Predicción de demanda eléctrica: Antecedentes, Actualidad y tendencias de futuro

Transcripción

1 Predicción de demanda eléctrica: Antecedentes, Actualidad y tendencias de futuro Alejandro Quintana Cándido Enrique Quintana Rodríguez Instituto Tecnológico de Santo Domingo (INTEC).

2 Introducción. Las actividades de operación y planificación diarias del desempeño energético requieren la predicción de la demanda eléctrica, ya que esta última ha de producirse en el momento en que se demanda. La demanda eléctrica es totalmente dependiente de parámetros medibles, incorporando en la misma incertidumbre, que repercutirá en el precio final de la energía para los consumidores.

3 CONSIDERACIONES SOBRE LA DEMANDA ELÉCTRICA. Además de la economía, la demanda eléctrica se ve claramente influenciada por la estacionalidad. Por otro lado, la demanda diaria presenta grandes oscilaciones a lo largo del año, siendo los aspectos más importantes a tener en cuenta en dicha variabilidad los siguientes: _ Temperatura ambiente. _ Actividad laboral. _ Evolución económica.

4 IMPORTANCIA DE LA PREDICCIÓN DE LA DEMANDA ELÉCTRICA. La necesidad de nuevas instalaciones, los costes fijos y los variables del sistema eléctrico, están directamente influenciados por la curva de carga de la demanda eléctrica y las características de la misma. Por tanto, y de una manera claramente influyente, la predicción de la demanda eléctrica se presenta como fundamental, además de para los costos anteriormente mencionados, para temas de garantía de suministro y operación del sistema.

5 Por tanto, el tratar de predecir la demanda eléctrica supondrá, para el sistema, una operación más eficiente del mismo. La curva de carga es la pieza fundamental de la operación, ya que permitirá la planificación de sus generaciones y, además, posibilitará tener una visión del crecimiento de las infraestructuras necesarias de una manera más realista.

6 ANTECEDENTES EN LA PREDICCIÓN DE DEMANDA ELÉCTRICA. Al comienzo, los modelos de predicción se apoyaban en los avances en estadística, Rowson (1952) mostró una predicción de la carga en base a diferentes funciones estadísticas. Continuando con el aporte estadístico, Hooke and Newark (1955) presentaron un estudio de modelos que extrapolan la predicción a partir de días anteriores. Gruetter (1955) empleó tarjetas perforadas de la administración pública para la predicción de la carga, basada en unas medias estadísticas de comportamientos de consumos. Matthewman y Nicholson (1968) categorizaron modelos en dos niveles: métodos que utilizan la predicción climática e información meteorológica; y los que utilizan únicamente los datos de carga. Gross y Galiana (1987) concluyeron que la demanda eléctrica está claramente influenciada por factores económicos, temporales, climáticos y efectos aleatorios

7 Redes neuronales artificiales. Más recientemente se han aplicado técnicas que tienen que ver con la inteligencia artificial, como las basadas en sistemas expertos, fuzzy inference y fuzzy-neural. A pesar de esto, los modelos a los que se les ha prestado una importancia destacada son los basados en RNA, mostrándose con el paso del tiempo la multitud de modelos arquitecturales existentes para solucionar diferentes problemas dentro de la predicción de la demanda. Centrándonos en los modelos basados en RNA, existen las arquitecturas basadas en MultiLayer Perceptron (MLP), algoritmo desarrollado por Rumelhart (1986).

8 Multilayer Perceptrón.

9 Actualidad. En la actualidad las técnicas más usadas son las RNA (Redes Neuronales Artificiales). Siendo los modelos no lineales y dentro de estos las RNA las que mayor aceptación y mejores resultados han mostrado. Muchas series de demanda presentan evidencias de comportamiento no lineal. De ahí, que se haya presentado una proliferación del uso de metodologías no lineales para su pronóstico, sobre todo para casos con marcada variabilidad en las curvas de carga.

10 CLASIFICACIÓN SEGÚN EL ENTORNO DE PREDICCIÓN. Predicción de Carga a Muy Corto Plazo (Very Short Term Load Forecasting VSTLF): desde algunos segundos o minutos a varias horas. La aplicación de estos modelos suele ser para control de flujo. Predicción de demanda a corto plazo ( Short-Term Load Forecast- STLF): desde unas horas a semanas. La aplicación de estos modelos suele ser para ajuste entre demanda y generación, y por tanto la emisión de ofertas al mercado eléctrico. Predicción de Carga a Medio Plazo (Medium Term Load Forecasting MTLF): desde días a semanas y meses. Predicción de Carga a Largo Plazo (Long Term Load Forecasting LTLF): desde meses a años.

11 Aplicaciones recientes Guan et al. (2013) presentan un modelo basado en ANN con unos filtros previos basados en Wavelets; la Red Neuronal Wavelet (Wavelet Neural Network WNN) recibe los filtrados de Wavelet, valores de calendario (hora, mes, etc.) y valores de consumo de la última hora. Kandil et al. (2009) presentan un sistema experto para manejar un sistema planificador de MTLF/LTLF; la base de conocimiento del sistema experto estará formada por hechos estáticos y dinámicos de consumo de la hora siguiente, donde cada WNN predice el valor cincominutal. Zhang and Ye (2011) emplean un modelo RNA de regresión para LTLF, tratando de incluir un factor económico llamado Producto Interior Bruto (Gross Domestic Product GDP). Como dato de interés, el trabajo necesita un histórico de 13 años para la fase de aprendizaje del modelo, para posteriormente poder predecir 5 años. Daneshi et al. (2008) presentan dos modelos para LTLF. El primero emplea un método de regresión lineal donde la complicación es construir la ecuación del modelo de regresión. El segundo modelo emplea ANN donde al conjunto de datos se le aplica una función de lógica difusa. Con independencia del modelo, se emplean una gran cantidad de parámetros y de diferentes entornos.

12 PREDICCIÓN DE LA DEMANDA EN LOS ENTORNOS DE FUTURO. Como presentan Hernández et al. (2012), los objetivos de los nuevos entornos pueden ser aglutinados en torno a un nuevo concepto llamado Smart World. Alrededor de este nuevo paradigma, se posibilitará la creación de nuevas aplicaciones, herramientas y servicios, como por ejemplo aplicaciones que determinen las relaciones entre ciertas variables climáticas y la demanda eléctrica, con el fin de mejorar las estimaciones de la demanda. La aparición de nuevos entornos de futuro, según Werbos (2011), requerirán de inteligencia distribuida y, entre otras cosas, nuevos modelos y aplicaciones basados en ANN, no únicamente para el problema de la predicción de la demanda, sino para la integración de nuevos actores que aparecen en el sistema. Tal y como apuntan Yan et al. (2012), además de la inteligencia distribuida, tanto las comunicaciones digitales como el control, deberá realizarse de manera segura. No se debe olvidar lo presentado por Javed et al. (2012), donde se expone la necesidad de nuevos modelos de predicción que hagan frente a las necesidades de la DR. Esta necesidad de disponer de modelos de predicción (demanda eléctrica y generación eléctrica), aplicados a estos entornos concretos ya comentados, supondrá la posibilidad de emplear variables locales que puedan afectar directamente al comportamiento de la demanda y/o generación.

13 Estas variables de tipo local (climáticas, sociales, económicas, hábitos, etc.) supondrán mayor complejidad al modelo global pero su objetivo será el de obtener estimaciones con mayor precisión. Por el contrario, y volviendo a hablar de la demanda eléctrica, la desagregación que supondrá el tratar de obtener estimaciones de la demanda eléctrica en estos nuevos entornos (microgrids, Smart Building, Smart Environment, etc.), llevará asociada una mayor dificultad en la estimación, además de que tienen un alto componente de influencia de variables climáticas como la radiación solar, sobre todo cuando son entidades productorasconsumidoras con módulos renovables asociados. Por ejemplo, la curva de carga de un país, presenta un perfil mucho más predecible y más suave que la que se pueda tener en un entorno desagregado (subestación eléctrica, microgrid, Smart Building, etc.), además, las curvas de carga en estos entornos desagregados presentan unos perfiles más abruptos y en ocasiones totalmente atípicos, que los encontrados a medida que se vaya agregando las curvas de carga. Por tanto, si los modelos disponen de mayor información que ayude a detectar lo anterior, se conseguirán estimaciones más precisas del entorno a analizar.

14

15 PROBLEMAS DE LA PREDICCIÓN DE LA DEMANDA. Una vez vista la necesidad de conocer los hábitos de la demanda, y teniendo clara la importancia de la predicción de la misma, se podrá constatar como la predicción se dificulta a medida que la aplicación de técnicas no lineales y otros paradigmas en Smart Grid/Microgrid/Virtual Power Plant en donde se pretenda estimar la demanda de espacios con menores consumos. A medida que se desagrega la demanda del emplazamiento controlado (país, ciudad, entorno reducido, hogar, etc., claramente es observado como las pendientes de la curva de carga se hacen más abruptas y aparecen formas con más picos que harán que su estimación sea más complicada. Esto sugiere, que con la aparición de nuevos entornos con inteligencia (microgrids, Smart Buildings, etc.), se hará necesario el desarrollo de nuevos modelos de predicción Ad hoc, tanto para la demanda eléctrica como para su potencial generación. La forma de la curva de carga puede diferir entre entornos, a pesar de ser el mismo día. A pesar de las diferencias presentadas en el anterior punto en cuanto a suavidad, normalmente una curva de carga de un país o una ciudad populosa presenta dos picos y dos valles claramente diferenciados a lo largo del día. En cambio un polígono industrial presenta una forma de curva totalmente distinta

16 CONCLUSIONES Existen, desde el punto de vista práctico, severas dificultades para la realización de pronósticos de la demanda eléctrica en los más variados sistemas, lo cual lleva a que se cometan errores de operación con implicaciones sobre la sostenibilidad ambiental, económica y social de las instituciones y, en especial en las microrredes. Los países desarrollados han logrado importantes avances mediante la aplicación de métodos no lineales de predicción como las RNA s, a los modelos de predicción, no obstante los sistemas hasta ahora desarrollados requieren de inversiones, que pueden ser costosas, para la instalación de Smart Meters, desarrollo de Smart Grids y tiempo para la conformación de bases de datos, así como la utilización de unos recursos humanos altamente especializados y por demás costosos y escasos. La revisión de la literatura muestra que el tema de predicción de demanda se encuentra muy vigente y cada vez son más los modelos que se aplican en este tema. Se encontró que la técnica de pronóstico más usada es la red neuronal artificial de tipo perceptrón multicapa.

17 Muchas gracias