Potenciar el binomio de sistemas de captación de energías renovables con los de almacenamiento es una de las áreas de desarrollo que nos van a permitir, en un futuro cercano, mejorar sustancialmente la eficiencia y la sostenibilidad del consumo energético de nuestro hogar.
Al igual que nos ocurre actualmente con el coche eléctrico, el principal obstáculo que nos encontramos es la elevada inversión para incorporar baterías de almacenamiento en las viviendas.
Sin embargo, esta circunstancia abre un interesante campo de desarrollo que busca hacer viables estos sistemas en nuestro hogar mediante una gestión energética ecointeligente en el que las Tecnologías de la Información y las Comunicaciones (TIC) tienen mucho que aportar.
En concreto, nos vamos a fijar en la incorporación en esta gestión avanzada de procesos basados en Inteligencia Artificial (IA) y en lo que se conoce como aprendizaje automático (Machine Learning, ML).
Hablamos de cuestiones como algoritmos de carga y descarga de baterías apoyados en la predicción del comportamiento energético de nuestra vivienda, tanto en demanda como en producción.
Se ha demostrado que las tecnologías de almacenamiento son claves en la transición energética, ya que facilitan enormemente la integración de las energías renovables en el sistema eléctrico.
Los sistemas de almacenamiento, en general, y las baterías, en particular, mejoran esta integración proporcionando una solución a la variabilidad y la falta de predictibilidad de las renovables, dotando así de flexibilidad al sistema, y por otra parte, aumentando la cobertura de las energías renovables, reduciendo así las emisiones asociadas al sistema eléctrico.
Observamos que la oferta comercial de baterías para nuestras viviendas ha crecido en los últimos años, principalmente debido al aumento en la densidad de energía que proporcionan las nuevas tecnologías y a la disminución en el precio de éstas, debido de manera importante al crecimiento del vehículo eléctrico.
También es cierto que la mayor parte del desarrollo del almacenamiento se está produciendo a nivel de generación (en grandes plantas de renovables) y en la distribución, siguiéndole a distancia el sector doméstico y el sector terciario e industrial.
Esta situación del almacenamiento en las viviendas puede dar un salto importante con la hibridación de la energía solar fotovoltaica con las baterías
Esto unido al desarrollo de tecnologías habilitadoras digitales (THD), como las que vienen de la mano de lo que se conoce como smart building, va a propiciar nuevos modelos de negocio energéticos, como pueden ser la agregación, el comercio de energía entre usuarios, las comunidades energéticas o la flexibilidad de la demanda.
Hoy en día, la mayoría de los sistemas comerciales de autoconsumo hibridados con baterías tienen sus propios algoritmos de gestión, basados en árboles de decisión predefinidos.
Esta aproximación, aunque genera ahorros, puede necesitar de la participación activa del consumidor y no es capaz de considerar un aspecto fundamental en la búsqueda de rentabilidad: el comportamiento dinámico del mercado, de la demanda y de la generación in situ.
De esta manera el ahorro que se obtiene, tanto en energía como en término de potencia, no consiguen compensar lo elevado de la inversión en baterías de almacenamiento.
Conscientes de esta situación y observado como una oportunidad, algunos fabricantes están trabajando en el desarrollo de sistemas de gestión de energía que permitan una hibridación avanzada de la fotovoltaica y las baterías en los hogares, y en los que se incorporan capacidad de predicción.
Esta predicción, realizada mediante módulos ML, sustituye a los algoritmos tradicionales que han estado reservados únicamente para grandes edificaciones.
Así, el principal objetivo de estos nuevos módulos de predicción es el de calcular el comportamiento energético previsto del edificio para las próximas horas, en concreto en los términos de:
- Demanda de energía prevista
- Generación fotovoltaica prevista
- Flexibilidad de demanda prevista
Obtener predicciones de estos valores nos pone en la pista de optimizar la carga y descarga de las baterías, maximizando los ahorros obtenidos con la hibridación de fotovoltaica y baterías.
La predicción de flexibilidad busca poder añadir una rentabilidad adicional mediante la participación en servicios de balance del mercado eléctrico.
En relación a los algoritmos de gestión de sistemas de baterías hibridados con fotovoltaica en instalaciones conectadas a red, éstos tienen 2 objetivos básicos:
- Minimizar el coste de la energía, optimizando tanto el término de energía como el de potencia.
- Maximizar el aprovechamiento renovable, minimizando las emisiones de CO2 asociadas.
Con estos objetivos en mente, estos algoritmos se agrupan de la siguiente manera:
- Algoritmos de máximo aprovechamiento renovable: El objetivo es cargar la máxima energía de excedentes fotovoltaicos en la batería para descargarlos en momentos de demanda, preferiblemente en periodos caros. Genera un máximo aprovechamiento renovable y reduce el precio de la energía.
- Algoritmos de mínimo coste: El objetivo es cargar la batería en momentos en que el precio de la energía es barato y descargar en periodos caros, para aprovechar la diferencia de precio. No mejora el aprovechamiento renovable, pero sí reduce el precio de la energía.
- Algoritmos de peak shaving: El objetivo es reducir al máximo los picos de potencia, a partir de energía procedente de excedentes o de carga en periodos baratos. Los picos se reducen mediante la descarga de la batería. Permite aumentar el aprovechamiento renovable, reducir el precio de la energía y reducir el término de potencia.
Una vez incorporadas las capacidades de predicción basadas en ML, el algoritmo optimizado de gestión de baterías incorpora las siguientes ventajas:
- Conocer los excedentes que se generarán y cuándo se producirán, lo que ayuda a maximizar el precio de la energía cargada en la batería.
- Conocer la cantidad de energía a cubrir, y la relación temporal entre bolsas de excedentes y bolsas de energía, lo que permite aplanar la curva de demanda.
- Conocer el perfil de demanda, lo que ayuda a optimizar el algoritmo de peak shaving, con una descarga programada.
Estas nuevas posibilidades están llamadas a ser un punto de inflexión en la participación de nuestras viviendas en el mercado eléctrico a través de la futura agregación, además de maximizar su eficiencia energética, tal y como exigen las directivas energéticas más actuales.
Finalmente, nos gustaría incidir en el potencial que demuestran estos planteamientos basados en ML que van a hacer posible que se puedan trasladar importantes ahorros que permitan rentabilizar y hacer atractiva económicamente la instalación de sistemas de baterías en nuestros hogares.
