Previsión de la carga: Garantizar que la oferta se ajusta a la demanda de energía | SAS
Jennifer Whaley & David Pope, SAS Energy Practice
Esperamos que la luz sustituya a la oscuridad cuando encendemos una lámpara. Parece sencillo. Pero antes de que la luz llene la habitación, hubo años de planificación. Este tipo de planificación, denominada previsión de la carga, es una función de planificación fundamental que realizan las compañías eléctricas para garantizar que el suministro de electricidad cubra la demanda.
A medida que aumentan los recursos de energía renovable, la necesidad de una plataforma tecnológica sofisticada, robusta e integrada que pueda adaptarse a los requisitos de previsión de la carga se vuelve crucial. Una plataforma que permita planificar que nuestras luces se enciendan cuando pulsemos el interruptor, tanto a corto como a largo plazo.
La integración de numerosos recursos energéticos en el sistema de distribución (energía solar en los tejados, fotovoltaica, vehículos eléctricos, respuesta a la demanda) requiere la analítica de la previsión de la carga. Estos análisis se utilizan para saber cuándo, cuánto y dónde contribuyen estos recursos en la red eléctrica. Todo ello mientras se equilibra la cantidad de recursos de generación tradicionales para satisfacer la demanda.
La previsión de la carga de los activos a lo largo del sistema de distribución proporciona información sobre qué componentes están sobrecargados más allá de su diseño de fabricación. También identifica los puntos en los que es necesario reforzar la red, ya que los proveedores de energía eléctrica se comprometen a suministrarle una electricidad segura y fiable, lo que genera un cliente satisfecho.
Conozca más de SAS® Energy Forecasting
Ahora puede apoyar todo su proceso de planificación utilizando capacidades avanzadas de IA y aprendizaje automático con SAS Energy Forecasting. Haga frente a los retos de previsión de la red eléctrica en evolución. Descubra cómo las empresas utilizan SAS Energy Forecasting.
¿Por qué la previsión de la carga?
La planificación comienza con una previsión de la demanda de electricidad de cinco a 30 años en el futuro, para luego acotar una visión a corto plazo de la demanda de electricidad de la siguiente hora. Utiliza patrones históricos de consumo eléctrico, o perfiles de carga, condiciones meteorológicas, acontecimientos regionales e indicadores económicos para representar cuándo y cuánta electricidad se utiliza. Estos patrones históricos varían según el tipo de cliente, tanto en la magnitud de la electricidad consumida como en el patrón de uso.
La agregación del nivel granular de las lecturas de 15 minutos de la infraestructura de medición avanzada (AMI) a nivel de cliente, a niveles nodales definidos en el sistema, proporciona una visión del uso de la energía en toda la red eléctrica. Los modelos desarrollados y aplicados a cada nivel del sistema perfeccionan el proceso de previsión de la carga. Al pasar las previsiones al nivel del sistema se revelan los picos de carga del mes, la estación o el año. La magnitud y el momento de los picos determinan el tipo de generación y la cantidad que se necesitará.
Por ejemplo, es probable que el perfil de carga residencial tenga una mayor demanda en las primeras horas de la mañana y en las horas de la noche, cuando todos están en casa, en comparación con una menor demanda de electricidad durante las horas del día, cuando la mayoría de los miembros del hogar están en el trabajo o en la escuela. Una instalación industrial suele tener un nivel de demanda constante para una línea de producción de 24 horas, y la demanda industrial está menos influenciada por las condiciones meteorológicas. Los perfiles de carga comercial son similares a los residenciales, pero también varían en función del tipo de negocio.
Previsión a largo plazo frente a corto plazo
Las mejoras en la previsión de la carga a largo plazo tienden a infravalorarse porque es difícil cuantificar los efectos de la mejora de la precisión de las previsiones. Una previsión con mayor precisión puede aplazar la construcción de unidades de generación adicionales o la necesidad de un contrato de energía a largo plazo. Desde el punto de vista económico, es el ahorro de aplazar la unidad marginal. La precisión de una previsión de carga tiene implicaciones presupuestarias para el proveedor de energía. Una previsión de carga demasiado baja puede dar lugar a costosas compras en el mercado spot o a cortes de suministro. Una previsión de carga demasiado alta reduce los ingresos por ventas al no vender la capacidad no utilizada.
El tiempo de espera para construir el tipo de generación adecuado, para el crecimiento de la demanda en cinco, 10 o 20 años, puede llevar años para obtener las aprobaciones. Además de los permisos necesarios en la empresa de servicios públicos, las comisiones reguladoras y los grupos de interés público. El coste de capital de la construcción de nuevas unidades de generación es asumido por la empresa de servicios públicos y finalmente se traslada a los clientes. Por el contrario, si no hay suficiente generación para satisfacer la demanda en el futuro, el proveedor de energía tendrá que asegurar contratos de suministro de energía a largo plazo para el futuro.
Las decisiones operativas a corto plazo se basan en la previsión de la carga a corto plazo para satisfacer la demanda de electricidad de los clientes en la siguiente hora a 48 horas. Los cambios repentinos e inesperados en las condiciones meteorológicas, o una interrupción imprevista en una unidad de generación programada, requieren ajustes en el suministro para garantizar la fiabilidad de la red. En los mercados con disponibilidad limitada de generación adicional y restricciones en la red eléctrica, un error de cálculo puede provocar apagones y un mayor coste para proporcionar o asegurar el suministro.
Una previsión de carga demasiado baja puede dar lugar a costosas compras en el mercado spot o a interrupciones. Una previsión de carga demasiado alta reduce los ingresos por ventas al no vender la capacidad no utilizada.
El crecimiento: Un reto para la previsión de la carga
Se desarrolla un modelo de previsión y se aplica a los períodos futuros de cinco, diez o veinte años para producir la previsión de carga. Un aspecto vital de la previsión de la carga consiste en determinar el número de jerarquías (o niveles) para representar las necesidades de la empresa. Las jerarquías pueden consistir en clases de clientes (residencial, comercial, industrial) y una jerarquía más detallada de un sistema de distribución. Una jerarquía de distribución puede estar compuesta por miles de activos, lo que requiere enfoques de previsión de carga escalables.
Los pronósticos de carga son conocidos por su experiencia en este tipo de previsiones. El nuevo reto para las empresas de servicios públicos es la introducción de más fuentes de energía conocidas como recursos energéticos distribuidos (DER), que se refiere a las energías renovables como la solar, la eólica, las microrredes, los vehículos eléctricos (VE) e incluso las nuevas capacidades de almacenamiento en baterías. Todo ello añade más variabilidad y complejidad al proceso de previsión.
Las actuales perspectivas energéticas anuales de la Administración de Información Energética de Estados Unidos (AIE) prevén un crecimiento constante de las energías renovables, lo que ilustra la importancia de prever con precisión la producción de recursos renovables.
El modelado de fuentes renovables, como los parques solares, requiere algoritmos avanzados de aprendizaje profundo. Al prever con exactitud la cantidad y el momento en que los recursos renovables pueden producir el rendimiento esperado, podemos ver el valor de modelar correctamente estos recursos renovables. La generación suministrada por las fuentes renovables reduce la cantidad de generación necesaria de los recursos tradicionales, normalmente los combustibles fósiles. Esto se representa en lo que se conoce como "curva de pato". La curva de pato muestra el cambio en la demanda de electricidad y la cantidad de energía solar accesible a lo largo del día.
La curva de pato muestra el impacto creciente de los cambios de carga neta a medida que el vientre de la curva se hunde más con el aumento de la generación renovable. El reto para el sistema de suministro eléctrico radica en los pronunciados cambios hacia arriba y hacia abajo de la curva. Por ejemplo, por la tarde, al haber menos generación solar disponible para satisfacer la demanda prevista, el operador del sistema tiene la tarea de garantizar que los recursos de generación tradicionales estén disponibles y tengan tiempo de aumentar la producción.
La generación y distribución de energía debe mantenerse en perfecto equilibrio con la demanda. Si no se equilibra continuamente, los clientes sufrirán cortes o problemas de calidad de la energía que pueden dañar los equipos. La analítica puede proporcionar información que mejore la seguridad y la fiabilidad y, en última instancia, ayude a reducir los costes tanto de la empresa eléctrica como de sus clientes.
Lecturas recomendadas
- 4 strategies that will change your approach to fraud detectionAs fraudulent activity grows and fighting fraud becomes more costly, financial institutions are turning to anti-fraud technology to build better arsenals for fraud detection. Discover four ways to improve your organization's risk posture.
- Saving lives during a global pandemic through medical resource optimizationCleveland Clinic is operationalizing analytics to combat COVID-19, creating innovative models that help forecast patient volume, bed capacity, medical equipment availability and more.
- ModelOps: How to operationalize the model life cycleModelOps is where analytical models are cycled from the data science team to the IT production team in a regular cadence of deployment and updates. In the race to realizing value from AI models, it’s a winning ingredient that only a few companies are using.
¿Quieres suscribirte a Insights ahora?