Modelos de sistemas energéticos abiertos

Los proyectos de modelado energético abierto que se enumeran aquí se enmarcan exclusivamente dentro del paradigma ascendente, en el que un modelo es una representación relativamente literal del sistema subyacente.

Un factor que favorece el desarrollo de modelos y datos abiertos es el creciente interés en la transparencia de los modelos de políticas públicas , lo que mejora su aceptación por parte de los responsables políticos y el público. ^{[ 2 ]} También existe el deseo de aprovechar los beneficios de los datos abiertos y el desarrollo de software abierto : menor duplicación de esfuerzos, mejor intercambio de ideas e información, mayor calidad y una participación más amplia. ^{[ 3 ]} Por lo tanto, el desarrollo de modelos suele ser un esfuerzo de equipo y se constituye como un proyecto académico, una iniciativa comercial o una iniciativa comunitaria genuinamente inclusiva.

Este artículo no abarca proyectos que simplemente ponen a disposición del público su código fuente u hojas de cálculo , pero que omiten una licencia de software libre y de código abierto reconocida . La ausencia de un acuerdo de licencia crea un estado de incertidumbre jurídica en el que los usuarios potenciales no pueden saber qué limitaciones podría querer imponer el propietario en el futuro. ^{[ 4 ] : 1}

Un artículo de 2017 enumera los beneficios de los datos y modelos abiertos y analiza las razones por las que muchos proyectos, a pesar de ello, siguen siendo cerrados. ^{[ 5 ] : 211–213} Este artículo formula varias recomendaciones para proyectos que deseen adoptar un enfoque más abierto. ^{[ 5 ] : 214} Los autores concluyen que, en términos de apertura, la investigación energética se ha quedado rezagada con respecto a la física, la biotecnología y la medicina. ^{[ 5 ] : 213–214}

El modelado abierto de sistemas energéticos alcanzó su madurez en la década de 2010. Solo dos proyectos fueron citados en un artículo de 2011 sobre el tema: OSeMOSYS y TEMOA . ^{[ 6 ] : 5861} Balmorel también estaba activo en ese momento, habiéndose hecho público en 2001. ^{[ b ]} A julio de 2022 Aquí se enumeran 31  de estas iniciativas (con un número aproximadamente igual pendiente de añadir ). Chang et  al. (2021) analizan las tendencias de modelado y encuentran la división entre abierto y cerrado incluso después de revisar 54  marcos , aunque esa interpretación se basa en el número de proyectos y no en la adopción y el uso. ^{[ 7 ]} Un  ejercicio de comparación de modelos de 2022 en Alemania informó que ocho de 40  proyectos de modelado (20%) eran de código abierto, ^{[ 8 ]} estos proyectos también tenían comunidades activas detrás de ellos. ^{[ 9 ]}

El uso de modelos abiertos de sistemas energéticos y datos abiertos de energía representa un intento de mejorar la transparencia, la comprensibilidad y la reproducibilidad de los modelos de sistemas energéticos, en particular aquellos utilizados para ayudar al desarrollo de políticas públicas. ^{[ 2 ]}

Un artículo de 2010 sobre modelado de eficiencia energética argumenta que "un proceso de revisión por pares abierto puede respaldar en gran medida la verificación y validación de modelos, que son esenciales para el desarrollo de modelos". ^{[ 10 ] : 17 [ 11 ]} Para honrar aún más el proceso de revisión por pares , los investigadores argumentan, en un artículo de 2012, que es esencial colocar tanto el código fuente como los conjuntos de datos bajo control de versiones de acceso público para que terceros puedan ejecutar, verificar y examinar modelos específicos. ^{[ 12 ]} Un artículo de 2016 sostiene que los estudios de escenarios energéticos basados ​​en modelos, que buscan influir en los responsables de la toma de decisiones en el gobierno y la industria, deben ser más comprensibles y transparentes. Con estos fines, el artículo proporciona una lista de verificación de criterios de transparencia que deben completar los modeladores. Sin embargo, los autores afirman que "consideran que los enfoques de código abierto son un caso extremo de transparencia que no facilita automáticamente la comprensibilidad de los estudios para el asesoramiento político". ^{[ 13 ] : 4}

Un artículo de opinión de una página de 2017 defiende el uso de datos y modelos energéticos abiertos para generar confianza pública en el análisis de políticas. El artículo también argumenta que las revistas científicas tienen la responsabilidad de exigir que los datos y el código se presenten junto con el texto para su revisión por pares . ^{[ 14 ]} Y un comentario académico de 2020 argumenta que el desarrollo distribuido facilitaría una base de colaboradores más diversa y, por lo tanto, mejoraría la calidad de los modelos , un proceso respaldado por plataformas en línea y posibilitado por datos y código abiertos. ^{[ 15 ]} 

Los proyectos de código abierto patrocinados por el Estado en cualquier ámbito son un fenómeno relativamente nuevo.

A partir de 2017La Comisión Europea apoya actualmente varios proyectos de modelización de sistemas energéticos de código abierto para facilitar la transición hacia un sistema energético bajo en carbono para Europa. El proyecto Dispa-SET ( véase más abajo ) modela el sistema eléctrico europeo y aloja su código fuente en GitHub . El proyecto MEDEAS, que diseñará e implementará un nuevo modelo energético-económico de código abierto para Europa, celebró su reunión de lanzamiento en febrero de 2016. ^{[ 16 ] : 6 [ 17 ]} A febrero de 2017 El proyecto aún no había publicado ningún código fuente. El proyecto OSeMOSYS ( véase más abajo ), ya establecido, está desarrollando un modelo energético multisectorial para Europa con financiación de la Comisión para apoyar la comunicación con las partes interesadas. ^{[ 18 ]} Sin embargo, el modelo insignia JRC-EU-TIMES sigue siendo de código cerrado. ^{[ 19 ]}

El modelo nacional NEMS de Estados Unidos está disponible, pero aun así es difícil de usar. NEMS no se clasifica como un proyecto de código abierto en el sentido aceptado. ^{[ 14 ]}

Una convocatoria de investigación de 2021 del programa de financiación de investigación científica Horizonte Europa de la Unión Europea buscaba expresamente modelos de sistemas energéticos de código abierto. ^{[ 20 ]}

Una encuesta realizada en 2021 investigó el grado en que los marcos de modelado de sistemas energéticos abiertos admiten opciones de flexibilidad, desglosadas por oferta, demanda, almacenamiento , acoplamiento sectorial y respuesta de la red. De los marcos analizados, ninguno admitía todos los tipos, lo que sugiere que el acoplamiento flexible de marcos complementarios podría proporcionar evaluaciones más holísticas de la flexibilidad. Aun así, la mayoría de los candidatos optan por una previsión perfecta y no admiten de forma nativa acciones probabilísticas ni respuestas conductuales explícitas . ^{[ 21 ]}

AMIRIS es el modelo de mercado abierto basado en agentes para la investigación de sistemas energéticos renovables e integrados. ^{[ 22 ]} El marco de simulación AMIRIS fue desarrollado por primera vez por el Centro Aeroespacial Alemán (DLR) en 2008 y posteriormente lanzado como un proyecto de código abierto en 2021.

AMIRIS permite a los investigadores abordar cuestiones relativas a los futuros mercados energéticos , su diseño y los instrumentos de política relacionados con la energía. ^{[ 23 ]} En particular, AMIRIS puede capturar los efectos de mercado que pueden surgir de la integración de fuentes de energía renovables y opciones de flexibilidad al considerar las estrategias y comportamientos de los diversos actores del mercado energético presentes. Por ejemplo, esos comportamientos pueden verse influenciados por el marco político imperante y por incertidumbres externas. ^{[ 24 ]} AMIRIS también puede descubrir efectos complejos que pueden surgir de las interdependencias de los participantes del mercado energético. ^{[ 25 ]}

El algoritmo integrado de liquidación de mercado calcula los precios de la electricidad basándose en las ofertas de agentes de mercado simulados. Estas ofertas no solo reflejan el coste marginal de producción de electricidad, sino también la información limitada disponible para los agentes y las incertidumbres asociadas. Además, la puja puede tener un carácter estratégico, como un intento de manipular los instrumentos de apoyo oficiales o explotar las oportunidades de poder de mercado .

En AMIRIS, los actores se representan como agentes que pueden dividirse aproximadamente en seis clases: operadores de centrales eléctricas, comerciantes, operadores de mercado, proveedores de políticas, agentes de demanda y operadores de instalaciones de almacenamiento. En el modelo, los operadores de centrales eléctricas proporcionan capacidad de generación a los comerciantes, pero no participan directamente en los mercados. En cambio, abastecen a los comerciantes que realizan la comercialización y despliegan estrategias de licitación en nombre de los operadores. Los mercados funcionan como plataformas de negociación y calculan la liquidación del mercado. Los proveedores de políticas definen el marco regulatorio, que luego puede afectar las decisiones de los demás agentes. Los agentes de demanda solicitan energía directamente en el mercado eléctrico . Finalmente, los proveedores de flexibilidad, como los operadores de almacenamiento, utilizan pronósticos para determinar patrones de licitación que se ajusten a sus objetivos particulares, por ejemplo, la maximización de beneficios proyectados . ^{[ 26 ]}

AMIRIS se basa en el marco abierto para el modelado distribuido basado en agentes de sistemas energéticos o FAME. ^{[ 27 ] [ 28 ]}

AMIRIS puede simular sistemas de agentes a gran escala en plazos aceptables. Por ejemplo, la simulación de un año con una resolución horaria puede tardar tan solo un minuto en un ordenador de sobremesa actual.

El modelo Breakthrough Energy Model es un modelo de costos de producción con algoritmos y heurísticas para la expansión de capacidad, diseñado originalmente para explorar las necesidades de expansión de generación y transmisión con el fin de cumplir los objetivos de energía limpia de los estados de EE. UU. La gestión de datos se realiza en Python y el problema de optimización DCOPF se crea mediante Julia . El equipo de Breakthrough Energy Sciences está desarrollando el modelo Breakthrough Energy Model.

Los datos abiertos que sustentan el modelo se basan en los casos de prueba sintéticos desarrollados por investigadores de la Universidad de Texas A&M. ^{[ 29 ] [ 30 ] [ 31 ]}

El modelo Breakthrough Energy Model exploró inicialmente la expansión de la generación y transmisión necesaria para alcanzar los objetivos de energía limpia en 2030 mediante la construcción de una macrored. ^{[ 32 ]} El trabajo en curso añade y amplía módulos al modelo (por ejemplo, electrificación de edificios y transporte) para proporcionar un marco que permita probar numerosas combinaciones de escenarios. Se está desarrollando e integrando otros conjuntos de datos de código abierto para modelar países y regiones fuera de Estados Unidos.

El modelo se aplicó posteriormente a la crisis energética de Texas de 2021 , en la que los cortes de energía invernales provocaron cientos de muertes y miles de millones de dólares en pérdidas económicas. ^{[ 33 ] : 1}

DIETER son las siglas de Dispatch and Investment Evaluation Tool with Endogenous Renewables (Herramienta de Evaluación de Despacho e Inversiones con Energías Renovables Endógenas). DIETER es un modelo de despacho e inversión. Se utilizó por primera vez para estudiar el papel del almacenamiento de energía y otras opciones de flexibilidad en un futuro escenario de nueva construcción con una alta proporción de generación renovable. DIETER se está desarrollando en el Instituto Alemán de Investigación Económica (DIW), Berlín , Alemania. El código fuente y los conjuntos de datos para Alemania se pueden descargar desde el sitio web del proyecto. El modelo básico se describe en detalle en un documento de trabajo del DIW y en un artículo de revista. ^{[ 34 ] [ 35 ]} DIETER está escrito en GAMS y se desarrolló utilizando el solucionador comercial CPLEX .

DIETER se plantea como un problema de minimización de costos puramente lineal (sin variables enteras). En la formulación inicial, las variables de decisión incluyen la inversión y el despacho de capacidades de generación, almacenamiento y gestión de la demanda en los mercados mayoristas y de equilibrio de electricidad alemanes. Las extensiones posteriores del modelo incluyen interacciones vehículo-red y prosumo de electricidad solar. ^{[ 36 ] [ 37 ]}

El primer estudio que utiliza DIETER examina los requisitos de almacenamiento de energía para la adopción de energías renovables que oscilan entre el 60 % y el 100 %. En el escenario base del 80 % (el límite inferior del objetivo del gobierno alemán para 2050), los requisitos de almacenamiento en la red siguen siendo moderados y otras opciones, tanto del lado de la oferta como de la demanda, ofrecen flexibilidad a bajo coste. No obstante, el almacenamiento desempeña un papel importante en la provisión de reservas. El almacenamiento se vuelve más relevante con mayores porcentajes de energías renovables, pero depende en gran medida de los costes y la disponibilidad de otras opciones de flexibilidad, en particular la disponibilidad de biomasa. ^{[ 38 ]}

En desarrollo en el Centro Común de Investigación (JRC) de la Comisión Europea , en Petten , Países Bajos, Dispa-SET es un modelo de asignación de unidades y despacho destinado principalmente a Europa. Está escrito en Python (con Pyomo ) y GAMS , y utiliza Python para el procesamiento de datos. Se requiere una licencia GAMS válida. El modelo se formula como un problema de programación entera mixta y el JRC utiliza el superpositor propietario CPLEX , aunque también se pueden utilizar bibliotecas de código abierto. Hay descripciones técnicas disponibles para las versiones 2.0 ^{[ 39 ]} y 2.1 ^{[ 40 ]} . Dispa-SET está alojado en GitHub , junto con un conjunto de datos de prueba, y se fomentan las contribuciones de terceros. El código fuente se ha probado en Windows, macOS y Linux. Hay documentación en línea disponible ^{[ 41 ] .}  

Las siglas SET en el nombre del proyecto hacen referencia al Plan Estratégico Europeo de Tecnología Energética (Plan SET), que busca convertir a Europa en líder en tecnologías energéticas que puedan cumplir los objetivos futuros (2020 y 2050) en materia de energía y clima. La modelización de sistemas energéticos, en sus diversas formas, es fundamental para esta iniciativa de la Comisión Europea . ^{[ 42 ]}

El sistema eléctrico modelo es gestionado por un único operador con pleno conocimiento de las características económicas y técnicas de las unidades de generación, las cargas en cada nodo y la red de transmisión altamente simplificada. Se considera que la demanda es totalmente inelástica . El sistema está sujeto a restricciones de compromiso de unidades intra e interperíodo (estas últimas abarcan principalmente la generación nuclear y térmica) y opera bajo despacho económico . ^{[ 40 ] : 4} Se utilizan datos horarios y el horizonte de simulación es normalmente de un año. Sin embargo, para garantizar que el modelo siga siendo manejable, se emplea una optimización de horizonte móvil de dos días. El modelo avanza en pasos de un día, optimizando las próximas 48  horas, pero conservando los resultados solo de las primeras 24  horas. ^{[ 40 ] : 14–15}

Dos publicaciones relacionadas describen el rol y la representación de las medidas de flexibilidad dentro de los sistemas de energía que enfrentan porcentajes cada vez mayores de energía renovable variable (ERV). ^{[ 43 ] [ 44 ]} Estas medidas de flexibilidad comprenden: generación despachable (con restricciones en eficiencia, tasa de rampa, carga parcial y tiempos de subida y bajada), almacenamiento convencional (predominantemente hidroeléctrica de bombeo ), interconexiones transfronterizas, gestión del lado de la demanda , restricción de energías renovables , desconexión de carga de último recurso y soluciones nacientes de power-to-X (donde X es gas, calor o movilidad). El modelador puede establecer un objetivo para las energías renovables y poner límites al CO ₂ y otros contaminantes. ^{[ 40 ]} Las extensiones planificadas del software incluyen soporte para flujo de potencia de CA simplificado ^{[ c ]} (la transmisión se trata actualmente como un problema de transporte ), nuevas restricciones (como suministro de agua de refrigeración ), escenarios estocásticos y la inclusión de mercados para servicios auxiliares . ^{[ 41 ]} 

Dispa-SET se ha aplicado o se está aplicando a estudios de caso en Bélgica, Bolivia, Grecia, Irlanda y los Países Bajos. Un estudio belga de 2014 investiga escenarios hipotéticos para diferentes combinaciones de generación nuclear, planta de turbina de gas de ciclo combinado (CCGT) y energía renovable variable (VRE), y concluye que las plantas CCGT están sujetas a ciclos más agresivos a medida que aumenta la penetración de la generación renovable. ^{[ 46 ]}

Un estudio de 2020 investigó el impacto colectivo de las futuras condiciones climáticas en 34 sistemas eléctricos europeos, incluidas las posibles variaciones en la producción de energía solar, eólica e hidroeléctrica y la demanda de electricidad bajo varios escenarios meteorológicos proyectados para el continente europeo. ^{[ 47 ]}

Dispa-SET se ha aplicado en África con una vinculación flexible al modelo LISFLOOD para examinar los problemas del nexo agua - energía en el contexto de un clima cambiante. ^{[ 48 ]}

Consulte e4st.org o www.rff.org/topics/data-and-decision-tools/e4st/ .​​​​​​​

EMLab-Generation es un modelo basado en agentes que abarca dos mercados eléctricos interconectados, ya sean dos países vecinos o dos grupos de países. El software se está desarrollando en el Laboratorio de Modelado Energético de la Universidad Tecnológica de Delft , en Delft , Países Bajos. Hay una ficha técnica disponible. ^{[ 49 ]} Y la documentación del software está disponible. ^{[ 50 ]} EMLab-Generation está escrito en Java .

EMLab-Generation simula las acciones de las compañías eléctricas que invierten en capacidad de generación y utiliza esto para explorar los efectos a largo plazo de varias políticas de energía y protección climática . Estas políticas pueden estar dirigidas a la generación renovable, las emisiones _de CO₂ , la seguridad del suministro y/o la asequibilidad de la energía. Las compañías eléctricas son los principales agentes: participan en los mercados eléctricos e invierten en función del valor actual neto (VAN) de los proyectos de centrales eléctricas potenciales. Pueden adoptar diversas tecnologías, utilizando escenarios del IEA World Energy Outlook de 2011. ^{[ 51 ]} La metodología basada en agentes permite probar diferentes conjuntos de supuestos, como la heterogeneidad de los actores, las consecuencias de las expectativas imperfectas y el comportamiento de los inversores fuera de las condiciones ideales.

EMLab-Generation ofrece una nueva forma de modelar los efectos de las políticas públicas en los mercados eléctricos. Permite comprender el comportamiento de los actores y del sistema a lo largo del tiempo, incluyendo aspectos como los ciclos de inversión, los ciclos de reducción de emisiones, las respuestas tardías y los efectos de la incertidumbre y el riesgo en las decisiones de inversión.

Un estudio de 2014 que utilizó EMLab-Generation investigó los efectos de la introducción de precios mínimos y máximos para _el CO₂ en el marco del EU ETS . En particular, su influencia en la trayectoria dinámica de inversión de dos mercados eléctricos interconectados (Gran Bretaña y Europa Central y Occidental). El estudio concluyó que un precio de reserva común y moderado para la subasta _de CO₂ da como resultado una trayectoria de descarbonización más continua y reduce la volatilidad del precio _del CO₂ . La adición de un precio máximo puede proteger a los consumidores de fluctuaciones extremas de precios. Estas restricciones de precios no deberían provocar un incumplimiento de los objetivos de emisiones a largo plazo. ^{[ 52 ]}

EMMA es el Modelo Europeo del Mercado Eléctrico. Es un modelo tecnoeconómico que abarca el sistema eléctrico integrado del noroeste de Europa. EMMA está siendo desarrollado por la consultora de economía energética Neon Neue Energieökonomik, con sede en Berlín , Alemania. El código fuente y los conjuntos de datos pueden descargarse desde el sitio web del proyecto. Hay un manual disponible. ^{[ 53 ]} EMMA está escrito en GAMS y utiliza el solucionador comercial CPLEX .

EMMA modela la gestión e inversión en electricidad, minimizando el coste total en relación con la inversión, la generación y las transacciones entre áreas de mercado. En términos económicos, EMMA se clasifica como un modelo de equilibrio parcial del mercado mayorista de electricidad, centrado en la oferta. EMMA identifica óptimos (o equilibrios) a corto o largo plazo y estima la combinación de capacidad, los precios horarios, la gestión y el comercio transfronterizo correspondientes. Técnicamente, EMMA es un programa lineal puro (sin variables enteras) con aproximadamente dos millones de variables distintas de cero . A partir de 2016El modelo abarca Bélgica, Francia, Alemania, los Países Bajos y Polonia, y admite la generación convencional, la generación renovable y la cogeneración . ^{[ 53 ] [ 54 ]}

EMMA se ha utilizado para estudiar los efectos económicos de la creciente penetración de energías renovables variables (ERV), específicamente energía solar y eólica, en el sistema eléctrico del noroeste de Europa. Un estudio de 2013 concluye que el aumento de la participación de las ERV deprimirá los precios y, como consecuencia, el despliegue competitivo a gran escala de la generación renovable será más difícil de lograr de lo que muchos anticipan. ^{[ 55 ]} Un estudio de 2015 estima la cuota de mercado óptima en términos de bienestar para la energía eólica y solar. Para la energía eólica, esta es del 20%, tres veces más que en la actualidad. ^{[ 56 ]}

Un estudio independiente de 2015 revisa el modelo EMMA y comenta sobre los altos costos específicos asumidos para las inversiones en energías renovables. ^{[ 34 ] : 6}

GENESYS significa Optimización Genética de un Sistema Europeo de Suministro de Energía. El software está siendo desarrollado conjuntamente por el Instituto de Sistemas de Energía y Economía de la Energía (IAEW) y el Instituto de Electrónica de Potencia y Accionamientos Eléctricos (ISEA), ambos de la Universidad RWTH Aachen , Aachen , Alemania. El proyecto mantiene un sitio web donde los usuarios potenciales pueden solicitar acceso al código fuente y al conjunto de datos solo para el escenario base de 2050. ^{[ 57 ]} Hay descripciones detalladas del software disponibles. ^{[ 58 ] [ 59 ]} GENESYS está escrito en C++ y utiliza las bibliotecas Boost , la base de datos relacional MySQL , el marco de aplicación Qt  4 y, opcionalmente, el solucionador CPLEX .

La herramienta de simulación GENESYS está diseñada para optimizar un futuro sistema eléctrico EUMENA ​​(Europa, Oriente Medio y Norte de África) y asume una alta proporción de generación renovable. Es capaz de encontrar una distribución económicamente óptima de la capacidad de generación, almacenamiento y transmisión dentro de una  región EUMENA ​​de 21 regiones. Permite la optimización de este sistema energético en combinación con un método evolutivo. La optimización se basa en una estrategia evolutiva de adaptación de matriz de covarianza (CMA-ES), mientras que la operación se simula como una configuración jerárquica de elementos del sistema que equilibran la carga entre las distintas regiones al mínimo coste utilizando el algoritmo simplex de red . GENESYS incluye un conjunto de series temporales de entrada y un conjunto de parámetros para el año 2050, que el usuario puede modificar.

Un futuro sistema de suministro de energía EUMENA ​​con una alta proporción de fuentes de energía renovables (FER) necesitará una red de transporte de energía fuertemente interconectada y capacidades de almacenamiento de energía significativas. GENESYS se utilizó para dimensionar el almacenamiento y la transmisión entre las 21  regiones diferentes. Bajo el supuesto de autoabastecimiento del 100%, aproximadamente2500  GW de energías renovables en total y una capacidad de almacenamiento de aproximadamente Se necesitan 240 000 GWh , lo que corresponde al 6% de la demanda energética anual, y una red de transmisión HVDC de375 000  GW·km . El costo estimado combinado para generación, almacenamiento y transmisión, excluyendo la distribución, es de 6,87  ¢/kWh. ^{[ 58 ]}

Un estudio de 2016 analizó la relación entre la capacidad de almacenamiento y la de transmisión en un sistema eléctrico de la región EUMENA ​​con una alta proporción de fuentes de energía renovables (FER). El estudio concluyó que, hasta cierto punto, la capacidad de transmisión y la de almacenamiento pueden sustituirse mutuamente. Para una transición hacia un sistema energético totalmente renovable para 2050, se requieren cambios estructurales importantes. Los resultados indican la asignación óptima de energía fotovoltaica y eólica, la demanda resultante de capacidades de almacenamiento de diferentes tecnologías (baterías, centrales hidroeléctricas de bombeo y almacenamiento de hidrógeno) y la capacidad de la red de transmisión. ^{[ 59 ]}

NEMO, el Optimizador del Mercado Nacional de Electricidad, es un modelo de despacho cronológico para probar y optimizar diferentes carteras de tecnologías de generación de electricidad convencionales y renovables. Se aplica únicamente al Mercado Nacional de Electricidad (NEM) australiano, que, a pesar de su nombre, está limitado al este y sur de Australia. NEMO ha estado en desarrollo en el Centro de Mercados Energéticos y Ambientales (CEEM), Universidad de Nueva Gales del Sur (UNSW), Sídney , Australia desde 2011. ^{[ 60 ]} El proyecto mantiene un pequeño sitio web y administra una lista de correo electrónico . NEMO está escrito en Python . NEMO en sí está descrito en dos publicaciones. ^{[ 61 ] : sec 2 [ 62 ] : sec 2} También se indican las fuentes de datos. ^{[ 61 ] : sec 3} Las optimizaciones se llevan a cabo utilizando una función de evaluación de un solo objetivo, con penalizaciones. El espacio de soluciones de capacidades de generadores se busca utilizando el algoritmo CMA-ES (estrategia de evolución de adaptación de matriz de covarianza). El paso de tiempo es arbitrario, pero normalmente se emplea una hora.

NEMO se ha utilizado para explorar opciones de generación para el año 2030 bajo una variedad de escenarios de energía renovable (ER) y tecnología de combustibles fósiles mitigada. Un estudio de 2012 investiga la viabilidad de un sistema totalmente renovable que utiliza energía solar concentrada (CSP) con almacenamiento térmico, parques eólicos , energía fotovoltaica , energía hidroeléctrica existente y turbinas de gas alimentadas con biocombustible . Se identifican varios sistemas potenciales que también cumplen con los criterios de confiabilidad de NEM. El principal desafío es atender la demanda máxima en las noches de invierno después de días nublados y períodos de poco viento. ^{[ 61 ]} Un estudio de 2014 investiga tres escenarios que utilizan generación térmica de carbón con captura y almacenamiento de carbono (CCS) y turbinas de gas alimentadas con gas con y sin captura. Estos escenarios se comparan con el análisis de 2012 que utiliza generación totalmente renovable. El estudio concluye que "solo bajo unas pocas combinaciones de costos, aparentemente improbables, cualquiera de los escenarios de combustibles fósiles puede competir económicamente con electricidad 100% renovable en un mundo con restricciones de carbono". ^{[ 63 ] : 196} Un estudio de 2016 evalúa los costos incrementales de aumentar las cuotas de energía renovable bajo una variedad de límites de gases de efecto invernadero y precios del carbono. El estudio encuentra que los costos incrementales aumentan linealmente desde cero hasta el 80 % de energías renovables y luego se incrementan moderadamente. El estudio concluye que este aumento de costos no es una razón suficiente para evitar los objetivos de energías renovables del 100 %. ^{[ 62 ]}

OnSSET es el kit de herramientas de electrificación espacial de código abierto. OnSSET está siendo desarrollado por la división de Sistemas Energéticos del Instituto Real de Tecnología KTH de Estocolmo , Suecia. El software se utiliza para examinar áreas no atendidas por la red eléctrica e identificar las opciones tecnológicas y los requisitos de inversión que proporcionarán el acceso más económico a los servicios de electricidad. OnSSET está diseñado para apoyar el ODS 7 de las Naciones Unidas : el suministro de energía asequible, fiable, sostenible y moderna para todos. El kit de herramientas se conoce como OnSSET y se lanzó el 26 de noviembre de 2016. OnSSET no incluye datos, pero se pueden obtener conjuntos de datos adecuados en energydata.info . El proyecto mantiene un sitio web y una lista de correo . ^{[ 64 ] [ 65 ] [ 66 ]} 

OnSSET puede estimar, analizar y visualizar las opciones de acceso a la electrificación más rentables, ya sean redes convencionales , minirredes o sistemas autónomos. ^{[ 67 ]} El conjunto de herramientas admite una variedad de tecnologías de energía convencionales y renovables, incluyendo energía fotovoltaica, turbinas eólicas y generación hidroeléctrica a pequeña escala . A partir de 2017Se están incorporando la bioenergía y las tecnologías híbridas , como la eólica-diésel .

OnSSET utiliza información energética y geográfica; esta última puede incluir el tamaño y la ubicación de los asentamientos, la infraestructura de transmisión y generación existente y planificada, la actividad económica, los recursos de energía renovable, las redes viales y las necesidades de iluminación nocturna. La información SIG puede ser compatible con el paquete propietario ArcGIS o con un equivalente de código abierto como GRASS o QGIS . ^{[ 68 ]} OnSSET se ha aplicado a microrredes mediante un análisis de tres niveles que comienza con arquetipos de asentamientos. ^{[ 69 ]}

OnSSET se ha utilizado para estudios de caso en Afganistán , ^{[ 70 ]} Bolivia , ^{[ 69 ] [ 71 ]} Camerún , ^{[ 72 ]} Etiopía , ^{[ 67 ] [ 73 ]} Malawi , ^{[ 74 ]} Nigeria , ^{[ 67 ] [ 75 ] [ 76 ]} y Tanzania . ^{[ 68 ]} OnSSET también se ha aplicado en India , Kenia y Zimbabue . Además, se han llevado a cabo estudios continentales para África subsahariana y América Latina . ^{[ 77 ]} Un estudio basado en SIG de  4 vías realizado en Nigeria informó que OnSSET ofrecía el mejor conjunto de capacidades. ^{[ 78 ]}

Los resultados de OnSSET han contribuido a los informes Perspectivas Energéticas Mundiales de la IEA de 2014 ^{[ 79 ]} y 2015, ^{[ 80 ]} el informe del Marco de Seguimiento Global del Banco Mundial en 2015, ^{[ 81 ]} y el informe Perspectivas Energéticas de África de la IEA en 2019. ^{[ 82 ]} OnSSET también forma parte de la incipiente plataforma GEP. ^{[ 83 ]}

pandapower es un programa de análisis y optimización de sistemas de potencia desarrollado conjuntamente por el grupo de investigación de Gestión de Energía y Operación de Sistemas de Potencia de la Universidad de Kassel y el Departamento de Operación de Sistemas de Distribución del Instituto Fraunhofer de Economía Energética y Tecnología de Sistemas Energéticos (IEE), ambos de Kassel , Alemania. El código fuente está alojado en GitHub y también está disponible como paquete . El proyecto mantiene un sitio web, una lista de correo electrónico y documentación en línea. pandapower está escrito en Python . Utiliza la biblioteca pandas para la manipulación y el análisis de datos y la biblioteca PYPOWER ^{[ 84 ]} para resolver el flujo de potencia . A diferencia de algunas herramientas de sistemas de potencia de código abierto, pandapower no depende de plataformas propietarias como MATLAB .

pandapower permite el análisis y la optimización automatizados de redes de distribución y transmisión. Esto posibilita la exploración de numerosos escenarios, basados ​​en diferentes configuraciones y tecnologías futuras de la red. pandapower ofrece una colección de elementos del sistema eléctrico, que incluye líneas, transformadores de dos y tres devanados, y sus equivalentes. También incluye un modelo de conmutación que permite modelar conmutadores bus-bus ideales, así como conmutadores bus-línea/bus-transformador. El software admite búsquedas topológicas. La red se puede representar gráficamente, con o sin información geográfica, utilizando las bibliotecas matplotlib y plotly .

Una publicación de 2016 evalúa la utilidad del software mediante varios estudios de caso con importantes operadores de sistemas de distribución (DSO). Estos estudios analizan la integración de niveles crecientes de energía fotovoltaica en las redes de distribución existentes. El estudio concluye que la capacidad de probar un gran número de escenarios detallados es esencial para una planificación sólida de la red. No obstante, los problemas de disponibilidad de datos y la dimensionalidad del problema seguirán planteando desafíos. ^{[ 85 ]}

Un artículo de 2018 describe el paquete y su diseño, y proporciona un caso de estudio de ejemplo. El artículo explica cómo los usuarios trabajan con un modelo basado en elementos (EBM), que se convierte internamente en un modelo de barras y ramas (BBM) para su cálculo. El paquete admite la simulación de sistemas de potencia, cálculos de flujo de potencia óptimo (se requiere información de costos), estimación de estado (en caso de que la caracterización del sistema carezca de fidelidad) y análisis de redes basado en grafos . El caso de estudio muestra cómo unas pocas decenas de líneas de código pueden interactuar con pandapower para avanzar en el diseño de un sistema sujeto a diversos requisitos operativos. El código asociado está alojado en GitHub como cuadernos Jupyter . ^{[ 86 ]}

A partir de 2018BNetzA , el regulador de la red alemán, está utilizando pandapower para el análisis automatizado de la red. ^{[ 87 ]} Los institutos de investigación energética en Alemania también están siguiendo el desarrollo de pandapower. ^{[ 88 ] : 90}

El software PowerMatcher implementa un mecanismo de coordinación de red inteligente que equilibra los recursos energéticos distribuidos (RED) y las cargas flexibles mediante licitación autónoma . El proyecto es gestionado por la Flexiblepower Alliance Network (FAN) en Ámsterdam , Países Bajos. El proyecto mantiene un sitio web y el código fuente está alojado en GitHub . A fecha de junio de 2016. , los conjuntos de datos existentes no están disponibles. PowerMatcher está escrito en Java .

Cada dispositivo en el sistema de red inteligente —ya sea una lavadora, un generador eólico o una turbina industrial— expresa su disposición a consumir o producir electricidad mediante una oferta. Estas ofertas se recopilan y se utilizan para determinar un precio de equilibrio. De este modo, el software PowerMatcher permite integrar una alta proporción de energía renovable en los sistemas eléctricos existentes y, además, debería evitar cualquier sobrecarga local en redes de distribución que posiblemente estén envejeciendo. ^{[ 89 ]}

Power TAC son las siglas de Power Trading Agent Competition (Competición de Agentes de Comercio de Energía). Power TAC es un modelo basado en agentes que simula el rendimiento de los mercados minoristas en un entorno eléctrico cada vez más influenciado por los prosumidores y las energías renovables. La primera versión del proyecto Power TAC se inició en 2009, cuando se lanzó la plataforma de código abierto como una plataforma de juegos competitivos multiagente de código abierto para simular el rendimiento del mercado minorista de electricidad en escenarios de redes inteligentes. El torneo anual inaugural se celebró en Valencia, España, en 2012.

Los agentes comerciales autónomos basados ​​en aprendizaje automático , o «corredores», compiten directamente entre sí como agregadores que buscan maximizar sus beneficios entre los mercados mayoristas y los clientes minoristas. Los modelos de clientes representan hogares, pequeñas y grandes empresas, edificios multifamiliares, parques eólicos, propietarios de paneles solares, propietarios de vehículos eléctricos, almacenes frigoríficos, etc. Los corredores buscan obtener beneficios ofreciendo tarifas eléctricas a los clientes y comercializando electricidad en el mercado mayorista, manteniendo un equilibrio preciso entre la oferta y la demanda.

La competición fue fundada y coordinada por los profesores Wolfgang Ketter y John Collins, y el software de la plataforma fue desarrollado en colaboración por investigadores de la Rotterdam School of Management, el Centro Erasmus para Negocios de Energía del Futuro, el Instituto de Economía Energética de la Universidad de Colonia y el departamento de Informática de la Universidad de Minnesota. La plataforma utiliza diversos datos reales sobre el clima, los precios de mercado, la demanda agregada y el comportamiento del cliente. Los agentes intermediarios son desarrollados por equipos de investigación de todo el mundo y participan en torneos anuales. Los datos de estos torneos son de acceso público y pueden utilizarse para evaluar el rendimiento y las interacciones de los agentes. La plataforma aprovecha la evaluación comparativa competitiva para facilitar la investigación sobre, entre otros temas, el diseño de tarifas en los mercados minoristas de electricidad, las estrategias de licitación en los mercados mayoristas de electricidad, el rendimiento de los mercados a medida que aumenta o disminuye la penetración de recursos energéticos sostenibles o vehículos eléctricos, la eficacia de los enfoques de aprendizaje automático y los enfoques políticos alternativos para la regulación del mercado. El software ha contribuido a temas de investigación que abarcan desde el uso de flotas de vehículos eléctricos como centrales eléctricas virtuales hasta cómo se puede utilizar un sistema de apoyo a la toma de decisiones (DSS) para clientes de electricidad para diseñar programas eficaces de respuesta a la demanda mediante métodos como la tarificación dinámica.

renpass es un acrónimo de Sistema de Simulación de Rutas de Energía Renovable. renpass es un modelo de simulación eléctrica con alta resolución regional y temporal, diseñado para capturar sistemas existentes y futuros con hasta un 100 % de generación renovable. El software está siendo desarrollado por el Centro de Sistemas de Energía Sostenible (CSES o ZNES) de la Universidad de Flensburg , Alemania. El proyecto cuenta con un sitio web desde donde se puede descargar el código fuente . renpass está escrito en R y se conecta a una base de datos MySQL . Hay un manual en PDF disponible. ^{[ 90 ]} renpass también se describe en una tesis doctoral. ^{[ 91 ]} A partir de 2015, renpass se está extendiendo como renpassG!S, basado en oemof .

Renpass es un modelo de despacho de electricidad que minimiza los costos del sistema en cada paso de tiempo (optimización) dentro de los límites de una infraestructura determinada (simulación). Los pasos de tiempo pueden ser de 15 minutos o una hora. El método asume una previsión perfecta. Renpass es compatible con los sistemas eléctricos de Austria, Bélgica, la República Checa, Dinamarca, Estonia, Francia, Finlandia, Alemania, Letonia, Lituania, Luxemburgo, los Países Bajos, Noruega, Polonia, Suecia y Suiza.

El problema de optimización para cada paso de tiempo consiste en minimizar el coste del suministro eléctrico utilizando la flota de centrales eléctricas existente para todas las regiones. Tras este despacho regional, se lleva a cabo el intercambio entre las regiones, limitado por la capacidad de la red. Este último problema se resuelve mediante un procedimiento heurístico en lugar de un cálculo determinista. Los datos de entrada son el orden de mérito, la central eléctrica marginal, el exceso de energía (energía renovable que podría reducirse) y el exceso de demanda (la demanda que no puede ser satisfecha) para cada región. El algoritmo de intercambio busca el menor coste para todas las regiones; por lo tanto, la función objetivo es minimizar los costes totales de todas las regiones, dada la infraestructura de red, el almacenamiento y las capacidades de generación existentes. El coste total se define como la carga residual multiplicada por el precio en cada región, sumado para todas las regiones.

Un estudio de 2012 utiliza renpass para examinar la viabilidad de un sistema eléctrico 100% renovable para la región del Mar Báltico (Dinamarca, Estonia, Finlandia, Alemania, Letonia, Lituania, Polonia y Suecia) en el año 2050. El escenario base presupone potenciales renovables conservadores y mejoras de la red, una caída del 20% en la demanda, una adopción moderada de opciones de almacenamiento y el despliegue de biomasa para la generación flexible. El estudio encuentra que un sistema eléctrico 100% renovable es posible, aunque con importaciones ocasionales de países vecinos, y que la biomasa juega un papel clave en la estabilidad del sistema. Los costos para esta transición se estiman en 50  €/MWh. ^{[ 92 ]} Un estudio de 2014 utiliza renpass para modelar Alemania y sus vecinos. ^{[ 93 ]} Una tesis de 2014 utiliza renpass para examinar los beneficios tanto de un nuevo cable entre Alemania y Noruega como de una nueva capacidad de almacenamiento por bombeo en Noruega , dados sistemas eléctricos 100% renovables en ambos países. ^{[ 94 ]} Otro estudio de 2014 utiliza Renpass para examinar la Energiewende alemana , la transición hacia un sistema energético sostenible para Alemania. El estudio también argumenta que la confianza pública necesaria para sustentar dicha transición solo puede construirse mediante el uso de modelos energéticos transparentes de código abierto. ^{[ 95 ]}

sci2grid es una herramienta de software para extraer, filtrar y procesar datos con el fin de construir modelos de cuadrícula de código abierto. El objetivo principal de sci2grid es ofrecer modelos transparentes y de fácil acceso que faciliten su aplicación en la ciencia, la industria y la sociedad.

Los modelos de datos de sci2grid están diseñados principalmente para procesar información georreferenciada de objetos como líneas de suministro, subestaciones o estaciones compresoras. Esta información se extrae automáticamente de fuentes de datos abiertas y puede incluir coordenadas geográficas, longitudes y diámetros de líneas, o capacidades instaladas. Además, se recopila manualmente información complementaria de fuentes en línea, como artículos de prensa, se verifica y se integra en los modelos. Los datos faltantes se estiman mediante métodos heurísticos para proporcionar modelos de datos consistentes y completos para análisis posteriores. Actualmente, ofrece modelos de redes de transporte de gas y transmisión de electricidad para Europa que pueden utilizarse para investigar desafíos relacionados con la red eléctrica.

Estos modelos de red, disponibles de forma abierta y transparente, tienen una amplia gama de aplicaciones. Se pueden utilizar para evaluar escenarios de sistemas energéticos, simular el funcionamiento de la red, identificar cuellos de botella en el suministro de energía, evaluar planes de desarrollo de la red y determinar las necesidades futuras de expansión de la misma.

Actualmente, sci2grid se centra en las infraestructuras de transmisión de electricidad y transporte de gas en Europa. Sin embargo, los métodos desarrollados también pueden aplicarse a países individuales u otras regiones geográficas del mundo.

SIREN significa SEN Integrated Renewable Energy Network Toolkit (Kit de herramientas de la red integrada de energía renovable de SEN). El proyecto está dirigido por Sustainable Energy Now, una ONG con sede en Perth , Australia. El proyecto mantiene un sitio web. SIREN se ejecuta en Windows y el código fuente está alojado en SourceForge . El software está escrito en Python y utiliza el modelo SAM (System Advisor Model) del Laboratorio Nacional de Energías Renovables de EE. UU . para realizar cálculos energéticos. SIREN utiliza conjuntos de datos horarios para modelar una región geográfica determinada. Los usuarios pueden utilizar el software para explorar la ubicación y la escala de las fuentes de energía renovable para satisfacer una demanda de electricidad específica. SIREN utiliza varias fuentes de datos abiertas o disponibles públicamente: se pueden crear mapas a partir de mosaicos de OpenStreetMap y conjuntos de datos meteorológicos utilizando datos del satélite MERRA-2 de la NASA . ^{[ d ] [ 96 ]}

Un estudio de 2016 que utilizó SIREN para analizar el Sistema Interconectado del Sudoeste (SWIS) de Australia Occidental concluye que puede realizar la transición a un 85 % de energía renovable (ER) al mismo costo que el carbón y el gas nuevos. Además, se evitarían 11,1  millones de toneladas de _emisiones de CO₂ _eq . El modelo asume un precio del carbono de 30 AUD $/t CO₂ . Otros escenarios examinan el objetivo de una generación 100 % renovable. ^{[ 97 ]} 

SWITCH es un acrónimo que engloba la generación y transmisión de energía solar, eólica, convencional e hidroeléctrica. SWITCH es un modelo de planificación óptima para sistemas eléctricos con una alta proporción de energía renovable. El Departamento de Ingeniería Eléctrica de la Universidad de Hawái en Mānoa , Hawái, EE. UU., está desarrollando SWITCH. El proyecto cuenta con un sitio web y aloja su código fuente y conjuntos de datos en GitHub . SWITCH está escrito en Pyomo , una biblioteca de componentes de optimización programada en Python . Puede utilizar tanto el solucionador de código abierto GLPK como el solucionador comercial CPLEX .

SWITCH es un modelo de sistema eléctrico enfocado en la integración de energías renovables. Permite identificar qué proyectos de generación y transmisión construir para satisfacer la demanda de electricidad al menor costo posible durante un período de varios años, reduciendo al mismo tiempo las emisiones _de CO₂ . SWITCH utiliza una optimización lineal estocástica multietapa con el objetivo de minimizar el valor actual del costo de las centrales eléctricas, la capacidad de transmisión, el consumo de combustible y un cargo arbitrario por tonelada _de CO₂ (que representa un impuesto al carbono o el precio de un certificado), a lo largo de un período de inversión de varios años. Cuenta con dos conjuntos principales de variables de decisión. Primero, al inicio de cada período de inversión, SWITCH selecciona la capacidad de generación a construir en cada una de las zonas geográficas de carga, la capacidad de transferencia de energía a añadir entre estas zonas y si se debe operar la capacidad de generación existente durante el período de inversión o mantenerla temporalmente inactiva para evitar los costos fijos de operación y mantenimiento. Segundo, para un conjunto de días de muestra dentro de cada período de inversión, SWITCH toma decisiones horarias sobre la cantidad de energía a generar en cada central eléctrica despachable, almacenar en cada central hidroeléctrica de bombeo o transferir a través de cada interconexión de transmisión. El sistema también debe garantizar suficiente capacidad de generación y transmisión para proporcionar un margen de reserva de planificación del 15 % por encima de las previsiones de carga. Para cada hora muestreada, SWITCH utiliza la demanda de electricidad y la producción de energía renovable basadas en mediciones reales, de modo que las correlaciones entre estos elementos, determinadas por las condiciones meteorológicas, se mantengan intactas.

Tras la fase de optimización, SWITCH se utiliza en una segunda fase para probar el plan de inversión propuesto frente a un conjunto más completo de condiciones meteorológicas y para añadir capacidad de generación de respaldo, de modo que se cumpla siempre el margen de reserva previsto. Finalmente, en una tercera fase, se calculan los costes congelando el plan de inversión y operando el sistema eléctrico propuesto bajo un conjunto completo de condiciones meteorológicas.

Un artículo de 2012 utiliza California entre 2012 y 2027 como caso de estudio para SWITCH. El estudio concluye que no existe un límite máximo para la cantidad de energía eólica y solar que se podría utilizar y que estos recursos podrían reducir las emisiones en un 90 % o más (en relación con los niveles de 1990) sin disminuir la fiabilidad ni aumentar drásticamente los costos. Además, las políticas que incentivan a los consumidores de electricidad a trasladar su demanda a los momentos en que la energía renovable es más abundante (por ejemplo, mediante la carga oportuna de vehículos eléctricos ) podrían lograr reducciones radicales de emisiones a un costo moderado. ^{[ 98 ]}

SWITCH se utilizó más recientemente para fundamentar la planificación de sistemas eléctricos basada en el consenso en Hawái. ^{[ 99 ]} El modelo también se está aplicando en Chile, México y otros lugares. ^{[ 100 ]}

La versión principal  2.0 se lanzó a finales de 2018. ^{[ 100 ]} Una investigación realizada ese mismo año comparó favorablemente SWITCH con el modelo MAPS propietario de General Electric, utilizando Hawái como caso de estudio. ^{[ 101 ]}

URBS, que en latín significa ciudad, es un modelo de programación lineal para explorar problemas de expansión de capacidad y asignación de unidades, y resulta especialmente adecuado para sistemas energéticos distribuidos (SED). Está siendo desarrollado por el Instituto de Sistemas de Energía Renovable y Sostenible de la Universidad Técnica de Múnich , Alemania. El código fuente se encuentra alojado en GitHub . URBS está escrito en Python y utiliza los paquetes de optimización Pyomo .

URBS se clasifica como un marco de modelado energético e intenta minimizar el costo total descontado del sistema. Un modelo particular selecciona entre un conjunto de tecnologías para satisfacer una demanda de electricidad predeterminada. Utiliza una resolución temporal de una hora y la resolución espacial está definida por el modelo. Las variables de decisión son las capacidades de producción, almacenamiento y transporte de electricidad, así como la programación temporal de su operación. ^{[ 102 ] : 11–14}

El software se ha utilizado para explorar extensiones óptimas en términos de costos para la red de transmisión europea utilizando capacidades eólicas y solares proyectadas para 2020. Un estudio de 2012, utilizando resoluciones espaciales y tecnológicas altas, encontró que las adiciones de energía renovable variable (ERV) causan menores ingresos para las centrales eléctricas convencionales y que las extensiones de la red redistribuyen y mitigan este efecto. ^{[ 103 ]} El software también se ha utilizado para explorar sistemas energéticos que abarcan Europa, Oriente Medio y el Norte de África (EUMENA) ^{[ 102 ]} e Indonesia, Malasia y Singapur. ^{[ 104 ]}

AnyMOD.jl es un marco de trabajo para la planificación de macrosistemas energéticos con un alto nivel de detalle espacio-temporal. Este marco abarca la expansión y operación del almacenamiento a corto plazo y estacional, la generación de energía fósil y renovable, la infraestructura de transmisión y las tecnologías de acoplamiento sectorial . Puede utilizarse para planificar trayectorias a largo plazo con una previsión perfecta .

AnyMOD.jl está implementado en Julia y utiliza la biblioteca JuMP para la optimización y DataFrames.jl para la gestión de datos. Los modelos se formulan como problemas de optimización lineal y pueden resolverse con bibliotecas de código abierto como HiGHS o solucionadores comerciales como CPLEX . Para facilitar la accesibilidad y permitir el desarrollo con control de versiones , los modelos específicos se definen completamente mediante archivos CSV .

En comparación con herramientas similares, AnyMOD.jl pone énfasis en métodos innovadores para lograr un alto nivel de detalle y capturar energías renovables intermitentes , manteniendo al mismo tiempo un alcance integral en términos de regiones y sectores. Estos métodos incluyen la variación de la resolución espacio-temporal por portador de energía dentro del mismo modelo y un algoritmo de escalado para mejorar las propiedades del problema de optimización subyacente. ^{[ 107 ] [ 106 ]} Actualmente se están implementando métodos de programación estocástica para abordar mejor las incertidumbres asociadas con la generación de energía renovable. ^{[ 108 ]}

A partir de 2022,La mayoría de los estudios que emplean la herramienta se han centrado en el sistema energético alemán en un contexto europeo, por ejemplo, investigando las ventajas y desventajas de los diseños centralizados y descentralizados, el papel de la planificación de la red y el potencial de las medidas de suficiencia. ^{[ 109 ] [ 110 ] [ 111 ]} Además, AnyMOD.jl se ha utilizado para respaldar los informes de políticas del Instituto Alemán de Investigación Económica (DIW) sobre el Pacto Verde Europeo y la coordinación de la Energiewende alemana . ^{[ 105 ] [ 112 ]}

Backbone es un marco de modelado de sistemas energéticos que permite un alto nivel de detalle y adaptabilidad. Se ha utilizado para estudiar sistemas energéticos urbanos y sistemas energéticos multinacionales. Fue desarrollado originalmente entre 2015 y 2018 en el marco del proyecto «VaGe», financiado por la Academia de Finlandia , por el equipo de Diseño y Operación de Sistemas Energéticos de VTT . Posteriormente, se ha perfeccionado en colaboración con VTT , UCD y RUB .

El marco es independiente de lo que se modela, pero aun así tiene la capacidad de representar una amplia gama de características del sistema energético , como generación y transferencia, reservas, asignación de unidades, difusión de calor en edificios, almacenamiento, emisiones múltiples y P2X, etc. Ofrece restricciones lineales y de enteros mixtos para capturar aspectos como el arranque de unidades y las decisiones de inversión. Permite al modelador cambiar la resolución temporal del modelo entre pasos de tiempo, lo que posibilita, por ejemplo, el uso de una resolución temporal más gruesa en un horizonte temporal posterior del modelo. El modelo puede resolverse como un modelo de inversión (de un solo período o de múltiples períodos, miope o con previsión completa) o como un modelo de asignación de unidades con costos de producción continuos para simular operaciones. ^{[ 113 ]}

La página wiki de Backbone incluye un tutorial para nuevos usuarios, ejemplos de modelos y modificaciones creadas por los usuarios. Los conjuntos de datos abiertos incluyen un modelo para el norte de Europa sobre electricidad, calor e hidrógeno ^{[ 114 ]} y un modelo de calefacción y refrigeración urbana para la región de la capital finlandesa ^{[ 115 ] .}

Balmorel es un modelo de sistema energético basado en el mercado de Dinamarca. Su desarrollo fue financiado originalmente por el Programa Danés de Investigación Energética en 2001. ^{[ 91 ] : 23} El código fuente se hizo público en marzo de 2001. ^{[ 116 ]} El proyecto Balmorel mantiene un sitio web extenso, desde donde se puede descargar el código fuente y los conjuntos de datos como un archivo zip . Se anima a los usuarios a registrarse. La documentación está disponible en el mismo sitio. ^{[ 117 ] [ 118 ] [ 119 ]} Balmorel está escrito en GAMS .

El objetivo original del proyecto Balmorel era construir un modelo de equilibrio parcial de los sectores de electricidad y cogeneración en la región del Mar Báltico , con fines de análisis de políticas. ^{[ 120 ]} Estas ambiciones y limitaciones han quedado obsoletas y Balmorel ya no está vinculado a su geografía original ni a sus cuestiones políticas. ^{[ 118 ]} Balmorel se clasifica como un modelo de despacho e inversión y utiliza una resolución temporal de una hora. Modela la oferta y la demanda de electricidad y calor, y admite el almacenamiento intertemporal de ambas. Balmorel está estructurado como un programa lineal puro (sin variables enteras).

A partir de 2016Balmorel ha sido objeto de unas 22  publicaciones. Un estudio de 2008 utiliza Balmorel para explorar el sistema energético nórdico en 2050. El enfoque está en el suministro de energía renovable y el despliegue de hidrógeno como principal combustible para el transporte. Dados ciertos supuestos sobre el precio futuro del petróleo y el carbono y la adopción del hidrógeno, el modelo muestra que es económicamente óptimo cubrir, utilizando energía renovable, más del 95% del consumo de energía primaria para electricidad y calefacción urbana y el 65% del transporte. ^{[ 121 ]} Un estudio de 2010 utiliza Balmorel para examinar la integración de vehículos híbridos enchufables (PHEV) en un sistema que comprende un cuarto de energía eólica y tres cuartos de generación térmica. El estudio muestra que los PHEV pueden reducir las emisiones de CO ₂ del sistema eléctrico si se integran activamente, mientras que un enfoque pasivo —dejar que la gente cargue sus coches a voluntad— probablemente resulte en un aumento de las emisiones. ^{[ 122 ]} Un estudio de 2013 utiliza Balmorel para examinar las inversiones en energía eólica optimizadas en términos de costos en la región nórdico-alemana. El estudio investiga la mejor ubicación de los parques eólicos, teniendo en cuenta las condiciones del viento, la distancia a la carga y la infraestructura de generación y transmisión ya existente. ^{[ 123 ]}

Calliope es un marco de modelado de sistemas energéticos, centrado en la flexibilidad, la alta resolución espacial y temporal, y la capacidad de ejecutar diferentes simulaciones utilizando el mismo conjunto de datos base. El proyecto se desarrolla en el Departamento de Ciencias de Sistemas Ambientales de la ETH Zúrich , Suiza . El proyecto mantiene un sitio web, aloja el código fuente en GitHub , gestiona un sistema de seguimiento de incidencias y administra dos listas de correo electrónico . Calliope está escrito en Python y utiliza la biblioteca Pyomo . Puede conectarse con el solucionador de código abierto GLPK y el solucionador comercial CPLEX . La documentación en PDF está disponible. ^{[ 124 ]} Y también hay disponible una reseña del software de dos páginas . ^{[ 125 ]}

Un modelo Calliope consta de una colección de archivos de texto estructurados, en formatos YAML y CSV , que definen las tecnologías, ubicaciones y potenciales de recursos. Calliope toma estos archivos, construye un problema de optimización lineal pura (sin variables enteras), lo resuelve y presenta los resultados en forma de estructuras de datos pandas para su análisis. El marco contiene cinco tecnologías base abstractas : oferta, demanda, conversión, almacenamiento y transmisión, a partir de las cuales se pueden derivar nuevas tecnologías concretas. El diseño de Calliope garantiza una clara separación entre el marco (código) y el modelo (datos).

Un estudio de 2015 utiliza Calliope para comparar los roles futuros de la energía nuclear y la CSP en Sudáfrica . Concluye que la CSP podría ser competitiva con la nuclear para 2030 en carga base y más competitiva cuando produce por encima de la carga base. La CSP también ofrece menor riesgo de inversión, menor riesgo ambiental y otros beneficios colaterales. ^{[ 126 ]} Un segundo estudio de 2015 compara un gran número de sistemas de energía futuros óptimos en costos para Gran Bretaña . Se prueban tres tecnologías de generación: energías renovables, energía nuclear y combustibles fósiles con y sin captura y almacenamiento de carbono (CCS). Los escenarios se evalúan en función del costo financiero, la reducción de emisiones y la seguridad energética. Hasta un 60 % de capacidad renovable variable es posible con poco aumento de costos, mientras que porcentajes más altos requieren almacenamiento a gran escala , importaciones y/o energías renovables gestionables como la energía mareomotriz . ^{[ 127 ]}

Stefan Pfenninger , codesarrollador de Calliope , analiza el papel que pueden desempeñar los modelos de sistemas energéticos en el apoyo a las decisiones del mundo real en un seminario celebrado a mediados de 2021. [ ^{128 ] Un} estudio citado investiga las consecuencias de buscar la autosuficiencia energética añadiendo debidamente restricciones internas cada vez más restrictivas. ^{[ 129 ]} Otro en soluciones casi óptimas para Italia . ^{[ 130 ]} Un  vídeo de 2023 describe los desarrollos recientes, muchos de los cuales están diseñados para beneficiar a los usuarios. ^{[ 131 ]}

DESSTinEE son las siglas de Demanda de Servicios, Suministro y Transmisión de Energía en Europa. DESSTinEE es un modelo del sistema energético europeo en 2050, centrado en el sistema eléctrico. DESSTinEE se desarrolla principalmente en la Imperial College Business School , Imperial College London (ICL), Londres , Reino Unido. El software se puede descargar desde la página web del proyecto. DESSTinEE está escrito en Excel / VBA y consta de un conjunto de hojas de cálculo independientes . Hay un folleto disponible. ^{[ 132 ]}

DESSTinEE está diseñado para investigar supuestos sobre los requisitos técnicos para el transporte de energía —en particular la electricidad— y la magnitud del desafío económico que supone desarrollar la infraestructura necesaria. Se consideran cuarenta países de Europa y sus alrededores, y se admiten diez formas de energía primaria y secundaria. El modelo utiliza una técnica de simulación predictiva, en lugar de buscar el equilibrio parcial o general . El modelo proyecta la demanda energética anual de cada país hasta 2050, sintetiza perfiles horarios de la demanda de electricidad en 2010 y 2050, y simula la generación y transmisión de electricidad de menor coste en la región. ^{[ 133 ]}

Un estudio de 2016 que utilizó DESSTinEE (y un segundo modelo, eLOAD) examina la evolución de las curvas de carga eléctrica en Alemania y Gran Bretaña desde la actualidad hasta 2050. En 2050, las cargas máximas y las tasas de rampa aumentan entre un 20 % y un 60 %, y la utilización del sistema disminuye entre un 15 % y un 20 %, en parte debido a la adopción sustancial de bombas de calor y vehículos eléctricos . Estos son cambios significativos. ^{[ 134 ]}

El Modelo de Transición Energética (ETM) es un modelo interactivo basado en la web que ofrece una descripción integral del sistema energético de un país. Está siendo desarrollado por Quintel Intelligence, con sede en Ámsterdam , Países Bajos. El proyecto cuenta con un sitio web oficial, un sitio web interactivo y un repositorio en GitHub . ETM está escrito en Ruby (on Rails ) y se visualiza en un navegador web . ETM consta de varios componentes de software, tal como se describe en la documentación.

ETM es totalmente interactivo. Tras seleccionar una región (Francia, Alemania, Países Bajos, Polonia, España, Reino Unido, UE-27 o Brasil) y un año (2020, 2030, 2040 o 2050), el usuario puede configurar 300 controles deslizantes (o introducir valores numéricos) para explorar lo siguiente:

• Objetivos: establecer metas para el escenario y comprobar si se pueden alcanzar. Los objetivos incluyen: reducciones _de CO₂ , porcentaje de energías renovables, coste total y límites a las importaciones.
• demandas: ampliar o restringir la demanda de energía en el futuro
• Costos: proyectar los costos futuros de los portadores de energía y las tecnologías energéticas; estos costos no incluyen impuestos ni subsidios.
• Suministros: seleccione qué tecnologías se pueden utilizar para producir calor o electricidad.

ETM se basa en un grafo energético ( digrafo ) donde los nodos ( vértices ) pueden transformarse de un tipo de energía a otro, posiblemente con pérdidas. Las conexiones ( aristas dirigidas ) representan los flujos de energía y se caracterizan por su volumen (en megajulios ) y tipo de portador (como carbón, electricidad, calor útil, etc.). A partir de la demanda y otras opciones, ETM calcula el consumo de energía primaria, el coste total y las emisiones de CO₂ resultantes _. El modelo se basa en la demanda, lo que significa que el digrafo se recorre desde la demanda útil (como la calefacción, el consumo de agua caliente y los kilómetros recorridos por vehículos) hasta la demanda primaria (la extracción de gas, la importación de carbón, etc.).

EnergyPATHWAYS es un modelo ascendente del sector energético que se utiliza para explorar las implicaciones a corto plazo de una descarbonización profunda a largo plazo. El desarrollador principal es la consultora de energía y protección climática Evolved Energy Research, con sede en San Francisco , EE. UU. El código está alojado en GitHub . EnergyPATHWAYS está escrito en Python y se enlaza con el solucionador Cbc de código abierto . Alternativamente, se pueden emplear los solucionadores GLPK o CPLEX . EnergyPATHWAYS utiliza el sistema de gestión de bases de datos objeto-relacionales (ORDBMS) PostgreSQL para gestionar sus datos .

EnergyPATHWAYS es un marco contable integral que se utiliza para construir escenarios de infraestructura energética a nivel de toda la economía. Si bien algunas partes del modelo emplean técnicas de programación lineal , por ejemplo, para la distribución de electricidad, EnergyPATHWAYS no es fundamentalmente un modelo de optimización e incorpora pocas dinámicas de decisión. EnergyPATHWAYS ofrece una contabilidad detallada de energía, costos y emisiones para los flujos de energía desde el suministro primario hasta la demanda final. La representación del sistema energético es flexible, lo que permite distintos niveles de detalle y la anidación de ciudades, estados y países. El modelo utiliza la distribución de electricidad de menor costo por hora y admite la conversión de energía eléctrica en gas , el almacenamiento de energía a corto y largo plazo, y la gestión de la demanda . Los escenarios suelen abarcar hasta 2050.

Un predecesor del software EnergyPATHWAYS, denominado simplemente PATHWAYS, se ha utilizado para construir modelos de políticas. El modelo PATHWAYS de California se utilizó para fundamentar los objetivos climáticos del estado de California para 2030. ^{[ 135 ]} Y el modelo PATHWAYS de EE. UU. contribuyó a las evaluaciones del Proyecto de Rutas de Descarbonización Profunda (DDPP) de las Naciones Unidas para los Estados Unidos. ^{[ 136 ]} A partir de 2016El DDPP planea emplear EnergyPATHWAYS para análisis futuros.

ETEM significa Modelo de Entorno Energético y Tecnológico. El modelo ETEM ofrece una estructura similar a OSeMOSYS , pero está orientado a la planificación urbana. El software está siendo desarrollado por la empresa ORDECSYS, Chêne-Bougeries , Suiza, con el apoyo de subvenciones de investigación nacionales y de la Unión Europea. El proyecto tiene dos sitios web. El software se puede descargar desde el primero de estos sitios web (pero a partir de julio de 2016 (esto parece desactualizado). Hay un manual disponible con el software. ^{[ 137 ]} ETEM está escrito en MathProg . ^{[ e ]} Hay presentaciones que describen ETEM disponibles. ^{[ 138 ] [ 139 ]}

ETEM es un modelo ascendente que identifica las opciones óptimas de energía y tecnología para una región o ciudad. El modelo encuentra una política energética con un costo mínimo, mientras invierte en nuevos equipos (nuevas tecnologías), desarrolla capacidad de producción (tecnologías instaladas) y/o propone la importación/exportación factible de energía primaria. ETEM generalmente proyecta 50  años hacia adelante, en pasos de dos o cinco años, con cortes de tiempo de cuatro estaciones usando generalmente días individuales o más finos. La resolución espacial puede ser muy detallada. Se admiten tanto electricidad como calor, así como redes de calefacción urbana , sistemas de energía doméstica y almacenamiento en la red, incluido el uso de vehículos eléctricos híbridos enchufables (PHEV). ETEM-SG, un desarrollo, admite la respuesta a la demanda , una opción que sería posible con el desarrollo de redes inteligentes .

El modelo ETEM se ha aplicado a Luxemburgo, los cantones de Ginebra y Basilea-Berna-Zúrich en Suiza, y la región metropolitana de Grenoble y Midi-Pyrénées en Francia. Un estudio de 2005 utiliza ETEM para estudiar la protección climática en el sector de la vivienda suizo. El modelo ETEM se acopló con el modelo de equilibrio general computable mundial GEMINI-E3 (CGEM) para completar el análisis. ^{[ 140 ]} Un estudio de 2012 examina el diseño de redes inteligentes . A medida que los sistemas de distribución se vuelven más inteligentes, también deben hacerlo los modelos necesarios para analizarlos. ETEM se utiliza para evaluar el potencial de las tecnologías de redes inteligentes mediante un estudio de caso , calibrado aproximadamente en el cantón de Ginebra , bajo tres escenarios. Estos escenarios aplican diferentes restricciones a las emisiones _de CO₂ y a las importaciones de electricidad. Se utiliza un enfoque estocástico para abordar la incertidumbre en los precios futuros de la electricidad y la adopción de vehículos eléctricos. ^{[ 141 ]}

ficus es un modelo de optimización de enteros mixtos para sistemas energéticos locales. Se desarrolla en el Instituto de Economía Energética y Tecnología Aplicada de la Universidad Técnica de Múnich , en Múnich , Alemania. El proyecto cuenta con un sitio web y está alojado en GitHub . ficus está escrito en Python y utiliza la biblioteca Pyomo . El usuario puede elegir entre el solucionador de código abierto GLPK o el solucionador comercial CPLEX .

Basado en URBS , ficus se desarrolló originalmente para optimizar los sistemas energéticos de las fábricas y ahora se ha ampliado para incluir sistemas energéticos locales. ficus admite múltiples productos energéticos (bienes que pueden importarse o exportarse, generarse, almacenarse o consumirse), incluyendo electricidad y calor. Admite tecnologías de conversión de energía de múltiples entradas y múltiples salidas con eficiencias dependientes de la carga. El objetivo del modelo es satisfacer la demanda dada al menor costo posible. ficus utiliza series temporales de costos exógenos para los productos importados, así como cargos por demanda máxima con una base de tiempo configurable para cada producto en uso.

El Modelo del Sistema Energético Global (GENeSYS - MOD) es un modelo de optimización lineal de minimización de costos que se está desarrollando en la Universidad Técnica de Berlín , Alemania. ^{[ f ]} El proyecto se basó originalmente en el marco OSeMOSYS y la primera versión se publicó en 2017 usando GAMS . ^{[ 142 ]} El código fuente se tradujo posteriormente a Julia . Ambas versiones y un conjunto de datos representativo están disponibles en GitHub.

GENeSYS - MOD combina los sectores de demanda (electricidad, edificios, industria y transporte) y encuentra la inversión óptima en términos de costos para la generación, el almacenamiento y la infraestructura de energía convencional y renovable. La investigación se centra en el desarrollo del sistema a largo plazo y el análisis de trayectorias. ^{[ 143 ]}

El modelo se utilizó inicialmente para analizar escenarios de descarbonización a nivel global, divididos en diez regiones. Sin embargo, el marco es altamente flexible, lo que permite realizar cálculos con distintos niveles de detalle, desde hogares individuales hasta agregaciones globales, según la pregunta de investigación y la disponibilidad de datos.

Un  estudio de 2019 examinó la transición hacia bajas emisiones de carbono del sistema energético europeo y, específicamente, el problema de los activos varados en una  variedad de escenarios. Encontró que hasta 200  mil millones de euros en capacidades de combustibles fósiles podrían quedar varados para 2035 a menos que señales políticas más fuertes puedan abordar los sesgos de planificación a corto plazo . ^{[ 144 ]} Otro estudio de 2019 evalúa la transformación del sistema energético de China, destacando la necesidad de reducir el consumo de carbón en un 60% para 2050 para cumplir con los objetivos climáticos globales. Las energías renovables, y en particular la fotovoltaica y la eólica terrestre , emergen como soluciones rentables, pero superar la resistencia local y aumentar la participación de las partes interesadas sigue siendo crucial para el éxito. ^{[ 145 ]} Un  estudio de 2021 investiga el objetivo del Pacto Verde Europeo de lograr reducciones del 100% de gases de efecto invernadero para 2050, examinando la interacción de los desarrollos tecnológicos, los imperativos políticos y las actitudes sociales. El estudio presenta cuatro escenarios futuros que resaltan la contribución crítica de las altas tasas de electrificación combinadas con el despliegue de tecnología a corto plazo para lograr la descarbonización necesariamente rápida. ^{[ 146 ]}

GenX es un modelo de expansión de capacidad del sector de múltiples productos básicos desarrollado originalmente por investigadores en los Estados Unidos. ^{[ 148 ] [ 149 ]} El marco está escrito en Julia y utiliza la biblioteca JuMP para construir el problema de optimización subyacente. ^{[ 150 ] [ 151 ]} GenX, a través de JuMP, puede utilizar varios solucionadores de optimización de código abierto (incluidos CBC / CLP ) y comerciales (incluido CPLEX ). En junio  de 2021, el proyecto se lanzó como un proyecto de código abierto activo y se encuentran disponibles conjuntos de pruebas para facilitar la incorporación. ^{[ 152 ]}

Paralelamente, el proyecto PowerGenome está diseñado para proporcionar a GenX un conjunto de datos completo sobre el estado actual del sistema eléctrico de los Estados Unidos . ^{[ 153 ]} Ese conjunto de datos puede utilizarse como punto de partida para desarrollar escenarios futuros.

GenX se ha utilizado para explorar opciones de almacenamiento a largo plazo en sistemas con altas proporciones de energías renovables, ^{[ 154 ] [ 155 ]} para explorar el valor de opciones de generación de energía baja en carbono « firmes », ^{[ 156 ]} y una variedad de otras aplicaciones. Si bien Norteamérica sigue siendo un foco clave, el software se ha aplicado a problemas en India, ^{[ 157 ]} Italia, ^{[ 158 ]} y España. ^{[ 159 ]}

GenX se implementó en un estudio de caso de 2021 con Louisville Gas and Electric y Kentucky Utilities que demostró que el modelado impulsado por las partes interesadas que utiliza herramientas de código abierto y datos públicos puede contribuir productivamente al análisis y la planificación liderados por las empresas de servicios públicos . ^{[ 160 ] [ 161 ]}

Un estudio de mediados de 2022 examinó la crisis del gas natural que enfrenta Europa , y en particular Alemania, y concluyó que hay varias vías factibles (denominadas "casos") para eliminar todas las importaciones de gas natural ruso para octubre de  2022. ^{[ 147 ] [ 162 ]} El trabajo en curso busca examinar el efecto de extender la vida útil de los tres reactores nucleares restantes de Alemania más allá de 2022 y el efecto de las fuertes condiciones de sequía en la generación hidroeléctrica  y el sistema en general.

oemof significa Marco de Modelado Energético Abierto. El proyecto está gestionado por el Instituto Reiner Lemoine de Berlín , Alemania, y el Centro de Sistemas Energéticos Sostenibles (CSES o ZNES) de la Universidad de Flensburg y la Universidad de Ciencias Aplicadas de Flensburg , ambas en Flensburg , Alemania. El proyecto cuenta con dos sitios web y un repositorio en GitHub . oemof está escrito en Python y utiliza los componentes Pyomo y COIN-OR para la optimización. Los sistemas energéticos pueden representarse mediante hojas de cálculo ( CSV ), lo que simplifica la preparación de datos. La versión 0.1.0 se publicó el 1  de diciembre de 2016.

oemof se clasifica como un marco de modelado energético. Consta de una biblioteca de formulación de problemas de optimización lineal o de enteros mixtos (solph), una biblioteca de generación de datos de entrada (feedin-data) y otras bibliotecas auxiliares. La biblioteca solph se utiliza para representar sistemas multirregionales y multisectoriales (electricidad, calor, gas, movilidad) y puede optimizar para diferentes objetivos, como el coste financiero o las emisiones _de CO₂ . Además, permite alternar entre los modos de despacho e inversión. En cuanto a su alcance, oemof puede abarcar el sistema eléctrico europeo o, alternativamente, describir un esquema complejo del sector eléctrico y térmico local.

oemof se ha aplicado en África subsahariana . [ ^{163 ] Un} proyecto de maestría en 2020 comparó oemof y OSeMOSYS . ^{[ 164 ]}

OSeMOSYS significa Sistema de Modelado Energético de Código Abierto. OSeMOSYS está diseñado para el desarrollo de políticas nacionales y regionales y utiliza un marco de optimización intertemporal. El modelo postula un único operador/inversor con motivación social y una visión de futuro perfecta. El proyecto OSeMOSYS es una iniciativa comunitaria, apoyada por la división de Sistemas Energéticos del Instituto Real de Tecnología KTH de Estocolmo , Suecia. El proyecto mantiene un sitio web con información general. También ofrece varios foros activos en Google Groups . OSeMOSYS se escribió originalmente en MathProg , un lenguaje de programación matemática de alto nivel . Posteriormente se reimplementó en GAMS y Python , y actualmente se mantienen los tres códigos fuente. El proyecto también proporciona un modelo de prueba llamado UTOPIA. Hay un manual disponible. ^{[ 165 ]}

OSeMOSYS proporciona un marco para el análisis de sistemas energéticos a medio (10-15 años) y largo plazo (50-100 años). OSeMOSYS utiliza optimización lineal pura , con la opción de programación entera mixta para el tratamiento de, por ejemplo, expansiones discretas de capacidad de centrales eléctricas. Cubre la mayoría de los sectores energéticos, incluidos el calor, la electricidad y el transporte. OSeMOSYS se basa en demandas de servicios energéticos definidas exógenamente . Estas se satisfacen mediante un conjunto de tecnologías que utilizan un conjunto de recursos, caracterizados tanto por su potencial como por sus costes. Estos recursos no se limitan a materias primas energéticas y pueden incluir, por ejemplo, agua y uso del suelo . Esto permite aplicar OSeMOSYS en ámbitos distintos de la energía, como los sistemas hídricos. También se pueden imponer restricciones técnicas, económicas y/o objetivos medioambientales para reflejar consideraciones políticas. OSeMOSYS está disponible en formulaciones MathProg extendidas y compactas, ambas con resultados idénticos. En su versión extendida, OSeMOSYS consta de algo más de 400 líneas de código . OSeMOSYS se ha utilizado como base para construir modelos reducidos de sistemas energéticos. ^{[ 166 ]}

Un documento clave que describe OSeMOSYS está disponible. ^{[ 6 ]} Un estudio de 2011 utiliza OSeMOSYS para investigar el papel de las decisiones de inversión de los hogares. ^{[ 168 ]} Un estudio de 2012 amplía OSeMOSYS para capturar las características más destacadas de una red inteligente . El documento explica cómo modelar la variabilidad en la generación, la demanda flexible y el almacenamiento de la red y cómo estos impactan en la estabilidad de la red. ^{[ 169 ]} OSeMOSYS se ha aplicado a sistemas de aldeas. Un documento de 2015 compara las ventajas de la electrificación autónoma, de minirredes y de redes para áreas rurales en Timor-Leste bajo diferentes niveles de acceso. ^{[ 170 ]} En un estudio de 2016, OSeMOSYS se modifica para tener en cuenta el comportamiento realista del consumidor. ^{[ 171 ]} Otro estudio de 2016 utiliza OSeMOSYS para construir un modelo de sistema energético multirregional local de la región de Lombardía en Italia. Uno de los objetivos del ejercicio fue alentar a los ciudadanos a participar en el proceso de planificación energética. Los resultados preliminares indican que esto fue exitoso y que se necesita un modelado abierto para incluir adecuadamente tanto la dinámica tecnológica como los problemas no tecnológicos. ^{[ 172 ]} Un artículo de 2017 que cubre Alberta, Canadá, considera el riesgo de exceder los objetivos de emisiones especificados debido a la incertidumbre tecnológica. Entre otros resultados, el artículo encuentra que las tecnologías solar y eólica se construyen siete y cinco años antes respectivamente cuando se incluyen los riesgos de emisiones. ^{[ 173 ]} Otro artículo de 2017 analiza el sistema eléctrico en Chipre y encuentra que, después de que se apliquen las regulaciones ambientales de la Unión Europea después de 2020, se indica un cambio de la generación de petróleo a gas natural. ^{[ 174 ]}

OSeMOSYS se ha utilizado para construir modelos de electricidad de área extensa para África , que comprende 45  países ^{[ 175 ] [ 176 ]} y América del Sur, que comprende 13  países. ^{[ 177 ] [ 178 ]} También se ha utilizado para apoyar las estrategias regionales de clima, tierra, energía y agua (CLEWS) de las Naciones Unidas ^{[ 179 ]} para la cuenca del río Sava , Europa central, ^{[ 180 ]} la cuenca del río Syr Darya , Europa oriental, ^{[ 181 ] : 29} y Mauricio. ^{[ 182 ]} Anteriormente se han construido modelos para los Estados bálticos , Bolivia , Nicaragua , Suecia y Tanzania . ^{[ 183 ]} Un  documento de 2021 resume las aplicaciones recientes y también detalla varias versiones, bifurcaciones y mejoras locales relacionadas con la base de código de OSeMOSYS. ^{[ 184 ]} Un  análisis del sector eléctrico para Bangladesh completado en  2021 concluyó que la energía solar es económicamente competitiva bajo cada escenario investigado. ^{[ 185 ]} Un  estudio de 2022 analizó los efectos del cambio climático en el sistema eléctrico etíope . ^{[ 186 ]} OSeMOSYS también se ha aplicado de diversas maneras en Zimbabue ^{[ 187 ]} y Ecuador. ^{[ 188 ]} Otro estudio de 2022 examinó el uso del agua, dividido por extracciones y consumo, para varias estrategias de energía baja en carbono para África. ^{[ 167 ]} Otro estudio de ese año examinó la energía renovable en Egipto . ^{[ 189 ]} Y otro en la República Dominicana. ^{[ 190 ]} La isla italiana de Pantelleria se utilizó como caso de estudio para comparar el almacenamiento de baterías e hidrógeno y se encontró que un sistema híbrido era el de menor costo. ^{[ 191 ]}

En 2016, se comenzó a trabajar en una interfaz basada en navegador para OSeMOSYS, conocida como Infraestructura de Gestión de Modelos (MoManI). Liderada por el Departamento de Asuntos Económicos y Sociales de la ONU (DESA), MoManI se está probando en países seleccionados. La interfaz se puede utilizar para construir modelos, visualizar resultados y desarrollar mejores escenarios. Atlantis es el nombre de un caso de estudio de un país ficticio para fines de capacitación. ^{[ 192 ] [ 193 ] [ 194 ]} En marzo de 2021 se lanzó una interfaz GUI simplificada llamada clicSAND que utiliza Excel y Access. ^{[ 195 ] [ 196 ]} Una herramienta de flujo de trabajo CLI llamada otoole incluye varias utilidades dedicadas, incluida una que puede convertir entre datos sin fricción de OKI y formatos de datos de GNU MathProg . ^{[ 197 ] [ 184 ] : 3} En 2022, el proyecto lanzó kits de inicio para modelar países seleccionados en África, Asia Oriental y América del Sur. ^{[ 198 ]}  

El modelo de referencia OSeMBE, que abarca Europa occidental y central, se anunció el 27 de abril de 2018. ^{[ 200 ] [ 201 ]} El modelo utiliza la implementación MathProg de OSeMOSYS, pero requiere un pequeño parche previo. El modelo, financiado como parte de Horizonte 2020 y perteneciente al paquete de trabajo WP7 del proyecto REEEM, se utilizará para ayudar a las partes interesadas a participar en una variedad de futuros energéticos sostenibles para Europa. ^{[ 202 ]} El proyecto REEEM se desarrolla desde principios de 2016 hasta mediados de 2020.

Un artículo de 2021 analiza la comunidad OSeMOSYS, su composición y sus actividades de gobernanza. También describe el uso de OSeMOSYS en la educación y para el desarrollo de la capacidad analítica en países en desarrollo. ^{[ 184 ]}

PyPSA significa Python para el análisis de sistemas de energía. PyPSA es una caja de herramientas de software libre para simular y optimizar sistemas de energía eléctrica y sectores afines. ^{[ 203 ] [ 204 ]} Admite generación convencional, generación eólica y solar variable, almacenamiento de electricidad, acoplamiento a los sectores de gas natural, hidrógeno, calor y transporte, y redes híbridas de corriente alterna y continua. Además, PyPSA está diseñado para una buena escalabilidad. El proyecto es gestionado por el Instituto de Automatización e Informática Aplicada (IAI), Instituto Tecnológico de Karlsruhe (KIT), Karlsruhe , Alemania, aunque el proyecto en sí existe de forma independiente con su propio nombre y cuentas. El proyecto mantiene un sitio web y gestiona una lista de correo electrónico . PyPSA está escrito en Python y utiliza la biblioteca linopy . El código fuente está alojado en GitHub y también se publica periódicamente como un paquete PyPI .

La funcionalidad básica de PyPSA se describe en un artículo de 2018. PyPSA conecta el software tradicional de análisis de flujo de potencia en estado estacionario con modelos completos de sistemas energéticos multiperíodo. Puede utilizarse con ecuaciones de flujo de potencia no lineales para la simulación del sistema o con aproximaciones linealizadas para optimizar conjuntamente las operaciones y la inversión en múltiples períodos. Se pueden especificar el arranque del generador y los tiempos de subida y bajada en múltiples períodos, se admite la gestión de la demanda , pero la demanda sigue siendo inelástica al precio . ^{[ 205 ]}

Un estudio de 2018 examina las posibles sinergias entre el acoplamiento sectorial y el refuerzo de la transmisión en un futuro sistema energético europeo con la limitación de reducir las emisiones de carbono en un 95 %. El modelo PyPSA-Eur-Sec-30 captura el potencial de gestión de la demanda de los vehículos eléctricos de batería (VEB), así como el papel que pueden desempeñar la conversión de energía eléctrica en gas , el almacenamiento térmico de energía a largo plazo y tecnologías relacionadas. Los resultados indican que los VEB pueden suavizar las variaciones diarias de la energía solar, mientras que las demás tecnologías suavizan las variaciones sinópticas y estacionales tanto de la demanda como del suministro de energías renovables. Se requiere un desarrollo sustancial de la red eléctrica para una configuración de menor coste. En términos generales, dicho sistema es factible y asequible. Los conjuntos de datos subyacentes están disponibles en Zenodo . ^{[ 206 ]}

A partir de enero de 2018 PyPSA es utilizado por más de una docena de institutos de investigación y empresas en todo el mundo. ^{[ 205 ] : 2} Algunos grupos de investigación han extendido el software de forma independiente, por ejemplo, para modelar la expansión de transmisión de enteros. ^{[ 207 ]}

En 2020, el modelo PyPSA-Eur-Sec para Europa se utilizó para analizar varios escenarios compatibles con el Acuerdo de París para la infraestructura energética ^{[ 208 ]} y se determinó que la acción temprana debería ser rentable. ^{[ 209 ]}

El 9  de enero de 2019, el proyecto lanzó un modelo interactivo de "juguete" con interfaz web, utilizando el solucionador Cbc , para permitir al público experimentar con diferentes costos y tecnologías futuras. ^{[ 210 ] [ 211 ]} El sitio se relanzó el 5  de noviembre de 2019 con algunas mejoras internas, una nueva URL y un solucionador más rápido que ahora completa en aproximadamente12  s . ^{[ 212 ]} Una versión más reciente ahora utiliza el solucionador HiGHS . ^{[ 213 ]}

Durante septiembre de 2021, los desarrolladores de PyPSA anunciaron el proyecto PyPSA - Server para proporcionar una interfaz web a una versión simplificada de su modelo europeo acoplado sectorial PyPSA - Eur - Sec . ^{[ 215 ] [ 216 ]} Los usuarios no necesitan instalar software y pueden definir nuevos escenarios "por diferencia" utilizando una página web basada en formularios . Los escenarios ejecutados previamente se almacenan para futuras referencias. La implementación a partir de octubre de 2021 es esencialmente una prueba de concepto .

A finales de 2021, los desarrolladores de PyPSA - Eur informaron sobre su investigación acerca de las opciones de expansión de la red integrada de electricidad de alto voltaje e hidrógeno para Europa y el Reino Unido y el impacto del tipo de compensaciones que podrían derivarse de la limitada aceptación pública de la nueva infraestructura. ^{[ 217 ] [ 218 ]} Trabajos posteriores agregaron efectos de aprendizaje endógeno e identificaron reducciones de costos de tecnología más pronunciadas que las anticipadas por la Comisión Europea . ^{[ 219 ]} Un trabajo publicado en 2024 integró PyPSA - Eur con el modelo global de cadena de suministro de energía TRACE y destacó la necesidad de coordinar las políticas de infraestructura y las estrategias de importación. ^{[ 220 ]}

Un estudio  de diciembre  de 2021 y el trabajo en curso implementaron un modelo PyPSA-PL para evaluar opciones políticas para Polonia. ^{[ 221 ] [ 222 ] [ 223 ] [ 224 ]} Investigadores de la Universidad de Edimburgo publicaron un modelo independiente del sistema eléctrico para Gran Bretaña llamado PyPSA - GB en 2024, junto con evaluaciones de los escenarios oficiales de energía futura (FES) de cero neto de la Red Nacional del Reino Unido . ^{[ 225 ]}

Varios mantenedores de PyPSA anunciaron en junio de 2023 una nueva empresa sin ánimo de lucro para proporcionar servicios de consultoría utilizando PyPSA. ^{[ 226 ]} 

REMix significa "Mezcla de Energía Renovable". Es un marco de código abierto desarrollado por el Centro Aeroespacial Alemán para configurar modelos de optimización lineal o de enteros mixtos utilizando GAMS para la optimización y Python para la manipulación de datos e interfaces. REMix está desarrollado para aplicaciones en el modelado de sistemas energéticos. El enfoque principal es la optimización de sistemas alimentados por fuentes de energía renovable que varían en el tiempo, especialmente a escala nacional. ^{[ 233 ]}

Como ejemplo del tipo de problema que REMix puede abordar, se ha modelado el potencial de las baterías de Carnot en el desarrollo de un sistema energético de cero emisiones para Europa Central en el marco temporal de 2050. Se encontró que los sistemas de energía eólica funcionan especialmente bien con este tipo de baterías. En ese estudio, el modelado energético se combinó con el modelado económico para evaluar la rentabilidad de dicho sistema. ^{[ 234 ]} Otro ejemplo comparó vías para la transición a lo largo de varios años hacia una economía verde completa en Europa. Al modelar el flujo de energía y combustibles a través de redes que abarcan el continente, las compensaciones óptimas de hidrógeno azul y verde permiten tiempo para el desarrollo completo de las tecnologías solar y eólica. El marco también incorpora la optimización de rutas, lo que permite análisis plurianuales y planificación estratégica durante períodos prolongados. ^{[ 235 ]} REMix también se utilizó para modelar respuestas a una serie de desafíos para el suministro de combustible debido al aumento de los costos o eventos políticos, ^{[ 236 ]} y para analizar la integración de energías renovables en el sistema eléctrico. ^{[ 237 ]}

El tiempo de cálculo para el modelado REMix depende en gran medida del número de decisiones de planificación de capacidad que requiere el problema. Para instancias muy grandes, se ha empleado la optimización de rutas mediante el solucionador paralelo PIPS-IPM++ . ^{[ 238 ]}

Con el fin de validar el modelo REMix, el Centro Aeroespacial Alemán ha participado en varias comparaciones de modelos. ^{[ 239 ] [ 240 ]}

TEMOA significa Herramientas para la Optimización y el Análisis de Modelos Energéticos. El software está siendo desarrollado por el Departamento de Ingeniería Civil, de Construcción y Ambiental de la Universidad Estatal de Carolina del Norte , Raleigh, Carolina del Norte , EE. UU. El proyecto cuenta con un sitio web y un foro. El código fuente está alojado en GitHub . El modelo está programado en Pyomo , una biblioteca de componentes de optimización escrita en Python . TEMOA puede utilizarse con cualquier solucionador compatible con Pyomo , incluido el solucionador de código abierto GLPK . TEMOA utiliza control de versiones para archivar públicamente el código fuente y los conjuntos de datos , permitiendo así que terceros verifiquen todo el trabajo de modelado publicado. ^{[ 12 ]}

TEMOA se clasifica como un marco de modelado y se utiliza para realizar análisis mediante un modelo de sistema energético ascendente y rico en tecnología. El objetivo del modelo es minimizar el costo del suministro de energía en todo el sistema mediante el despliegue y la utilización de tecnologías y materias primas energéticas a lo largo del tiempo para satisfacer un conjunto de demandas de uso final especificadas exógenamente . ^{[ 241 ]} TEMOA está "fuertemente influenciado por los generadores de modelos MARKAL/TIMES, bien documentados ". ^{[ 242 ] : 4}

TEMOA constituye la base del proyecto de investigación Open Energy Outlook (OEO), que abarca el período 2020-2022. El proyecto OEO utiliza herramientas de código abierto y datos abiertos para explorar opciones de políticas de descarbonización profunda para Estados Unidos. ^{[ 15 ] [ 243 ]}

Desde mediados de 2021, una interfaz interactiva ubicada en el sitio web principal permite a los usuarios registrados manipular datos de escenarios localmente, cargar archivos SQLite estructurados y luego ejecutar estos escenarios utilizando el software TEMOA. ^{[ 244 ] [ 245 ]} El servicio también proporciona algunas funcionalidades limitadas de visualización de datos y gestión de proyectos.

RAMP es un conjunto de software de código abierto para la simulación estocástica de series temporales de demanda energética generadas por el usuario , a partir de unos pocos datos de entrada sencillos. Por ejemplo, una definición mínima de un tipo de usuario —como una categoría específica de hogar— solo requiere información sobre los dispositivos que consumen energía que poseen, cuándo suelen usarlos en un día típico y durante cuánto tiempo en total. El software aprovecha la estocasticidad para compensar la falta de información más detallada e incluir la imprevisibilidad del comportamiento humano.   

El software RAMP puede generar datos sintéticos cuando no existen datos medidos, como al diseñar sistemas en áreas remotas ^{[ 246 ]} o al planificar futuras flotas de vehículos eléctricos ^{[ 247 ]} . Los requisitos de datos limitados también permiten una mayor flexibilidad en la selección y el desarrollo de escenarios que caracterizaciones similares pero con mayor volumen de datos ^{[ 248 ] .}

RAMP se ha utilizado en investigación científica para  diversos casos de uso , como la generación de perfiles de demanda de electricidad para comunidades remotas o residenciales, el consumo de agua caliente sanitaria, las prácticas culinarias y la movilidad eléctrica. Las escalas geográficas asociadas pueden abarcar desde barrios hasta continentes.

RAMP tiene varias docenas de usuarios en todo el mundo. A principios de la década de 2020, el software pasó a formar parte de un esfuerzo de desarrollo de software multiinstitucional, apoyado por TU Delft , VITO, el Instituto Reiner Lemoine , la Universidad de Lieja , la Universidad Leibniz de Hannover y la Universidad Mayor de  San Simón . ^{[ 248 ]}

RAMP se ejecuta en Python y requiere la entrada de datos en formato tabular. Dispone de interfaces gráficas de usuario ( GUI ), lo que permite ejecutar el software desde navegadores web. ^{[ 249 ]}

El marco del modelo venco.py puede utilizarse para investigar las interacciones entre la adopción de vehículos eléctricos de batería (VEB) y el sistema eléctrico en general. Más concretamente, los VEB pueden contribuir de forma útil al almacenamiento de corto alcance en sistemas eléctricos que se enfrentan a una alta proporción de energía renovable fluctuante. Pero, a diferencia del almacenamiento dedicado en la red, las contribuciones de los VEB dependen en gran medida de las opciones de conexión y carga que elijan los propietarios de cada vehículo. ^{[ 250 ]}

Venco.py se ha aplicado a varios escenarios en Alemania en 2030 utilizando una proyección de 9  millones de BEV en servicio y un consumo anual de energía de la flota de27  TWh . Las simulaciones muestran que las decisiones del propietario son significativas y que algunas variables de diseño del sistema tienen más influencia que otras. Por ejemplo, la capacidad agregada de la flota y la disponibilidad de instalaciones de carga rápida parecen impactar fuertemente la contribución probable del sistema. Se necesita más trabajo para evaluar la influencia de patrones climáticos y de demanda más definidos. ^{[ 250 ]} La formulación matemática está disponible. ^{[ 251 ]} Venco.py se basa en un prototipo de hoja de cálculo anterior . ^{[ 252 ]}

Varios modelos de componentes técnicos ahora también son de código abierto. Si bien estos modelos no constituyen modelos de sistemas orientados al desarrollo de políticas públicas (el tema central de esta página), merecen ser mencionados. Los módulos tecnológicos pueden integrarse o adaptarse a estas iniciativas más amplias.

• Modelo de rendimiento de un conjunto fotovoltaico de Sandia ^{[ 254 ]}
• Biblioteca de instalaciones fotovoltaicas pvlib ^{[ 255 ]}
• Biblioteca de instalaciones de bombas de calor hplib ^{[ 256 ]}
• windpowerlib biblioteca de turbinas eólicas ^{[ 257 ]}
• biblioteca de hidroelectricidad hydropowerlib ^{[ 258 ]}

Se han escrito varios modelos de subastas de electricidad en GAMS , AMPL , MathProg y otros lenguajes. ^{[ h ]} Estos incluyen:

• el modelo de precios nodales EPOC ^{[ 259 ]}
• En b:GLPK/Electricity markets encontrará ejemplos del mercado eléctrico nacional australiano que utilizan MathProg.

Muchos proyectos dependen de un solucionador lineal puro o de enteros mixtos para realizar optimización clásica, satisfacción de restricciones o alguna combinación de ambos. Si bien existen varios proyectos de solucionadores de código abierto, el más comúnmente implementado es GLPK . GLPK ha sido adoptado por Calliope , ETEM , ficus , OSeMOSYS , SWITCH y TEMOA . Otra alternativa es el solucionador Clp. ^{[ 260 ] [ 261 ]} Desde mediados de 2022, el solucionador de código abierto HiGHS ofrece otra opción. HiGHS es utilizado por la versión basada en web del modelo multisectorial europeo PyPSA ^{[ 262 ]}

Los solucionadores propietarios superan a los solucionadores de código abierto por un margen considerable (quizás diez veces), por lo que elegir un solucionador abierto limitará el rendimiento en términos de velocidad, consumo de memoria y quizás incluso la tratabilidad. ^{[ 263 ]}

La caja de herramientas de optimización flexible SMS++, escrita en C++17 , se está desarrollando específicamente para satisfacer las necesidades del modelado de sistemas energéticos. ^{[ 264 ]}