La extensión de los sistemas de generación distribuida ha cambiado el paradigma del sistema energético actual. Hay momentos del día en el que se registran niveles de producción renovable de más del 50% del total, una cifra que alcanzará, según algunas proyecciones, más del 80-90% en escenarios futuros. Los nuevos sistemas de microgeneración de microrredes, o centrales eléctricas virtuales (VPP, por su acrónimo en inglés), aumentan la complejidad de la gestión de la red y suponen todo un reto, pues al funcionar con una nueva combinación de fuentes de energía renovables y nuevos sistemas de almacenamiento local, descentralizan el sistema. En consecuencia, para su correcto manejo, serán necesarias soluciones basadas en la Inteligencia Artificial (IA). Aún con esta dificultad, los modelos analíticos actuales reducen el error (MAPE%; desviación promedio absoluta porcentual) en torno a un 30%, lo cual se traduce directamente en beneficio para la microgrid/VPP.
Wolfram Rozas. Director del Programa Ejecutivo de Big Data & Analytics, Inteligencia Artificial y Smart Energy de EOI Business School.
Esta complejidad no sólo se localiza en los sistemas de operación del sistema eléctrico, sino en la transformación del mismo mercado. La aparición del prosumidor como nuevo jugador bidireccional capaz de generar y consumir energía, pudiendo vender sus excedentes, desarrollará un mercado más líquido, con más transacciones que puedan adoptar precios dinámicos según la elasticidad de la demanda. Tras ellos, aparecen los agregadores de demanda, que comercializan la energía de los sistemas de microgeneración; su función es canalizar la producción cursando ofertas en el mercado. El pool del mercado se enriquecerá con nuevas ofertas de energía de los sistemas de microgeneración, y demandas de energía por parte de las coaliciones de consumidores. Toda esta nueva cantidad de combinaciones de transacciones de este commodity raro, es decir, que apenas podemos almacenar, es digna de análisis por la Teoría de Juegos en una serie de juegos competitivos que son las subastas actuales de energía.
BIG DATA PARA ENCAJAR PIEZAS DEL PUZZLE
La multipolaridad del nuevo esquema requiere una gestión tecnológica que aborde el incremento de complejidad del sistema. Las nuevas redes inteligentes hacen que los agentes envíen y reciban, además de energía, datos sobre el estado del sistema, en tiempos de latencia bajos. Este big data fruto de una instrumentación extendida, conectada e inteligente configura un nuevo entorno que monitoriza y optimiza el sistema en todos sus vectores de negocio, por ejemplo, clientes, operación, seguridad, etc.
Para agregar todas las energías provenientes de las microrredes, establecemos un proceso que recopila información de los sensores casi en tiempo real.
Actualmente, el Edge Computing lleva el análisis profundo del dato al lugar donde se produce, el sensor; y ejecuta acciones en casi tiempo real como resultado. Empleando anchos de banda 5G, los actuales sistemas son capaces de reaccionar en ese tiempo en mallas de hasta un millón de dispositivos conectados. Los sensores pueden alojar, dentro de ellos, un contenedor. Los contenedores son unidades lógicas virtuales que ejecutan cargas de trabajo analíticas o de automatización. Entre las primeras, encontramos la estimación de la carga residual (lo que consume menos de lo que genera) mediante sofisticados modelos de machine learning. Una vez obtenida el proceso analítico optimiza la carga del almacenamiento (la batería de la microgrid).
GRANDES ESPERANZAS
Los nuevos modelos de aprendizaje profundo bayesiano son prometedores a la hora de estimar la producción mediante datos metereológicos de naturaleza incierta. Las redes neuronales bayesianas ofrecen como resultado una distribución del resultado (el a posteriori; es decir, la generación prevista) mucho más acorde a la naturaleza del problema. La aproximación más compleja son los modelos de conjunto que, en su versión más adaptable, son las mezclas de expertos. Una especie de modelo “director de orquesta” que selecciona los modelos “intérpretes/músicos” que se usarán en cada estimación carga residual según cada combinación de geoposición, tiempo y parámetros climáticos, por ejemplo.: temperatura, humedad, irradiación solar, nubosidad. El “modelo director” (una red neuronal bayesiana) selecciona la importancia de los “modelos músicos” a los que ordena “tocar”, mediante lo que se conoce como una red de compuertas que decide cuál o cuáles son los expertos más adecuados en cada situación.
Con respecto a la etapa de optimización, lo que se busca es la mejor recomendación sobre el estado de almacenamiento de la energía. Escenarios de negocio como la reducción del precio de la energía en situación de consumo (posición corta) o la maximización de ingresos en el caso de venta de excedentes (posición larga). Nuestro objetivo es optimizar el uso que hacemos del almacenamiento: ¿uso mi batería ahora?, ¿la cargo?, ¿la vendo? Este tipo de decisiones configurarán estrategias competitivas o no competitivas con otros jugadores del mercado (distribuidoras, alianzas de prosumidores, etc.). En estas condiciones de incertidumbre, la búsqueda de solución mediante juegos bayesianos o redes adversariales de riesgo es actualmente muy favorable. Las cargas de trabajo de automatización ejecutan la recomendación del estado del almacenamiento con un sistema multiagente, que toma todas esas decisiones sobre el almacenamiento de manera automática.
Esta optimización podría hacerse a un nivel de agregación mayor como las comunidades energéticas que comienzan a extenderse en Alemania o Escandinavia, y en España, en Álava, Guipúzcoa, Navarra o Tenerife. En este caso se optimizará la carga de la batería de la comunidad, teniendo en cuenta las restricciones de equilibrio local (la carga residual debe ser la suma de la potencia absorbida de la red, el excedente de generación de energías renovables y la energía almacenada) y del sistema dinámico que gobierna la batería (con el tiempo el proceso de carga/descarga de la batería se deteriora llegando a dejar de ser útil).
La solución expuesta ayudaría al consumidor/prosumidor a conseguir sus objetivos de reducción de costes de la energía o de maximización de ingresos por excedentes en las subastas del mercado diario. Toda esta producción será agregada y puesta en el mercado de flexibilidad eléctrica para poder vencer “la curva del pato” que la generación renovable ocasiona cuando el viento deja de soplar o el sol se pone. Este gráfico de la producción de energía en el transcurso de un día muestra el desequilibrio entre la demanda máxima y la producción de energía renovable, en el tiempo. En el caso de California, un estado de gran capacidad solar como España, tiene que cubrir un déficit de 13 GW en tan sólo 3 horas (entre las 18 a 21 horas, lapso en el que decae la actividad solar).
Para poder equilibrar esta nueva situación, las comunidades energéticas crearán ofertas de portfolio en el mercado de energía diario de toda esa producción, garantizando la flexibilidad que necesita el sistema, cada vez más dependiente de las fuentes renovables.
