Un grupo internacional de investigación ha estudiado el impacto de las bombas de calor en las previsiones de carga de las comunidades energéticas y ha descubierto que el uso de los llamados modelos transformadores mejora la calidad de las previsiones.
«Los patrones de carga tradicionales cambiarán en muchos países con la transformación del sector de la calefacción hacia las bombas de calor», explican los académicos. «Esta evolución tiene graves repercusiones para los operadores de las comunidades energéticas. En primer lugar, no está claro si los mismos métodos de previsión funcionan bien para las cargas domésticas tradicionales y las cargas de las bombas de calor. En segundo lugar, no se ha investigado el impacto potencial del nivel de agregación en las previsiones de carga de las comunidades energéticas».
El grupo utilizó modelos de previsión basados en técnicas de aprendizaje automático, como los bosques aleatorios y XGBoost, así como la técnica de redes neuronales recurrentes de redes de memoria a largo-corto plazo (LSTM). Además, evaluó la novedosa arquitectura de redes neuronales de transformadores.
Además de la carga dada y los datos meteorológicos de previsión perfecta, los académicos han propuesto características adicionales que podría ser necesario implementar en cada previsión: el tipo de día, las características calendáricas cíclicas, la media móvil de la temperatura aparente, la carga media en el mismo paso temporal y las cargas pasadas. Para cada caso y método de previsión, el grupo utilizó el modelo de optimización bayesiano para identificar las características más relevantes.
Además, los investigadores utilizaron el método de descomposición modal empírica de conjunto completo con ruido adaptativo (CEEMDAN) como ampliación de cada técnica de previsión. «Cada vez son más los estudios de previsión de la carga que aplican técnicas de descomposición para mejorar el rendimiento del modelo», explicaron. «El algoritmo CEEMDAN tiene varias ventajas sobre los métodos de descomposición alternativos: presenta un mejor manejo del problema de la mezcla de modos, es más robusto al ruido y no es estacionario».
Todos los modelos de previsión, extensiones y escenarios de agregación se aplicaron a un conjunto de datos de alta calidad de cargas domésticas en una comunidad energética de Hamelin (Alemania). El conjunto de datos incluye mediciones de potencia activa y reactiva, tensión y corriente de 38 hogares equipados con calentadores de alta presión agua-agua y una barra calefactora adicional como calefactor de reserva. Según los investigadores, la instalación de HPs, en este caso, cambió la carga máxima de 20,1 kW a 80,1 kW.
El modelo fue entrenado y analizado para pronosticar las cargas a nivel del transformador de baja tensión, al que están conectados múltiples hogares de una comunidad energética. Los datos de 2019 se utilizaron para el entrenamiento y las pruebas de selección de hiperparámetros, mientras que los datos de 2020 se utilizaron para la evaluación comparativa real de los diferentes métodos.
Los resultados muestran que los métodos de previsión con mejor rendimiento cambian tras la instalación de bombas de calor. Mientras que los bosques aleatorios o XGBoost ofrecen una calidad de previsión razonable en la predicción de la carga tradicional, el método basado en transformadores fue más preciso cuando los datos se agregaron con HP.
«La calidad de la predicción de la carga diaria de la comunidad energética no puede incrementarse notablemente obteniendo mediciones separadas de las cargas de las bombas de calor, lo que supondría un esfuerzo adicional para la comunidad energética o los operadores de la red de distribución», muestran los resultados. «Los modelos basados en transformadores también ofrecen el mejor rendimiento en un caso real de uso de sistemas de almacenamiento de energía en baterías (BESS) de reducción de picos para la comunidad energética investigada con bombas de calor».
La investigación se presentó en el artículo «The impact of heat pumps on day-ahead energy community load forecasting» El impacto de las bombas de calor en la previsión de carga de la red eléctrica diaria), publicado en Applied Energy.
Investigadores del Instituto Alemán de Tecnología de Karlsruhe y de la Universidad Purdue de Indiana llevaron a cabo la investigación. «Animamos a los investigadores a utilizar nuestro conjunto de datos, resultados y proceso de evaluación, que publicamos en código abierto, para comparar métodos novedosos con el fin de avanzar en técnicas precisas de previsión de cargas de comunidades energéticas con bombas de calor y aplicar nuestra metodología en conjuntos de datos alternativos», destacaron.
Este contenido está protegido por derechos de autor y no se puede reutilizar. Si desea cooperar con nosotros y desea reutilizar parte de nuestro contenido, contacte: editors@pv-magazine.com.
Al enviar este formulario, usted acepta que pv magazine utilice sus datos con el fin de publicar su comentario.
Sus datos personales solo se divulgarán o transmitirán a terceros para evitar el filtrado de spam o si es necesario para el mantenimiento técnico del sitio web. Cualquier otra transferencia a terceros no tendrá lugar a menos que esté justificada sobre la base de las regulaciones de protección de datos aplicables o si pv magazine está legalmente obligado a hacerlo.
Puede revocar este consentimiento en cualquier momento con efecto para el futuro, en cuyo caso sus datos personales se eliminarán inmediatamente. De lo contrario, sus datos serán eliminados cuando pv magazine haya procesado su solicitud o si se ha cumplido el propósito del almacenamiento de datos.
Puede encontrar más información sobre privacidad de datos en nuestra Política de protección de datos.