Hacia un sistema de previsión fiable para energías renovable

La transición energética en España está impulsando un cambio estructural en la gestión de la energía. Estrategias que buscan flexibilidad y rentabilidad, como el uso de baterías y la participación en los Servicios de Ajuste (SSAA), son claves para optimizar el sistema. Pero esta transformación necesita a su vez de una evolución en los modelos de forecasting energético actuales.

La transición energética en España está siendo liderada por el Plan Nacional Integrado de Energía y Clima (PNIEC), que establece un marco estratégico sostenible, para alcanzar una generación eléctrica renovable del 81% para 2030. De esta forma, el PNIEC contempla la instalación de 160 GW de capacidad renovable adicional, desglosados de la siguiente manera:

• Energía solar fotovoltaica: 76 GW, incluyendo 19 GW destinados al autoconsumo.
• Energía eólica: 62 GW, de los cuales 3 GW corresponderán a eólica marina (offshore).

El PNIEC plantea metas que consolidarán a España como líder en energía fotovoltaica, pero también implica una serie de desafíos relacionados con la rentabilidad y la integración en las redes de distribución de diversas tecnologías renovables, aspectos fundamentales para garantizar una transición equilibrada y sostenible.

Entre las estrategias que el sector renovable está adoptando destacan el autoconsumo, la instalación de baterías (stand-alone o través de modelos de hibridación) y los Servicios de Ajuste.

Las baterías permiten almacenar energía en periodos de baja demanda y liberarla durante picos de consumo, optimizando la flexibilidad y rentabilidad de las operaciones. Por su parte, los Servicios de Ajuste del Sistema (SSAA) generan ingresos adicionales destinados a equilibrar la red y garantizar la estabilidad del sistema.

No obstante, esta transformación también exige una evolución en los modelos de predicción energética actuales.

Nuevos desafíos para los sistemas de previsión

En el ámbito de la predicción de energía renovable, los algoritmos de machine learning para series temporales se han consolidado como el paradigma que ofrece los mejores resultados para predecir con precisión la generación de energía en plantas de tecnología eólica y fotovoltaica.

Estos sistemas, de naturaleza compleja, se alimentan tanto de datos estructurales y de geolocalización de la planta, como de datos históricos de producción, e históricos y previstos de las principales variables meteorológicas que impactan en cada tecnología. Esta información permite a los modelos capturar las dinámicas específicas de cada instalación considerando las características topográficas de su emplazamiento.

Los modelos de predicción se calibran habitualmente a partir de los datos de exportación de energía publicados por el Operador de Red, los cuales son, en última instancia, los utilizados para el cálculo de las liquidaciones de los desvíos entre la energía prevista y la generada.

Sin embargo, el proceso de calibración basado en esta información dista de ser trivial. Los modelos parten del supuesto de que los datos históricos reflejan un escenario de disponibilidad del 100% de la planta.

En la práctica, factores como limitaciones de red (curtailments) o periodos de indisponibilidad pueden distorsionar la representatividad de los datos. Por ello, es imprescindible identificar y etiquetar estos eventos de manera precisa, asegurando que el algoritmo pueda discernir entre condiciones normales de operación y situaciones atípicas. Este proceso es clave para evitar sesgos en el entrenamiento del modelo y garantizar que las predicciones sean robustas y confiables.

No obstante, en casos en los que el histórico de datos es insuficiente, el proceso de calibración se convierte en un ejercicio iterativo y progresivo. A medida que se acumulan nuevos datos, los algoritmos refinan sus parámetros, mejorando gradualmente su capacidad predictiva.

Sin embargo, este enfoque se enfrenta a desafíos en escenarios como la integración de baterías, sistemas de autoconsumo o la participación en Servicios de Ajuste. En estos casos, los datos históricos basados en la energía de exportación pueden perder validez, ya que las nuevas condiciones operativas alteran significativamente las dinámicas de generación propias de cada activo.

Incluso en plantas correctamente entrenadas, la incorporación de estos nuevos datos históricos puede tener un efecto pernicioso obligando a interrumpir el proceso de ajuste habitual.

Integración de datos SCADA y otras variables

Para afrontar estos desafíos, es necesario adaptar los modelos de predicción a la nueva realidad del sistema eléctrico mediante un enfoque orientado al activo.

La clave reside en obtener datos que reflejen la realidad operativa de la planta más allá de los datos de exportación. Una solución efectiva es la integración de sistemas de monitorización avanzados como SCADA (Supervisory Control and Data Acquisition).

SCADA proporciona datos en tiempo real sobre el estado de la planta y sus diferentes componentes, incluyendo:

• Variables meteorológicas: Datos precisos de sensores instalados en la planta, como radiación solar, velocidad del viento o temperatura.
• Energía producible: Información sobre la energía generada por la planta en cada momento en función del recurso disponible, independientemente de las limitaciones de red o almacenamiento.
• Estado de las baterías: Nivel de carga, ciclos de carga y descarga, y otros parámetros críticos para plantas con sistemas de almacenamiento.
• Consumo interno: Datos sobre la energía consumida por la propia planta o por sistemas de autoconsumo, lo que permite diferenciar entre generación y consumo real.
• Señales de control: Información sobre las señales que recibe la planta para modificar su producción, como las derivadas de la participación en Servicios de Ajuste.

La integración de datos proporcionados por sistemas de monitorización avanzados como SCADA (Supervisory Control and Data Acquisition) en los modelos de predicción, no solo mejora su precisión, sino que también los hace más robustos a los cambios en las condiciones operativas. Al basarse en información que refleja la realidad física de la planta, los algoritmos pueden adaptarse mejor a escenarios complejos, como la gestión de baterías o la respuesta a señales de control en tiempo real.

Conclusión

En resumen, para lograr un sistema de forecasting fiable y adaptado a las exigencias del PNIEC, es indispensable integrar datos operativos detallados, implementar sistemas SCADA avanzados y adoptar tecnologías emergentes que permitan una gestión óptima de la generación renovable.

Desde Gnarum, ofrecemos a nuestros clientes una atención personalizada para implementar sistemas de previsión que consideren estas variables, garantizando así mejores resultados y minimizando los desvíos en la producción energética.