DETERMINACIÓN DE ESTRATEGIAS DE CARGA DE VEHÍCULOS ELÉCTRICOS DESDE EL PUNTO DE VISTA DEL SISTEMA ELÉCTRICO

INGENIERO DETERMINACIÓN DE ESTRATEGIAS DE CARGA DE VEHÍCULOS ELÉCTRICOS DESDE EL PUNTO DE VISTA DEL SISTEMA ELÉCTRICO Autor: Marina López-Sors Rodrigo Director: Andrés Ramos Galán y Jesús María Latorre Canteli Madrid Mayo 212

DETERMINACIÓN DE ESTRATEGIAS ÓPTIMAS DE CARGA DE VEHÍCULOS ELÉCTRICOS DESDE EL PUNTO DE VISTA DEL SISTEMA ELÉCTRICO Autor: López-Sors Rodrigo, Marina Directores: Ramos Galán, Andrés. Latorre Canteli, Jesús María Entidad Colaboradora: ICAI Universidad Pontificia Comillas. RESUMEN DEL PROYECTO La adquisición masiva de vehículos eléctricos (VE) en los próximos años tendrá previsiblemente un impacto significativo en la operación de las redes de transporte. Desde el punto de vista del sistema eléctrico, el VE se presenta como un medio para cubrir la necesidad de gestionar la energía a causa del aumento de la capacidad instalada de energías renovables. El excedente de energía renovable en horas de valle de la demanda lleva al desaprovechamiento de esta energía, y la gestión del VE puede aportar flexibilidad que evite estas situaciones. Sin embargo, las redes eléctricas están diseñadas para soportar el pico de demanda producido en las últimas horas de la tarde coincidiendo con el regreso a casa de una gran parte de los consumidores que, si no se hace ninguna gestión coordinada, pondrán a cargar sus coches coincidiendo así el pico de recarga del VE con el del consumo eléctrico. Por lo que la capacidad de las redes de distribución actuales sería insuficiente para soportar una integración masiva de VE con una carga no controlada. La solución a este problema es realizar una gestión del tiempo y potencia de carga a través de las estrategias de carga. Con ello, se espera lograr una mejora en la eficiencia del sistema eléctrico, una mayor integración de las energías renovables y un suavizado de la curva de demanda. -1-

Las estrategias de carga son reglas que determinan el consumo óptimo del VE a lo largo del día para ser utilizadas como consignas para orientar la carga de los VE de manera que los resultados sean óptimos para el sistema. En definitiva, el objetivo de este proyecto consiste en predecir el consumo óptimo del VE de un día con un día de antelación a partir de una combinación de variables del sistema sencillas y fácilmente obtenibles. El caso de estudio es el año 22 cuyo consumo óptimo para cada día se ha calculado previamente con el modelo ROM. Este modelo ha sido desarrollado en el Instituto de Investigación Tecnológica y obtiene la operación óptima de un sistema eléctrico cuando se consideran grandes cantidades de tecnologías renovables y con la presencia de parques de coches eléctricos. La metodología que se ha seguido está basada en el empleo de técnicas de minería de datos que permiten descubrir patrones de comportamiento, mediante algoritmos de clustering, y ayudan a explicar el comportamiento pasado y, usando esta información, a predecir el comportamiento futuro a través de árboles de decisión. Puesto que para cada día del año existe una curva de consumo del VE distinta, si se quiere analizar de una forma sistemática todos los días del año será necesario agrupar las curvas según patrones o perfiles de consumo suficientemente representativos. De esta forma, a cada día del año se le asigna un valor de pertenencia a una agrupación de consumo. El número de agrupaciones se determina mediante métodos gráficos o empíricos como son las distancias intercluster e intracluster o el índice de Calinski-Harabasz. Estas agrupaciones deben ser representativas del consumo del VE por lo que deberán estar formadas por un alto número de días cuyas curvas de consumo óptimo tengas formas y órdenes de magnitud parecidos. En la Figura 1 se observan seis agrupaciones de la demanda eléctrica que cumplen con estas características. Una vez asignado cada día a una agrupación, el siguiente paso es construir el árbol de decisión, representado con un caso ejemplo en la Figura 2, que divide el conjunto total de datos en regiones más pequeñas en las que haya días que pertenezcan a la misma agrupación de consumos y que te tengan características -2-

parecidas. Estas características se llaman variables explicativas y se eligen teniendo en cuenta la naturaleza del problema subyacente. 5.5 x 14 Demanda eléctrica del año 22 agrupada en 6 clusters 5 x 14 Demanda (MW) 5 4.5 4 3.5 Demanda (MW) 4.5 4 3.5 3 5 1 15 2 25 Tiempo (h) 3 5 1 15 2 25 Tiempo (h) 6 x 14 6 x 14 Demanda (MW) 5.5 5 4.5 4 3.5 Demanda (MW) 5.5 5 4.5 4 3 5 1 15 2 25 Tiempo (h) 5.5 x 14 3.5 5 1 15 2 25 Tiempo (h) 4.5 x 14 Demanda (MW) 5 4.5 4 3.5 Demanda (MW) 4 3.5 3 3 5 1 15 2 25 Tiempo (h) 2.5 5 1 15 2 25 Tiempo (h) Figura 1 Demanda eléctrica del año 22 agrupada en 6 clusters cuyo representante viene señalado en rojo Para asegurar la calidad del resultado es necesario dividir el conjunto total de observaciones, todos los días del año, en dos conjuntos, uno de entrenamiento con el que se construye el árbol y otro de test con el que se mide la capacidad de generalización del mismo. El método que se a seguido para ramificar el árbol ha sido el algoritmo ID3 y se han empleado criterios de parada y de poda para evitar que el árbol tenga un tamaño demasiado grande y nodos que no permitan realizar una predicción fiable del consumo del VE. Los resultados obtenidos se han validado para confirmar que las estrategias obtenidas son correctas. Debido a la pequeña cantidad de datos que se podían emplear no se ha logrado explicar completamente el comportamiento del consumo del VE y por tanto, no se han podido extraer unas estrategias de carga que permitan predecirlo con certeza. -3-

Figura 2 Representación del árbol de decisión para un caso ejemplo donde los datos de entrada están agrupados en cuatro clusters (rojo, amarillo, azul oscuro y claro) El método seguido es correcto pero la falta de un conjunto amplio de observaciones ha impedido realizar agrupaciones suficientemente representativas que describan el comportamiento del consumo del VE y como consecuencia, el árbol de decisión no ha logrado establecer la relación entre días pertenecientes a una misma agrupación. Por tanto, aplicando la metodología descrita a un conjunto de datos correspondiente a más de años se lograría obtener las estrategias de carga óptimas que permiten predecir el consumo del VE para cualquier día del año. -4-

DETERMINING OPTIMAL STRATEGIES FOR ELECTRIC VEHICLE CHARGING FROM A POWER SYSTEM PERSPECTIVE Author: López-Sors Rodrigo, Marina Directors: Ramos Galán, Andrés. Latorre Canteli, Jesús María Collaborating Institution: ICAI Universidad Pontificia Comillas. SUMMARY Massive penetration of electric vehicles (EV) in the next few years will have a significant impact on transmission networks From a power system perspective, VE is seen as a means to manage energy in a power mix where renewable capacity is increasingly relevant. However, power networks are not designed to support the load peaks that would result from an unmanaged EV charging profile: if EV charging peak occurs at the end of the afternoon, when most consumers leave work, it can coincide with the system s peak load. This peak demand would not be endured by the current transmission and distribution networks. The solution of this problem is to manage time and charging power through charging strategies. With this, not only an efficiency improvements but also higher renewable integration and load peak shaving are expected. Charging strategies determine the optimal VE consumption along the day and are used as instructions to guide charging so that overall results are optimal for the system. In short, the object of this project is forecasting optimal EV consumption one day ahead from a combination of simple and easily observable system variables. The case study analyzed corresponds to year 22, which optimal consumption has been previously calculated with the ROM model. This model was developed at the Institute for Research in Technology (IIT) and obtains the optimal system operation when a large penetration of renewable energy and EV are considered. The methodology followed is based on data mining techniques that allow pattern discovery through clustering algorithms. They support the search for explanations of

past behaviour and, using the available information, make accurate future forecasts using decision trees. Given that every day in the year shows a different EV consumption curve, if a systematic analysis is to be done it is necessary to group the curves in representative profiles. Thus, each day is assigned to a consumption cluster. The number of these clusters is determined through graphical or empirical nethods like interclusterintracluster distances or the Calinski-Harabasz index. These clusters must be representative of EV consumptions, so both profiles and orders of magnitude must be similar. Six of these clusters can be observed in Figure 1. Once each day has been assigned a cluster, the decision tree is built. An example can be seen in Figure 2, which divides the total data set in smaller regions where days that belong to the same cluster and display similar characteristics are shown. This characteristics are known as explanatory variables and are chosen having into account the nature of the underlying problem. 5.5 x 14 Demanda eléctrica del año 22 agrupada en 6 clusters 5 x 14 Demanda (MW) 5 4.5 4 3.5 Demanda (MW) 4.5 4 3.5 3 5 1 15 2 25 Tiempo (h) 3 5 1 15 2 25 Tiempo (h) 6 x 14 6 x 14 Demanda (MW) 5.5 5 4.5 4 3.5 Demanda (MW) 5.5 5 4.5 4 3 5 1 15 2 25 Tiempo (h) 5.5 x 14 3.5 5 1 15 2 25 Tiempo (h) 4.5 x 14 Demanda (MW) 5 4.5 4 3.5 Demanda (MW) 4 3.5 3 3 5 1 15 2 25 Tiempo (h) 2.5 5 1 15 2 25 Tiempo (h) Figure 1 Electric demand for 22 clustered in 6 clusters In order to ensure the quality of the result it is necessary to divide the total data set, all days in the year, in two sets. The first one, the training set, will be used to build the

tree. The second, test set, will be used to measure the generalization ability of the developed solution. The method used to branch the tree was ID3, and stopping and pruning criteria were applied in order to avoid a tree that is too large and unreliable. The results were validated to ensure that the obtained strategies were correct. Given the limited amount of data available it was not possible to explain EV consumption in full and, therefore, it was not possible to generate charging strategies that could forecast it with accuracy. Figure 2 Decision tree where the input data is clustered in four clusters (yellow, red, dark and light blue) The methodology followed is valid, but the lack of a sufficiently wide data prevented the creation of sufficiently representative clusters to describe EV consumption behavior. As a result, the decision tree was not able to establish the relation between the days belonging to the same set. Therefore, applying the described methodology to a larger data set, corresponding to at least several years, it would be possible to obtain optimal charging strategies that would forecast EV consumption for any day in the year.

Índice ÍNDICE ÍNDICE... 1 ÍNDICE DE FIGURAS... 3 ÍNDICE DE TABLAS... 5 Capítulo 1. INTRODUCCIÓN... 9 1.1. MOTIVACIÓN DEL PROYECTO... 1 1.2. OBJETIVOS... 11 1.3. METODOLOGÍA / SOLUCIÓN DESARROLLADA... 12 1.4. RECURSOS / HERRAMIENTAS EMPLEADAS... 12 1.4.1. Modelo ROM (Reliability and Operation Model for Renewable Energy Sources)...13 1.4.2. Idat... 13 1.4.3. Matlab... 13 Capítulo 2. MODELOS DE APRENDIZAJE NO SUPERVISADO: CLUSTERING Y PRBFN.15 2.1. INTRODUCCIÓN... 15 2.2. RELACIÓN DEL CONSUMO DEL VE CON EL DÍA DEL AÑO: HISTOGRAMA... 17 2.3. DISTANCIA INTER E INTRACLUSTER... 21 2.4. ÍNDICE DE CALINSKI AND HARABASZ S... 24 2.5. INTERPRETACIÓN GRÁFICA DE LOS RESULTADOS... 26 2.6. CONCLUSIONES... 3 Capítulo 3. MODELOS DE APRENDIZAJE SUPERVISADO: ÁRBOL DE DECISIÓN...31 3.1. INTRODUCCIÓN... 31 3.2. VARIABLES EXPLICATIVAS... 32 3.3. CONJUNTO DE ENTRENAMIENTO Y CONJUNTO DE TEST... 36 3.4. ALGORITMO ID3... 37 3.4.1. Información e incertidumbre... 38 3.4.2. Construcción del árbol de decisión... 39 3.5. CRITERIO DE PARADA... 4 3.5.1. Flexibilidad del árbol de decisión: dilema del sesgo y la varianza... 42 1

Índice 3.5.2. Criterios de poda... 43 3.6. ANÁLISIS DEL ÁRBOL DE DECISIÓN... 44 3.7. VALIDACIÓN... 49 3.8. CONCLUSIONES... 5 Capítulo 4. RESULTADOS... 51 4.1. INTRODUCCIÓN... 51 4.2. ESTRATEGIAS DE CARGA INICIALES... 51 4.2.1. K=4... 51 4.2.2. K=5... 54 4.2.3. K=6... 56 4.2.4. Análisis de resultados... 57 4.3. NUEVAS VARIABLES EXPLICATIVAS... 58 4.3.1. Días de diario... 58 4.3.2. Fin de semana... 65 4.4. BÚSQUEDA DE CLUSTERS MÁS REPRESENTATIVOS... 69 4.5. OTROS COMPORTAMIENTOS DEL CONSUMO DEL VE... 7 Capítulo 5. CONCLUSIONES... 77 BIBLIOGRAFÍA... 79 Capítulo 1. MEDICIONES... 83 Capítulo 2. PRECIOS UNITARIOS... 85 Capítulo 3. SUMAS PARCIALES... 87 Capítulo 4. PRESUPUESTO GENERAL... 89 2

Índice de tablas ÍNDICE DE FIGURAS Figura 2.1 Consumo óptimo del VE en días de diario y fin de semana... 17 Figura 2.2 Histograma semana-día para k=4... 18 Figura 2.3 Patrones del consumo óptimo del VE para k=4... 19 Figura 2.4 Histograma semana-días para k=5... 21 Figura 2.5 Representación del consumo óptimo del VE agrupado en 5 clusters... 23 Figura 2.6 Representación del consumo óptimo del VE agrupado en 6 clusters... 23 Figura 2.7 Representación del índice de Calinski and Harabasz con distintas semillas 25 Figura 2.8 Representación del índice de Calinski and Harabasz medio para varios valores de k... 25 Figura 2.9 Representación del índice de Calinski and Harabasz para varios valores de k... 26 Figura 2.1 Representación de clusters en Idat del consumo del VE para los días de diario para k=5... 28 Figura 2.11 Análisis de las componentes principales del consumo del VE para los días de diario... 28 Figura 2.12 Patrones de las cinco agrupaciones realizadas al consumo del VE a los días de diario... 29 Figura 2.13 Varianza explicada por las PCA del consumo del VE de los días de diario 3 Figura 3.1 Caso ejemplo: Representación datos donde una variable toma valores parecidos a observaciones de otra clase... 34 Figura 3.2 Caso ejemplo 1 de árbol de decisión... 35 Figura 3.3 Caso ejemplo 2 de árbol de decisión... 36 Figura 3.4 Caso ejemplo: Posibles valores por los que ramificiar... 4 Figura 3.5 Caso ejemplo árbol de decisión para h=1... 41 Figura 3.6 Representación de las partes de un nodo... 45 Figura 3.7 Representación del árbol de decisión de un caso ejemplo para hmin=.5... 46 Figura 3.8 Representación del árbol de decisión de un caso ejemplo para hmin=.5 tras aplicar los criterios de poda... 47 Figura 3.9 Representación del caso ejemplo 1 para la confiabilidad... 48 Figura 3.1 Representación del caso ejemplo 2 para la confiabilidad... 49 Figura 4.1 Agrupaciones para k=4... 52 Figura 4.2 Árbol de decisión para k=4 y hmin= sin aplicar criterios de poda... 53 Figura 4.3 Árbol de decisión para k=4 y hmin= aplicando criterios de poda... 54 Figura 4.4 Agrupaciones para k=5... 55 Figura 4.5 Árbol de decisión para k=5 y hmin= aplicando criterios de poda... 55 Figura 4.6 Agrupaciones para k=6... 56 Figura 4.7 Árbol de decisión para k=6 y hmin= aplicando criterios de poda... 57 Figura 4.8 Varianza explicada por las PCA del consumo del VE de los días de diario. 59 Figura 4.9 Histograma para k=4 de los días de diario... 6 Figura 4.1 Histograma para k=5 de los días de diario... 6 Figura 4.11 Representación agrupaciones para k=4 de los días de diario... 61 Figura 4.12 Representación agrupaciones para k=5 de los días de diario... 61 3

Índice de tablas Figura 4.13 Árbol de decisión para k=4 aplicando criterios de poda para días de diario sin agrupación atípica... 62 Figura 4.14 Confiabilidad vs. error del árbol de decisión para k=4 sin agrupación minoritaria... 63 Figura 4.15 Confiabilidad vs. Día del año del árbol de decisión para k=4 sin agrupación minoritaria... 63 Figura 4.16 Error vs. Día del año del árbol de decisión para k=4 sin agrupación minoritaria... 64 Figura 4.17 Representantes para k=4 de los días de diario donde el patrón 4 representa la agrupación minoritaria... 64 Figura 4.18 Varianza explicada por las PCA del consumo del VE de los días de fin de semana... 65 Figura 4.19 Histograma para k=4 de los días de fin de semana... 66 Figura 4.2 Histograma para k=5 de los días de fin de semana... 66 Figura 4.21 Representación agrupaciones para k=4 de los días de fin de semana... 67 Figura 4.22 Representación agrupaciones para k=5 de los días de fin de semana... 67 Figura 4.23 Árbol de decisión para k=4 aplicando criterios de poda para días de fin de semana sin agrupación atípica... 68 Figura 4.24 Representantes para k=4 de los días de fin de semana donde el patrón 4 representa la agrupación minoritaria... 69 Figura 4.25 Demanda y consumo del VE en un determinado día del año... 71 Figura 4.26 Demanda, generación eólica y consumo del VE en un determinado día del año (2)... 71 Figura 4.27 Representación agrupaciones para k=4 de los días de diario para las horas de mañana... 72 Figura 4.28 Árbol de decisión para k=4 aplicando criterios de poda para las primeras horas de los días de diario... 73 Figura 4.29 Confiabilidad vs. error del árbol de decisión para k=4 de primeras horas de los días de diario... 73 Figura 4.3 Error vs. día del árbol de decisión para k=4 de primeras horas de los días de diario... 74 Figura 4.31 Confiabilidad vs. día del árbol de decisión para k=4 de primeras horas de los días de diario... 74 Figura 4.32 Representantes para k=4 de las horas de tarde de los días de diario... 76 4

Índice de tablas ÍNDICE DE TABLAS Tabla 2.1 Variables del sistema en los días atípicos... 2 Tabla 2.2 Días cuyo consumo óptimo del VE es superior al máximo posible... 2 Tabla 2.3 Distancias inter e intracluster para distintos valores de k... 22 Tabla 2.4 Índice de Calinski and Harabasz para distintos valores de k... 24 Tabla 3.1 Observaciones del caso ejemplo 1... 34 Tabla 3.2 Observaciones del caso ejemplo 2... 35 Tabla 4.1 Características de los datos de entrada en la obtención de las estrategias de carga... 51 Tabla 4.2 Características de los datos de entrada en la obtención de las estrategias de carga con nuevas variables explicativas para los días de diario... 62 Tabla 4.3 Características de los datos de entrada en la obtención de las estrategias de carga con nuevas variables explicativas para los días de fin de semana... 68 Tabla 4.4 Características de los datos de entrada en la obtención de las estrategias de carga con nuevas variables explicativas para las horas de mañana de los días de diario 72 5

6

Parte I. MEMORIA 7

8

Introducción Capítulo 1. INTRODUCCIÓN El objetivo de este proyecto es obtener un modelo que sea capaz de predecir el consumo de los vehículos eléctricos (VE) de forma razonable y que pueda emplearse para generar un plan de carga óptimo de los mismos. El VE representa un cambio en la tecnología de propulsión para permitir la introducción de nuevos tipos de energía en el transporte. Surge como una de las posibles vías dentro del sector transporte, como las mejoras en los consumos del motor de combustión y la incorporación de energías renovables a través del uso de biocombustibles, para hacer frente a las siguientes problemáticas: Dependencia fósil: En España, al igual que en otros países de la Unión Europea, hay una gran dependencia de energía fósil debido al alto consumo de este tipo de combustibles en el transporte, la industria y la generación de energía. Esto supone un problema, en primer lugar, por la escasez o inexistencia de yacimientos en el territorio nacional que implica tener que importarlos. En segundo lugar por la falta de seguridad en el suministro debida a que las reservas mundiales se encuentran situadas en países con una gran inestabilidad política y económica. Reducción de las emisiones de CO 2, otros gases y de la contaminación acústica: El fuerte crecimiento en las últimas décadas de las emisiones de CO 2 de origen antropogénico llevó en 1999 a la firma del Protocolo de Kyoto dónde se establece un calendario para la reducción de las emisiones de este gas de efecto invernadero. A pesar de las medidas adoptadas por los países firmantes, las emisiones de CO 2 no cumplen con los requisitos establecidos por lo que se requiere plantear nuevas posibilidades para su reducción. El VE contribuye en esta reducción y en la de otros gases emitidos por los coches así como en la contaminación acústica que éstos producen. Sin embargo, en la reducción de emisiones se deben considerar las emisiones que se producen al producir la energía eléctrica que consume el VE y el posible incremento de emisiones debidas a su fabricación. Mejorar la integración de las energías renovables: En los últimos años la Unión Europea ha llevado a cabo una fuerte política económica con el fin de aumentar la generación de energía renovable, lo que ha producido un gran aumento en la capacidad instalada. Sin embargo, en muchos casos no se aprovecha toda la energía limpia disponible. España, que es el caso de estudio, dispone de una de las mayores capacidades de energía eólica instaladas en la Unión Europea, pero buena parte de esta energía se produce por la noche, cuando la demanda está en zona de valle. La imposibilidad de reducir la producción de otras energías por los mínimos técnicos de los grupos o por la falta de flexibilidad de algunas tecnologías, como la nuclear, hace que en muchas ocasiones se desconecte 9

Introducción generación eólica durante estas horas. Esta situación provoca que haya un excedente de energía renovable debido a la imposibilidad de almacenar energía y que conviniera gestionar. Sin embargo, la implantación del VE supone un impacto técnico y económico en el sistema eléctrico. Las redes eléctricas están diseñadas para soportar el pico de demanda producido a últimas horas de la tarde coincidiendo con el regreso a casa de una gran parte de los consumidores. Como consecuencia, el pico de recarga del vehículo eléctrico coincidiría con el del consumo eléctrico, si no se hiciese ninguna gestión del mismo. La magnitud de este impacto sobre la red eléctrica dependerá del cuándo, dónde y cómo se realice la carga del vehículo eléctrico. Ante esta situación la capacidad de las redes de distribución actuales sería insuficiente para soportar una integración masiva del vehículo eléctrico mediante una recarga no controlada. El trabajo se ha estructurado como sigue: en el primer capítulo se describe la motivación del proyecto, los principales objetivos que se buscan con el mismo, la metodología y los medios empleados para conseguirlos. En el segundo y tercer capítulo se desarrollan el procedimiento de obtención de las estrategias de carga para los VE justificando la elección de las técnicas empleadas, modelos de aprendizaje no supervisado y supervisado respectivamente. En el cuarto capítulo se analizan los resultados obtenidos de la extracción de las estrategias de carga para el caso del año 22. Por último, en el quinto capítulo, se establecen las principales conclusiones obtenidas en este proyecto, analizando las principales aplicaciones. 1.1. MOTIVACIÓN DEL PROYECTO La adquisición masiva de vehículos eléctricos en los próximos años tendrá previsiblemente un impacto significativo en la operación de las redes eléctricas de trasmisión. Para el sector eléctrico, sector básico para permitir el desarrollo de estos vehículos, se plantean retos y oportunidades. Los retos se traducen en desarrollar y desplegar toda la infraestructura e inteligencia necesarias para garantizar el suministro eléctrico para la carga de los vehículos haciendo coincidir las necesidades del sistema con las horas de carga. Esta gestión del tiempo y la potencia de carga podrían llevarse a cabo, de manera relativamente sencilla, siguiendo un conjunto de reglas predeterminadas (otros métodos pueden ser el control directo de la carga y señales de precio). Estas reglas establecerían el consumo óptimo en cada hora del día en función de variables conocidas de forma que se minimizase el coste total de operación del sistema. Sería el agregador de carga, un nuevo agente del sistema eléctrico que integrará múltiples usuarios de vehículos eléctricos, el que emplearía estas reglas en su toma de decisiones. Las oportunidades para el sector eléctrico son múltiples, ya que haciendo uso de estas técnicas se podría lograr no solo una mejora en la eficiencia del sistema eléctrico sino también una mayor integración de las energías renovables y un suavizado de la curva de demanda. 1

1.2. OBJETIVOS UNIVERSIDAD PONTIFICIA COMILLAS Introducción Las estrategias de carga del vehículo eléctrico que se buscan en este proyecto deben consistir en una serie de reglas que, en función de ciertas variables del sistema, determinen el consumo óptimo del coche a lo largo del día. Para obtenerlas se realizará el proceso a la inversa, es decir, analizando el consumo óptimo de cada día del año 22 se buscará la combinación de unas variables, que habrá que identificar, que permitan obtener este mismo consumo óptimo. Estas variables deben ser sencillas y fácilmente obtenibles con un día de adelanto para obtener una mayor precisión y no depender de variables que no estén al alcance. El consumo óptimo de los vehículos eléctricos se calcula previamente con el modelo ROM. Este modelo ha sido desarrollado en el Instituto de Investigación Tecnológica y obtiene la operación óptima de un sistema eléctrico cuando se consideran grandes cantidades de tecnologías renovables y con la presencia de parques de coches eléctricos. Se distinguen cuatro objetivos principales en el proceso de obtención de las estrategias de carga: Agrupación según patrones (clusters): Consiste en identificar patrones en el comportamiento del consumo del coche eléctrico bajo los cuales se puedan clasificar los consumos de cada día del año. De esta forma, a cada día del año se le asigna un valor de pertenencia a una agrupación de consumo. Empleando patrones de carga se puede reducir la complejidad y generalizar el comportamiento prescrito para los vehículos eléctricos. Identificación de las variables explicativas del consumo del vehículo eléctrico: Se trata de encontrar aquellas variables en las que cada uno de sus valores se corresponde con escenarios parecidos de consumo. Si se agrupan los días del año según una variable, esta variable será explicativa si los días pertenecientes a un mismo cluster tienen el mismo valor de pertenencia a una agrupación de consumo. Obtención de las reglas: Determinar la combinación de las variables explicativas que den el consumo óptimo de cada día. Este consumo no será el mismo que el que se obtendría mediante el ROM sino el patrón o cluster correspondiente. De esta forma, este proceso permitirá identificar la regla de carga más adecuada para cada día en función de los valores de las variables explicativas. Automatización del proceso: Con este último paso se pretende automatizar la obtención de los pasos descritos de forma que si se producen cambios en el sistema eléctrico que invalidasen las estrategias obtenidas se puedan obtener unas nuevas con rapidez. 11

Introducción 1.3. METODOLOGÍA / SOLUCIÓN DESARROLLADA No hay una única manera de resolver este problema sino que hay un abanico de posibles técnicas a emplear en cada paso. La metodología que se ha seguido está basada en el empleo de técnicas de minería de datos, como se propone en [SÁNC6], con distintas herramientas y variantes. La minería de datos consiste en la extracción no trivial de información que reside de manera implícita en los datos. Estas técnicas provienen de la inteligencia artificial y la estadística, son algoritmos. Según el objetivo del análisis de los datos, estos algoritmos se pueden clasificar en: modelos de aprendizaje no supervisado, que permiten descubrir patrones de comportamiento; y supervisado, que ayudan a explicar el comportamiento pasado (identificación de las variables explicativas) y predecir el comportamiento futuro (obtención de las reglas). El camino que se ha seguido para alcanzar los objetivos del proyecto es el siguiente: En primer lugar hay que familiarizarse con el modelo ROM, que será útil a la hora de validar los resultados que se van obteniendo ya que todos los datos empleados provienen de él. En [RAMO11] se encuentra en qué se fundamenta y cuáles son los datos de origen. Después, para cada objetivo, el procedimiento que se ha seguido es el siguiente: Identificar las técnicas que se pueden emplear y recopilar información sobre ellas. Aprender cómo funcionan y aplicarlas a casos ejemplo que permitan validar los resultados obtenidos de forma sencilla. Determinar cuál de ellas es la más adecuada Una vez se han obtenido las estrategias de carga se hará una validación de las misma. La forma de hacerlo será comparando los resultados de ejecutar el modelo ROM con escenarios de consumo del VE y con los consumos óptimos asociados a cada hora del día aplicando las estrategias. 1.4. RECURSOS / HERRAMIENTAS EMPLEADAS Durante el desarrollo del proyecto se han empleado herramientas de búsqueda de información, herramientas de desarrollo y obtención de resultados y el modelo ROM. Como herramientas de búsqueda de información se han empleado documentación disponible en el Instituto de Investigación Tecnológica (IIT) perteneciente a la Escuela Técnica Superior de Ingeniería (ICAI) y documentación bibliográfica relevante obtenida de Internet. 12

Introducción Como herramientas de desarrollo y obtención de resultados se han empleado el software matemático Matlab y la aplicación gráfica Idat así como el paquete de ofimática Microsoft Office. 1.4.1. Modelo ROM (Reliability and Operation Model for Renewable Energy Sources) Este modelo busca determinar el impacto técnico y económico de la generación intermitente así como de otros tipos de tecnologías emergentes en la operación del sistema a medio plazo incluyendo la fiabilidad. Entre estas tecnologías emergentes se encuentran los VE, la generación termosolar y la fotovoltaica. Los resultados son la producción de los generadores incluyendo vertido eólico, utilización de las centrales hidráulicas y de bombeo y medidas de fiabilidad. 1.4.2. Idat Interfaz gráfica desarrollada sobre Matlab por el IIT para el análisis inteligente de información. Emplea técnicas de minería de datos que permiten realizar modelos de aprendizaje supervisado y no supervisado y evaluarlos mostrando los resultados gráficamente facilitando así su interpretación. También permite realizar otras operaciones como representación de variables con distintos tipos de gráficos, modificación de las características de las mismas y cálculo de nuevas variables. 1.4.3. Matlab Es un software matemático de cálculo numérico orientado a matrices con lenguaje propio entre cuyas prestaciones básicas se encuentran la manipulación de matrices, la representación de datos y funciones y la implementación de algoritmos. 13