Mejorar la previsión energética con análisis avanzado de datos

Desafío

Reducir los errores de previsión que provocan desequilibrios en la red y sobrecostes.

Enfoque (Metodología y Análisis)

1. Análisis de las deficiencias en la previsión del día siguiente

• Se evaluaron los errores de pronóstico en la generación de energía eólica y solar utilizando pronósticos históricos de energía del día siguiente del Consejo de Confiabilidad Eléctrica de Texas (ERCOT).

• Se identificaron predicciones sistemáticas excesivas y insuficientes en los pronósticos del día siguiente, lo que genera riesgos de congestión de la red y de inestabilidad del voltaje .

• Se demostró que la agregación de pronósticos puede enmascarar la gravedad de los errores de pronóstico localizados , creando vulnerabilidades ocultas para los operadores del sistema.

  
  

2. Cuantificación de distribuciones de errores de pronóstico

• Analizó las propiedades estadísticas de las desviaciones de los pronósticos del día siguiente , evaluando si los errores de pronóstico eólico y solar siguen distribuciones normales .

• Se compararon las producciones reales de energía eólica y solar con los valores pronosticados en 22 sitios solares y 125 eólicos , utilizando datos del Laboratorio Nacional de Energía Renovable (NREL).

• Se encontró que los errores de pronóstico no siguen distribuciones normales ; a menudo son leptocúrticos (de cola pesada) y sesgados , lo que significa que los modelos de pronóstico tradicionales basados en Gauss pueden subestimar el riesgo .

3. Evaluación del impacto de los errores de pronóstico en la estabilidad de la red

• Modeló cómo las desviaciones del pronóstico influyen en la congestión de las líneas de transmisión, las fluctuaciones de voltaje y los límites operativos del sistema .

• Se demostró que las previsiones insuficientes no compensadas pueden provocar ajustes de despacho en tiempo real, aumentando los costes operativos .

• Se demostró que los pronósticos excesivos pueden provocar que se excedan las restricciones de transmisión , obligando a los operadores de la red a reducir la generación renovable para mantener la confiabilidad.

4. Implicaciones para los modelos de pronóstico futuros

• Se recomienda utilizar distribuciones de probabilidad alternativas (por ejemplo, distribuciones logit-normales, hiperbólicas) en lugar de distribuciones normales para capturar mejor la incertidumbre del pronóstico.

• Se sugirió integrar métricas de incertidumbre en tiempo real en las operaciones del mercado del día siguiente para mejorar la toma de decisiones.

• Se destacó la necesidad de contar con técnicas de pronóstico que tengan en cuenta las condiciones climáticas extremas y las rápidas fluctuaciones de la demanda .

Hallazgos y perspectivas clave

Los errores de pronóstico del día anterior son sistemáticos y tienen impactos en toda la red

• Los pronósticos de energía eólica y solar con frecuencia subestiman o sobreestiman la generación , lo que provoca congestión de la red, fluctuaciones de voltaje y mayores costos operativos .

• Los costos de equilibrio en tiempo real aumentan cuando los errores de pronóstico obligan a los operadores de la red a ajustar los cronogramas de despacho con poca antelación.

Los modelos de pronóstico tradicionales no captan con precisión la variabilidad de la energía renovable

• Los errores de pronóstico eólico y solar no se distribuyen normalmente , lo que significa que los modelos actuales que suponen distribuciones gaussianas subestiman las desviaciones en el peor de los casos .

• Las distribuciones de cola pesada representan mejor la incertidumbre del pronóstico , mejorando la eficiencia del despacho en tiempo real .

  
  

La integración del modelado de incertidumbre en las operaciones de la red puede reducir los costos y mejorar la estabilidad

• Los métodos de pronóstico que tienen en cuenta los riesgos pueden evitar costosos reenvíos provocados por correcciones de pronóstico de último momento.

• El uso de modelos estadísticos alternativos para pronosticar la incertidumbre puede conducir a mejores decisiones de asignación de reservas y planificación del sistema .

Los operadores de red deben tener en cuenta las distribuciones de errores de pronóstico no normales en la planificación futura

• El desarrollo de modelos de pronóstico sólidos que incorporen métricas de incertidumbre no gaussianas puede mejorar la toma de decisiones en tiempo real .

• El aprendizaje automático y las técnicas de pronóstico probabilístico pueden mejorar la precisión del pronóstico y minimizar las pérdidas financieras causadas por desequilibrios en tiempo real .