• Energy forecasting para el nuevo horizonte energético

    Energy forecasting para el nuevo horizonte energético

Valora este artículo
(5 votos)
Avatar de autor Álvaro Sánchez Castañeda
Publicado el: 26 de Octubre de 2018

Han pasado años desde la aparición de las primeras placas fotovoltaicas domésticas. Esta tecnología, llamada a revolucionar el mercado eléctrico, no ha supuesto el impacto que todos esperábamos. ¿Qué ha pasado entonces?

En primer lugar nos encontramos ante la imposibilidad de generar energía durante noche y en segundo lugar, la imposibilidad de acercar a los usuarios al mercado energético. Parece que empiezan a aparecer soluciones al primer problema a través de la utilización de baterías cada vez mas efectivas. Esto solo puede significar una cosa ¡Ha llegado el momento de acercar a los usuarios al mercado eléctrico!

Para operar en este mercado es esencial saber a qué precio podemos vender y qué cantidad queremos vender ( o en caso contrario, comprar). Entorno a esto se desarrolla un área conocida como Energy Forecasting, en la cual tratamos de predecir valores como precios energéticos o consumos. Estas predicciones hasta la fecha se han hecho apoyándonos en técnicas puramente estadísticas (regresiones lineales…)  y trabajando con grandes volúmenes de energía (predecir el consumo de una ciudad, por ejemplo).

Seguro que muchos ya estaréis pensando en términos como Inteligencia Artificial o Machine Learning. ¡Pues andáis en lo cierto! Si queremos extender el alcance del Energy Forecasting de forma que tengamos la flexibilidad necesaria para que los usuarios accedan de forma mas directa al mercado, necesitaremos previsiones adaptadas a dichos usuarios. Es gracias a la inteligencia artificial que podemos preveer la curva de consumo de una vivienda en particular, así como la generación de energía fotovoltaica que esta produce en caso de disponer de las placas necesarias.

Veamos a grandes rasgos como dar solución a la predicción de consumos a nivel de un usuario (consumos desagregados). El primer paso debe ser definir el error, puesto que no es igual de grave prever un consumo energético inferior al real, que uno superior.

De ese modo, definiremos un error que sea mayor cuando la predicción de consumo sea menor que el consumo real (para aquellos interesados en los detalles, en este caso se trata de Quantile Regression).

En segundo lugar, podemos utilizar datos de consumo de múltiples usuarios para que nuestro modelo aprenda a interpretar las características de una curva de consumo, y a predecir la misma. Para esta tarea, lo ideal es utilizar redes neuronales recurrentes, mediante lo cual podemos adaptar nuestras predicciones a cada usuario. Dicha red neuronal analizará el consumo de un usuario durante una semana, y devolverá una estimación para consumos futuros (varias horas, un dia…).

(Quantile regressión: Podemos estimar diferentes curvas, en función de la garantía que queremos dar de que no aparecerán valores inferiores a dicha curva).

Para predecir la generación de energía fotovoltaica, necesitaremos disponer de predicciones meteorológicas. Podemos utilizar un primer modelo que, basándose en la meteorología, dé una primera estimación de la curva de generación que tendremos mañana.

Para esta estimación, modelos como Random Forest o Gradient Boosting que se basan en el ensamblado de arboles de decisión, podrán crear reglas complejas basándose en una gran cantidad de parámetros meteorológicos.

Una vez dispongamos de esta estimación, podemos utilizar una red neuronal recurrente que corrija errores recurrentes en la primera predicción. Pensemos que cada cada placa tendrá unas características particulares, difíciles de incluir en un modelo, pero que se reflejaran en las curvas de generación (a determinadas horas la sombra de un árbol tapa la placa…). Este tipo de comportamientos son los que corregiremos con una red neuronal recurrente similar a la utilizada para predecir consumos energéticos.

Hemos descrito a grandes rasgos un sistema predictivo capaz de adaptarse a características de usuarios individuales para permitir una gestión personalizada de la energía. Todo este desarrollo se ha realizado dentro de el proyecto Netfficient (http://netfficient-project.eu/ y https://www.ayesa.com/es/sectores/smart-life/smart-grid/299-netfficient) , en el cual comenzamos a ver con gran ilusión como será posible un mercado energético diferente.

Nuestro blog

El conocimiento es el emblema de Ayesa y este blog pretende ser un lugar donde los empleados compartan su experiencia en los ámbitos de la ingeniería, la transformación digital y la tecnología Smart.

Estamos comprometidos con la innovación, la calidad de vida y los avances tecnológicos.