uso Precios de energía
1 . Introducción
Para muchos consumidores, el precio de la electricidad no es constante durante todo el día. Bajo esquemas de precios dinámicos,
tales como precios en tiempo real y precios de tiempo de uso, las empresas de servicios públicos pueden cambiar el precio de la
electricidad para promover un menor uso de energía durante ciertos momentos del día. Uno de los objetivos principales de los
precios dinámicos de la electricidad es reducir la demanda máxima de electricidad a nivel del sistema al cobrar más por la
electricidad cuando las demandas a nivel del sistema son más altas. Debido a las preocupaciones de que los clientes no sabrán
cómo, o no estarán dispuestos, a ajustar su programa de uso a un modelo de precios dinámico, ha habido una variedad de
investigaciones sobre el desarrollo de Sistemas autónomos de almacenamiento de energía de batería (BESS) que los clientes
podrían instalar para almacenar energía durante períodos de precios bajos y suministro de energía durante períodos de precios
altos. Estos BESS autónomos podrían reducir el "cliente"[4] .
El uso del almacenamiento de energía para el cambio de carga puede ser un método efectivo para ahorrar dinero con precios
dinámicos. Sin embargo, hay investigaciones que han demostrado que el almacenamiento de energía a granel puede aumentar las
emisiones de dióxido de carbono (CO 2 ) de la producción de energía [5] , [9] , [10]. Esto se debe a dos razones principales;
primero es que el almacenamiento de energía tiene ineficiencias inherentes y, por lo tanto, requiere más producción para
contorno
producir Descargar
la misma cantidad Compartir
de energía. En segundoExportar
lugar, los generadores marginales son, en algunos casos, más limpios que los
generadores fuera de pico, por lo que los sistemas de almacenamiento se están cargando potencialmente utilizando electricidad
de plantas con emisiones más altas que las que funcionan cuando el sistema de almacenamiento está suministrando energía. Este
trabajo explora el impacto de las emisiones a nivel residencial de BESS que se operan con el único objetivo de reducir los costos
de electricidad en tiempo real del consumidor.
El sector eléctrico ya es un gran contribuyente a las emisiones de gases de efecto invernadero (GEI) en los EE. UU., Generando el
37% de las emisiones totales de CO 2 relacionadas con la energía de EE. UU. En 2015 [6] . Los consumidores que responden a las
señales dinámicas de precios utilizando un BESS pueden, sin saberlo, aumentar su huella de carbono. La reducción de la
demanda máxima de electricidad es un objetivo importante para los servicios públicos. Las estrategias dinámicas de fijación de
precios tienen como objetivo reducir las cargas máximas, pero los impactos que esta reducción puede causar en las emisiones de
GEI deben cuantificarse, ya que muchos estados de los EE. UU. Se han comprometido a reducir los GEI al unir iniciativas como la
Iniciativa Regional de Gases de Efecto Invernadero (RGGI) y el clima occidental Iniciativa (WCI) que ha establecido programas
basados en el mercado para reducir las emisiones de GEI.
En este trabajo, se formula un modelo para optimizar el funcionamiento de un sistema de almacenamiento de energía de batería
(BESS) bajo precios dinámicos de electricidad. El modelo se utiliza para desarrollar programas óptimos de carga y descarga de la
batería bajo tres objetivos diferentes: minimizar los costos de energía dependientes del tiempo, minimizar las emisiones de
carbono y un modelo de objetivos múltiples que considera tanto los costos de energía como las emisiones de carbono al incluir un
costo social de carbono. Evaluamos el funcionamiento de los BESS en 22 regiones eGRID de los Estados Unidos continentales. El
modelo ayuda a proporcionar una mejor comprensión de la relación entre la reducción de costos y el aumento de CO 2emisiones
para BESS residenciales. Se hacen recomendaciones para establecer los costos sociales del carbono en cada una de las 22 regiones
de eGrid para que los consumidores puedan ahorrar dinero en sus facturas de energía sin dejar de ser administradores del medio
ambiente.
2 . Trabajo relacionado
Tradicionalmente, la mayoría de la investigación del sistema de almacenamiento de energía de batería para locales residenciales
se ha centrado en sistemas con generación fotovoltaica (PV) y BESS. Investigaciones recientes se han centrado en el
dimensionamiento y la operación óptimos de los sistemas integrados PV y BESS con el objetivo de minimizar el costo y / o
maximizar el autoconsumo de PV. El trabajo limitado ha considerado los impactos de emisiones relacionados con las estrategias
contornode BESS,
de operación Descargar Compartir
especialmente Exportar
en hogares sin PV.
Varios estudios recientes han analizado las estrategias de operación para los sistemas acoplados PV + BESS que operan con
límites de alimentación, como las tarifas utilizadas en Alemania que limitan la cantidad de generación de PV que puede
retroalimentarse a la red. Angenendt y col. [1] comparó varias estrategias operativas comunes de BESS. La clave de sus hallazgos
fue que la incorporación de pronósticos para la demanda de energía y la producción fotovoltaica en sus estrategias y el
establecimiento de límites de estado de carga mejoraron significativamente la vida útil de la batería en comparación con una
estrategia más tradicional dirigida a maximizar el autoconsumo. Hess y col. [8]de manera similar, considera los límites de
alimentación en su programa lineal diseñado para dimensionar de manera óptima un sistema PV + BESS. Su modelo incorporó
una estrategia de carga simple que tenía como objetivo maximizar el autoconsumo sin exceder los límites de alimentación. Su
objetivo era maximizar las ganancias del sistema. Tanto en Angenendt et al. [1] y Hess et al. [8] no se consideraron los precios
dinámicos de la electricidad y tampoco se evaluaron los impactos en las emisiones del sistema.
Investigaciones recientes han comenzado a analizar la optimización de los sistemas PV + BESS que operan con precios dinámicos
de electricidad, como las tasas de tiempo de uso (TOU) y los cargos por demanda. Nottrott y col. [16] utilizó un programa lineal
para operar de manera óptima un sistema de batería usando 24 h PV y pronósticos de demanda. Descubrieron que su estrategia
que intentaba limitar la carga máxima tenía un valor presente neto más alto debido al aumento de la vida útil de la batería y la
reducción de las cargas de demanda que las reglas de carga heurísticas más simples. Si bien su trabajo consideró las políticas de
precios de TOU, no consideraron las emisiones e ignoraron las ineficiencias de carga y descarga de la batería. O'Shaughnessy y
col. [17]utilizó el modelo REopt de NREL para evaluar el impacto de las tasas de TOU, las horas pico de las tasas de TOU, las tasas
de carga de demanda y las tasas de compensación de venta de PV en la operación económica de un sistema PV + BESS junto con
electrodomésticos inteligentes. Específicamente, se incorporaron un calentador de agua inteligente y AC inteligente por su
potencial de cambio de carga. Su estudio encontró que una combinación de dispositivos inteligentes PV + BESS plus se puede
operar de manera óptima bajo una variedad de estructuras de costos para que el operador siga siendo económico. Este estudio
tampoco consideró los impactos de la operación de la batería en las emisiones.
Si bien la mayoría de los trabajos con sistemas PV + BESS han ignorado en gran medida las emisiones, tanto Stadler et al. [20] y
más recientemente Litjens et al. [12] ofreció alguna consideración para las emisiones. Stadler y col. [20]evaluó el diseño óptimo
de un edificio integrado y un sistema de almacenamiento de energía para la operación de un hogar de ancianos. Consideraron una
gran variedad de tecnologías en su modelo, incluyendo entre muchas otras opciones PV, celdas de combustible, calor y potencia
combinados, motores alternativos y baterías. Utilizaron el modelo DER-CAM para ilustrar que la optimización de las emisiones
contorno
tendría Descargar
un costo prohibitivo. Si bienCompartir Exportar
mencionaron que las emisiones varían a lo largo del día, hicieron uso de un solo factor de
emisiones marginales que ignoró los factores de emisiones dependientes del tiempo. Litjens y col. [12]consideró el impacto
ambiental de las estrategias de control para los sistemas que combinan bombas de calor de fuente terrestre, PV y BESS. La
estrategia de control se centró en aumentar la autosuficiencia en las instalaciones y comparó las reducciones de emisiones de su
estrategia de control en varios países. Si bien su estrategia comparó las reducciones de emisiones, solo utilizaron un único factor
de emisiones anual. También permitieron que el sistema fotovoltaico cargara su batería y no consideraron los precios dinámicos
de la electricidad ni la optimización de costos en su modelo.
Muchos modelos de sistemas de energía residenciales han utilizado modelos de objetivos múltiples que consideran tanto el costo
como las emisiones, pero estos modelos se enfocan principalmente en dimensionar de manera óptima varios componentes del
sistema de energía para un hogar. Por ejemplo, en Mohammadkhani et al. [15]Se desarrolla un modelo de objetivos múltiples que
considera tanto los costos de energía como las emisiones para diseñar y operar una residencia que tenga un BESS, un sistema
combinado de refrigeración, calefacción y energía, y un vehículo eléctrico híbrido enchufable. Utilizando su modelo, identificaron
configuraciones de sistema que ofrecen un equilibrio entre los costos de energía y las emisiones. Si bien su modelo mostró que
considerar tanto las emisiones como los costos pueden afectar las decisiones de diseño y operación, no consideraron las tasas de
emisión dependientes del tiempo en su estudio, que varían según el operador de la empresa regional y podrían afectar aún más
los resultados. Wang y col. [22]Desarrollar un modelo de objetivos múltiples que considere tres objetivos: autonomía del sistema,
costo y emisiones para dimensionar de manera óptima los componentes de un sistema de energía residencial, incluido un sistema
de almacenamiento de energía de batería. Muestran que considerar los tres objetivos afecta simultáneamente las decisiones de
diseño.
A diferencia de los estudios que se centran en el diseño óptimo del sistema, este documento se centra en el funcionamiento
óptimo de un sistema de almacenamiento de energía de batería listo para usar que un consumidor puede instalar con el objetivo
de reducir sus costos de energía. Ha habido algunos trabajos que han evaluado el uso de BESS para reducir las facturas de energía
de los consumidores. En Arcos-Vargas et al. [2] la economía de un BESS se evalúa para un hogar residencial en España, donde
BESS opera para reducir las facturas de energía que incluyen tanto un cargo por consumo como por demanda. Muestran que un
BESS de tamaño óptimo puede reducir la factura de energía de un consumidor, pero no evalúan el impacto del sistema en la
generación de emisiones. McMahon y col. [13]evaluó la operación de un BESS residencial bajo varias estrategias de operación,
incluida la reducción de la demanda máxima, el cambio de la demanda de carga de vehículos eléctricos y la maximización del
autoconsumo. Descubrieron que con algunos subsidios económicos y diferentes costos de energía en el tiempo de uso, un BESS
contorno
podría Descargar
ser útil para reducir Compartir
las facturas Exportar
de energía de un consumidor en el Reino Unido.
Al diferenciarnos de la literatura existente, nuestro trabajo se enfoca en los impactos ambientales y de costos de operar un
sistema de almacenamiento de energía de baterías listo para usar bajo diferentes objetivos. Este sistema se eligió porque
recientemente han aparecido en el mercado sistemas de baterías para el hogar que podrían ser asequibles para un consumidor
promedio, como el Tesla Powerwall [21] . A medida que estos sistemas de baterías se vuelven más frecuentes, es importante
comprender el impacto que estos sistemas BESS tienen en las tasas de emisión. Además, en lugar de utilizar solo factores de
emisión anuales, nuestro trabajo analiza los factores de emisión marginales dependientes del tiempo en 22 regiones de
distribución de EE. UU., Para comprender en detalle qué regiones pueden verse más o menos afectadas por los objetivos
operativos de BESS.
3 . Metodología
El sistema estudiado en este trabajo se compone de un solo hogar conectado a la red eléctrica. El hogar tiene un medidor
inteligente y un programador de energía instalado, así como un BESS. La información sobre precios y los factores de emisiones
marginales se envían al medidor inteligente y el programador usa esta información para determinar cuándo se carga el BESS,
cuándo la casa usa electricidad de la red y cuándo usa la electricidad del BESS como se muestra en la Fig. 1 .
Descargar: Descargar imagen de alta resolución (187KB) Descargar: Descargar imagen a tamaño completo
Fig.1 . Representación del sistema que contiene un hogar, medidor inteligente, programador de energía y BESS.
En la práctica, dicho sistema también necesitaría usar algún método para predecir la demanda de electricidad del hogar cada día,
pero por simplicidad, este experimento utiliza datos perfectos de demanda de electricidad. Los datos de demanda utilizados se
describen más detalladamente en la Sección 3.2 .
Además del precio y la demanda de electricidad, el programador necesitará información sobre cómo cambian las emisiones de CO
2 de la generación de electricidad a lo largo del día. Esta información también podría ser suministrada por la utilidad a través del
medidor inteligente. En este estudio, los factores de emisiones marginales (MEF) desarrollados en Siler-Evans et al. [19] que dan
un valor para cada hora del día que representa la cantidad de emisiones de CO 2 por unidad de electricidad generada en el margen
en 22 regiones eGRID de los Estados Unidos.
Las especificaciones del sistema de batería se basan en el Powerwall de Tesla, que es un BESS disponible comercialmente. Las
especificaciones son: una capacidad utilizable de 13.5 kWh, 90% de eficiencia de ida y vuelta y una potencia continua de 5 kW que
equivale a una tasa C de C / 2.7 (se supone que la tasa de carga y descarga es la misma para los fines de este experimentar). Se
contorno
asumió que se podíaDescargar
lograr de manera Compartir Exportar
segura una profundidad de descarga del 100% de la capacidad utilizable.
Se desarrolló un algoritmo de programación basado en el sistema descrito anteriormente que determina los tiempos óptimos para
cargar y descargar el BESS mientras se consideran tanto el costo como las emisiones.
3.1 . Modelo
El modelo utilizado en este experimento es una versión modificada de un modelo desarrollado en [14] que fue diseñado para
minimizar el costo de electricidad a un cliente mediante la programación de un BESS. El modelo se modificó agregando varias
funciones objetivas alternativas y restricciones para calcular las emisiones de CO 2 producidas. Este modelo fue elegido porque es
conciso y efectivo, y puede modificarse fácilmente para minimizar las emisiones.
Dejar
T El conjunto de intervalos de tiempo discretos.
di Demanda promedio de electricidad del hogar (kW) durante el intervalo de tiempo i, i T
eCost i Costo de electricidad ($ / kWh) durante el intervalo de tiempo i, i T
cCost Costo social del carbono ($ / tonelada)
MEF i Factor de emisión marginal (g / kWh) durante el intervalo de tiempo i, i T
yo Duración de cada intervalo de tiempo (horas)
inef Parámetro de ineficiencia (0 a 1)
Gorra Capacidad de la batería (kWh)
gToT Factor de conversión de gramos a toneladas métricas (1 * 10 −6 )
Variables de decisión
pc i Potencia cargada a la batería (kW) durante el intervalo de tiempo i, i T
pd i Potencia descargada de la batería (kW) durante el intervalo de tiempo i, i T

eBill i Cantidad facturada por el uso de energía para el intervalo de tiempo i, i T
CO 2 i Emisiones generadas (g) para el intervalo de tiempo i, i T
SOC i Estado de carga de la batería en el momento i
Funciones objetivas
(1)
(2)
(3)
Sujeto a
(4)
(5)
(6)
(7)
(8)
(9)
(10)
(11)
The model can be run with one of three different objective functions. Eq. (1) minimizes the time dependent energy costs incurred
to meet the household's energy demand. Eq. (2) minimizes the emissions produced to meet the household's energy demand. Eq.
(3) considers both energy cost and emissions. By including a social cost of carbon in the objective function of Eq. (3) the relative
contorno
importance Descargar
of minimizing emissionsCompartir
versus energyExportar
cost can be manipulated by changing the social cost of carbon. As the social
cost of carbon is increased, the model will more heavily favor schedules that produce fewer emissions, while when the social cost
of carbon is 0 or small the model will produce schedules that minimize energy cost without consideration of emissions.
The constraints shown in (6) and (7) are non-negativity constraints for the power charged to and discharged from the battery.
Constraint (8) is a maximum charge rate restriction based on the specifications of the BESS used. In our model the maximum
charge rate was set to 5 kW in accordance with the Tesla Powerwall. Constraint (9) calculates the battery's state of charge at time
i. Constraint (10) ensures that the state of charge is non-negative, while constraint (11) ensures that the state of charge of the
battery does not exceed the battery's capacity. Because of inefficiencies involved in charging the battery, the model will naturally
never choose to both charge and discharge the battery in the same time period. Constraint (4) calculates the energy cost for period
i, while (5) calculates the CO2 emissions produced during time interval i.
3.2. Data
The household electricity demand profile used for this experiment is from House B in the UMass Smart*Home Data Set [3]. The
house is about 1700 square feet with two floors and four full-time occupants; it is located in western Massachusetts. Hourly power
consumption in kilowatts is available for 1 week in July, from Monday July 15, through Sunday July 21, 2013.
The electricity prices used in the model are the Day Ahead Local Marginal Prices (DALMPs) provided by regional transmission
operators (RTOs) and independent system operators (ISOs) throughout the US. The model will be run for 22 of the 26 EPA
eGRID regions [7] which are not all encompassed by an RTO/ISO. The DALMP of the nearest region is used for regions without
an RTO/ISO. Table 1 captures the mapping used between RTO/ISO regions and the eGRID regions. Regions in Table 1 marked by
an asterisk (*) do not have an RTO/ISO and are using prices from a nearby region. When reviewing the data for July 15th through
July 21, 2013 the Southwest Power Pool (SPP) ISO had abnormally high costs during two weekend hours. Because these
abnormally high costs were having significant impacts on the optimization, the weekend data of the SPP ISO were replaced with
weekend data from the previous week to obtain a more typical weekly price schedule. Regions marked with a plus (+) in Table 1
have been affected by this change.
Table 1. eGRID Region to RTO/ISO mappings (* represent regions using the nearest RTO/ISO, while + represent regions where
abnormally high weekend prices were replaced with more typical prices from the week before).

eGRID Region RTO/ISO
NEWE ISO-NE
NYUP NYISO
NYLI NYISO
NYCW NYISO
RFCE PJM
RFCW PJM
SRVC PJM
SRSO * + SPP
FRCC * + SPP
SRTV PJM
RFCM MISO
MROE MISO
MROW MISO
SRMW MISO
SRMV + SPP
ERCT ERCOT
SPSO + SPP
SPNO + SPP
RMPA + SPP
eGRID Region RTO/ISO

NWPP * CAISO
AZNM * CAISO
CAMX CAISO
Siler-Evans y col. [18] desarrolló un procedimiento para estimar factores de emisiones marginales. El mismo procedimiento se
utilizó en Siler-Evans et al. [19] para estimar los MEF por hora para 22 regiones eGRID, esos mismos valores se utilizan en este
estudio para los factores de emisiones marginales.
3.3 . Experimentar
Un total de 22 regiones eGRID dentro de los Estados Unidos continentales se probaron con el modelo. Cada ejecución de modelo
consistió en identificar el horario óptimo de carga y descarga para la semana de siete días para la Casa B del conjunto de datos
UMASS [3]. Ejecutamos la optimización asumiendo que la demanda, el DALMP y los factores de emisión se conocían de
antemano. Los resultados fueron recolectados de tal manera que simulan un BESS en funcionamiento continuo. Con el uso de un
BESS de funcionamiento continuo, la batería puede tener cierto nivel de carga a medianoche mientras se prepara para un
funcionamiento óptimo durante el día siguiente. En lugar de comenzar el modelo de optimización con un estado predeterminado
de carga de la batería, se simuló el funcionamiento continuo del sistema de batería anteponiendo el conjunto de datos original con
un período de calentamiento. Además, en un BESS de funcionamiento continuo, el programa óptimo de la batería identificaría el
mejor estado de carga para comenzar al día siguiente, por lo que el conjunto de datos se agregó con un período de finalización en
caliente. Sin embargo, el modelo se ejecutó durante un período de 9 días que incluyó un período cálido de un día y un período de
finalización en caliente de un día. las medidas de rendimiento solo se recopilaron durante el período de tiempo original del
conjunto de datos de siete días. Dado que los clientes residenciales a menudo siguen horarios semanales, el conjunto de datos
original se antepuso con datos del 21 de julio de 2013 y se adjuntó con datos del 15 de julio de 2013. Las medidas de rendimiento
como las emisiones y los costos de energía se registraron solo durante el período original del 15 al 21 de julio, verTabla 2 para más
detalles.
Tabla 2 . Calentamiento del modelo, recopilación de datos y períodos de finalización en caliente.

Propósito Fecha
Periodo de calentamiento 21 de julio de 2013
15 de julio de 2013
16 de julio de 2013
Actuación 17 de julio de 2013
Medir datos 18 de julio de 2013
Período de recolección 19 de julio de 2013
20 de julio de 2013
21 de julio de 2013
Acabado en caliente 15 de julio de 2013
A total of 304 optimization runs were completed for each region. These runs consisted of a baseline run where the battery
capacity was set to zero, and baseline emissions and energy costs for the house with no BESS were recorded. Next, two runs were
completed to minimize energy costs (Eq. (1)), and then to minimize emissions (Eq. (2)) while operating the BESS. Finally 301
runs were completed using Eq. (3) as the objective function where the social cost of carbon was increased from 0 to $300. The
range of 0 to $300 for the social cost of carbon is in line with the EPA's estimates which range between $11 to $212 from 2015 to
2050 [11]. The 3% average social cost of carbon for 2020 is listed as 42 $/ton.
4. Results and discussion

This section presents and discusses the results of operating a BESS under various objectives and regional situations. First the
single objective optimization results are discussed, followed by a discussion of the multi-objective model.
4.1. Single objective optimization

For each region two separate single objective optimizations were run; one minimizing DALMP energy costs and one minimizing
CO2 contorno Descargar
emissions. For each Compartir
objective the DALMP energyExportar
costs and emissions were recorded and compared to the baseline energy
costs and emissions of the house operating without a battery system. Table 3 shows the impact to energy costs and emissions
under the different objectives. Negative numbers indicate a reduction (improvement) over the baseline, while positive numbers
seen in red indicate an increase over the baseline. Table 3 is sorted by percentage increase in emissions when minimizing energy
cost from highest to lowest.
Tabla 3 . Reducciones porcentuales de costos y emisiones de CO 2 sobre la línea de base para las optimizaciones de un solo
objetivo. Los valores negativos indican un aumento sobre la línea de base.
Objetivo MIN DALMP costo de energía Emisiones mínimas
Región Costo de energía ($)% de Emisiones de CO 2 (kg)% de Costo de energía ($)% de Emisiones de CO 2 (kg)% de
cambio desde la línea de cambio desde la línea base cambio desde la línea de cambio desde la línea base
base base
RFCM −25,28 28,19 38,27 −22,78
ERCT −18,52 13,89 23,67 −7.86
MROW −27,98 11,69 30,41 −7.20
RMPA −57.39 11,22 0,81 −9,80
SPNO −51,69 10,26 6.88 −10.86
SRTV −39,62 9,87 39,58 −5,16
SRMW −25,90 9.33 19.10 −5,39
SRMV −45.87 9.15 −2,48 −9.00
MROE −27,98 8,92 7.54 −8.00
Objetivo MIN DALMP costo de energía Emisiones mínimas

Región Costo de energía ($)% de Emisiones de CO 2 (kg)% de Costo de energía ($)% de Emisiones de CO 2 (kg)% de
cambio desde la línea de cambio desde la línea base cambio desde la línea de cambio desde la línea base
base base
CAMX −14,18 7,90 10.03 −2,75
RFCW −36.89 7.15 48.25 −3,21
AZNM −19,45 5.44 12,98 −7,94
FRCC −45.87 5.39 −4,66 −10,43
SPSO −45.54 5.23 −29.54 −10.17
NWPP −14,92 3,69 2,19 −5,36
NYCW −30,14 3,55 −12.81 −4,77
SRVC −40,67 2,99 3.18 −5,34
RFCE −39.53 2,55 −16,99 −1,42
NEWE −32,26 2,08 −15,64 −0,74
NYLI −42.69 0,96 −21,37 −1,89
SRSO −45.87 −0,22 −8,61 −4,92
NYUP −28,40 −2.10 −23,51 −4,21
Veinte de las 22 regiones experimentan un aumento en las emisiones al optimizar el costo de la energía, y cinco regiones ven un
aumento en las emisiones de más del 10% (RFCM, ERCT, MROW, RMPA, SPNO). Dos regiones, NYUP y SRSO, vieron mejoras
en las emisiones incluso al minimizar los costos de energía. El ahorro promedio de costos de energía fue del 34% sobre los costos
de energía de referencia al optimizar el programa de batería para minimizar los costos de energía, ofreciendo un potencial de
ahorro de costos significativo para el propietario. Desafortunadamente, este ahorro de costos se produce con un aumento
promedio de las emisiones sobre la línea base del 7.1%, un impacto que el propietario promedio probablemente ni siquiera es
consciente. RFCM experimentó el mayor aumento porcentual en las emisiones al minimizar los costos de energía; Se logró una
contorno
reducción del 25% enDescargar Compartir
los costos de energía Exportar del 28% en las emisiones.
con un aumento
When optimizing the battery schedule to minimize emissions, only thirteen of the 22 regions see an increase to energy costs,
while 5 regions experience a cost reduction of 10% or more. Across all regions, the average emissions reductions was 6.8% over
the baseline emissions. However, reducing emissions produced cost increases of over 20% for 5 regions: RFCW,RFCM,
SRTV,MROW, and ERCT. Cost increase is an impact likely not desirable for the average homeowner. When minimizing
emissions, on average the energy costs increased by 4.8%.
En la Fig. 2 se presenta un mapa de las regiones eGRID coloreadas según el aumento total de kg en las emisiones de CO 2 sobre la
línea de base cuando se minimiza el costo de energía . La escala de colores es de verde a rojo, donde las regiones más verdes
tienen bajos aumentos de emisiones o incluso reducciones de emisiones al minimizar el costo de energía, y las regiones más rojas
tienen los mayores aumentos de emisiones. La figura 2 destaca que las regiones que experimentan los mayores impactos de
emisiones (más de 15 kg de CO 2 ) se encuentran en el centro de los Estados Unidos e incluyen RFCM, MROW, SPNO, RMPA,
ERCT, SRMW, MROE y SRTV.
Fig.2 . Impacto en las emisiones al minimizar los costos de energía DALMP para 22 regiones eGRID durante una semana de
operación.
En la Fig. 3 se presenta un mapa de las regiones eGRID coloreadas en función del aumento total en los costos de energía sobre la
línea de base cuando se minimizan las emisiones . La escala de color es de verde a rojo, donde las regiones más verdes tienen
reducciones de costos al minimizar las emisiones, y las regiones más rojas tienen los mayores aumentos de costos. La figura 3
resalta que las regiones del noreste, incluyendo NYUP, NEWE, RFCE, NYLI y NYCW, así como SPSO experimentan ahorros de
costos significativos mientras minimizan las emisiones. Mientras tanto, las regiones del Medio Oeste RFCW, SRTV, RFCM y
MROWcontorno Descargar
tienen los impactos Compartir al costo
más significativos Exportar
al minimizar las emisiones.
Fig.3 . Impacto en los costos de energía de DALMP al minimizar las emisiones para 22 regiones de eGRID durante una semana de
operación.
Una observación de estos estudios de objetivo único es que la magnitud del impacto de las optimizaciones de objetivo único en el
objetivo competitivo no es uniforme en todas las regiones. Por ejemplo, en RFCW, el programa de baterías que minimiza las
emisiones ofrece solo una reducción del 3.21% en las emisiones, pero esta pequeña mejora en las emisiones tiene un costo de un
contorno
aumento del 48% enDescargar Compartir
los costos de energía. Exportar
La región NYUP tiene una posible reducción de emisiones similar de 4.21% sobre la
línea de base al minimizar las emisiones, pero este programa óptimo de emisiones también beneficia los costos de energía,
reduciendo los costos de energía en un 23%. Esta falta de uniformidad se debe principalmente a la coordinación entre las
emisiones marginales y los costos de energía DALMP. Para las regiones donde los períodos de altas emisiones marginales
corresponden con altos costos, la región puede satisfacer ambos objetivos simultáneamente.
Figs. 4 y 5 observan más de cerca las regiones RFCW y NYUP. Para cada región, las Figs. 4 y 5 destacan los (a) MEF a lo largo del
tiempo, (b) el DALMP a lo largo del tiempo, (c) la demanda de energía del hogar, (d) el estado óptimo de carga de la batería bajo
los diferentes objetivos de optimización individuales, y (e) La demanda neta del hogar. La demanda neta del hogar sería la
demanda observada por la empresa de servicios públicos si la casa operara el BESS bajo el horario optimizado. En las Figs. 4 y 5
(d) la batería se carga cuando la pendiente es positiva, se descarga cuando la pendiente es negativa y no se carga ni descarga
cuando la pendiente es 0.
Fig.4 . Estrategia de RFCW Optimzal BESS donde (a) MEF, (b) DALMP, (c) Demanda de energía doméstica, (d) Estado óptimo de
carga del BESS para cada objetivo, (e) Demanda neta observada por la empresa basada en la operación óptima de BESS .
Fig.5 . Estrategia de NYUP Optimzal BESS donde (a) MEF, (b) DALMP, (c) Demanda de energía doméstica, (d) Estado óptimo de
carga del BESS para cada objetivo, (e) Demanda neta observada por la empresa de servicios públicos basada en la operación
óptima de BESS .

Fig. 4 for the RFCW region highlights that the periods of lowest marginal emissions coincide with periods of highest cost, which
generates two very distinct optimal state of charge curves for the BESS as seen in Fig. 4(d). Also of note is that the net demand
curves for RFCW when minimizing emissions show a large number of significant spikes each day. This type of demand pattern
could be challenging for utilities to meet as it has high variability.
In contrast to RFCW, the optimal states of charge for the NYUP region seen in Fig. 5 (d) under both cost and emissions
optimization are very similar. With periods of high MEF and high cost largely coinciding with one another the optimal battery
operation schedules become similar.
4.2. Multi-objective optimization

The objective function in Eq. (3) was used to balance the objectives of minimizing emissions and minimizing cost by introducing a
social cost of carbon (SCoC). The amount of carbon reduction over the baseline for a given social cost of carbon can be seen as the
carbon abatement. Fig. 6 illustrates the carbon abatement over the baseline as the social cost of carbon is increased from 0 to 300
$/ton. Negative carbon abatements indicate increased emissions over the baseline, while positive abatements indicate reduced
emissions over the baseline. Fig. 6 contains two vertical lines per region. The red vertical line is placed at the EPA 2020 average
social cost of carbon of 42 $/ton. The blue vertical line is placed at the first social cost of carbon that generates positive emissions
abatement over the baseline (minSCoC). Fig. 7 plots the minSCoC identified for each region on a map. Of the 22 regions analyzed
8 regions experience a positive carbon emissions abatement close to or below a SCOC of 42 $/ton: FRCC, NWPP, NYUP, RMPA,
SPNO, SPSO, SRMV and SRSO. Several regions reached positive carbon emissions abatement between 42 $/ton and 100 $/ton:
AZNM, ERCT, MROE, RFCM, and SRVC. Regions CAMX, MROW, NEWE, NYLI, and SRMW saw positive carbon emissions
abatement only at costs greater than 150 $/ton. Finally, three regions, RFCW, RFCE and SRTV, saw no positive carbon abatement
while carbon costs were under 300 $/ton.

Download : Download high-res image (1MB) Download : Download full-size image
Fig. 6. Carbon abatement over baseline as the social cost of carbon is increased.
Descargar: Descargar imagen de alta resolución (746 KB) Descargar: Descargar imagen a tamaño completo
Fig.7contorno
. El costo mínimo de carbono (minSCoC)
Descargar Compartir requerido para garantizar que las emisiones permanezcan más bajas que las
Exportar
emisiones de referencia para que un BESS funcione y minimice el costo total.
Figs. 8 y 9 comparan las emisiones producidas y los costos de energía DALMP de 4 programas de operación BESS diferentes: la
línea de base donde no opera BESS, el programa BESS que minimiza las emisiones producidas, el programa BESS que minimiza
los costos de energía DALMP y el programa BESS que equilibra las emisiones y costos de energía al incluir un costo social de
carbono de 42 $ / tonelada. Es importante tener en cuenta que los costos en la Fig. 9 solo reflejan los costos de energía de DALMP
y no incluyen el costo social de las tarifas de carbono.
Fig.8contorno
. Emisiones de Descargar
CO 2 bajo 4 horarios diferentesExportar
Compartir de BESS optimizados para diferentes objetivos. La optimización del
cronograma de referencia no incluye BESS.
Descargar: Descargar imagen de alta resolución (301 KB) Descargar: Descargar imagen a tamaño completo
Fig.9 . Costos de energía bajo 4 horarios diferentes de BESS optimizados para diferentes objetivos. La optimización del
cronograma de referencia no incluye BESS.
4.3 . Costo social del impacto del precio del carbono en las facturas de energía
Hasta esta sección, todos los informes de costos de energía se han relacionado solo con la parte DALMP de la factura de
contornoEsta sección
electricidad. Descargar
analiza lo Compartir Exportar
que sucedería con las facturas de servicios eléctricos si los servicios públicos realmente
comenzaran a agregar una tarifa adicional por las emisiones de carbono producidas por una residencia. Los impactos en las
facturas de servicios públicos se evalúan bajo dos costos sociales de los precios del carbono: los 42 $ / ton recomendados por la
EPA y el costo social mínimo del carbono identificado en la Fig. 6 para cada región que garantiza que las emisiones producidas
mientras se opera el BESS son menores las emisiones producidas sin operación BESS.
La Tabla 4 proporciona varias piezas de información para cada región. En primer lugar, se proporcionan el costo de energía
DALMP de referencia, las emisiones de referencia y el costo total de referencia que incluye 42 $ / tonelada de costo social de
carbono. En segundo lugar, el costo de energía DALMP, las emisiones y el costo total se proporcionan para el modelo de
optimización de objetivos múltiples ( Ec. (3)) utilizando un costo social de carbono de 42 $ / tonelada. Cuando los costos de
carbono se incluyen en la factura total de electricidad, un cliente residencial sin BESS puede esperar pagar en promedio un 50%
más por su factura de electricidad. Este aumento general de la factura de electricidad varía del 19% al 91% dependiendo de la
región, con MROW, MROE, NWPP, RMPA, SPNO, SRMW viendo aumentos en sus facturas de servicios públicos de más del 80%.
Regions NYCW y NYLI verían los aumentos más pequeños de solo el 19% con la adición de una carga de carbono. Cuando se
incluyen los cargos por carbono y un sistema BESS funciona para minimizar el costo total, el aumento de la factura del
propietario sobre las tarifas de referencia sin un cargo por carbono se reduce de un aumento promedio del 50% a solo un aumento
del 23%. De hecho, con el uso de un BESS programado de manera óptima, el costo total, incluidos los cargos por carbono,
disminuyó en 5 regiones por encima de las tarifas de referencia que no incluían un cargo por carbono. FRCC, NEWE, NYCW,
NYLI y RFCE experimentarían cargos totales más bajos bajo las tarifas de carbono con un BESS programado de manera óptima
de lo que experimentarían sin un BESS y sin cargos de carbono. El aumento de precio máximo usando un BESS programado
óptimamente se redujo del 91% al 72%. La introducción de un precio de carbono de 42 $ / tonelada aumentaría en promedio las
emisiones sobre las emisiones de referencia en solo un 2%, con un aumento máximo del 16% en RFCM. Por el contrario, realizar
una optimización de solo costos aumentaría las emisiones en promedio en un 7.14% en todas las regiones, con un aumento
máximo del 28% en RFCM. y RFCE experimentaría cargos totales más bajos bajo las tarifas de carbono con un BESS programado
de manera óptima de lo que experimentarían sin un BESS y sin cargos de carbono. El aumento de precio máximo usando un
BESS programado óptimamente se redujo del 91% al 72%. La introducción de un precio de carbono de 42 $ / tonelada
aumentaría en promedio las emisiones sobre las emisiones de referencia en solo un 2%, con un aumento máximo del 16% en
RFCM. Por el contrario, realizar una optimización de solo costos aumentaría las emisiones en promedio en un 7.14% en todas las
regiones, con un aumento máximo del 28% en RFCM. y RFCE experimentaría cargos totales más bajos bajo las tarifas de carbono
con un BESS programado de manera óptima de lo que experimentarían sin un BESS y sin cargos de carbono. El aumento de
precio máximo usando un BESS programado óptimamente se redujo del 91% al 72%. La introducción de un precio de carbono de
42 $ contorno Descargar
/ tonelada aumentaría Compartir
en promedio Exportar
las emisiones sobre las emisiones de referencia en solo un 2%, con un aumento máximo
del 16% en RFCM. Por el contrario, realizar una optimización de solo costos aumentaría las emisiones en promedio en un 7.14%
en todas las regiones, con un aumento máximo del 28% en RFCM. con un aumento máximo del 16% visto en RFCM. Por el
contrario, realizar una optimización de solo costos aumentaría las emisiones en promedio en un 7.14% en todas las regiones, con
un aumento máximo del 28% en RFCM. con un aumento máximo del 16% visto en RFCM. Por el contrario, realizar una
optimización de solo costos aumentaría las emisiones en promedio en un 7.14% en todas las regiones, con un aumento máximo
del 28% en RFCM.
Tabla 4 . Comparación de los costos totales y las emisiones de carbono con el sistema básico sin BESS donde los costos totales
incluyen una tarifa de carbono de 42 $ / tonelada.
Base Costo total mínimo (SCoC = 42 $ / tonelada)
Región Costo Emisiones Costo total $ (% de aumento Costo Emisiones de CO 2 (kg) (% Costo total (% de aumento
de de CO 2 sobre el costo de energía de de de aumento sobre la línea sobre el costo de energía de
energía (kg) referencia) energía de base) referencia)
($) ($)
AZNM 14,2 130,7 19,7 (39%) 11,4 133,9 (2%) 17,0 (20%)
CAMX 10,4 115,1 15,3 (46%) 9.0 122,0 (6%) 14,1 (35%)
ERCT 8.5 153,0 14,9 (76%) 7.3 163,3 (7%) 14,1 (66%)
FRCC 13,1 132,2 18,6 (42%) 7.2 126,6 (−4%) 12,5 (−5%)
MROE 10,4 216,6 19,5 (87%) 7.5 223,2 (3%) 16.9 (63%)
MROW 10,4 223,9 19,8 (90%) 7.6 237,5 (6%) 17,5 (69%)
NEWE 19,9 122,3 25,0 (26%) 13,5 123,7 (1%) 18,7 (−6%)
Base Costo total mínimo (SCoC = 42 $ / tonelada)

Región Costo Emisiones Costo total $ (% de aumento Costo Emisiones de CO 2 (kg) (% Costo total (% de aumento
de de CO 2 sobre el costo de energía de de de aumento sobre la línea sobre el costo de energía de
energía (kg) referencia) energía de base) referencia)
($) ($)
NWPP 9.6 193,0 17,7 (85%) 8.3 193,9 (0%) 16,5 (72%)
NYCW 23,2 102,6 27,6 (19%) 16,3 105,3 (3%) 20,7 (−11%)
NYLI 32,8 148,1 39,0 (19%) 18,8 149,5 (1%) 25,1 (−24%)
NYUP 17,1 129,0 22,5 (32%) 12,3 125,3 (3%) 17,5 (3%)
RFCE 20,1 177,5 27,5 (37%) 12,2 180,2 (2%) 19,8 (−1%)
RFCM 11,5 150,6 17,9 (55%) 9.2 174,4 (16%) 16,6 (43%)
RFCW 16,4 205,4 25,1 (52%) 10,4 219,0 (7%) 19,6 (19%)
RMPA 8.8 191,7 16,9 (91%) 4.2 4.2 190,6 (−1%) 12,2 (39%)
SPNO 11,2 217,7 20,4 (82%) 5.9 212,1 (−3%) 14,8 (32%)
SPSO 12,9 165,9 19,8 (54%) 7.3 158,3 (−5%) 14.0 (9%)
SRMV 13,1 163,8 20,0 (53%) 7.4 156,7 (−4%) 13,9 (6%)
SRMW 10,8 212,0 19,7 (82%) 8.1 229,4 (8%) 17,7 (64%)
SRSO 13,1 177,1 20,5 (57%) 7.3 172,5 (−3%) 14,5 (11%)
SRTV 18,7 187,4 26,6 (42%) 11,4 204,2 (9%) 19,9 (7%)
SRVC 20,3 192,3 28,4 (40%) 12,1 194,0 (1%) 20,3 (0%)
La Tabla 5 incluye casi la misma información en la Tabla 4 , con la excepción de que en la Tabla 5 el programa BESS óptimo se
ejecuta al costo social mínimo identificado de carbono para el cual las emisiones no exceden las emisiones de referencia. El costo
social mínimo del carbono (minSCoC) se incluye en la Tabla 5 . Dado que las emisiones aseguradas por minSCoC eran iguales o
contorno
inferiores Descargar
a las emisiones Compartir
de referencia, Exportar
la información de emisiones no se incluyó en la Tabla 5. Al usar el minSCoC y un
programa óptimo de BESS, 5 regiones experimentarán facturas de servicios públicos significativamente más bajas que el sistema
de línea de base donde no se consideran cargos por carbono. FRCC, NYUP, SPSO, SRMV y SRSO pueden esperar que sus facturas
de servicios públicos se reduzcan entre un 15 y un 45% si se introduce una carga de carbono al nivel minSCoC y operan un BESS
programado de manera óptima. Desafortunadamente, todas las demás regiones pueden esperar ver un aumento significativo en
su factura total de electricidad si se introducen cargas de carbono al nivel minSCoC, incluso con la operación de un BESS
programado de manera óptima. CAMX, MROW y SRMW se ven particularmente afectados con aumentos de factura cercanos o
superiores al 300%. RFCE, RFCW y SRTV probablemente también verían aumentos de facturas muy grandes. Estas regiones no
aparecen en la Tabla 5ya que no hubo un costo social del carbono por debajo de 300 $ / tonelada que pudo mantener las
emisiones por debajo de los niveles de referencia. En promedio en todas las regiones en la Tabla 5 , el costo de mantener las
emisiones en o por debajo de los niveles de referencia cuando se opera un BESS requiere un aumento del 85% en su factura de
servicios públicos cuando los cargos minSCoC están incluidos en la factura.
Tabla 5 . Comparación de los costos totales con la línea de base sin sistema BESS donde los costos totales incluyen una tarifa de
carbono que se establece en la tarifa mínima requerida para garantizar que las emisiones no aumenten sobre la línea de base.
Base Costo total mínimo usando minSCoC
Región minSCoC ($ Costo de Costo total $ (% de aumento sobre el Costo de Costo total (% de aumento sobre el
/ tonelada) energía ($) costo de energía de referencia) energía ($) costo de energía de referencia)
AZNM 73 14,23 23,77 (67%) 11,61 21,13 (49%)
CAMX 277 10,44 42,32 (305%) 9,74 41,61 (299%)
ERCT 84 8.50 21,35 (151%) 7,95 20,77 (144%)
FRCC 21 13.09 15,87 (21%) 7.15 9,92 (−24%)
MROE 87 10.40 29,24 (181%) 7,99 26,81 (158%)
Base Costo total mínimo usando minSCoC

Región minSCoC ($ Costo de Costo total $ (% de aumento sobre el Costo de Costo total (% de aumento sobre el
/ tonelada) energía ($) costo de energía de referencia) energía ($) costo de energía de referencia)
MROW 172 10.40 48,91 (370%) 9.56 47,98 (361%)
NEWE 186 19,91 42,66 (114%) 13,67 36,42 (83%)
NWPP 44 9.59 18,08 (89%) 8.36 16,85 (76%)
NYCW 123 23,24 35,86 (54%) 16,49 29,09 (25%)
NYLI 166 32,76 57,34 (75%) 18,94 43,52 (33%)
NYUP 00 17.08 17,08 (0%) 12,23 12,23 (−28%)
RFCM 81 11,55 23,75 (106%) 10,55 22,64 (96%)
RMPA 41 8.83 16,69 (89%) 4.22 12.04 (36%)
SPNO 27 11,21 17,09 (52%) 5,65 11,51 (3%)
SPSO 8 12,86 14,19 (10%) 6,91 8,23 (−36%)
SRMV 23 13.09 16,86 (29%) 7.27 11.04 (−16%)
SRMW 189 10,81 50,88 (370%) 10,44 50,48 (367%)
SRSO 00 13.09 13,09 (0%) 7.09 7.09 (−46%)
SRVC 76 20,34 34,95 (72%) 12.25 26,85 (32%)
Para la mayoría de las regiones, incluir un costo social de carbono en la factura real de servicios públicos (ya sea 42 $ / ton o
minSCoC) daría lugar a aumentos de costos significativos para el consumidor, incluso con un BESS programado de manera
óptima. Por esta razón, incluir un costo social de carbono establecido en el nivel minSCoC se recomendaría solo para las regiones
FRCC, NYUP, SPSO, SRMV y SRSO eGRID. Establecer el costo social del carbono en 42 $ / tonelada para NEWE, NYCW, NYLI,
SRVC resultaría en facturas de energía más bajas para el consumidor y aumentaría las emisiones de solo 2.4% en estas regiones.
Para todas las demás regiones, no se recomienda la introducción de una carga de carbono adicional en este momento debido a su
contorno
impacto significativoDescargar Compartir
en la factura total de energía, Exportar
incluso con el uso de un BESS programado de manera óptima.
Si bien la introducción de un cargo por carbono a la factura de servicios públicos no se recomienda para muchas regiones,
ejecutar una optimización BESS como si el cargo realmente existiera puede ayudar al consumidor a equilibrar sus deseos de
ahorrar dinero y proteger el medio ambiente. Por ejemplo, programar el BESS usando los niveles de carga minSCoC identificados
en la Tabla 5 y la Fig. 6 , puede ahorrar a los propietarios de viviendas más del 28% en promedio en su factura de servicios
públicos sin ningún impacto adverso en las emisiones.
Actualmente, la única información fácilmente disponible para los consumidores son los costos de energía que varían en el tiempo,
como DALMP o precios de tiempo de uso (TOU). Un consumidor que desea considerar su impacto ambiental, así como sus costos
de energía, también necesita información sobre los MEF para su utilidad en el transcurso de un día. Las empresas de servicios
públicos que deseen fomentar la gestión ambiental también podrían publicar estos valores MEF junto con sus precios DALMP o
TOU. Los sistemas residenciales de control de la batería se podrían programar para optimizar los horarios de BESS en función de
las preferencias del usuario. Al manipular el SCoC, un usuario puede ajustar si BESS favorece la reducción de emisiones o la
reducción de costos.
4.4 . Impacto en la reducción de la carga máxima

El uso de cronogramas BESS de objetivos múltiples tendrá un impacto en la capacidad del sistema para contribuir a la reducción
de la carga máxima (la carga máxima en este caso es a escala regional en lugar de a escala doméstica). En la mayoría de las
regiones, los cronogramas de objetivos múltiples no reducen tanta demanda en tiempos de precios altos como los cronogramas de
costo solo porque reducen la demanda en horas con altos MEF. Las regiones donde los MEF altos coinciden con DALMP alto,
como NYUP, verán beneficios de demanda pico incluso cuando operen bajo un programa BESS de objetivos múltiples.
4.5 . Relación entre la combinación de recursos de la red y las compensaciones favorables

Los hogares en regiones donde la generación de carga base se asocia con mayores emisiones de CO 2 que la generación sin carga
de base probablemente causen un aumento de las emisiones al usar un BESS optimizado solo para el costo. El carbón y el gas
natural son los recursos más utilizados en los Estados Unidos para la generación de electricidad y el carbón genera casi el doble
de CO 2 que el gas natural (EIA, 2015).
Para las regiones en este estudio que obtuvieron el mayor beneficio de los modelos multiobjetivos, uno o más de los siguientes
contorno
fueron ciertos acercaDescargar Compartir
de su generación de carbón y Exportar
gas natural: el carbón es el recurso más utilizado para la generación de energía
en la región, la mayoría de la generación de carbón. en la región se usa para la generación de carga base, y / o la mayoría de la
generación de gas natural en la región se usa para la generación sin carga base.
4.6 . Perspectiva sobre los niveles de emisión de CO 2

Para ayudar a obtener una perspectiva sobre el impacto de no considerar las emisiones de CO 2 en la programación de un BESS, la
Tabla 6 muestra las emisiones adicionales producidas sobre la línea de base al usar la optimización de solo costo con los valores
extrapolados a una escala anual. La Tabla 6 también incluye valores anuales para las emisiones producidas usando un SCoC de 42
$ / ton en el modelo de objetivos múltiples para cada región. Finalmente, la reducción de emisiones del cronograma de objetivos
múltiples en comparación con el cronograma de solo costos se incluye en la Tabla 6 . Los valores anuales en la Tabla 6 son
estimaciones aproximadas calculadas multiplicando los valores de emisiones semanales por 52. Tabla 6 ha ordenado las regiones
de las reducciones de emisiones más altas posibles a las más bajas.
Tabla 6 . Las emisiones anuales de CO 2 aumentan sobre la línea de base de optimizaciones de costo único y de objetivos múltiples.
Región Costo solo aumento de CO Costo mínimo SCoC = 42 $ / tonelada CO 2 prevenido mediante el uso de SCoC 42 $ /
2 (kg) sobre la línea de de aumento de CO 2 (kg) sobre la línea tonelada frente a la optimización de solo costo
base base (kg)
SPNO 1161 −289 1450
RMPA 1119 −59 1177
SRMV 779 −368 1147
RFCM 2208 1235 973
SPSO 451 −396 847
FRCC 371 −290 661
Región Costo solo aumento de CO Costo mínimo SCoC = 42 $ / tonelada CO 2 prevenido mediante el uso de SCoC 42 $ /
2 (kg) sobre la línea de de aumento de CO (kg) sobre la línea
2 tonelada frente a la optimización de solo costo
base base (kg)
MROE 1004 346 658
MROW 1361 710 652
ERCT 1105 537 567
NWPP 371 46 325
SRSO −21 −238 217
SRVC 299 91 91 208
AZNM 370 165 205
SRMW 1029 904 125
CAMX 473 361 112
RFCE 235 140 95
SRTV 962 873 89
NEWE 133 69 64
RFCW 764 705 59
NYCW 189 141 49
NYUP −141 −190 49
NYLI 74 74 00
Las emisiones anuales adicionales de CO 2 derivadas del uso de la optimización de solo costo oscilaron entre una reducción de 141
kg y un aumento de más de 2200 kg. Las emisiones de la optimización de objetivos múltiples variaron de una reducción de 396 kg
a un aumento de 1235 kg. Las emisiones evitadas mediante el uso del modelo de objetivos múltiples con un SCoC establecido en
42 $ contorno Descargar
/ tonelada versus Compartir
un objetivo enfocado solo enExportar
minimizar el rango de costos de 0 kg a casi 1450 kg.
Para una perspectiva diferente de cuánto CO 2 adicional puede emitirse potencialmente usando la optimización de solo costo,
emitir 2000 kg de CO 2 es equivalente a quemar 225 galones adicionales de gasolina al año o conducir 4,866 millas adicionales en
el vehículo de pasajeros promedio. Más de la mitad de las regiones examinadas emiten cerca de 1000 kg de CO 2 en un año, lo que
equivale a quemar 113 galones de gasolina o conducir 2433 millas en un vehículo de pasajeros promedio.
5 . Conclusiones y trabajo futuro

Este documento ha demostrado que operar un BESS en una premisa residencial con el objetivo de reducir el costo de la
electricidad puede tener efectos perjudiciales con respecto a las emisiones. Después de analizar 22 operadores regionales en los
Estados Unidos, se demostró que operar un sistema BESS para minimizar el costo puede aumentar las emisiones hasta en 2200
kg de CO 2 por año. Para mitigar los efectos del aumento de las emisiones, se propuso un modelo de objetivos múltiples que
considera tanto el costo DALMP como el costo social del carbono. Los resultados de un análisis del modelo propuesto indican que
existe una oportunidad sustancial en varias regiones para reducir costos sin aumentar drásticamente las emisiones.
Todavía queda mucho trabajo por hacer para comprender completamente el potencial de los programas BESS de objetivos
múltiples. El modelo debe probarse con una variedad de perfiles de demanda de los hogares para poder analizar los efectos de los
diferentes perfiles de demanda en los resultados. El modelo también debe usarse para modelar un año completo de operación, de
modo que las diferencias estacionales en los MEF y los precios dinámicos puedan explicarse. También en la práctica, el sistema
necesitará usar algún método para predecir la demanda que tendrá un impacto en la reducción de costos y emisiones que debería
cuantificarse. La inclusión de sistemas fotovoltaicos en la programación óptima de BESS también sería de interés.
Declaración de contribución de autoría CRediT

Zachary T. Olivieri: Conceptualización, Conservación de datos, Análisis formal, Metodología, Validación, Visualización,
Escritura - borrador original. Katie McConky: Conceptualización, Análisis formal, Metodología, Validación, Visualización,
Escritura - revisión y edición.
Declaraciones de intereses en competencia

Ninguna.
Reconocimiento
Agradecemos a Eric Hittinger y Brian Thorn por brindarnos sus útiles comentarios.
Apéndice . Materiales complementarios
Descargar: Descargar archivo XML (244B)
Artículos recomendados Citando artículos (0)
Datos de investigación para este artículo
Datos no disponibles / Los datos estarán disponibles a pedido
Sobre datos de investigación
Referencias
[1] G. Angenendt , S. Zurmuhlen , H. Axelsen , D. Sauer
Comparación de diferentes estrategias de operación para sistemas de almacenamiento doméstico de
baterías FV, incluidas estrategias de operación basadas en pronósticos
Appl. Energía , 229 ( 2018 ) , págs. 884 - 899
Artículo Descargar PDF Ver registro en Scopus Google Scholar
[2] A. Acros-Vargas , D. Lugo , F. Núñez
Gestión residencial de electricidad pico. Una aplicación de sistemas de almacenamiento y control que
contorno Descargar
aprovecha las ventajas deCompartir
los medidoresExportar
inteligentes
Electr. Power Energy Syst. , 102 ( 2018 ) , págs. 110 - 121
Google Académico
[3] S. Barker , A. Mishra , D. Irwin , E. Cecchet , P. Shenoy

Smart *: un conjunto de datos abiertos y herramientas para permitir la investigación en hogares
sostenibles
Actas de ACM SustKDD'12 , Beijing, China ( 2012 )
Google Académico
[4] R. Deng , Z. Yang , MY Chow , J. Chen

Una encuesta sobre la respuesta a la demanda en redes inteligentes: modelos y enfoques matemáticos
IEEE Trans. Ind. Inform. , 11 ( 3 ) ( 2015 ) , págs. 570 - 582
CrossRef Ver registro en Scopus Google Scholar
[5] P. Denholm , G. Kulcinski

Requisitos energéticos del ciclo de vida y emisiones de gases de efecto invernadero de sistemas de
almacenamiento de energía a gran escala
Convers de energía. Gestionar. , 45 ( 2004 ) , págs. 2153 - 2172
[6] Energy Information Administration. (2015) Annual Energy Outlook 2015, Retrieved from
https://www.eia.gov/outlooks/aeo/pdf/0383(2015).pdf.
Google Scholar
[7] Environmental Protection Agency. (2018) Emissions & generation resource integrated database, Retrieved from
https://www.epa.gov/energy/emissions-generation-resource-integrated-database-egrid.
Google Scholar
[8] H. Hess, R. Martins, P. Musilek, M. Naumann, C. Truong, A. Jossen

Economic optimization of component sizing for residential battery storage systems
Energies, 10 (2017), p. 835

contorno
Google ScholarDescargar Compartir Exportar
[9] E. Hittinger, I. Azevedo

Bulk energy storage increases United States electricity system emissions
Environ. Sci. Technol., 49 (5) (2015), pp. 3203-3210
CrossRef View Record in Scopus Google Scholar
[10] S. Holland, E. Mansur

Is real-time pricing green?: The environmental impacts of electricity demand variance
Rev. Econ. Stat., 90 (3) (2008), pp. 550-561
[11] Interagency Working Group on Social Cost of Greenhouse Gases

Technical Update of the Social Cost of Carbon for Regulatory Impact Analysis – Under Executive Order
12866
United States Government (2016)
Google Scholar
[12] G.B.M.A. Litjens, E. Worrell, W. van Sark

Lowering greenhouse gas emissions in the built environment by combining ground source heat pumps,
photovoltaics and battery storage
Energy Build., 180 (2018), pp. 51-71
Article Download PDF View Record in Scopus Google Scholar
[13] R. McMahon, T. Logan, J. Miles, N. McMahon, A. Ridge

Operational study of domestic battery energy storage system
Proceedings of The 9 th International Conference on Power Electronics, Machines and Drives, Liverpool, United Kingdom
(2018)
Google Scholar
[14] A. Mishra, D. Irwin, P. Shenoy, J. Kurose, T. Zhu
SmartCharge: Cutting the electricity bill in smart homes with energy storage
contorno Descargar
e-Energy, Madrid, Compartir
Spain (2012) Exportar
Google Scholar
[15] N. Mohammadkhani, M. Sedighizadeh, M. Esmaili

Energy and emission management of CCHPs with electric and thermal energy storage and electric vehicle
Therm. Sci. Eng. Progr., 8 (2018), pp. 494-508
[16] A. Nottrott, J. Kleissl, B. Washom

Energy dispatch schedule optimization and cost benefit analysis for grid-connected, photovoltaic-battery
storage systems
Renewable Energy, 55 (2013), pp. 230-240
[17] E. O’Shaughnessy, D. Cutler, K. Ardani, R. Margolis

Solar plus: optimization of distributed solar PV through battery storage and dispatchable load in
residential buildings
Appl. Energy, 213 (2018), pp. 11-21
[18] K. Siler-Evans, I. Azevedo, M. Morgan

Marginal emissions factors for the US electricity system
Environ. Sci. Technol., 46 (2012), pp. 4742-4748
[19] K. Siler-Evans, I. Azevedo, M. Morgan, J. Apt

Regional variations in the health, environmental, and climate benefits of wind and solar generation
Proceedings of the National Academy of Sciences, 110, USA (2013), pp. 11768-11773
[20] M. Stadler, C. Marnay, A. Siddiqui, J. Lai, H. Aki
Integrated Building Energy Systems Design Considering Storage Technologies

contorno Descargar
Environmental Compartir
Energy Technologies Exportar
Division, Ernest Orlando Lawrence Berkeley National Laboratory (2009)
Google Scholar
[21] Tesla (2019, April) Powerwall. Retrieved from https://www.tesla.com/powerwall.

Google Scholar
[22] Y. Wang, X. Wang, H. Yu, Y. Huang, H. Dong, C. Qi, N. Baptiste

Optimal design of integrated energy system considering economics, autonomy, and carbon emissions
J. Cleaner Prod., 225 (2019), pp. 563-578
Ver resumen
© 2020 Elsevier BV Todos los derechos reservados.
Sobre ScienceDirect
Acceso remoto
Carrito de compras
Anunciar
Contacto y soporte
Términos y Condiciones
Política de privacidad
Utilizamos cookies para ayudar a proporcionar y mejorar nuestro servicio y adaptar el contenido y los anuncios. Al continuar, acepta el uso de cookies .
Copyright © 2020 Elsevier BV o sus licenciantes o contribuyentes. ScienceDirect ® es una marca registrada de Elsevier BV
ScienceDirect ® es una marca registrada de Elsevier BV

Optimización de La Programación Del Sistema de Almacenamiento de Energía de Baterías Residenciales para Reducir Costos y Emisiones - ScienceDirect

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Optimización de La Programación Del Sistema de Almacenamiento de Energía de Baterías Residenciales para Reducir Costos y Emisiones - ScienceDirect

Caricato da

Copyright:

Formati disponibili

6/2/2020 Optimización de la programación del sistema de almacenamiento de energía de baterías residenciales para reducir costos y emisiones - ScienceDirect

contorno Descargar Compartir Exportar