Unas nuevas herramientas mejoran la precisión de las previsiones a corto plazo de las fuentes de energía renovables
A medida que las fuentes de energía renovables (FER o RES, por sus siglas en inglés) se convierten en una parte más importante de la combinación de producción de electricidad en muchos países europeos, su inherente naturaleza intermitente plantea retos operativos. La clave para un funcionamiento seguro y económico de los sistemas eléctricos que dependen en gran medida de las FER es mejorar la previsión a corto plazo de la producción de las FER. El equipo del proyecto Smart4RES, financiado con fondos europeos, pretendía abordar estos retos con un planteamiento integral. «Nuestro planteamiento abarca todo el modelo y la cadena de valor relacionados con la previsión de las FER, desde la predicción meteorológica hasta las aplicaciones de uso final —señala el coordinador del proyecto, George Kariniotakis—. Pretendíamos conseguir mejoras revolucionarias en la tecnología de previsión de las FER en lugar de meros avances progresivos».
Mejoras en amplias escalas temporales y espaciales
El objetivo final de Smart4RES era desarrollar y validar herramientas de nueva generación para mejorar el rendimiento de las previsiones de las FER en al menos un 15 %. Los socios del proyecto trabajaron en la mejora de los modelos numéricos de predicción meteorológica para la industria de las FER, mediante la integración de datos de satélites e imágenes celestes. «Hemos elaborado un método de simulación de grandes remolinos de altísima resolución para la previsión meteorológica muy local. Para mejorar la predicción de las variables meteorológicas, utilizamos por primera vez una red de cámaras celestes repartidas por una amplia zona, lo que supone un avance respecto al método tradicional de utilizar una sola cámara en un lugar —explica Kariniotakis—. El uso de imágenes de cámaras celestes para la predicción de la energía solar ha supuesto un aumento del rendimiento del 20 %, en concreto para predicciones con 15 a 30 minutos de antelación». Kariniotakis añade: «También hemos desarrollado un modelo de previsión sin interrupciones que simplifica las cadenas de modelos tradicionales, al proporcionar un modelo único y continuo para la previsión probabilística de la producción solar y eólica desde minutos a días vista. Este método reduce drásticamente la carga computacional en un 99 % y ofrece resultados comparables a los de los modelos existentes». Además, para mejorar la precisión a corto plazo, los investigadores crearon métodos para compartir datos entre distintas centrales de energías renovables y, al mismo tiempo, mantener la información privada y segura. Esto ayudó a mejorar la puntuación probabilística hasta en un 20 % para una antelación de hasta 6 horas.
Aumentar el valor de las previsiones y facilitar la toma de decisiones
El equipo del proyecto ha construido un prototipo comercial de datos de vanguardia para compartir datos procedentes de fuentes de energía distribuidas, provisto con nuevos algoritmos y modelos de negocio. «Este sistema no se limita a ser preciso, sino que saca el máximo partido de los datos para mejorar las previsiones sobre energías renovables —afirma Kariniotakis—. La toma de decisiones para la integración de las FER en los sistemas y mercados eléctricos es ahora más eficiente, con distribución predictiva para sistemas eléctricos autónomos, opciones de almacenamiento multiservicio, comercio de energías renovables basado en datos y algoritmos de control local que gestionan las congestiones de la red. Conseguimos, por ejemplo, reducir un 30 % los costes de activación de la flexibilidad para los gestores de la red eléctrica». «Para simplificar las cosas respecto al modelo tradicional de previsión-luego-optimización, hemos propuesto un planteamiento de análisis prescriptivo, basado en inteligencia artificial explicable, que permite agilizar el aprendizaje a partir de los datos disponibles hasta la toma de decisiones», agrega Kariniotakis.
Probar modelos en condiciones reales
Los socios del proyecto han integrado los nuevos métodos de previsión meteorológica en los modelos operativos de Meteo-France y Whiffle. Estos modelos mejorados se compararon con las previsiones comerciales y se utilizaron para evaluar los principales indicadores de rendimiento del comercio de las FER en los mercados eléctricos. También han probado estrategias de control de la frecuencia para islas autónomas utilizando simulaciones al instante que reflejaban un elevado uso de las FER. Por último, se llevó a cabo un análisis coste-beneficio de las herramientas de previsión y ayuda a la toma de decisiones de las FER. El objetivo era identificar las combinaciones más eficaces de fuentes de datos y comprender las ventajas potenciales del apoyo avanzado a la toma de decisiones. Por ejemplo, uno de estos beneficios podría ser la posibilidad de retrasar las mejoras de la red gestionando de forma inteligente la flexibilidad local. «Hemos sentado las bases de herramientas avanzadas de previsión para la producción de las FER en función de las condiciones meteorológicas. Estas herramientas de nueva generación pretenden mitigar los efectos de la intermitencia de las FER en sistemas eléctricos con una elevada cuota de renovables y, así, abarcar una amplia gama de plazos, desde minutos hasta más de diez días, y escalas espaciales, desde centrales de FER individuales hasta niveles regionales o nacionales», concluye Kariniotakis.
Palabras clave
Smart4RES, previsión meteorológica, toma de decisiones, previsiones a corto plazo, fuentes de energía renovables, intercambio de datos, mercados de datos, gestión de sistemas eléctricos, comercio de energía
