Renewable generation and load demand forecasting tools based on artificial intelligence to improve smart grids control strategies

  1. RODRÍGUEZ LALANNE, FERMÍN
unter der Leitung von:
  1. Ainhoa Galarza Rodríguez Doktormutter
  2. Luis Fontán Agorreta Doktorvater/Doktormutter

Universität der Verteidigung: Universidad de Navarra

Fecha de defensa: 28 von Mai von 2021

Gericht:
  1. Angel Rubio Díaz-Cordovés Präsident
  2. Sergio Beltrán Calaff Sekretär/in
  3. Haritza Camblong Ruiz Vocal
  4. Milan Prodanovic Vocal
  5. Octavian Curea Vocal

Art: Dissertation

Teseo: 746226 DIALNET

Zusammenfassung

En las últimas décadas, debido a la transformación tecnológica que ha sufrido la sociedad en su conjunto, el consumo de energía eléctrica se ha ido incrementando año tras año. A lo largo de la historia, el ser humano se ha servido de las fuerzas de la naturaleza para disminuir su carga de trabajo. No obstante, y a pesar de que las centrales hidroeléctricas fueron las primeras en generar electricidad, pronto les siguieron otras tecnologías más contaminantes como las centrales térmicas o los ciclos combinados. Los constantes mensajes de concienciación sobre el cambio climático y sus consecuencias, enviados por parte del mundo científico, terminaron por calar en el conjunto de la sociedad, exigiendo ésta a sus representantes públicos cambios en el sistema energético. A partir de mediados de la década de los 90, los generadores renovables que no estaban basados en la energía hidráulica comenzaron a ser una realidad en los diferentes sistemas eléctricos mundiales. En función de las características climáticas y/o geográficas de cada país, variaron las tecnologías que adquirieron mayor relevancia. No obstante, a nivel mundial las tecnologías de generación eólica y solar fotovoltaica obtuvieron un mayor protagonismo. Mientras la energía renovable supuso un pequeño porcentaje de la energía que se vertía a la red, los operadores de los sistemas eléctricos no pusieron mucha objeción. Hay que tener en cuenta que hasta ese momento los sistemas eléctricos estaban regidos por una estructura vertical en la que generadores, transportistas, distribuidores y consumidores, tenían sus competencias bien definidas. No obstante, a medida que el porcentaje de generación renovable era mayor, fue necesario dotar a los sistemas eléctricos de mayor flexibilidad y exigir a los generadores renovables que poco a poco fuesen capaces de cumplir los mismos requisitos de operación que los generadores convencionales. En aras de satisfacer dichos requisitos, surgió el concepto de microrred, en el que se pueden aunar mediante diferentes combinaciones, generadores renovables y no renovables, sistemas de almacenamiento y consumos, sobre los que llegado el momento se puede actuar, apagándolos, en función de unas premisas. Sin embargo, la solución de utilizar microrredes lo único que provocó fue cambiar las dimensiones del problema. La mayor desventaja que introducen las tecnologías renovables es la incertidumbre asociada a su generación, debido a que ésta depende de parámetros meteorológicos que cambian de manera imprevisible. Para conseguir satisfacer tanto los requisitos exigidos a los generadores renovables para conectarse a la red convencional, como para mejorar el control que gobierna las microrredes, actualmente se plantean dos posibilidades que no tienen por qué ser excluyentes. La primera estaría relacionada con la incorporación de sistemas de almacenamiento que doten, tanto a los generadores conectados a la red como a las microrredes, de un respaldo en aquellas situaciones en las que la generación cambie de forma inesperada o no se pueda suplir la demanda deseada. La segunda de las posibilidades está relacionada con dotar de una mayor inteligencia a los generadores y a las cargas, previendo cuál va a ser su estado en un horizonte de tiempo cercano. Es, en esta última alternativa, en la que se ha centrado el trabajo que se presenta en esta tesis y mediante la cual se han desarrollado tres herramientas con un elevado nivel de satisfacción: •La primera tiene como objetivo la predicción de diferentes variables que permita conocer cuál será la producción de los generadores renovables y la demanda energética de las cargas, basándose en la inteligencia artificial. •La segunda tiene como objetivo emplear datos de estaciones cercanas a los puntos en los que se lleva a cabo la generación para estimar su producción •La tercera busca establecer unos intervalos de confianza sobre las predicciones realizadas en las dos herramientas anteriores.