“Smart Node” – Progetto Pilota Regione Valle d’Aosta (att.ta di progeto distinta) 02.10.2014 WP 3: Information and Publicity,

“Smart Node” – Progetto Pilota Regione Valle d’Aosta

Description of the presentation

Author of the presentation

Space for other logos

02.10.2014 2 WP 3: Information and Publicity, WP-Responsible: ALOT

Partner del Progetto

Space for other logos

Supporto scientifico

Partner di progetto


Criticità della Rete Elettrica

La forte diffusione di impianti FER che si è verificata negli ultimi anni, in

forma distribuita e concentrata, ha causato sensibili disequilibri sulla rete

elettrica, legati alla loro caratteristica di generazione di natura stocastica:

Inversione del flusso alle cabine di trasformazione (nel 2013 per 450h più del

20% dei trasformatori AT/MT ha immesso energia sulla RTN, Fonte:Enel

Distribuzione)

Instabilità del profilo di tensione

Possibili Blackout a macchia di leopardo

Necessità di Riserve Calde rispetto alla gestione di impianti distribuiti

programmabili


Diffusione delle FER - Italia

L’importanza crescente del segmento

residenziale

La segmentazione del mercato

Fonte: Solar Energy Report ES 2014


Diffusione delle FER – in Valle d’Aosta

Fonte: Solar Energy Report ES 2014

L’impiego di fonti rinnovabili (idroelettrico, solare, eolico, biomasse) è sviluppato

in buona misura nel territorio Valdaostano, sia nel campo di applicazioni private

(installazioni domestiche) sia nel campo di grandi installazioni (bacini idroelettrici).

L’energia da fonte rinnovabile è prodotta sfruttando l’energia idroelettrica, solare,

eolica e la biomassa. La fonte idroelettrica copre più del 99% della produzione

totale, con un valore di circa 3000 GWh/anno.

Le altre fonti contribuiscono in maniera minore, ma non trascurabile. La biomassa

è impiegata per produzione di energia e cogenerazione.

Produzione da eolico:14.4 GWhe/anno

Produzione da fotovoltaico: 48 GWhe/anno

Tuttavia, l’impiego di tali fonti di energia è limitato, a causa dell’inadeguatezza

della rete elettrica in alcune zone della regione.


Sistemi di Accumulo come una delle Possibili Soluzioni al

Problema

Uno dei potenziali impieghi dei sistemi di accumulo dell’energia consentirà,

lato utente (i.e. Prosumer), di smorzare i disturbi sulla rete dovuti all’energia

prodotta quando non vi è richiesta del singolo utente oppure, nel caso

dell’aumento dell’autoconsumo, di valorizzare il kWh immagazzinato,

utilizzandolo nella fascia oraria più onerosa.

Lato Distributore (DSO) invece sarà possibile gestire con una logica

sovraordinata gli accumuli distribuiti, in modo da garantire la sicurezza e la

qualità del servizio di distribuzione.

Al fine di valorizzare al meglio l’energia a disposizione, nasce l’esigenza di

sviluppare sistemi in grado di gestire in maniera intelligente, efficiente e

programmabile tutti i flussi di energia scambiati tra impianto FER, Carico,

Accumulo e Rete.


Sito Pilota – Smart Node

E’ stata individuata una PMI industriale come sede dell’impianto pilota, in

quanto rappresentativo di un tipo di utenza fortemente diffusa nella Regione.

Per questo motivo, la configurazione di Smart Node sviluppata potrà essere

facilmente replicata sul territorio.

SITO IMPIANTO:

Sede operativa di Mavel S.r.l,

Pont Saint Martin (AO).


Smart Node - Obiettivi

• Validare ilmodello di simulazione dello Smart-Node attraverso

l’acquisizione di dati sperimentali.

• Testare diverse funzioni dello Smart-Node in diverse

configurazioni dell’utenza

• Fornire una base per l’estensione ad una scala regionale dei

risultati dell’impianto pilota, per valutare gli effetti della

diffusione di Smart Nodes sul sistema energetico regionale.

• Trarre considerazioni sulle possibili logiche di controllo delle

future Smart Grids.


Smart Node – Fasi di lavoro

Realizzazione impianto pilota

Analisi di diverse configurazioni di impianto

•Carico

•Carico + FV

•Carico + FV + Accumulo

•Carico + FV + Accumulo + VE

Test delle funzioni-obiettivo

•Massimizzazione dell’autoconsumo

•Spianamento dei carichi

Calibrazione del modello di simulazione sulla base dei risultati

ottenuti

Estensione dei risultati a scenari di ipotetica diffusione degli Smart

Node a scala regionale e stima dei benefici energetico- ambientali

Costruzione del modello matematico

per le simulazioni «smart node» e

mobilità elettrica

(att.ta di progeto distinta)


Architettura – Smart Node


Smart Node - Piattaforma Web

Tutti i dati acquisiti tramite inverter e meter posto all’interfaccia con la rete,

vengono trasmessi via GPRS ad un portale web dedicato, che consente

all’utente di monitorare in real-time il valore delle grandezze fisiche di

interesse e di averne a disposizione un ampio profilo storico.

wq-devel.dem2m.it/login


Smart Node – Risultati Preliminari (1)

In configurazione Carico Accumulo RES Rete, si è osservato che la logica di

massimizzazione dell’autoconsumo implementata ha fatto sì che nei momenti

in cui la produzione era superiore al carico (in particolare nei giorni festivi)

l’accumulo elettrochimico si ricaricasse utilizzando parte dell’energia

autoprodotta, limitando così l’immissione in rete

Carico

Pt Attiva = Pt FV ± Pt Accumulo

Potenza FV

Energia

Immagazzinata

in Batteria


Smart Node – Risultati Preliminari (2)

Nella medesima configurazione dello Smart Node, la logica di Spianamento del

Carico implementata ha fatto si che la potenza richiesta alla rete avesse un

andamento mediamente costante, così come si può osservare dal confronto con

profilo del carico del nodo senza accumulo:

Con A

ccum

ulo

Senza

Accum

ulo


Modello di simulazione Smart Node – TRAMSE

Il problema da risolvere è comprendere le grandezze significative e le dinamiche interne

di un nodo intelligente, oltre che l’interazione tra nodo e rete.

Il nodo è costituito, in generale, da utenza, pannello, storage e veicolo elettrico.

L’interazione di questi componenti con la rete potrebbe essere complessa.

Un modello di simulazione permette di comprendere meglio le interazioni tra le variabili

del nodo intelligente, oltre che testarne le differenti configurazioni


Fattori fondamentali della ricerca

1. Fattore di distorsione: quantificazione della distorsione provocata

dal nodo sulla rete.(Pmax – Pmin)/Pmedia

2. Frequenza di intervento della batteria: per quantificare il cimento

dinamico della batteria (frequenza con cui lavora). (Pcarica/Capacità)

[1/h]

3. Energie impegnate e potenze transitanti in ciascun componente del

sistema


Modello di simulazione Smart Node – TRAMSE

Il modello comprende:

1) Carico utente, configurabile secondo la taglia (utente

domestico, utente industriale).

2) Pannello fotovoltaico, completo di modello di

irraggiamento solare reale funzione della posizione e del

giorno dell’anno e di modello di nuvolosità. Il pannello

opera tramite curve (tensione, corrente) in funzione

dell’irraggiamento e della temperatura ambientale.

Essendo basato su mappe, il modello può prendere dati

sperimentali da pannelli reali.

3) Storage (batteria), configurabile attraverso l’introduzione

di curve (potenza, rendimento) configurabili dall’utente.

4) Veicolo elettrico, implementato come un ulteriore carico

domestico

Il veicolo opera come uno storage a presenza casuale; ad

ogni “arrivo” del veicolo, lo stato di carica risulta casuale.

5) Algoritmi e Logiche di controllo.


Modello di simulazione Smart Node – TRAMSE – La batteria

Il rendimento della batteria è stato valutato in questa sede tramite un modello

di simulazione presente in letteratura.

Naturalmente prove sperimentali porterebbero ad una più precisa

caratterizzazione della batteria.

Sono stati valutati differentemente i rendimenti di carica e scarica, per diverse

taglie di batteria.

85

87

89

91

93

95

97

0 0.5 1 1.5

[%]

Potenza / Capacità [1/h]

Rendimento in scarica

8.8 kWh

6 kWh

26 kWh


Modello di simulazione Smart Node – TRAMSE – Logiche

Due diversi tipi di logica di controllo sono stati testati:

1. Grid-smoothing: il sistema è utilizzato per garantire il massimo

spianamento della curva di potenza di rete.

2. Autoconsumo: questa logica di controllo garantisce il massimo

autoconsumo dell’energia prodotta dal pannello fotovoltaico.

I parametri di input delle logiche sono:

• Somma algebrica tra potenza del pannello e potenza del carico;

• Stato di carica della batteria (SOC)

Le grandezze di output sono:

• Potenza prelevata/immessa in rete

• Potenza in ingresso/uscita dallo storage


Prove svolte sul modello – utente domestico

Utente domestico “consumer”

Utente domestico con pannello da 1 kW

Utente domestico con pannello e storage da 6 kWh

Utente domestico con pannello e con storage da 12 kWh più veicolo elettrico

Per mese estivo (giugno) e mese invernale

(gennaio)

0 0.5 1 1.5 2 2.5 3

x 105

0

0.5

1

1.5

2

2.5

3

Time [min]

Po

wer

[kW

]

Profilo di potenza richiesta dall’utente

domestico in configurazione base:

Energia utilizzata in un mese pari a

434 kWh.

Fattore di distorsione pari a 4.98.



Profilo potenza di rete e potenza

pannello per l’utente domestico.

L’energia prelevata dalla rete in 1

mese è pari a 308.1 kWh.

Si rileva un fattore di distorsione pari

a 16.61.

0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000-1.5

-1

-0.5

0

0.5

1

1.5

2

2.5

3

Time [min]

Po

wer

[kW

]

Power Grid

Power Panel

0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000-1.5

-1

-0.5

0

0.5

1

1.5

2

2.5

3

Time [min]

Po

wer

[kW

]

Power Grid

Power Panel

Utente domestico con pannello e

storage da 6 kWh, gestito in grid-

smoothing mode.

L’energia prelevata dalla rete in 1

mese è pari a 330 kWh. L’incremento

è dovuto alle perdite in batteria

Si rileva un fattore di distorsione pari

a 7.43.



Utente domestico con pannello e

storage da 6 kWh, gestito in

autoconsumo.

L’energia prelevata dalla rete in 1 mese

è pari a 229.7 kWh.

Si rileva un fattore di distorsione pari a

17.99. L’incremento della distorsione si

deve al fatto che quando la batteria è

carica e vi è irraggiamento solare

conviene scaricare in rete la batteria

per permettere l’accumulo dell’energia

solare.

5000 5500 6000 6500 7000 7500 8000 8500 9000 9500 10000-1.5

-1

-0.5

0

0.5

1

1.5

2

2.5

3

Time [min]

Po

wer

[kW

]

Power Grid

Power Panel

0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000-2

-1.5

-1

-0.5

0

0.5

1

Time [min]

Po

wer

[kW

]

P Gross in batt

P Gross out batt

Flussi di potenza in ingresso ed in uscita

dalla batteria.



Risultati delle simulazioni per utente domestico.

Basic+PV panel

Basic+PV

panel+Battery

(Grid-smoothing

Mode)

Basic+PV

panel+Battery (Self-

consumption mode)

User Energy [kWh] 434,33 434,33 434,33

Energy from Grid [kWh] 308,08 330,00 229,74

Energy to Grid [kWh] 133,44 133,44 35,74

PV panel Energy [kWh] 259,70 259,70 259,70

Electric Vehicle Energy [kWh] 0,00 0,00 0,00

Energy Lost [kWh] 0,00 19,21 20,31

Gross Energy battery input [kWh] 0,00 136,01 133,44

Gross Energy battery output [kWh] 0,00 114,10 114,08

Battery Efficiency [-] NC 0,84 0,85

E (Battery to user energy ratio) [-] NC 0,26 0,26

D (Grid Distortion Factor) [-] 16,61 7,43 17,99

F (Battery Engagement Factor) [kW/kWh] NC 0,45 0,37

Si osserva che il fattore di impegno della batteria risulta diminuito per il sistema

gestito in autoconsumo (0.37 contro 0.45), indicando un minore sfruttamento della

batteria.



Grafico del SOC batteria nel tempo per

sistema gestito in modalità grid-

smoothing.

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5

x 104

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

Time [min]

SO

C [

%]

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5

x 104

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

Time [min]

SO

C [

%]

Grafico del SOC batteria nel tempo per

sistema gestito in modalità autoconsumo.

Il sistema batteria in modalità

autoconsumo sembra operare con una

frequenza giornaliera.


Prove svolte sul modello – utente PMI

Sono state poi svolte prove per un utente industriale, caratterizzato sul diagramma di

carico registrato presso MAVEL srl.

Il consumo elettrico mensile di MAVEL è pari a circa 3300 kWh.

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5

x 104

-40

-35

-30

-25

-20

-15

-10

-5

0

Time [min]

Pow

er [

kW

]

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5

x 104

-40

-35

-30

-25

-20

-15

-10

-5

0

Time [min]

Pow

er [

kW

]

Diagramma di carico nel mese di Marzo

Curva delle durate ( indica per quanto tempo ogni valore di potenza risulta impegnato)



State of charge (batteria al piombo da 22 kWh):

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5

x 104

0.4

0.45

0.5

0.55

0.6

0.65

0.7

0.75

0.8

0.85

0.9

Time [min]

SO

C



Risultati delle simulazioni per utente industriale

Basic Panel

Panel +

Storage Grid

Smoothing

Panel + Storge

Self

consumption

User Energy [kWh] 3274,72 3274,72 3274,72 3274,72

Energy from Grid [kWh] 3274,72 2223,44 2280,56 2096,42

Energy to Grid [kWh] 0,00 775,03 775,03 615,58

PV panel Energy [kWh] 0,00 1826,39 1826,39 1826,39

Electric Vehicle Energy [kWh] 0,00 0,00 0,00 0,00

Energy Lost [kWh] 0,00 0,00 52,06 35,32

Gross Energy battery input [kWh] 0,00 0,00 321,42 316,39

Gross Energy battery output [kWh] 0,00 0,00 264,31 283,94

Battery Efficiency [-] NC NC 0,82 0,90

E (Battery to user energy ratio) [-] NC NC 0,08 0,09

D (Grid Distortion Factor) [-] 8,58 22,05 10,33 22,72

F (Battery Engagement Factor) [kW/kWh] NC NC 1,17 0,43

Si osserva che il fattore di impegno della batteria risulta diminuito per il sistema

gestito in autoconsumo (0.43 contro 1.17), indicando un minore sfruttamento della

batteria.


Attività di simulazione: considerazioni conclusive

Le simulazioni evidenziano che:

• L’algoritmo di controllo rivolto allo spianamento del carico di rete

fornisce una riduzione del fattore di distorsione del 55% rispetto al

caso base. Tuttavia, l’energia prelevata dalla rete aumenta del 7% circa

a causa delle perdite in batteria.

• L’algoritmo di controllo rivolto all’autoconsumo riduce la richiesta di

potenza da rete del 30%; tuttavia si riduce anche la quantità di energia

venduta alla rete (-73%) ed aumenta leggermente il fattore di

distorsione rispetto al caso base.

• La batteria risulta meno sollecitata quando il sistema opera con

l’algoritmo di autoconsumo.


Integrazione della mobilità elettrica nello smart-node

E’ stato utilizzato un veicolo acquisito dal progetto Revè Gran

Paradis ed è stato possibile il monitoraggio delle grandezze

energetiche grazie al sistema di acquisizione montato a bordo.

A completamento dell’attività effettuata sull’impianto pilota è

stato realizzato uno studio sull’integrazione di veicoli elettrici

nello smart-node.


Integrazione della mobilità elettrica nello smart-node

L’attività di monitoraggio del veicolo è stata affiancata da una

campagna di simulazione numerica finalizzata all’analisi energetica

della mobilità effettuata utilizzando veicoli elettrici.

E’ stato inoltre effettuato un confronto con un veicolo termico (diesel).

Tale studio è stato realizzato utilizzando un modello validato su un

sufficiente novero di tests sperimentali che ha permesso di

paragonare il comportamenti di vari veicoli sulla stessa missione

o dello stesso veicolo su missioni diverse.

L’attività proseguirà nei prossimi mesi con il confronto puntuale tra i

dati acquisiti e le campagne di simulazione.


Attività di simulazione veicoli

Sono state condotte campagne di simulazione su due tipologie di veicolo

elettrico ed uno termico, utilizzando tre differenti profili di missione.

Kangoo 1,5

dCi Kangoo Z.E. Twizy

Massa a vuoto [kg] 1280 1450 550

Capacità [kWh] 580 25 7

Potenza [kW] 66 44 8

Twizy: Esempio di microveicolo elettrico

Kangoo: Veicolo utilizzato nell’ambito del progetto Rève

V.d.A. su cui si hanno dati sperimentali a

disposizione


Profili di missione

Missione urbana

- Lunghezza: 22 km

- Velocità media: 19 km/h

- Velocità Massima: 68 km/h

- Dislivello: 250 m

Missione extraurbana

- Lunghezza: 36 km


- Velocità Massima: 81 km/h

- Dislivello: 400 m

Missione su percorso di montagna

- Lunghezza: 23 km


- Velocità massima: 84 km/h

- Dislivello: 750 m Tempo [s]

Qu

ota

[m

] V

elo

cità

[km

/h]


Powertrain elettrico

Resistenze di

h diretti 0,447 0,852 0,91 0,84 0,84 0,95 avanzamento

(non conservative)

Batteria 7924 6621 6290 2179

21904 Generazione 9791 Distribuzione 8338 Carica 7587 9433 Inverter

termoelettrica elettrica da -1846 e Trasmissione

rete Motore

7587 2279 2727 2871 Energia retrocessa

4111

h retrogradi 0,81 0,84 0,95

1240

Freni

0Valori espressi in Wh

Rappresentazione grafica della catena energetica del veicolo elettrico

Si evidenzia il percorso dell’energia dal vettore primario alla strada.

Consumi rete Misure RèVe

Sistema

termoelettrico Catena a bordo veicolo

Utilizzo

finale Vettore

primario

Risultati simulazioni

Considerando una missione media costituita dalla combinazione delle varie tipologie di

percorso, ad esempio 40% urbano, 40% extraurbano e 20% montano, che caratterizzi l’intera

vita del veicolo, è possibile confrontare le tre tipologie analizzate.

Renault Kangoo 1.5 dCi Renault Kangoo ZE Renault Twizy

Energia primaria [Wh/km] 619 1 591 0,96 251 0,40

Emissione CO2 [g/km] 167 1 124 0,74 53 0,32

Consumo elettrico [Wh/km] 0 225 1 95 0,42

Se il percorso è particolarmente influenzato dalle missioni montane, come nel caso del

Progetto RèVe, ove circa la metà delle missioni aveva caratteristiche montane, si può

evidenziare un buon allineamento tra i valori simulati e quelli sperimentalmente rilevati.

La differenza tra l’energia elettrica consumata dal propulsore e quella generata dallo

stesso nelle fasi di rilascio ammonta infatti, per le simulazioni, mediamente a 180 Wh/km,

valore coerente con quello misurato nel Progetto.

Mobilità elettrica: conclusioni

Il carico elettrico addizionale costituiti dai veicoli, servirà a valutare se la penetrazione massiccia della e-mobility possa provocare un effetto distorsivo del diagramma di carico delle sottostazioni MT/BT e ad apprezzarne l’ampiezza. A questo possibile problema potranno rispondere gli smarts nodes dotati di accumuli stazionari gestiti in modo opportuno.

Il Progetto Alp Store integra l’analisi del ruolo degli storage mobili e stazionari nel sistema energetico regionale.

L’obiettivo di ridurre i km termici percorsi sul territorio deve tener conto dei vantaggi ottenibili dai veicoli elettrici e dalla valutazione delle implicazioni sulle reti. La e-mobility si rivela energeticamente molto vantaggiosa quando è effettuata con flotte di micro-veicoli che garantiscono bassissimi consumi e interazione contenuta con le reti.

Documents

“Smart Node” – Progetto Pilota Regione Valle d’Aosta (att.ta di progeto distinta) 02.10.2014 WP 3: Information and Publicity,