Plantas Virtuales Optimizan Red con Estrategias Inteligentes
La transición hacia emisiones netas cero ha convertido la integración de energías renovables y vehículos eléctricos (VE) en los sistemas energéticos en una necesidad prioritaria, aunque compleja. Mientras los paneles solares y los VE prometen energía descentralizada y más limpia, su inherente variabilidad representa importantes riesgos para la estabilidad de la red. Frente a este desafío emergen las plantas virtuales de energía (VPP), agregadores digitales que coordinan recursos energéticos distribuidos para funcionar como una central eléctrica única y gestionable. Un estudio pionero publicado recientemente demuestra cómo el aprendizaje automático avanzado puede mejorar drásticamente la precisión y rentabilidad de las ofertas de las VPP en los mercados eléctricos diarios.
Dirigido por Guoji Zhang y su equipo del Laboratorio Clave de Control Inteligente Limpio para Carbón y Electricidad de la Universidad de Tecnología de Taiyuan, la investigación propone un marco innovador que combina la reconstrucción del espacio de fases con regresión de procesos gaussianos (GPR) para predecir el «espacio de oferta» de una VPP compuesta por sistemas fotovoltaicos (PV), flotas de VE y almacenamiento en baterías. Esta capacidad predictiva permite a los operadores de VPP presentar ofertas más precisas y competitivas, reduciendo las costosas desviaciones entre los volúmenes de energía programados y los asignados, un problema recurrente en los mercados eléctricos reales.
El concepto de «espacio de oferta» es central en este estudio. A diferencia de las centrales eléctricas tradicionales con curvas de generación fijas, la flexibilidad operativa de una VPP es dinámica y variable en el tiempo. Su capacidad para comprar o vender electricidad en cualquier momento depende del estado colectivo de sus activos subyacentes: cuántos VE están conectados, su estado de carga, la producción solar prevista y la capacidad disponible de los sistemas de almacenamiento. Este envolvente multidimensional, que abarca límites de potencia, fronteras energéticas y restricciones temporales, define el rango operativo factible de la VPP, o «espacio de oferta». Pronosticar con precisión este espacio con 24 horas de antelación es crucial para formular una estrategia de mercado rentable.
Históricamente, muchos modelos han tratado la disponibilidad de VE y la generación fotovoltaica como variables independientes, ignorando sus complejas interdependencias temporales. Esta omisión frecuentemente conduce a planes de oferta sobreoptimistas que no pueden realizarse físicamente, resultando en penalizaciones financieras por desequilibrios. El equipo de Zhang aborda esta brecha tratando el espacio de oferta completo como una serie temporal caótica, un sistema que parece aleatorio pero contiene estructuras deterministas ocultas. Aplicando el teorema de embedding de Takens, reconstruyen los datos históricos unidimensionales en un espacio de fases de mayor dimensión, «desplegando» efectivamente el atractor que gobierna el comportamientos del sistema. Esta técnica, tomada de la dinámica no lineal, revela patrones invisibles en los datos de series temporales en bruto.
Una vez reconstruido el espacio de fases, los investigadores implementan la regresión de procesos gaussianos, un método de aprendizaje automático no paramétrico y probabilístico especialmente adecuado para conjuntos de datos pequeños y cuantificación de incertidumbre. A diferencia de las redes neuronales profundas que requieren grandes volúmenes de datos de entrenamiento y largos tiempos de computación, la GPR proporciona no solo una predicción puntual sino también un intervalo de confianza, permitiendo una toma de decisiones consciente del riesgo. El modelo se entrena con registros históricos de horarios de conexión/desconexión de VE, producción fotovoltaica y estados de almacenamiento, aprendiendo a anticipar los límites factibles de potencia y energía para cada intervalo de 15 minutos del día siguiente.
La verdadera innovación, sin embargo, reside en cómo esta predicción se integra en el proceso de oferta del mercado. El equipo desarrolló un marco de optimización de dos etapas. En la primera etapa, cada VPP actúa como un oferente estratégico, buscando minimizar su costo neto de electricidad (o maximizar ganancias) mediante curvas precio-cantidad que reflejen su espacio de oferta pronosticado. Fundamentalmente, esta etapa modela la interacción competitiva entre múltiples VPPs como un problema de equilibrio de Nash, donde cada participante asume las estrategias de los demás como fijas y optimiza en consecuencia. El resultado es un conjunto de ofertas que son tanto económicamente racionales como físicamente factibles.
En la segunda etapa, un operador de mercado simulado clearing el mercado utilizando un mecanismo de precios marginales nodales (LMP), asegurando que el despacho final respete las restricciones de red y el balance del sistema. El modelo penaliza las desviaciones entre la oferta presentada por la VPP y el programa asignado, imitando los cargos por desequilibrio del mundo real. Al acoplar estrechamente las capas de predicción y optimización, el marco garantiza que las ofertas de las VPP no solo sean agresivas sino también confiables.
Para validar su enfoque, los investigadores realizaron extensas simulaciones en el sistema de distribución RBTS de 38 nodos, un banco de pruebas estándar en estudios de sistemas de energía. Configuraron cuatro VPP distintas en diferentes ubicaciones de red, cada una con mezclas únicas de VE, PV y almacenamiento. Utilizando más de 1.000 horas de datos reales de carga de VE y generación solar, compararon su modelo GPR mejorado con espacio de fases contra redes neuronales de retropropagación (BP) convencionales y un GPR base sin reconstrucción del espacio de fases.
Los resultados fueron convincentes. El método propuesto superó consistentemente ambos benchmarks en términos de precisión predictiva, especialmente durante períodos críticos de transición, como el amanecer o los puestos nocturnos de carga de VE, donde ocurren cambios rápidos en la carga neta. Más importante aún, la mejora en el pronóstico se tradujo directamente en beneficios económicos. Las VPP que utilizaron el nuevo modelo redujeron sus costos de adquisición de electricidad diaria hasta en un 7% en comparación con aquellas que utilizaron redes BP. También experimentaron significativamente menos recortes por parte del operador del mercado, lo que significa que sus ofertas tenían mayor probabilidad de ser aceptadas en su totalidad.
Un hallazgo particularmente notable fue la efectividad del modelo incluso con datos históricos limitados. En escenarios con solo 300 puntos de datos (aproximadamente 12 días de intervalos de 15 minutos), el GPR con espacio de fases logró errores de predicción muy por debajo del umbral del 10% que típicamente desencadena penalizaciones por desequilibrio en muchos mercados eléctricos. Esto hace que el enfoque sea altamente práctico para nuevos operadores de VPP que carecen de historial operativo extenso.
Más allá de la economía, el estudio destaca el valor estratégico de la carga bidireccional de VE. Cuando se permite a los VE descargar energía a la red (V2G), se convierten en activos de flexibilidad potentes. Las simulaciones mostraron que las VPP con flotas capaces de V2G podían arbitrar diferencias de precios, cargando durante las horas nocturnas de precios bajos y descargando durante los picos vespertinos, reduciendo así la dependencia de la red principal y mejorando la integración de renovables locales. Esta capacidad es especialmente valiosa en regiones con alta penetración solar, donde la generación del mediodía a menudo excede la demanda local, provocando colapsos de precios, mientras que las rampas vespertinas tensionan los generadores convencionales.
Las implicaciones para los operadores de red son igualmente significativas. A medida que más VPP adopten estas estrategias de oferta inteligentes, la previsibilidad general y la capacidad de despacho de los recursos distribuidos mejoran. Esto reduce la necesidad de costosas reservas rodantes y facilita una mayor penetración de renovables sin comprometer la confiabilidad. Además, al alinear la carga de VE con las necesidades de la red, el enfoque ayuda a aplanar la famosa «curva de pato», aliviando la presión sobre las plantas térmicas durante las rápidas rampas vespertinas.
Desde una perspectiva política, la investigación subraya la importancia de normas de mercado que premien la precisión y la flexibilidad. Los mercados eléctricos actuales a menudo penalizan los desequilibrios pero proporcionan incentivos limitados para pronósticos precisos. El éxito del modelo de Zhang sugiere que los reguladores podrían mejorar aún más la eficiencia del mercado introduciendo mecanismos que recompensen a las VPP por presentar ofertas confiables, quizás mediante cargos reducidos por desequilibrio o derechos de despacho prioritarios.
De cara al futuro, el equipo reconoce que la implementación en el mundo real requerirá abordar capas adicionales de incertidumbre, no solo en la disponibilidad de recursos sino también en el comportamiento de los participantes del mercado y eventos climáticos extremos. Su próximo paso es desarrollar un modelo de oferta robusto que contemple explícitamente la naturaleza estocástica del espacio de oferta, utilizando potencialmente optimización robusta distribucional o programación estocástica basada en escenarios.
Sin embargo, este trabajo representa un gran avance en la inteligencia operativa de las plantas virtuales de energía. Al fusionar conceptos de la teoría del caos, el aprendizaje automático y la economía de mercado, Zhang y sus colegas han creado un marco que es tanto teóricamente riguroso como prácticamente viable. A medida que los mercados eléctricos en todo el mundo evolucionan para acomodar el futuro descentralizado y descarbonizado, tales innovaciones serán indispensables.
Para utilities, agregadores y responsables políticos por igual, el mensaje es claro: el futuro de la flexibilidad de la red no reside solo en más baterías o inversores más inteligentes, sino en algoritmos más inteligentes que puedan desbloquear todo el potencial de los activos existentes. Y con este estudio, el camino a seguir se ha vuelto significativamente más claro.
Autores: Guoji Zhang, Yanbing Jia, Xiaoqing Han y Ze Zhang
Afiliación: Key Laboratory of Cleaner Intelligent Control on Coal & Electricity (Taiyuan University of Technology), Ministerio de Educación, Taiyuan 030024, Provincia de Shanxi, China
Publicado en: Power System Technology, Vol. 48, No. 9, Septiembre 2024
DOI: 10.13335/j.1000-3673.pst.2024.0234