Comunicación presentada al VII Congreso Edificios Energía Casi Nula
Autores
- Carlos Alonso Castro, Director Técnico, Cefiner
- Ricard Gorgues Griñán, Product Manager Quantum, Cefiner
Resumen
La hibridación de sistemas fotovoltaicos con el almacenamiento en baterías es uno de los puntos clave en la transición energética y en la mejora sustancial de la eficiencia energética y la sostenibilidad de los edificios. Sin embargo, el elevado CAPEX de las baterías para sistemas a escala de edificios (< 1MWh de capacidad) hacen hasta ahora la mayoría de estas soluciones no viables económicamente, a pesar de sus ventajas en cuanto a la sostenibilidad y la flexibilidad. Se presenta en esta comunicación el sistema desarrollado por Cefiner, basado en algoritmos de carga / descarga de baterías apoyados en la predicción del comportamiento energético del edificio, tanto en demanda como en producción. Dicha predicción se realiza mediante módulos de machine learning, que evitan la complejidad de los modelos físicos para edificios de grandes dimensiones o con subsistemas complejos. La comparación del algoritmo optimizado con predicción con algoritmos comerciales no basados en predicción muestra el gran potencial de la solución presentada, al lograr ahorros mucho mayores que permiten rentabilizar y hacer atractivos económicamente los sistemas de baterías.
Palabras clave
Baterías, Fotovoltaica, Machine Learning, EMS, Predicción.
Introducción
Las tecnologías de almacenamiento son claves en la transición energética, pues son un vector facilitador para la integración de las EERR (energías renovables) en el sistema eléctrico. El almacenamiento, y las baterías en particular, mejoran esta integración de dos formas:
- Proporcionando una solución a la variabilidad y la impredictibilidad de las EERR, dotando de flexibilidad al sistema.
- Aumentando la cobertura renovable, reduciendo así las emisiones asociadas al sistema eléctrico.
En los últimos años se está viviendo un aumento significativo de la implantación de sistemas de baterías a nivel mundial (IRENA (2019), Innovation landscape brief: Behind-the-meter batteries, International Renewable Energy Agency, Abu Dhabi), gracias al aumento en la densidad de energía que proporcionan las nuevas tecnologías y a la disminución en el precio de las mismas, debido principalmente al crecimiento del vehículo eléctrico. No obstante, la mayor parte de la penetración se está produciendo a nivel de generación (grandes plantas de EERR) y distribución. Le sigue muy de lejos el sector doméstico, estando el sector terciario e industrial en un estado embrionario en cuanto a la adopción del almacenamiento BTM (behind the meter).
Hay que tener en cuenta además que la hibridación de fotovoltaica con baterías, junto a tecnologías de smart building, son tecnologías habilitadoras de los nuevos modelos de negocio energéticos como la agregación, el comercio de energía entre usuarios, las comunidades energéticas o la flexibilidad de demanda.
Los sistemas de baterías presentan sin embargo un grave inconveniente, que explica su baja penetración: el coste de las baterías, aunque desciende cada año, es aún muy elevado, lo que convierte a los sistemas de almacenamiento de tamaño pequeño-medio (< 1 MWh) en no rentables ni atractivos como inversión. Especialmente si la estructura tarifaria penaliza poco el consumo de energía, como es el caso de España.
Hoy en día, la mayoría de sistemas comerciales de autoconsumo hibridados con baterías tienen sus propios algoritmos de gestión, basados en árboles de decisión predefinidos. Esta aproximación, aunque genera ahorros, puede necesitar de la participación activa del consumidor y no es capaz de considerar un aspecto fundamental en la búsqueda de rentabilidad: el comportamiento dinámico del mercado, de la demanda y de la generación in-situ. Así, los ahorros obtenidos (tanto en energía como en término de potencia) no consiguen compensar el elevado CAPEX. En este aspecto ciertos fabricantes de baterías domésticas (Sonnen, Ampere Energy) están comenzando a introducir sistemas de control propietarios que permiten una hibridación avanzada FV y baterías.
En Cefiner hemos visto clara la necesidad de optimizar la integración de baterías en los edificios y lograr la rentabilidad de la hibridación de FV y baterías. Esto constituirá un punto de inflexión en la participación de los edificios en servicios auxiliares del mercado eléctrico a través de la futura agregación, además de maximizar su eficiencia energética, tal y como exigen las directivas europeas. Para ello hemos decidido mejorar los algoritmos de carga y descarga de baterías mediante la predicción del comportamiento energético del edificio, usando algoritmos de Machine Learning, dando lugar al sistema Quantum Demand Manager. Esta predicción, como veremos, permite mejorar los ahorros de los algoritmos predefinidos actuales en hasta un 100%.
Descripción de la solución
Evolución del EMS aplicando predicción: Quantum Demand Manager
En Cefiner llevamos tiempo trabajando en los sistemas EMS (Energy Management System) y la gestión activa de la demanda para edificios. Contamos con nuestro producto Quantum Smart Energy, que permite integrar el control de todos los sistemas energéticos: cargas no gestionables, cargas gestionables, generación, vehículo eléctrico, almacenamiento, permitiendo además el control remoto del edificio y la visualización de todas las variables desde cualquier punto a través de la plataforma web Quantum.
Frente al desafío de buscar la rentabilidad de los sistemas de baterías en edificios, hemos decidido desarrollar nuestro propio sistema basado en la ventaja que supone para la optimización de la gestión de la batería (y por lo tanto para la optimización de los ahorros) el conocer de antemano cómo se comportará la demanda y la generación fotovoltaica del edificio: ¿cuántos excedentes tendremos en cada momento? ¿cuánta energía “cara” a cubrir? ¿cuál será el precio de los excedentes y de la energía? Este sistema, llamado Quantum Demand Manager, se apoya en algoritmos de Machine Learning y otros modelos para realizar las predicciones, calculando el perfil óptimo de carga / descarga de las baterías. Aplicando este perfil óptimo, los ahorros se maximizan.
El desarrollo ha sido subvencionado por el CDTI dentro de su programa PID-Cervera.
Predicción del comportamiento energético del edificio. Uso de Machine Learning
Existen dos métodos principales para realizar predicciones del comportamiento energético de un sistema: los modelos basados en la caracterización física (entre ellos los simuladores) y los modelos basados en Inteligencia Artificial (específicamente Machine Learning).
- Los modelos basados en la caracterización física se refieren al uso de ecuaciones detalladas basadas en la física para modelar / predecir el comportamiento de todo el edificio y sus subsistemas, como el consumo de energía y las condiciones ambientales interiores. Los modelos pueden ser de mayor o menor complejidad, lo que influye también en la precisión.
- Los modelos basados en Machine Learning simplifican la aproximación a la predicción, ya que no requieren conocimiento de la física del edificio ni de los intercambios energéticos, ya que emplean únicamente históricos de datos (de las variables adecuadas y tratadas de forma adecuada) para realizar la predicción.
Dado que los modelos basados en la caracterización física suponen un aumento exponencial de la complejidad del problema cuando los edificios son grandes o cuentan con muchos subsistemas, se ha optado por realizar las predicciones mediante modelos basados en Machine Learning, aprovechando las ventajas de su mayor simplicidad y la posibilidad de usar un mismo algoritmo para diferentes edificios (siempre que tengamos un histórico de datos disponible).
Módulos de predicción
Como hemos dicho anteriormente, el principal objetivo de los módulos de predicción es el de calcular el comportamiento energético previsto del edificio para las próximas horas, en concreto:
- Demanda de energía prevista
- Generación fotovoltaica prevista
- Flexibilidad de demanda prevista
Estas 3 predicciones permitirán optimizar el algoritmo de carga y descarga de baterías para maximizar los ahorros obtenidos con la hibridación FV + baterías. La predicción de flexibilidad busca poder añadir un plus de rentabilidad en un futuro cercano, mediante la participación en servicios de balance del mercado eléctrico.
Para la optimización de la predicción se ha buscado el algoritmo de aprendizaje más adaptado a la aplicación, así como las variables con mayor influencia en la demanda de energía (que pueden variar para distintos tipos de edificios). Ha sido necesario, por supuesto, tener históricos de todas las variables necesarias para todos los edificios a probar.
El módulo de predicción de demanda se ha probado en 3 tipos de edificios diferentes: grandes concesionarios de automóviles, centros educativos y teatros, para verificar su versatilidad. Los errores MAPE obtenidos están en el orden del 15 – 20%. La siguiente figura muestra la gráfica comparativa entre la predicción de la demanda de un edificio (centro educativo) y la demanda real:
El módulo de predicción de generación fotovoltaica integra un híbrido de modelo físico y modelo con machine learning. Se ha probado igualmente con varias plantas fotovoltaicas, obteniendo errores MAPE en torno al 5% (sin incluir el error en la predicción de datos meteorológicos).
Algoritmos de gestión de sistemas de baterías
Los algoritmos de gestión de sistemas de baterías hibridados con fotovoltaica, en instalaciones conectadas a red, tienen dos objetivos básicos:
- Minimizar el coste de la energía, optimizando tanto el término de energía como el de potencia.
- Maximizar el aprovechamiento renovable, minimizando las emisiones de CO2 asociadas.
Con estos objetivos en mente, los algoritmos de carga / descarga de baterías pueden agruparse en 3 tipos principales:
- Algoritmos de máximo aprovechamiento renovable: El objetivo es cargar la máxima energía de excedentes fotovoltaicos en la batería para descargarlos en momentos de demanda, preferiblemente en periodos caros. Genera un máximo aprovechamiento renovable y reduce el precio de la energía.
- Algoritmos de mínimo coste: El objetivo es cargar la batería en momentos en que el precio de la energía es barato (como por la noche) y descargar en periodos caros, para aprovechar la diferencia de precio. No mejora el aprovechamiento renovable, pero sí reduce el precio de la energía
- Algoritmos de peak shaving: El objetivo es reducir al máximo los picos de potencia, a partir de energía procedente de excedentes o de carga en periodos baratos. Los picos se reducen mediante la descarga de la batería. Permite aumentar el aprovechamiento renovable, reducir el precio de la energía y reducir el término de potencia.
En función de la inteligencia del sistema, se puede usar un solo algoritmo o una hibridación de ellos.
Algoritmo optimizado de gestión de baterías
Como hemos venido apuntando en los puntos anteriores, la predicción permite optimizar el comportamiento de los algoritmos de carga y descarga. ¿Qué ventajas incorpora a los mismos?:
- Permite conocer qué cantidad de excedentes se generarán (y cuándo). Esto ayuda a maximizar el precio de la energía cargada en la batería, optimizando la relación entre carga de la batería con excedentes y carga nocturna.
- Permite conocer la cantidad de energía a cubrir, y la relación temporal entre “bolsas” de excedentes y “bolsas” de energía, lo que permite optimizar el algoritmo de peak shaving, aplanando al máximo la curva de demanda.
- Permite conocer el perfil de demanda, lo que ayuda a optimizar el algoritmo de peak shaving, con una descarga programada (y no constante).
El algoritmo desarrollado por Cefiner aplica las ventajas indicadas, integrando los 3 tipos de algoritmos de carga / descarga de manera óptima. Las siguientes gráficas muestran los efectos en la demanda semanal de un concesionario de los diferentes tipos de algoritmos sin predicción y del algoritmo desarrollado por Cefiner usando predicción:
Resultados
En la figura 4 se observan las ventajas del algoritmo optimo con predicción respecto al resto: máximo aprovechamiento de los excedentes y de la carga nocturna para aplanar al máximo la curva, maximizando los ahorros.
En las siguientes tablas se muestran los parámetros de la instalación estudiada, y los resultados económicos al aplicar los diferentes algoritmos de carga / descarga de baterías. El ahorro incluye el término de energía y el término de potencia al optimizar la potencia contratada del edificio:
El resultado más importante del estudio es ver cómo los ahorros obtenidos con el algoritmo optimizado prácticamente doblan los obtenidos con los algoritmos sin predicción. Esto tiene una consecuencia fundamental: el sistema de baterías, que con los algoritmos sin predicción no es rentable y empeora la rentabilidad de la fotovoltaica, se vuelve económicamente rentable al emplear el algoritmo optimizado con predicción de Cefiner.
La siguiente gráfica muestra el estudio de sensibilidad realizado para determinar el resultado económico de los algoritmos con la evolución del precio de las baterías. Se observa que, mientras los algoritmos actuales sin predicción no lograrían ser rentables hasta precios por debajo de 150 €/kWh, el algoritmo con predicción desarrollado por Cefiner ya puede considerarse rentable para una vida útil de las baterías de 10 años y dobla los ahorros y la rentabilidad de los algoritmos sin predicción.
Los resultados mostrados en la figura 5 y en este apartado son teóricos, obtenidos al aplicar el algoritmo óptimo suponiendo que se conocen la curva de demanda y de generación sin error (es decir, con un MAPE=0). Posteriores estudios verificarán el efecto del error en la predicción.
Conclusiones
Los resultados del desarrollo y estudio presentados en este artículo ponen de manifiesto las ventajas de los algoritmos optimizados con predicción del comportamiento energético del edificio, como el desarrollado por Cefiner para su sistema Quantum, frente a los algoritmos de carga / descarga de batería comerciales sin predicción.
Los resultados muestran cómo los algoritmos sin predicción consiguen ahorros, pero la estructura tarifaria impide que dichos ahorros compensen el LCOE (levelised cost of energy), elevado debido a un CAPEX de las baterías aún demasiado alto (300 – 400 €/kWh en la actualidad). La consecuencia es que los sistemas de batería no son rentables, no suponiendo una ventaja en el resultado económico de la instalación.
El algoritmo basado en la predicción del comportamiento energético del edificio logra, gracias a conocer ciertos parámetros claves (cantidad de excedentes en cada momento, energía a cubrir por la batería, distribución temporal de bolsas de excedentes y de energía a cubrir, perfil de la demanda), maximizar el ahorro en energía y en el término de potencia, llegando incluso duplicar el ahorro obtenido respecto a algoritmos sin predicción. Estos números logran dar rentabilidad a los sistemas de baterías, dando sentido al gran potencial de los sistemas híbridos de fotovoltaica y baterías para maximizar la cobertura renovable de los edificios y del sistema eléctrico.
Agradecimientos
Este proyecto y estudio ha sido apoyado financieramente por el programa de I+D PID Cervera del CDTI. Los centros tecnológicos IREC y EURECAT han desarrollado los algoritmos de predicción utilizados por Quantum Demand Manager.