Predicción de demanda eléctrica: Antecedentes, Actualidad y

Anuncio
Predicción de demanda eléctrica:
Antecedentes, Actualidad y
tendencias de futuro
Alejandro Quintana
Cándido Enrique Quintana Rodríguez
Instituto Tecnológico de Santo Domingo
(INTEC).
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.
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.
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.
• 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.
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
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).
Multilayer Perceptrón.
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.
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.
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.
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.
•
•
•
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.
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
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.
Muchas gracias
aequintana01@gmail.com
Descargar