L’extensió dels sistemes de generació distribuïda ha canviat el paradigma del sistema energètic actual. Hi ha moments del dia en què es registren nivells de producció renovable de més del 50% del total, una xifra que arribarà, segons algunes projeccions, més del 80-90% en escenaris futurs. Els nous sistemes de microgeneració de microxarxes, o centrals elèctriques virtuals (VPP, pel seu acrònim en anglès), augmenten la complexitat de la gestió de la xarxa i suposen tot un repte, ja que en funcionar amb una nova combinació de fonts d’energia renovables i nous sistemes d’emmagatzematge local, descentralitzen el sistema. En conseqüència, per al seu correcte maneig, seran necessàries solucions basades en la Intel·ligència Artificial (IA). Encara amb aquesta dificultat, els models analítics actuals redueixen l’error (MAPE%; desviació mitjana absoluta percentual) al voltant d’un 30%, la qual cosa es tradueix directament en benefici per a la microgrid/VPP.
Wolfram Rozas. Director del Programa Executiu de Big Data & Analytics, Intel·ligència Artificial i Smart Energy d’EOI Business School.
Aquesta complexitat no només es localitza en els sistemes d’operació del sistema elèctric, sinó en la transformació del mateix mercat. L’aparició del consumidor proactiu com a nou jugador bidireccional capaç de generar i consumir energia, i que pot vendre’n els excedents, desenvoluparà un mercat més líquid, amb més transaccions que puguin adoptar preus dinàmics segons l’elasticitat de la demanda. Després d’ells, apareixen els agregadors de demanda, que comercialitzen l’energia dels sistemes de microgeneració; la seva funció és canalitzar la producció cursant ofertes en el mercat. El pool s’enriquirà amb noves ofertes d’energia dels sistemes de microgeneració i demandes d’energia per part de les coalicions de consumidors. Tota aquesta nova quantitat de combinacions de transaccions d’aquest commodity rar —amb prou feines el podem emmagatzemar— és digna d’anàlisi per la Teoria de Jocs en una sèrie de jocs competitius que són les subhastes actuals d’energia.
BIG DATA PER FER QUE ENCAIXIN LES PECES DEL TRENCACLOSQUES
La multipolaritat del nou esquema requereix una gestió tecnològica que abordi l’increment de complexitat del sistema. Les noves xarxes intel·ligents fan que els agents puguin enviar i rebre, a més d’energia, dades sobre l’estat del sistema, en temps de latència baixos. Aquest big data fruit d’una instrumentació estesa, connectada i intel·ligent configura un nou entorn que monitoritza i optimitza el sistema en tots els seus vectors de negoci, per exemple, clients, operació, seguretat, etc.
Per afegir totes les energies provinents de les microxarxes, establim un procés que recopila informació dels sensors gairebé en temps real. Actualment, l’Edge Computing porta l’anàlisi profunda de la dada al lloc on es produeix, el sensor; i executa accions gairebé en temps real com a resultat. Emprant amples de banda 5G, els actuals sistemes són capaços de reaccionar en aquest temps en malles de fins a un milió de dispositius connectats. Els sensors poden allotjar, dins d’ells, un contenidor. Els contenidors són unitats lògiques virtuals que executen càrregues de treball analítiques o d’automatització. Entre les primeres, trobem l’estimació de la càrrega residual (el que consumeix menys del que genera) mitjançant sofisticats models de machine learning. Un cop obtinguda, el procés analític optimitza la càrrega de l’emmagatzematge (la bateria de la microgrid).
NOUS MODELS, GRANS ESPERANCES
Els nous models d’aprenentatge profund bayesià són prometedors a l’hora d’estimar la producció mitjançant dades meteorològiques de naturalesa incerta. Les xarxes neuronals bayesianes ofereixen com a resultat una distribució (de l’a posteriori, és a dir, de la generació prevista) molt més d’acord a la naturalesa del problema. L’aproximació més complexa són els models de conjunt que, en la seva versió més adaptable, són les barreges d’experts. Una mena de model “director d’orquestra” que selecciona els models “intèrprets / músics” que es faran servir en cada estimació de càrrega residual segons cada combinació de geoposició, temps i paràmetres climàtics, per exemple: temperatura, humitat, irradiació solar, nuvolositat. El “model director” (una xarxa neuronal bayesiana) selecciona la importància dels “models músics”, als quals ordena “tocar” mitjançant el que es coneix com una xarxa de comportes que decideix quin o quins són els experts més adequats en cada situació.
Pel que fa a l’etapa d’optimització, el que es busca és la millor recomanació sobre l’estat d’emmagatzematge de l’energia. Escenaris de negoci com la reducció del preu de l’energia en situació de consum (posició curta) o la maximització d’ingressos en el cas de venda d’excedents (posició llarga). El nostre objectiu és optimitzar l’ús que fem de l’emmagatzematge: faig servir la meva bateria ara? La carrego? La venc? Aquest tipus de decisions configuraran estratègies competitives o no competitives amb altres jugadors del mercat (distribuïdores, aliances de consumidors proactius, etc.). En aquestes condicions d’incertesa, la recerca de solució mitjançant jocs bayesians o xarxes adversarials de risc és actualment molt favorable. Les càrregues de treball d’automatització executen la recomanació de l’estat de l’emmagatzematge amb un sistema multiagent, que pren totes aquestes decisions sobre l’emmagatzematge de manera automàtica.
Aquesta optimització podria fer-se a un nivell d’agregació major com ara les comunitats. La seva producció serà agregada i posada en el mercat de flexibilitat elèctrica per poder vèncer “la corba de l’ànec” que la generació renovable ocasiona quan el vent deixa de bufar o el sol es pon. Per poder equilibrar aquesta nova situació, les comunitats energètiques crearan ofertes de portfoli en el mercat d’energia diari de tota aquesta producció, garantint la flexibilitat que necessita el sistema, cada vegada més dependent de les fonts renovables.
