Aplicación de técnicas no lineales y otros paradigmas en smart grid/microgrid/virtual power plant

  1. Hernández Callejo, Luis
Dirigida por:
  1. Javier M. Aguiar Pérez Director
  2. Belén Carro Martínez Directora
  3. Antonio Sánchez Esguevillas Director/a

Universidad de defensa: Universidad de Valladolid

Fecha de defensa: 22 de enero de 2014

Tribunal:
  1. Alonso Alonso Alonso Presidente
  2. Carlos Baladrón Zorita Secretario/a
  3. Ruth Barro Piñeiro Vocal
  4. María Pilar Ciria Ciria Vocal
  5. Jaime Lloret Mauri Vocal

Tipo: Tesis

Resumen

En los últimos años, la aparición de elementos de electrónica con mayor poder de cómputo y de decisión, junto a la irrupción de fuentes de generación renovable, cada vez más cercanas a los puntos de consumo, ha propiciado la aparición de nuevo espacios que albergarán demanda y generación. Por tanto, para su correcta operación se precisarán herramientas estimadoras de la demanda eléctrica. La presente Tesis Doctoral tiene objetivo doble, por un lado se diseñarán algoritmos de predicción de la demanda eléctrica en entornos desagregados (ciudad pequeña, entorno rural o microgrids) a partir de datos históricos, y por otro lado se planteará una arquitectura, basada en Sistemas Multi¿ Agente (Multi¿Agent System ¿ MAS), para la predicción de demanda eléctrica, orientada a Hogares Inteligentes (Smart Home) en la Planta de Energía Virtual (Virtual Power Plant ¿ VPP). Por tanto, el objetivo primero se concretará en los siguientes objetivos específicos para estos entornos desagregados: a) necesidad de conocer la influencia de las variables climáticas vs demanda eléctrica en entornos desagregados, y como consecuencia, proponer un término aglutinador de los entornos ¿Smart¿ en el mundo eléctrico llamado Mundo Inteligente (Smart World); b) diseño y aplicación de técnicas no lineales y algoritmos de clusterizado, para la agrupación de las curvas de carga en un polígono industrial, y su uso en la predicción de la demanda eléctrica por parte de los agregadores; c) los nuevos entornos desagregados, precisarán una estimación de su comportamiento energético, por tanto se plantea el diseño de un modelo para Predicción de Carga a Corto Plazo (Short¿Term Load Forecasting ¿ STLF) basado en Red Neuronal Artificial (Artificial Neural Network ¿ ANN) para la predicción de la curva de carga del día siguiente; d) a partir de los buenos resultados obtenidos en b), se plantea un diseño donde tras un reconocimiento de patrones y su posterior clusterizado, se realizará STLF basado en ANN para cada uno de los clústers, realizando una comparativa con c); e) debido a la importancia del conocimiento de la estimación de la demanda agregada (demanda total) para las Empresas Eléctricas (utilities) y nuevos actores del sistema eléctrico, se plantea el diseño de un modelo de predicción de la demanda agregada del día siguiente basado en ANN, con un estudio previo de las variables relevantes de interés para el modelo; f) el aporte de información sobre la curva de carga a predecir se convierte en fundamental, por lo tanto, se diseña un modelo para STLF basado en ANN para la predicción de la curva de carga del día siguiente, pero con información relevante del día a predecir. Como objetivo secundario de la Tesis Doctoral, se plantea el diseño conceptual de herramientas de futuro basadas en el paradigma MAS. Primero, se presentará una aplicación basada en MAS para su uso en entornos desagregados, cumpliendo los objetivos de Smart World, cuyo objetivo será el controlar la relación entre las variables climáticas y la demanda agregada de cierta zona; posteriormente, los resultados de las relaciones se emplearán para los modelos de predicción de la demanda eléctrica. Para finalizar, se presentará un modelo basado en MAS para VPP, la propuesta no sólo se centra en la gestión de los diferentes elementos de la VPP, sino que incluye un conjunto de agentes integrados con ANN para la previsión de la demanda de energía de los usuarios domésticos finales dentro de la VPP. La demanda eléctrica es totalmente dependiente de ciertos parámetros, incorporando en la misma cierta incertidumbre, que repercutirá en el precio final de la energía para los consumidores. Para tratar de reducir el coste, los gestores de los grandes sistemas de energía, necesitan conocer con precisión los mecanismos que hacen variar ostensiblemente esta demanda eléctrica, y de esta manera lograr dos objetivos principalmente: prever y adaptarse a la demanda en los diferentes plazos; tratar de gestionar la demanda. En estos momentos, el modelo del sistema eléctrico ha comenzado a cambiar en los últimos años, al ir introduciendo inteligencia en los diferentes niveles del mismo, comenzando por el transporte, en los últimos años en la distribución, y aunque en menor medida, recientemente en las proximidades al consumo final. De esta manera surge la Red Inteligente (Smart Grid ¿ SG), término traducible por red de energía eléctrica inteligente, ya que utiliza elementos de inteligencia y comunicaciones para intentar optimizar la producción y la distribución de electricidad con el fin de equilibrar mejor la oferta y la demanda entre productores y consumidores. Además de lo anterior, y aprovechando el despliegue de sensórica e inteligencia, se tratará de optimizar los flujos de energía, mejorar la algoritmia de detección de faltas, y por tanto, mejorar en la operación de la red. Junto a SG surgen una serie de escenarios: Ciudad Inteligente (Smart City ¿ SC), VPP, microrredes (microgrids), Edificios Inteligentes (Smart Buildings), etc.; cuya característica común es que su demanda eléctrica aparece desagregada si se compara con grandes extensiones (regiones) o incluso la demanda de un país. Es por tanto, que en estos nuevos espacios con demanda y generación se precisará el despliegue de herramientas de predicción tanto de la demanda como de la generación.