Calculando Emisiones: Un Nuevo Método para la Eficiencia Energética
Un método para mejorar la precisión en la medición de las emisiones de electricidad.
― 9 minilectura
Tabla de contenidos
Cuando usamos electricidad, a menudo se liberan contaminantes al aire. Entender cómo cambian estas emisiones según la cantidad de electricidad que necesitamos es fundamental. Ahí es donde entran las emisiones marginales localizadas (EMLs). Nos ayudan a predecir cómo varían las emisiones cuando hay un pequeño aumento o disminución en la demanda de electricidad en diferentes lugares de una red eléctrica.
En muchos casos, los responsables de políticas y las compañías de servicios públicos necesitan saber sobre las emisiones para tomar mejores decisiones sobre el uso de energía y políticas destinadas a reducir la contaminación. Por ejemplo, cuando los autos eléctricos se vuelven más comunes o si se necesitan estaciones de carga, es importante saber cuánto aumento de contaminación podría venir del incremento en el uso de electricidad.
Los sistemas eléctricos de los que dependemos son complicados. Consisten en muchas partes diferentes que trabajan juntas, y estas partes pueden influenciarse entre sí de maneras intrincadas. Debido a esto, rastrear cómo cambian las emisiones con la demanda de electricidad puede ser complicado.
Para calcular las emisiones a medida que se usa electricidad, a menudo miramos diferentes métodos. Una forma es calcular las tasas de emisiones promedio, que muestran cuánto contaminación se crea en promedio por unidad de electricidad consumida. Otra manera son las tasas de emisiones marginales, que analizan cómo cambian las emisiones con pequeños cambios en la demanda. Estas métricas pueden ayudarnos a entender más sobre cómo se relacionan las emisiones con la generación y el consumo de electricidad.
Las EMLs se enfocan específicamente en cómo cambian las emisiones en diferentes puntos de la red eléctrica, proporcionando una vista detallada de la sensibilidad de las emisiones en ubicaciones específicas. Esto puede revelar cómo factores locales influyen en las emisiones, como los tipos de plantas de energía ubicadas cerca.
La Necesidad de Datos de Emisiones Precisos
A medida que crecen las demandas de electricidad debido a más dispositivos eléctricos y autos, y a medida que buscamos movernos hacia fuentes de energía más limpias, tener datos de emisiones precisos se vuelve más crítico. Los responsables de políticas quieren información confiable para medir el impacto de los cambios en la política energética, como introducir más fuentes de energía renovable o cambiar cómo se cargan los vehículos eléctricos.
Las compañías de servicios públicos también quieren expandir el sistema eléctrico o hacerlo más eficiente, lo que significa que necesitan entender las emisiones vinculadas a la demanda y generación de electricidad. Con la electrificación de más sectores, incluyendo transporte y calefacción, la presión sobre los sistemas eléctricos seguirá creciendo.
Sin embargo, medir las emisiones en los sistemas eléctricos es un desafío. Los sistemas están interconectados y tienen muchas partes móviles. Esta complejidad hace que sea difícil determinar las emisiones para momentos y ubicaciones específicas.
Promedio vs. Tasas de Emisiones Marginales
Los investigadores y tomadores de decisiones a menudo examinan dos tipos de métricas de emisiones: tasas de emisiones promedio y tasas de emisiones marginales. Las tasas de emisiones promedio proporcionan una vista amplia de la contaminación a lo largo del tiempo. Muestran cuánto contaminación se crea por unidad de electricidad consumida en promedio. Sin embargo, las tasas promedio pueden no proporcionar una imagen completa, especialmente para entender el impacto de cambios locales en la demanda.
Por otro lado, las tasas de emisiones marginales dan una vista más precisa. Muestran cómo las emisiones aumentan o disminuyen cuando hay un pequeño cambio en la demanda de electricidad. Esto es particularmente útil para cambios pequeños y localizados, ya que estos cambios suelen afectar solo a unas pocas plantas de energía específicas.
Las EMLs llevan el concepto de tasas de emisiones marginales un paso más allá al calcularlas en puntos específicos (o nodos) en la red eléctrica. Esto proporciona un análisis detallado que reconoce cómo diferentes áreas pueden responder de manera diferente a cambios en la demanda de electricidad debido a condiciones locales y recursos disponibles.
Introduciendo Modelos de Despacho Dinámico
Tradicionalmente, muchos estudios han utilizado modelos de despacho estático para calcular las tasas de emisiones. Los modelos estáticos analizan un solo momento en el tiempo sin considerar cómo podría cambiar la generación a lo largo del tiempo. Sin embargo, los sistemas eléctricos en la vida real a menudo incluyen elementos dinámicos, lo que significa que las acciones de los generadores de energía pueden depender de lo que ha sucedido en el pasado o lo que sucederá en el futuro.
Los modelos de despacho dinámico tienen en cuenta estas limitaciones temporales. Incluyen factores como los límites de rampa (qué tan rápido pueden aumentar o disminuir la producción las plantas de energía) y las capacidades de almacenamiento de energía. Esto significa que los modelos dinámicos pueden proporcionar una imagen más precisa de las emisiones en escenarios del mundo real, donde las condiciones están cambiando continuamente.
El Nuevo Método para Calcular EMLs
El enfoque presentado aquí tiene como objetivo calcular las EMLs utilizando diferenciación implícita, lo que permite considerar las restricciones dinámicas. Este método se puede aplicar a varios modelos de despacho eléctrico, haciéndolo más adaptable que enfoques anteriores que se centraban en modelos específicos.
El método permite el cálculo de EMLs en modelos de despacho dinámico, es decir, modelos que incorporan las limitaciones basadas en el tiempo de la generación de energía. Al usar datos eléctricos reales, este método ha demostrado producir datos de emisiones más precisos. Por ejemplo, al probar el método con datos reales del sistema eléctrico de EE. UU., se encontró que mejoraba la precisión en más del 8%.
La importancia de incluir restricciones dinámicas al calcular emisiones se destaca por las diferencias observadas entre las EMLs estáticas y dinámicas. Estas diferencias apuntan a la necesidad de un mejor modelado para representar con precisión las tasas de emisiones en redes dinámicas como la red eléctrica.
Realizando Simulaciones
Para validar este enfoque, se llevaron a cabo simulaciones utilizando datos reales del sistema eléctrico del Oeste de Estados Unidos. El objetivo era examinar la influencia de las restricciones dinámicas en las tasas de emisiones.
Las simulaciones compararon resultados de modelos estáticos y modelos dinámicos que incluían restricciones. Al final, se encontró que los modelos dinámicos podían reflejar cambios en las tasas de emisiones con mayor precisión que los modelos estáticos.
En un experimento, se analizó un modelo dinámico que consideraba restricciones de compromiso de unidades (donde ciertas plantas de energía debían encenderse o apagarse durante períodos específicos). Se encontró que representar con precisión estas restricciones dinámicas conducía a una mejora significativa en la modelación de las emisiones.
La Importancia de las Restricciones de Red
Una conclusión clave de las simulaciones es que los modelos estáticos pueden producir tasas de emisiones que se desvían significativamente de las producidas por modelos dinámicos. La investigación ilustró que la diferencia promedio entre las EMLs estáticas y dinámicas fue de alrededor del 28.4%. Este hallazgo subraya la importancia de integrar factores dinámicos al estimar las emisiones en redes eléctricas complejas.
Los modelos dinámicos no solo tienen en cuenta la respuesta inmediata de la generación de electricidad a la demanda, sino que también consideran cómo las decisiones tomadas hoy podrían impactar las emisiones en períodos futuros. Esto es crucial ya que muchas fuentes de energía renovable tienen salidas variables, es decir, sus contribuciones pueden fluctuar según el clima y otros factores.
Las Implicaciones Más Amplias
Con la demanda de electricidad prevista para aumentar y la transición hacia fuentes de energía más sostenibles en marcha, entender las emisiones se vuelve cada vez más vital para todas las partes interesadas involucradas. El método presentado aquí proporciona una forma de producir EMLs que pueden ser utilizadas en tiempo real por operadores de sistemas y responsables de políticas.
Al integrar este enfoque en las prácticas diarias, los operadores pueden comunicar información sobre emisiones junto con los modelos tradicionales de precios. Esta transparencia puede ayudar a clientes y empresas a tomar decisiones informadas sobre el uso de energía, guiándolos potencialmente hacia opciones de menor emisión.
Además, tener una forma confiable de calcular datos de emisiones puede ayudar en la planificación a largo plazo para la generación y distribución de electricidad. A medida que las fuentes de energía se vuelvan más diversificadas, entender cómo diferentes fuentes contribuyen a las emisiones en diferentes momentos y lugares ayudará a guiar inversiones y cambios de política.
Conclusión
En resumen, la medición y comprensión precisa de las emisiones provenientes del consumo de electricidad es esencial para tomar decisiones informadas. El nuevo método para calcular las tasas de emisiones marginales localizadas presentado en este contexto ofrece un avance significativo en cómo se pueden evaluar las emisiones en tiempo real. Al considerar restricciones dinámicas y permitir el uso de varios modelos de despacho, este enfoque puede proporcionar información crucial que faltaba en estudios anteriores.
El impacto de este método va más allá de meras calculaciones; puede influir en la política energética, decisiones operativas y, en última instancia, en la trayectoria hacia un futuro energético más sostenible. A medida que el panorama energético continúa evolucionando con el crecimiento de vehículos eléctricos y fuentes de energía renovable, la necesidad de medir y gestionar las emisiones de manera efectiva seguirá siendo una prioridad esencial para todos los involucrados en el sistema eléctrico.
En los próximos años, a medida que continuemos esforzándonos por un mundo más verde, herramientas como esta serán indispensables para guiar nuestros esfuerzos de equilibrio entre las necesidades energéticas y minimizar el impacto ambiental.
Título: Dynamic locational marginal emissions via implicit differentiation
Resumen: Locational marginal emissions rates (LMEs) estimate the rate of change in emissions due to a small change in demand in a transmission network, and are an important metric for assessing the impact of various energy policies or interventions. In this work, we develop a new method for computing the LMEs of an electricity system via implicit differentiation. The method is model agnostic; it can compute LMEs for any convex optimization-based dispatch model, including some of the complex dispatch models employed by system operators in real electricity systems. In particular, this method lets us derive LMEs for dynamic dispatch models, i.e., models with temporal constraints such as ramping and storage. Using real data from the U.S. electricity system, we validate the proposed method against a state-of-the-art merit-order-based method and show that incorporating dynamic constraints improves model accuracy by 8.2%. Finally, we use simulations on a realistic 240-bus model of WECC to demonstrate the flexibility of the tool and the importance of incorporating dynamic constraints. Namely, static LMEs and dynamic LMEs exhibit a normalized average RMS deviation of 28.40%, implying dynamic constraints are essential to accurately modeling emissions rates.
Autores: Lucas Fuentes Valenzuela, Anthony Degleris, Abbas El Gamal, Marco Pavone, Ram Rajagopal
Última actualización: 2023-03-08 00:00:00
Idioma: English
Fuente URL: https://arxiv.org/abs/2302.14282
Fuente PDF: https://arxiv.org/pdf/2302.14282
Licencia: https://creativecommons.org/licenses/by/4.0/
Cambios: Este resumen se ha elaborado con la ayuda de AI y puede contener imprecisiones. Para obtener información precisa, consulte los documentos originales enlazados aquí.
Gracias a arxiv por el uso de su interoperabilidad de acceso abierto.
Enlaces de referencia
- https://www.latex-project.org/
- https://tug.ctan.org/info/lshort/english/lshort.pdf
- https://www.tug.org
- https://www.tug.org/texlive/
- https://template-selector.ieee.org/
- https://www.latex-community.org/
- https://tex.stackexchange.com/
- https://journals.ieeeauthorcenter.ieee.org/wp-content/uploads/sites/7/IEEE-Math-Typesetting-Guide.pdf
- https://journals.ieeeauthorcenter.ieee.org/wp-content/uploads/sites/7/IEEE-Math-Typesetting-Guide-for-LaTeX-Users.pdf
- https://mirror.ctan.org/biblio/bibtex/contrib/doc/
- https://www.michaelshell.org/tex/ieeetran/bibtex/
- https://www.ams.org/arc/styleguide/mit-2.pdf
- https://www.ams.org/arc/styleguide/index.html