Desalación
por
Ósmosis
Inversa
utilizando
Energías
Renovables
2 Universidad de Valladolid
Concepto
Energía Renovable Solar Viento BateríasDiesel
Sistema
de
control
basado
en
predicciones
Demanda
Energía Planta
Desalación
Coordinación
de
Producción
y
Demanda
Demanda de Agua
4 Universidad de Valladolid
Objetivo
y
Solución
• Objetivo: Desarrollo de métodos de control para plantas de ósmosis inversa alimentadas por
energías renovables generadas localmente:
– Uso efectivo de las fuentes de energías renovables más
adecuadas a la localización (solar, viento) para satisfacer la demanda de agua.
– Reducir los costes de instalación y operación (tanques
más pequeños, menos baterías, etc).
• Solución propuesta: predecir la demanda de agua y la producción de energías renovables para
planificar el arranque/parada del equipo diesel y la carga/descarga de las baterías.
Proyecto
OpenGain
• Financiado por la Unión Europea: European Commission – FP6 con 1,300,000 Euros.
• Participantes: Universidades y centros de investigación de Alemania, España, Grecia, Tunez, Argelia, Jordania y Líbano.
• Objetivo global: desarrollar un sistema basado en modelos para mejorar el rendimiento y la
fiabilidad de plantas de producción de agua
potable mediante energías renovables para áreas áridas remotas.
6 Universidad de Valladolid
Trabajo
desarrollado
• Diseño: Diseño general y construcción de planta de demostración.
• Modelado: Desarrollo de modelos para simulación
• Simulación: Librería general de desalación, más simulador de planta de demostración.
• Control: Desarrollo de algoritmos de control basados en predicciones de demanda y
Ósmosis
Inversa
(Reverse
Osmosis:
RO)
• Proceso de separación que utiliza alta presión para forzar a un solvente a atravesar una membrana semipermeable,
reteniendo de esta forma el
8 Universidad de Valladolid
Ósmosis
Inversa:
Esquema
General
Chlorination
Membrane Cleaning CF cleaning
Sand Filter Cleaning
Post-treatment Pre-treatment-Chemical Membrane Separation Sand Filter P1 Storage Tank II HP pump Well Cartridge Filter RO membrane Potable Water ISO Chamber Booster Pump Storage Tank I PT 3 PT 4 PT 6 FT 1 PT 5 Drain A B C D E G F H Fouling Species Tank
Sulphite TankAcid
pH 1 PT 1 PT 2 PT 7 pH LT 3 LT 2 P10 P10 P12 P8 P7 P6 V3 V4 V7 P5 V8 V9 V10 V14 V15 V26 FT 2 V24 P10 pH 2
Membrane Cleaning Line Sand Filter Cleaning Line
Mixing Line
ST 1
Note S: Salinity probe
ORP: Oxidation Reduction Potential
LT 1 V21 V19 V22 V5 V6 V12 V20 V17 V18 V13 V23 TT 2 TT 1 NaOCl Tank P4 V2 NaOCl P13 V25 Flocculant P2 V1 FT 3 PT 3 PT 3 FT 4 ORPT 3 FT 3 FT 3 FT 3 V11 P3 Designed by Syafiie Syam V16 V17 V27 FT 5 FT 6 Irrigation Water Captaciónde Agua Pretratamiento Postratamiento
Objetivo
de
Control
Producir suficiente agua como para cubrir la demanda
teniendo en cuenta que:
oLa energía disponible está limitada (pero se dispone de modelos aproximados para predicción).
oEl nivel de agua en los tanques debe mantenerse dentro de unos
límites dados.
o La señal principal de control (referencia de flujo del lazo de control de
la bomba de Alta Presión) sólo puede variar en un rango limitado y de
forma suave.
oSe precisan limpiezas periódicas para recuperar el rendimiento
de la planta (el instante preciso de limpieza puede ser otra variable de
10 Universidad de Valladolid
Niveles
de
Control
en
RO
Sistema de Control de alto nivel basado en predicciones
Flujo proporcionado por bombas Limpiezas Variables de estado: -Flujos -Niveles -Presiones -pH, etc Energía Disponible
Control
de
Bajo
Nivel
12 Universidad de Valladolid
Propuesta
de
Control
•
Módulos
de
Control
(Alto
Nivel)
–
Algoritmo
de
Control:
decidir el flujo de agua
tratado y los instantes de limpieza en base a
predicciones de demanda de agua y disponibilidad de energía.
–
Demanda
de
Agua:
estimar los patrones de
demanda de agua.
–
Producción
de
Electricidad
: estimar la cantidadAlgoritmo
de
Control
1. Estimar el consumo previsto de
agua durante las próximas horas
(a partir de patrones de consumo). 1 2 3 4
Producción de A gua (#1 pred.)
2. Estimar la producción prevista
de agua, basándose en:
• Energía prevista,
• Estado de membranas y filtros,
• Limpiezas prefijadas.
10 20 30 40
0 3 6
Demanda de Agua (l/min)
14 Universidad de Valladolid
3. Estimar la evolución prevista de la cantidad de agua
disponible para consumo (nivel de tanque de suministro).
10 20 30 40
-20
- 10
0
10
Predicción del nivel
Horas
4. Si no es posible satisfacer la demanda (el nivel del
tanque de salida menor que su límite inferior): estimar la energía adicional a suministrar por equipo auxiliar
(diesel/baterías).
-20 - 10
0 10
Predicción del nivel
Demanda
no satisfecha
16 Universidad de Valladolid
5. Planificar limpiezas.
6. Recalcular la producción y por tanto el nivel de agua
disponible con la energía auxiliar y las limpiezas.
10 20 30 40 0 10 20 -10
Nueva Pr edicción de nivel del tanque
Horas 10 20 30 40 0 1 2 3 4
Producción de agua (#2 pred.)
Horas
Formulación
como
Control
Predictivo
‐ Las variables de la optimización correspondientes a la bomba B2
son n diferentes valores del flujo de esta bomba uB2, a lo largo
18 Universidad de Valladolid
‐ Las variables correspondientes a la bomba de suministro B1 son
los instantes de encendido tB1, así como la duración de estos
encendidos ΔtB1. Estas variables están limitadas por la duración
mínima de un encendido y la separación mínima entre apagado
y encendido. tiempo (h) flujo (m3/h) B1 B1 B1 B1
‐ Las variables correspondientes a las limpiezas dentro de la
optimización vienen dadas por los instantes de las limpiezas tCL,
que deben cumplir una separación mínima.
20 Universidad de Valladolid
Formulación
como
Control
Predictivo
‐ El nivel de agua en los tanques (T1 y T2) se deduce de las
variables manipuladas, debiendo mantenerse entre
determinados valores mínimo y máximos, para asegurar la
demanda de agua.
‐ El objetivo final se plantea como la utilización mínima de energía
que asegura las restricciones impuestas, pesando las variaciones de la señal de control de la bomba de Alta Presión:
∑
∫
+ = nB2 2 B2 B2 2 T 0 1 E·dτ nβ Δu β J maxActualización
de
modelos
de
predicción
Los patrones de consumo se actualizan periódicamente a partir de
• Medidas de consumo en los últimos días
• Valores históricos
• Información metereológica (sol, temperatura, etc.)
20 40 60 80 100
22 Universidad de Valladolid
Pruebas
del
controlador
El algoritmo de control predictivo propuesto se ha comprobado sobre el simulador de la planta de demostración con buenos resultados.
. -25 0 25 50 75 100 0 12 24 36 48 0 5 10 0 12 24 36 48 0 0,5 1 1,5 2 0 1 0 12 24 36 48
Continuación
del
trabajo
• Proyecto
EMFIG
(MiCInn): Gestión energética de instalaciones aisladas de la red.• Proyecto
GreenFuture
(EuropeAid): Producción de agua en agricultura.– Proyecto
