Diseño del módulo predictivo (Generación y Demanda)€¦ · · 2016-11-28Este entregable se...

© 2016 Instituto Tecnológico de la Energía 28 de noviembre de 2016

Diseño del módulo predictivo (Generación y Demanda)

CIUDAD ENERGÉTICAMENTE INTELIGENTE (CEI)

Entregable E3.1.

CIUDAD ENERGÉTICAMENTE INTELIGENTE (CEI) 4 / 72

Resumen Este entregable se enmarca dentro del paquete de trabajo PT3 ”Diseño y Desarrollo de Sistemas de Gestión Energética de áreas positivas para ciudades energéticamente inteligentes”, que tiene por objeto desarrollar las tareas destinadas a la obtención de sistemas capaces de optimizar la gestión energética y el funcionamiento de los recursos distribuidos en una ciudad energéticamente inteligente.


Índice de contenido

1. Introducción 9

1.1. Descripción del proyecto .................................................................................. 9

1.2. Objetivos del documento ................................................................................ 10

1.3. Estructura del documento............................................................................... 10

2. Sistema de Gestión Energética 11

2.1. Introducción .................................................................................................. 11

2.2. Especificaciones y funcionalidades del sistema de gestión energética .................. 13

2.2.1. Especificaciones y funcionalidades de los controladores locales .......................... 13

2.2.2. Especificaciones y funcionalidades del Controlador Energético ........................... 16

2.2.3. Especificaciones y funcionalidades del Centro de Control Energético Ambiental inteligente ............................................................................................................... 22

2.3. Arquitectura y diseño ..................................................................................... 23

2.4. Modelo de datos Controlador Energético ......................................................... 26

2.5. Desarrollo del Controlador Energético .............................................................. 28

2.5.1. Arquitectura del Controlador Energético .......................................................... 28

2.5.2. Elementos constructivos ................................................................................. 31

2.5.3. Sistema de alimentación ................................................................................. 32

2.5.4. Sistema operativo / lenguaje de programación .................................................. 32

2.6. Desarrollo de la aplicación .............................................................................. 33

3. Descripción de técnicas de data mining y algoritmia de predicción 43

3.1. Introducción al data mining y las técnicas de predicción ..................................... 43

3.2. Técnicas de clasificación ................................................................................. 46

3.2.1. Clustering ..................................................................................................... 48

3.2.2. Self Organizing Maps (SOM) ............................................................................ 49

3.3. Técnicas de predicción ................................................................................... 50

3.4. Definición de algoritmia para módulo de predicción de generación y demanda .... 52

3.5. Técnicas de Optimización para la gestión inteligente energética: Algoritmos genéticos ................................................................................................................. 57

3.6. Especificaciones y diseño para módulo de predicción de generación y demanda ... 59

4. Diseño y desarrollo de módulo de predicción (de generación y demanda) 60

4.1. Módulo de predicción de demanda .................................................................. 60


4.2. Módulo de predicción de generación ............................................................... 65

Variables de entrada a módulo de predicción de generación PV ..................................... 69

5. Conclusión 70

6. ANEXO 1: Materiales 72


Índice de figuras Fig. 1: Arquitectura sistema. Fuente: ITE. ........................................................................................................... 24 Fig. 2: Modelo global funcionamiento Controlador Energético. Fuente: ITE. ............................................. 28 Fig. 4: Pantalla IDENTIFICACIÓN. Fuente: ITE. ................................................................................................... 33 Fig. 5: Pantalla INICIO. Fuente: ITE. ..................................................................................................................... 34 Fig. 6: Pantalla INICIO (Entidad Cargas). Fuente: ITE........................................................................................ 35 Fig. 7: Pantalla INICIO (Entidad Generación / Almacenamiento). Fuente: ITE. ........................................... 36 Fig. 8: Pantalla INICIO (Entidad Monitorización). Fuente: ITE. ....................................................................... 36 Fig. 9: Pantalla INICIO (Entidad Otro – Estación de recarga). Fuente: ITE. ................................................... 37 Fig. 10: Selección parámetros. Fuente: ITE. ....................................................................................................... 38 Fig. 16: Origen de la energía demandada por el edificio. Fuente: ITE .......................................................... 40 Fig. 17: Destino de la energía generada en el edificio. Fuente: ITE ............................................................... 40 Fig. 18: Pantalla ALARMAS. Fuente: ITE.............................................................................................................. 41 Fig. 19: Proceso de obtención de conocimiento en bases de datos (KDD) y data mining. ....................... 44 Fig. 20: Técnicas de data mining. ......................................................................................................................... 45 Fig. 21: Dazzle, editor de redes de Bayes para clasificación de datos. ......................................................... 48 Fig. 22: Ejemplo de clustering: obtención de dos clusters (A y B) y sus respectivos centroides

(x1,y1),(x2,y2) en datos con dos dimensiones. ........................................................................................ 49 Fig. 23: Caracterización de consumos eléctricos en clientes residenciales. ................................................. 50 Fig. 24: Predicción diaria del consumo total de energía eléctrica en España. ............................................. 51 Fig. 25: Ejemplo de predicción ARMAX de consumo energético en terminal de contenedores. ............ 53 Fig. 26: Esquema de entradas y salidas para modelo de predicción de demanda basado en redes

neuronales. ..................................................................................................................................................... 54 Fig. 27: Ejemplo de predicción realizada por el modelo de red neuronal de ITE. ....................................... 55 Fig. 28: Ejemplo de potencia activa demandada. Fuente: ITE. ....................................................................... 60 Fig. 29: Estructura de Red CNEA para la predicción de precios horarios de casación de mercado.

Fuente: ITE. ..................................................................................................................................................... 61 Fig. 30: Predicción realizada por la Red Neuronal entrenada. Fuente: ITE. ................................................. 63 Fig. 31: Potencia real y predicción obtenida por la Red Neuronal entrenada para un cliente. Fuente:

ITE. .................................................................................................................................................................... 63 Fig. 32: Error obtenido por la Red Neuronal entrenada para un cliente. Fuente: ITE. .............................. 64 Fig. 33: Procedimiento para el cálculo de la predicción de generación. Fuente: ITE. ................................ 65 Fig. 34: Esquema del método de la predicción con modelo climatológico y modelo de planta PV. ....... 66 Fig. 35: Esquema del método de la predicción con modelo climatológico y modelo de predicción ANN.

........................................................................................................................................................................... 67 Fig. 36: Estructura de Red CNEA para la predicción de generación horarios. ............................................. 68


Índice de tablas Tabla 2: Funciones y objetivos Controlador Energético. Fuente: ITE. ........................................................... 18 Tabla 14: Especificaciones sistema de alimentación. Fuente: ITE. ................................................................ 32 Tabla 16: Materiales Controlador Energético. Fuente: ITE. ............................................................................ 72


1. Introducción

1.1. Descripción del proyecto

El proyecto CEI propone mejorar el estado energético y ambiental de áreas habitadas de las ciudades a través de la correcta gestión de las infraestructuras y recursos que disponen las mismas.

Esta mejora se propone desde el desarrollo de sistemas tecnológicos que permitan controlar los estados energéticos y ambientales de áreas que tiendan a ser optimizadas energéticamente. Habitualmente, y más con la irrupción de las Redes Inteligentes, estas áreas dispondrán de:

1. Nodos de consumo.

2. Nodos de generación y almacenamiento.

3. Nodos de consumo que disponen de recursos de generación y almacenamiento integrados. Nodos Activos.

4. Nodos observables y controlables de la red de distribución de energía.

5. Servicios tecnológicos asociados.

Por tanto el proyecto propone el diseño y desarrollo de un sistema global de gestión inteligente de este tipo de áreas. Los niveles de gestión de los que se compone el sistema CEI propuesto (“Ciudad Energéticamente Inteligente”) son los siguientes:

- Nivel de centro de control energético – ambiental.

- Nivel de aplicaciones distribuidas orientadas a usuarios.

- Nivel de medida y actuación energética – ambiental.

- Nivel de controladores automatizados de campo para mejora energética - ambiental.

El proyecto, además, para lograr un entorno energético y ambiental mejorado, propone, aparte de gestionarlo adecuadamente en cuanto a sus usos energéticos, el diseño y desarrollo de una herramienta integral de mantenimiento avanzado que trabaje en colaboración con los otros sistemas de gestión energética.

Esta herramienta de mantenimiento permitirá:

- Adelantarse a posibles situaciones anómalas de funcionamiento que hayan podido ser detectadas predictivamente mediante el análisis inteligente de las variables energéticas que rigen su funcionamiento.

- Asignar adecuadamente los recursos de mantenimiento para las infraestructuras de consumo y recursos implicados en las áreas de gestión.


1.2. Objetivos del documento

El objetivo del presente documento, enmarcado dentro del paquete de trabajo 3 “Diseño y Desarrollo de Sistemas de Gestión Energética de áreas positivas para ciudades energéticamente inteligentes”, es el de diseñar e implementar un sistema para gestionar, de manera automatizada, las infraestructuras pertenecientes a la ciudad inteligente de forma que balancee el coste energético de las mismas con el fin de lograr áreas cercanas a cero o positivas para las ciudades.

1.3. Estructura del documento

El presente entregable se estructura en dos partes diferenciadas: por un lado se describe el sistema completo de gestión energética, partiendo del sistema central y describiendo tanto la parte inferior que gobernará (controladores locales) como la parte superior por la que será gobernado (centro de control energético ambiental inteligente) y, por otro lado, se define el módulo predicción de generación y demanda, el cual juega un papel crucial en dicho sistema. La estructura final en secciones del documento se muestra a continuación:

- Sistema o módulo de gestión energética

o Introducción

o Especificaciones y funcionalidades del sistema

Controladores locales

Controlador Energético

Centro de Control Energético Ambiental Inteligente

o Arquitectura y diseño del sistema

o Modelo de datos del Controlador Energético

o Desarrollo del Controlador Energético

o Desarrollo de la Aplicación

- Descripción de técnicas de data mining y algoritmia de predicción

o Introducción al data mining y las técnicas de predicción

o Técnicas de clasificación

o Técnicas de predicción

o Definición de algoritmia para módulo de predicción de generación y demanda

o Técnicas de optimización para la gestión inteligente energética: Algoritmos genéticos

o Especificaciones y diseño para módulo de predicción de generación y demanda


2. Sistema de Gestión Energética

El diseño y desarrollo del Controlador Energético es el núcleo del Sistema de Gestión Energética, por lo que a continuación se describe éste junto con los módulos con los que interactúa.

2.1. Introducción

El objetivo primero del paquete de trabajo 3, PT3 “Diseño y desarrollo de Sistemas de

Gestión Energética de áreas positivas para ciudades energéticamente inteligentes”, es el diseño de un sistema de gestión automatizado que balancee el coste energético de los edificios / infraestructuras con el fin de lograr áreas cercanas a cero o positivas para las ciudades.

Las premisas que gobiernen el Controlador Energético serán las siguientes:

- Gobernar los controladores locales de las instalaciones de consumo, de generación integrada distribuida y de almacenamiento. Para ello analizará de manera autónoma y continua la estrategia óptima de funcionamiento para conseguir le balance energético requerido.

- A partir de los indicadores basados en modelos de predicción de generación y consumo se obtendrá la estrategia óptima.

- Con objeto de integrar el edificio como Nodo Activo en la red, el sistema deberá disponer de los canales de interoperación necesarios.

- Este sistema, junto con otro/s sistema/s similares será gobernado, a su vez, por otro sistema ubicado a un nivel superior (Centro de Control Energético Ambiental Inteligente).

El concepto de Edificio de Energía Neta Cero (net Zero-Energy Building, ZEB) es aquel en el

que se ha reducido en gran medida su demanda energética, cubriendo esta restante con energías renovables. Por tanto, el concepto de Edificio de Energía Neta Cero define un edificio residencial o comercial que ha reducido su demanda energética, gracias al abastecimiento de energía mediante energías renovables.

Por tanto, la pretensión del proyecto es conseguir, en primera instancia, un edificio / infraestructura capaz de mejorar su estado energético para alcanzar el balance energético mediante la gestión inteligente y automatizada de:

- Consumo Mejora de consumos Eficiencia energética controlada

- Generación Integración viable y controlada

o Fuentes de generación renovables

o Sistemas de almacenamiento


- Integración en red Nodo Activo

El conjunto de edificios e infraestructuras constituyen una microrred. Será el Centro de Control Energético Ambiental Inteligente el que, a través, de los diversos Controladores Energéticos extendidos por la microrredes mejore el estado energético de la ciudad. Así, los edificios / infraestructuras y, por tanto, las ciudades, cumplirán con los siguientes objetivos:

- Disminuir costes energéticos para llegar a un grado de eficiencia energética óptima. Controlando las instalaciones de consumo: iluminación, climatización, aplicaciones eléctricas, etc.

- Convertir cargas estáticas en cargas dinámicas inteligentes, mediante las cuales se podrá realizar acciones de Gestión de la Demanda.

- Integrar recursos renovables de generación y almacenamiento. Optimizar su rendimiento y posibilitar el seguimiento de su operación.

- Integrar los edificios como Nodos Activos de la red.

- Acceder a toda la información de estado de sistemas, instalaciones, recursos en cuanto a operatividad y variables energéticas. Tanto para operadores del sistema, con el fin de dotarles de las herramientas necesarias para hacer el seguimiento energético y operacional, como para usuario con el fin de fomentar la figura pro activa y consciente en mejora de coste energético de edificios con este tipo de sistema de gestión automatizado.


2.2. Especificaciones y funcionalidades del sistema de gestión energética

2.2.1. Especificaciones y funcionalidades de los controladores locales

Los controladores o concentradores locales propuestos pueden ser de 4 tipos. Éstos están

integrados en el Controlador Energético y sus funciones son las siguientes: Controlador de instalación Controlador de recurso Controlador de almacenamiento Concentrador energía

Especificaciones

Las especificaciones del sistema se enumeran a continuación:

a. Sistema de alimentación

El sistema de alimentación de los controladores / concentradores debe ser:

- Alimentación normalizada.

- Posibilidad de incorporación de sistema UPS.

b. Sistema de almacenamiento

El sistema de almacenamiento de datos de los controladores / concentradores debe cumplir con los siguientes requerimientos:

- Capacidad de almacenamiento estructurado de datos en local.

- Ventanas de tiempo configurables.

- Posibilidad de transferir los datos.

c. Programación

El método de programación de funciones de los controladores / concentradores debe cumplir con los siguientes requerimientos:

- Remanencia de la programación.

- Capacidad de programación de secuencias de acciones.

- Capacidad de cálculo y operación.

- Capacidad de implementación de funciones controladas de comunicación.

- Capacidad de implementación de algoritmos de control.


En definitiva deben de ser capaces de realizar el control local de cada una de las instalaciones / recursos de un edificio.

d. Sistema de comunicación d1. Aguas abajo

El sistema de comunicación aguas abajo (sensorización, actuación y control local) de los

controladores / concentradores debe cumplir con los siguientes requerimientos:

- Capacidad de adquisición de señales digitales y analógicas (en determinados casos).

- Capacidad de comunicación por buses de campo (en determinados casos).

- Capacidad de comunicación por protocolo (en determinados casos).

- Métodos cableados e inalámbricos.

Para integrar los sistemas de gestión de nodos se debe considerar una amplia gama de tecnologías de comunicación:

Tipología de comunicación aguas abajo (desde el Convertidor/Controlador hacia equipos de automatización y medición de los nodos):

o La que dispongan el/los controlador/es de nodo. Generalmente serán interfaces industriales o domésticos, como ejemplos: Interfaz físico: serie RS232 o RS485, PLC, tecnologías Wireless,

Ethernet. Protocolos: Fieldbus, Profibus, Modbus, CAN, HART, TCP, ZigBee, Wi-

Fi, RFID, etc. o Para la comunicación con los sistemas de metering de los nodos, en caso que

sea necesario, se hará uso de la IEC62056 y se adecuará la comunicación a las disponibles por los equipos de metering.

d2. Aguas arriba

El sistema de comunicación aguas arriba de los controladores/concentradores con el Controlador Energético debe cumplir con los siguientes requerimientos:

- Capacidad de comunicación por Ethernet. TCP/IP.

- Transferencia de datos por protocolo de comunicación accesible.

El grupo de concentradores/controladores conforman un sistema distribuido conectado a una misma red para el intercambio de información.

El Controlador Energético deberá comunicar con los controladores según el siguiente interfaz físico y modelo de comunicaciones:


2) Modelo de datos: siguiendo los estándares eléctricos.

3) Protocolos: Comunicación basada en TCP-IP (IPv6) de los servicios de comunicación

específicos a Web Services, por ejemplo teniendo en cuenta el mapeo específico (Specific Communication Service Mapping - SCSM) definido por la IEC 61400-25-4 y su relación respecto a lo indicado en la IEC 61850-8-1. Posibilidad de intercambio de datos XML por acceso adicional sobre FTP.

4) Interfaz físico: Ethernet por cableado a LAN o inalámbrico por telefonía móvil (GSM /

GPRS / UMTS / LTE).

Las comunicaciones a este nivel deben aportar especificaciones de homogeneidad, seguridad, determinismo (en la medida de lo posible), transferencia cercana a tiempo real y adaptación al sector eléctrico.


2.2.2. Especificaciones y funcionalidades del Controlador Energético

Las funciones principales del Controlador Energético a desarrollar, las cuales realizará a través de los controladores locales o bien accediendo directamente, serán las siguientes:

- Monitorización, acceso a datos de:

o Consumo.

o Parámetros ambientales.

o Procesos.

- Control

o Disminución de consumos.

o Mejora en la productividad de los recursos de generación y almacenamiento.

o Uso adecuado de los mismos.

- Integración

o Posibilidad de integración en la arquitectura global planteada.

Funciones y objetivos

Función 1 Disminución de costes energéticos

Objetivo Alcanzar un grado de eficiencia energética óptima controlando las instalaciones de consumo: climatización, potencia, otras cargas.

La optimización de los costes energéticos en un edificio / infraestructura es el primer paso para convertir un Edificio Inteligente a un Edificio de Balance Energético Cero La disminución de consumos debe realizarse definiendo unos indicadores energéticos y métodos sistemáticos que confirmen la mejora.

Función 2 Convertir cargas estáticas en cargas dinámicas inteligentes

Objetivo Posibilitar acciones de Gestión de la Demanda.

La gestión activa de la demanda promueve una distribución temporal más eficiente del consumo eléctrico que pueden conllevar ahorros significativos para el consumidor doméstico mediante el uso eficiente de aparatos en el tiempo adecuado reduciendo el coste final de la factura y el impacto ambiental. Por otro lado también conlleva ventajas para el complejo sistema eléctrico, como ahorros en la inversión por evitar expansión de las infraestructuras, redimensionamientos al alza, etc. y mejorando la calidad de suministro, mantenimiento, etc. La aplicación de un sistema de gestión de la demanda persigue trasladar el consumo de las cargas domésticas a una franja temporal en la que el coste sea


menor o pueda compaginarse con posibles generaciones y auto consumo o neteo. Esta variación temporal de consumo podría darse de manera manual por concienciación del usuario y en función de incentivos de las propias comercializadoras y ahorro directo por consumo de energía autogenerada; o por la automatización de las cargas siguiendo los mismos objetivos. Por tanto los sistemas de automatización y telegestión de las funciones energéticas de las instalaciones de consumo son necesarios para posibilitar el seguimiento de acciones de gestión de las cargas. Las cargas que previamente eran estáticas y no controlables con los sistemas de automatización deben convertirse en controlables y transferibles a franjas de tiempo adecuados.

Función 3 Integrar recursos renovables de generación y almacenamiento

Objetivo Optimizar el rendimiento de los sistemas de almacenamiento y generación. Posibilitar el seguimiento de su operación. Posibilitar el neteo de la energía.

Para alcanzar el objetivo de edificio ZEB es necesaria la integración de recursos renovables tales como energía eólica, solar, etc. Todos estos recursos deben ser monitorizados y se debe analizar su rendimiento periódicamente. En algunos casos será conveniente el control predictivo para la averiguar el estado de estos recursos a corto plazo. Por otra parte, como complementación y una manera de aumentar el rendimiento de estas energías renovables, se considerará la posibilidad de integrar sistemas de almacenamiento. Estos sistemas permiten almacenar la energía excedente puntual generada por los recursos naturales y permitir su utilización cuando éstos no proporcionan la energía suficiente demanda por el edificio. Estos sistemas de almacenamiento deben ser controlados y optimizados para aumentar su rendimiento. Se considerará también, en algunos casos, la posibilidad de integrar algoritmos predictivos para el control de desgaste de estos sistemas y determinar así la necesidad de cambio de éstos para obtener un funcionamiento eléctrico estable en el edificio. Para controlar el flujo de energía (producción/generación) y poder valorar el edificio como un Net Zero Energy Costs es necesario aplicar Neteo. De esta forma el edificio venderá sus excedentes de producción puntual de sus recursos naturales y adquirirá energía cuando éstos no generen la suficiente.

Función 3 Integrar los edificios/infraestructuras como Nodos Activos de la red

Objetivo Convertir un edificio / infraestructura en un nodo controlable y observable para el gestor de la microrred.

Un edificio debe presentar una inteligencia propia, es decir, debe ser capaz de gestionar todos los controladores / concentradores del edificio, pero además,


éste debe de poder ser asimismo gobernado por un gestor de microrred. De esta forma, un edificio pasará de tener sólo inteligencia a comportarse como un nodo activo.

Función 4 Acceder a toda la información

Objetivo

Disponer de los datos de estado de sistemas, instalaciones, recursos en cuanto a operatividad y variables energéticas.

El acceso a la información se dará tanto para operadores del sistema, con el fin de dotarles de las herramientas necesarias para hacer el seguimiento energético y operacional, como para usuario con el fin de fomentar la figura proactiva y consciente en mejora de coste energético de edificios con este tipo de sistema de gestión automatizado.

Las variables más relevantes del edificio se utilizarán para el cálculo y representación de indicadores. De esta manera se pretende que los usuarios, conforme a los datos energéticos expuestos, sean proactivos para la mejora energética de los edificios.

Algunas de las variables a monitorizar son:

- Temperatura y Humedad. El valor de estos parámetros permite predecir la necesidad energética en un período determinado.

- Energía consumida/generada. Con estas variables es posible calcular indicadores. Por ejemplo, si se representa el indicador de CO2, se indica la cantidad de este compuesto químico que no se vierte en atmósfera.

- Coste de generación y almacenamiento. Datos necesarios para el cálculo de la rentabilidad del edificio en general.

Teniendo en cuenta todas estas funciones, la tecnología a diseñar para el correcto cumplimiento de los objetivos es la siguiente:

- Controladores y Concentradores locales por: instalación, recurso (almacenamiento y generación), sistema (monitorizaciones).

- Controlador Energético

- Centro de Control Energético Ambiental Inteligente

Tabla 1: Funciones y objetivos Controlador Energético. Fuente: ITE.


Especificaciones

Las especificaciones del sistema se enumeran a continuación:

a. Sistema de alimentación

El sistema de alimentación debe ser:

- Alimentación normalizada.

- Posibilidad de incorporación de sistema UPS.

b. Sistema de almacenamiento

El sistema de almacenamiento de datos debe cumplir con los siguientes requerimientos:

- Capacidad de almacenamiento masivo de datos.

- Capacidad de almacenamiento estructurado de datos en local.

- Almacenamiento en base de datos.

- Ventanas de tiempo de almacenamiento configurables.

- Capacidad de tratamiento de la información.

- Posibilidad de transferir los datos a otros sistemas.

c. Método de programación de funciones

El método de programación de funciones debe cumplir con los siguientes requerimientos:

- Remanencia de la programación.

- Capacidad de programación de secuencias de acciones.

- Capacidad de programación orientada a objetos.

- Capacidad de cálculo y operación.

- Capacidad de implementación de algoritmos de control.

- Capacidad de implementación de programación de interfaces de comunicación.

- Capacidad de implementación de programación de interfaces de visualización y gestión.

En definitiva deben de ser capaces de realizar el control local de cada una de las instalaciones/recursos de un edificio.


d. Sistema de comunicación d1. Aguas abajo

El sistema de comunicación aguas abajo debe cumplir con los siguientes requerimientos:

- Por medio de Ethernet, mediante protocolo de comunicación propio.

- Con posibilidad de desarrollo a medida de nuevos drivers para posterior integración de nuevos sistemas y/o dispositivos.

- Con posibilidad de comunicación por buses de campo (en algunos casos).

- Capacidad de ampliación e integración de nuevos controladores, mediante redes de datos serie (RS-485 / RS-232), con posibilidad de desarrollo de protocolo de comunicación a medida.

d2. Aguas arriba

El sistema de comunicación aguas arriba debe cumplir con los siguientes requerimientos:

- Por medio de Ethernet, mediante protocolo de comunicación propio.

- Con posibilidad de desarrollo a medida de nuevos drivers para posterior integración de nuevos sistemas y/o dispositivos.

- Con posibilidad de comunicación por buses de campo (en algunos casos).

e. Ubicación

El sistema automatizado de gestión energética contará con una ubicación central, según jerarquía del sistema distribuido de control. Respecto a ubicación física, ésta será en cuadros técnicos, salas técnicas y centros de control. Conclusión

Por tanto, el Controlador Energético dispondrá de las siguientes funciones:

- Unificar datos de campo y convertirlos en información.

o Detección de controladores/concentradores. Autoconfiguración adaptada a los mismos.

o Adquisición de datos.

o Pre-tratamiento y tratamiento de datos. Información.


o Almacenamiento ordenado. Históricos.

- Con los datos online e históricos de todas las instalaciones y recursos del edificio es

posible (por instalación o recurso) implementar:

o Consulta de la información adaptada a controladores integrados. Información como por ejemplo, Energía Consumida, Energía Producida, Estado de la Energía de Almacenamiento, etc.

o Aplicaciones de mejora energética: Consumo, Generación, Almacenamiento y de Mantenimiento.

o Verificación computarizada de ahorros y mejoras producidas por:

Las MMEE, integración de EERR, Sistemas de almacenamiento.

La optimización de los sistemas de control aplicados.

o Obtención de modelos de dimensionado de recursos de EERR y almacenamiento.

o Obtención de parámetros de ajuste en tiempo real para cada uno de los controladores.

o Definición automática de:

Indicadores energéticos: consumo, generación, almacenamiento

Patrones de consumo y generación orientados a conseguir el balance cero energético del edificio que disponga el sistema

Tendencias de consumo y generación orientados a conseguir el balance cero energético del edificio que disponga el sistema.

Predicción de consumos/generación orientados a conseguir el balance cero energético del edificio que disponga el sistema.

o Detección temprana de averías y malos funcionamientos de las instalaciones y recursos para acciones de mantenimiento predictivo.

o Sugerencia autónoma de mejora del funcionamiento y operación de cada controlador.

o Optimización operativa online de los procesos de consumo y generación.

- Gestionar conjuntamente el funcionamiento de todos los recursos de generación/almacenamiento e instalaciones consumidoras para equilibrar el balance energético del edificio.

o Analiza: evalúa automáticamente el estado del sistema

o Sugiere: consejo experto de toma de decisiones supervisadas.


o Controla: capacidad de generación de toma decisiones autónomas.

o Adaptación: a nuevos escenarios.

o Mantiene: generación de criterios de mantenimiento predictivo operativo.

- Integración de Edificio como Nodo Activo de la Red.

o Estructura de datos al exterior (sistemas de gestión de la red) observable y controlable.

- Telegestión: en los modos Manual, Programados e Inteligentes.

2.2.3. Especificaciones y funcionalidades del Centro de Control Energético Ambiental inteligente

El centro de control energético ambiental inteligente es un sistema de control para un conjunto de microrredes con el fin de, por un lado, mantener el balance energético del conjunto de microrredes y, por otro lado, colaborar con la estabilidad de la red general. Los requerimientos funcionales del sistema, a nivel general son los siguientes:

- Gestionar el funcionamiento general del sistema, en base a: o Optimización de flujos energéticos.

o Fiabilidad del sistema respecto a la coordinación de las microrredes.

o Seguridad del sistema.

o Maximizar el beneficio económico a partir de información agregada en disponibilidad, generación y consumo de todas las microrredes.

Todo ello utilizando información proporcionada por los Controladores Energéticos de cada microrred, así como información procedente de otros elementos del sistema de energía.

- Proporcionar información a los Controladores de microrred (Controladores Energéticos) sobre condiciones y necesidades del sistema:

o Consignas de necesidades de soporte y reserva (potencia activa/reactiva, control de tensión, reducción de carga). Necesidad de servicios auxiliares o condiciones de emergencia.

- Obtener información de los Controladores de microrred (Controladores energéticos)

sobre las condiciones existentes y esperadas del sistema respecto a:


o Demanda y características de carga

o Calidad de potencia

o Predicción de carga y generación RES (no controlable)

o Carga y generación controlable disponible

o Disponibilidad y condición de recursos de almacenamiento

Habiendo conocido todos los requerimientos desarrollados, el Centro de control energético ambiental inteligente se deberá implementar sobre un módulo software que garantice el correcto funcionamiento de todas las necesidades descritas.

El sistema de comunicaciones aguas arriba cumplirá con los siguientes requerimientos:

- Capacidad de comunicación por Ethernet. Transferencia de datos por protocolo de comunicación accesible.

- Por consulta a base de datos.

- Por servicio web.

2.3. Arquitectura y diseño

Dentro del Proyecto Ciudad Energéticamente Inteligente, se plantea una arquitectura jerarquizada en tres niveles:

- Controladores locales, al nivel más bajo, tendrán la misión de monitorizar y controlar las variables energéticas de cada uno de los nodos definidos.

- Controlador energético, a un nivel intermedio, tendrá el objetivo de agrupar a los controladores locales

- Centro de control energético ambiental inteligente, a nivel superior, cuya misión es actuar como un gestor de flujos energéticos en una microrred o conjunto de microrredes.


Fig. 1: Arquitectura sistema. Fuente: ITE.

Concretando más en los desarrollos del PT3, la arquitectura diseñada parte de una

infraestructura formada por un conjunto de controladores/concentradores distribuidos, un controlador de balance energético global y un centro de control energético ambiental inteligente, que gestiona tanto al controlador de balance energético global, el cual a su vez gestiona a los controladores.

En la parte inferior del esquema se encuentran cada uno de los recursos o instalaciones

propuestos, los cuales dispondrán (de manera independiente) de un controlador de nodo el cual tendrá la capacidad de monitorizar y controlar las variables consideradas.

Estos recursos o instalaciones se agrupan del siguiente modo:

- Como infraestructura de electromovilidad se propone un punto de recarga de vehículo eléctrico desarrollado por el Instituto Tecnológico de la energía. Este nodo, considerado como recurso de almacenamiento, será gobernado por un controlador de tipo c3. Los puntos de recarga de vehículo eléctrico se consideran un componente en las ciudades energéticamente inteligentes, por ello este recurso es imprescindible en el escenario del proyecto. Este punto de recarga se considera como una carga gestionable, con la capacidad, en algunos casos, de aportar suministro de apoyo a la red (V2G).

- Dentro del edificio de oficinas se consideran cuatro nodos independientes:


o La climatización del edificio, gobernada por un controlador de instalación (tipo c1).

o Los recursos distribuidos de generación integrados en el edificio, dentro de los cuales se considera la energía térmica, fotovoltaica y eólica.

o Los recursos de almacenamiento de tipo BMS (Battery Management System). Dicho nodo vendrá gobernado por un controlador de almacenamiento (tipo c3), al igual que en el caso del punto de recarga.

o La energía consumida/generada/almacenada en el edificio. Este nodo vendrá gobernado por un concentrador de energía (tipo c4) cuya misión será la de monitorizar y analizar el flujo de energía del edificio.

- Dentro del centro de transformación y laboratorios se considera como nodo la red de distribución de BT, que será controlada, al igual que la energía del edificio por un controlador de tipo c4.

De este modo, considerando las infraestructuras arriba citadas: edificio de oficinas de ITE, centro de transformación y laboratorios de ITE, donde se controlan más de 350 contadores de viviendas reales y punto de recarga desarrollado por el mismo Instituto Tecnológico, se emula físicamente partes importantes de la ciudad inteligente.

En la parte intermedia de la imagen se encuentra el controlador de balance energético

global, el cual implementa una serie de módulos con objeto de cumplir con unas funcionalidades determinadas.

Por último, ubicado en la parte superior del esquema, se encuentra el centro de control

ambiental inteligente, el cual constituye el sistema de control del conjunto de microrredes. Por un lado mantiene el balance energético global de conjunto de microrredes y por otro lado colabora con la estabilidad de la red general.

Este sistema comunicará aguas arriba con los servicios e interfaces desarrollados en el paquete de trabajo 4.

Además de estos tres niveles jerárquicos, se presentan en el esquema dos módulos, a

nivel intermedio, que se corresponden con:

- Herramienta integral de mantenimiento predictivo, cuya misión es analizar de manera sistemática el comportamiento energético de los puntos de consumo / generación y detectar anticipadamente degradaciones o fallos. Por tanto esta herramienta:

o Podrá adelantarse a posibles situaciones anómalas de funcionamiento que hayan podido ser detectadas predictivamente mediante el análisis inteligente de las variables energéticas que rigen su funcionamiento.

o Asignará adecuadamente los recursos de mantenimiento para las infraestructuras de consumo y recursos.


- Servicios de seguimiento de indicadores de mantenimiento de infraestructuras de

consumo y generación orientados al usuario. Esta herramienta servirá para permitir al usuario la visualización por medio de una interfaz de usuario la evaluación de estado energético ligada a sus indicadores de mantenimiento.

o Estado energético de las infraestructuras: consumo, generación y almacenamiento.

o Indicadores relacionados de mantenimiento.

2.4. Modelo de datos Controlador Energético

Con el objetivo de poder establecer una comunicación eficaz aguas abajo con los diferentes controladores locales desde el controlador energético propuesto, se define un modelo de datos genérico siguiendo un criterio unificado por entidad integrada en el sistema. Las entidades posibles a integrar son las siguientes:

1. Entidad de Consumo

a. Climatización b. Iluminación c. Carga Inteligente

2. Entidad de recurso generación

a. Generación eólica b. Generación fotovoltaica c. Térmica solar

3. Entidad de recurso Almacenamiento

a. BMS (baterías, pila de hidrógeno)

4. Entidad Otros a. Vehículo eléctrico – carga / descarga

5. Entidad de Monitorización

a. Energética b. Meteorológica

Así, para poder comunicar con cada uno de los controladores arriba definidos, se definirá

un modelo de datos válido para cualquier otro nodo similar, es decir: - Se establece un modelo de datos para el controlador de instalación, particularizado

dependiendo de que la entidad sea climatización, iluminación, carga no controlable, otras cargas controlables u otras.


- Se establece un modelo de datos para el controlador de recursos distribuidos de generación y almacenamiento, particularizado para cada una de las entidades: generación eólica, generación fotovoltaica, generación térmica solar, almacenamiento BMS, almacenamiento pila de hidrógeno.

- Se establece un modelo de datos para el controlador de equipos de monitorización. Dentro de este grupo se contemplan, además de los controladores los propios analizadores de red.

- Por último, se establece un modelo de datos para el controlador de estación de recarga.

Se podrán crear nuevas entidades tomando como modelo de datos uno de los definidos. Así, cualquier entidad creada que sea similar a la entidad definida como ‘Consumo Climatización’ tendrá la estructura de datos abajo descrita.

El usuario podrá definir la entidad / entidades que conforman su instalación, configurar los parámetros deseados, es decir, de cada entidad podrá escoger las características requeridas con objeto de adaptar la estructura de datos creada a su ‘nueva’ entidad.

Además se permitirá al usuario escoger el periodo de monitorización de los parámetros de cada una de las entidades (por cada grupo de parámetros se escogerá una fecha y hora de inicio de monitorización, así como una fecha y hora de finalización de monitorización).

La frecuencia de muestreo será definida internamente, por lo que no será un parámetro configurable por el usuario. Datos estructurados

Puesto que se dispone de una gran cantidad de datos procedentes de la red energética inteligente a través de sensores, analizadores, contadores inteligentes, controladores, etc. el hecho de disponer de un modelo de datos estructurados facilita la gestión de los mismos.

Estos datos estructurados serán empleados en los algoritmos a implementar en el

sistema, es decir, servirán como entradas a los módulos de predicción de demanda, módulo de predicción de generación, módulo de balance energético, módulo de gestión y para el cálculo de indicadores de mantenimiento.


2.5. Desarrollo del Controlador Energético

2.5.1. Arquitectura del Controlador Energético

El modelo global de funcionamiento del controlador es el siguiente:

Fig. 2: Modelo global funcionamiento Controlador Energético. Fuente: ITE.

Controladores locales – Controlador Energético

Las diferentes entidades: consumo, generación, monitorización, almacenamiento, etc. pueden integrarse al elemento concentrador (controlador energético) de diversas maneras según la arquitectura empleada: directamente al concentrador por medio de entradas analógicas, empleando periferia distribuida y analogías o por protocolo de comunicaciones.


Así pues la comunicación en campo requerirá de una automatización industrial, que podrá ser:

- Caso 1: automatización centralizada

La entidad se integra directamente y de manera centralizada al concentrador (PLC) por medio de entradas analógicas.

- Caso 2: Automatización con periferia distribuida

La entidad se integra a elementos distribuidos de periferia que comunican todos ellos por un bus de campo que se integra al concentrador (PLC) por el mismo.

- Caso 3: automatización con bus de campo directo al sensor

La entidad se integra directamente por medio de un bus de campo según peticiones desde el concentrador (PLC). Las entidades deben disponer de capacidad de interconexión por protocolo de comunicaciones que sea comprensible al PLC.

- Otros casos: Soluciones mixtas

Soluciones que combinan varias de las soluciones anteriores según características de escenario de aplicación.

El controlador energético posibilita la integración de todo tipo de interfaces de comunicaciones: RS-232C/422/485, Ethernet, buses de campo, y protocolos, lo que permite una conectividad casi ilimitada.

Controlador Energético – Centro de Control Energético Ambiental inteligente (SCADA)

El requerimiento a cubrir por las comunicaciones hacia el nivel de comunicación es el de enlazar los concentradores energéticos, desplegados a nivel de campo, y los sistemas de información en remoto, en los centros de control. Las principales funcionalidades a cubrir son:

- Enlazar concentrador en campo hacia centro de información remoto.

- Hacer fiable y robusto este enlace, no permitiendo pérdidas de datos y de manera síncrona siguiendo el periodo de muestreo buscado.

- Uso de medios físicos de comunicación estandarizados: puntos de acceso Ethernet y accesorios necesarios y módems de telefonía móvil y accesorios necesarios.

- Uso y correcta implantación de protocolos de comunicaciones remotas y tele gestión estandarizados

- Implementación de una capa de comunicaciones interoperable y flexible con capacidad de asimilación e integración de sistemas de campo de naturaleza heterogénea.

- Bi-direccionalidad en las comunicaciones.

- Correcta integración con SCADAS y aplicaciones del nivel de información.


Red de acceso a Internet

La solución de comunicaciones remotas más empleada junto con la de telefonía móvil es la de Red de acceso a Internet cableada (el más habitual es el uso de ADSL). En este caso el concentrador se conectaría a un punto de acceso Internet por ya sea de manera cableada haciendo uso de un cable Ethernet o inalámbrica haciendo uso de una conexión Wifi. Desde este punto de acceso por medio de un router a servicios de Internet la información se trasferiría al centro de control que debiera tener una conexión a la misma red.

Telefonía móvil o inalámbrica hasta punto de acceso

La telefonía móvil es otra de las soluciones de comunicaciones más empleadas. Actualmente los servicios ofertados más convencionales son GSM/GPRS/3G/4G.

El módem iría conectado al puerto de comunicaciones del concentrador/es desplegado/s en campo y se configuraría para que funcionará de modo transparente enlazando con el servicio de telefonía móvil correspondiente.

Protocolos de telegestión

Debe ser posible implementar protocolos de comunicación estandarizados desde el sistema de información hasta el concentrador, independientemente de los mecanismos intermedios de comunicación que hayan sido empleados. Uno de los estándares más conocidos es la IEC 61850: Redes de comunicaciones y sistemas en subestaciones.

Protocolos propietarios

Otra opción es hacer uso de protocolos de comunicación propios, definidos en base a estándares de carácter industrial:

- Necesidad de implementación de pasarelas de comunicación a cualquiera de los estándares empleados en el caso en el que las soluciones para registro de datos (concentradores de campo) no tuvieran un HW específico basado en la norma escogida

- Se considerara una solución de comunicaciones a medida para el acceso a los datos, en base a otros protocolos industriales con características similares.


2.5.2. Elementos constructivos

El listado de materiales principales que compondrán el Controlador Energético se describe a continuación:

- Controlador

Este componente será en núcleo principal del sistema, pues será el encargado de adquirir los datos de todos los equipos, ya sean sensores, analizadores, otros controladores, contadores inteligentes, etc., de realizar el procesamiento de los mismos, registrar/almacenar la información para disponer de una base de datos de todas las entidades definidas.

Se escogerá un PC Industrial que cumpla con las especificaciones definidas (que disponga de interfaces físicos RS232, RS485, Ethernet, cuente con capacidad de memoria suficiente, tanto RAM como tarjeta flash, para almacenar el sistema operativo, el programa, guardar los datos, etc.) para desarrollar las tareas descritas.

- Pantalla táctil

Este elemento será la interfaz entre el controlador y el usuario. Cumplirá con las siguientes especificaciones: gráfica, táctil, a color, dimensiones estándar (entre 8 y 15”). Además deberá disponer de los soportes necesarios para su posterior ubicación en la parte superior de una envolvente industrial.

La misión de la misma será proporcionar un entorno visual sencillo para permitir la comunicación con el sistema operativo del controlador.

- Protecciones

El controlador, así como la pantalla, irán protegido mediante protección magnetotérmica y diferencial, del amperaje adecuado. (Interruptor magnetotérmico 2 polos. In= 16A / Interruptor diferencial. Sensibilidad IΔn=30mA).

- Alimentación

Se requerirá, al menos, una fuente de alimentación para la alimentación del controlador, pantalla.

- Envolvente

El controlador inteligente irá integrado en una envolvente industrial de plástico cubriendo con las especificaciones requeridas (dimensiones pequeñas, IP67, robusta, de peso reducido).

- Conectores de envolvente


Se dispondrá de las siguientes conexiones internas con objeto de evitar acceder al interior de la envolvente (1 x alimentación 230Vac, 1 x Ethernet, 1 x RS485, 1 x RS232, etc.)

- Pequeño material eléctrico

Se hará uso de los componentes eléctricos necesarios (bornas, punteras, cable) para obtener el sistema completo.

2.5.3. Sistema de alimentación

Las características de la red eléctrica que alimentará el Controlador Energético será la que se presenta en la tabla inferior para que el equipo funcione correctamente:

Especificaciones red eléctrica

Tipo de red Monofásica

Tensión nominal 230Vac

Frecuencia de la red 50Hz

Número de conductores P+N+T

Corriente nominal 1A

Tabla 2: Especificaciones sistema de alimentación. Fuente: ITE.

2.5.4. Sistema operativo / lenguaje de programación

La aplicación del equipo se desarrollará por medio de la plataforma Visual Studio con el lenguaje de programación Visual C# (C Sharp) orientado a objetos, el cual está diseñado para compilar una variedad de aplicaciones que se ejecutan en .NET Framework.


2.6. Desarrollo de la aplicación

El sistema arriba descrito dispondrá de una interfaz gráfica, mediante la cual el usuario podrá interactuar con el sistema. Se describen a continuación los interfaces de la aplicación desarrollada.

Identificación

Con objeto de que únicamente determinados usuarios accedan al sistema, será necesario que el usuario haya sido dado de alta previamente y que se identifique correctamente introduciendo su nombre y contraseña para poder avanzar en la aplicación.

Fig. 3: Pantalla IDENTIFICACIÓN. Fuente: ITE.

No será posible acceder al resto de pestañas de la aplicación sin haberse identificado de forma correcta.

Por tanto, el sistema contará con la función de identificación de usuario (nombre + contraseña).


Inicio

La pantalla que aparecerá, inmediatamente después de identificarse, será la de Inicio.

Fig. 4: Pantalla INICIO. Fuente: ITE.

Esta pantalla tiene dos funcionalidades principales:

- F2: Configuración de las entidades presentes en el edificio.

- F3: Visualización en sinóptico de las entidades ya creadas y estado de las mismas (*).

(*) Esta última dependerá de si todas las entidades del mismo tipo están controladas por el mismo controlador o bien disponen de controladores independientes.

Función F2: Configuración de las entidades

Como ha sido detallado en el apartado 2.4 ‘Modelo de Datos’, han sido definidas 4 tipo de entidades en un edificio: Cargas, Generación/Almacenamiento, Monitorización, Otros.

El usuario deberá registrar todas las entidades a gestionar clasificándolas como uno de estos cuatro tipos.

Como se ha citado anteriormente (ver apartado ‘arquitectura’), el sistema permitirá configurar un máximo de entidades (60 de tipo de carga, 20 del tipo generación/almacenamiento, 10 del tipo monitorización y 5 del tipo Otros).

Se muestran a continuación las pantallas una vez seleccionado un tipo de entidad.

- Si se selecciona la entidad Cargas:


Fig. 5: Pantalla INICIO (Entidad Cargas). Fuente: ITE.

Función 4 (F4): Función Cargas

Permitirá almacenar todas las entidades del tipo ‘Cargas’ que se dispongan en el edificio.

El usuario podrá introducir hasta 20 entidades tipo ‘Consumo Climatización’, 20 del tipo ‘Consumo Iluminación’ y 20 del tipo ‘Carga Inteligente’. Dependiendo de la entidad que seleccione (tipo Consumo Climatización, tipo Consumo Iluminación o tipo Carga Inteligente), se cargarán unos parámetros a monitorizar y controlar diferentes (Ver apartado 2.4. ‘Modelo de datos’).

Ejemplo:

Imaginemos que un usuario dispone de una habitación con un equipo de ventilación forzada el cual se gestiona mediante un controlador local. Si lo que se pretende es integrar esta entidad en el nuevo sistema, deberá seleccionarse ‘Consumo Climatización’ en tipo de entidad, los parámetros que desean visualizarse del mismo se marcarán en las casillas correspondientes (Tinterior, Tconsigna, Humedad aire, Consumo eléctrico) y los parámetros o variables sobre las que se desea actuar deberán indicarse en la columna ‘Parámetros a controlar’. De esta forma el usuario podrá personalizar cada entidad introducida. Para guardar los cambios deberá pulsarse el botón GUARDAR.

- Si se selecciona la entidad Generación / Almacenamiento:


Fig. 6: Pantalla INICIO (Entidad Generación / Almacenamiento). Fuente: ITE.

Se podrán introducir hasta 5 recursos de cada tipo: 5 del tipo ‘Recurso eólica, 5 del tipo ‘Recurso fotovoltaica’, 5 del tipo ‘Recurso almacenamiento BMS’.

Dependiendo de la entidad que se seleccione, se cargarán unos parámetros a monitorizar y controlar diferentes. El ejemplo realizado en la pantalla se ha hecho para la entidad recurso - generación eólica. Los parámetros a monitorizar y a controlar dependerán del tipo de entidad seleccionada debido a que el modelo de datos es diferente para cada una de ellas.

- Si se selecciona la entidad Monitorización:

Fig. 7: Pantalla INICIO (Entidad Monitorización). Fuente: ITE.


Se podrán introducir hasta 5 entidades de cada tipo: 5 tipo ‘Monitorización - energética’, 5 tipo ‘Monitorización - Estación meteorológica’.

En el ejemplo mostrado en la figura se ha escogido la entidad ‘Monitorización energética’ y, por tanto, los parámetros a monitorizar son los relativos a ésta. Respecto a los parámetros a controlar aparece en blanco porque la estructura de su modelo de datos no contiene ningún parámetro a controlar.

- Si se selecciona la entidad Otros:

Fig. 8: Pantalla INICIO (Entidad Otro – Estación de recarga). Fuente: ITE.

En este caso, dentro de la entidad ‘Otro’ únicamente se tiene la entidad ‘Estación de Carga’. Al seleccionar dicha entidad se cargarán los parámetros correspondientes a monitorizar y los parámetros a controlar, permitiendo escoger al usuario los parámetros de interés. Cabe decir que en el control del horario y tiempo de recarga deberá seleccionarse la fecha y hora de inicio y la fecha y hora de fin.

Se podrán introducir hasta 5 entidades del tipo ‘Estación de recarga’.


Los parámetros eléctricos u otros parámetros a adquirir de cada entidad serán definidos por el usuario (de la lista disponible), a través de un checklist, en el momento de configurar las entidades (Pestaña de ‘Inicio’, casillas de ‘parámetros a monitorizar’ y ‘parámetros a controlar’).

- El usuario únicamente podrá escoger entre los parámetros mostrados por la aplicación, es decir, para una entidad tipo ‘generación eólica’ podrá visualizar tensión, corriente, frecuencia, velocidad viento, potencia salida, velocidad giro rotor, temperatura.

Fig. 9: Selección parámetros. Fuente: ITE.

- Cabe decir que el sistema generará un error si el usuario selecciona algún parámetro

que no está siendo monitorizado por el controlador de la entidad. (Es decir, un usuario no puede escoger visualizar velocidad de giro del rotor si su controlador no tiene capacidad de monitorizar dicho parámetro).

- El periodo de monitorización escogido será el mismo para todas las

variables/parámetros. Se escogerá una fecha y hora de inicio y una fecha y hora de fin. En caso de dejar esta casilla en blanco, la aplicación obtendrá lectura del dispositivo o controlador ininterrumpidamente desde que el encendido de éste hasta su apagado.

Una vez finalizada la configuración de todas las entidades, el usuario volverá a la pantalla de inicio, donde se mostrará la ubicación de las entidades en el plano del edificio.

Desde dicha pantalla (Inicio) podrá acceder al resto de pestañas (Energía, Balance, Gestión de la Demanda, Alarmas, Mantenimiento).


Energía

La pantalla de Energía engloba tanto las variables energéticas del sistema como el módulo de predicción de consumo y el módulo de predicción de generación. El módulo de predicción de consumo será de aplicación tanto al Consumo total de todas las identidades que consuman energía (Entidad Consumo Climatización, Entidad Consumo Iluminación, Entidad Consumo Carga Inteligente y Entidad Monitorización energética) como al consumo por entidades, de manera individual. Del mismo modo, el módulo de predicción de generación será de aplicación a la Generación total de todas las entidades que generen energía a través de instalaciones de energías renovables integradas en el edificio o bien a la generación por entidad, de manera individualizada.

Balance

- F22: Superponer las curvas de consumo, generación y almacenamiento acumulado

durante un periodo de 24 horas, con objeto de mostrar al usuario una visión general de la situación de su instalación o edificio.

Fig. 10: Diagrama global de flujos energéticos. Fuente: ITE.

Este gráfico representa los diferentes flujos energéticos del edificio durante las últimas 24 horas: curva de demanda, curva de generación, almacenamiento de energía generada e intercambio de energía con la red. Se puede analizar el casamiento de las diferentes curvas y, en consecuencia, ajustar la gestión de los diferentes flujos energéticos. A partir del gráfico anterior se obtiene el diagrama de balance global del edificio de las últimas 24 horas, el cual muestra el autoconsumo (energía demandada cubierta con recursos propios), los excedentes de energía (energía generada vertida a red) y los déficits (energía importada de red). El gráfico permite analizar el estado del balance del edificio: negativo – cero – positivo.


- F23: Esta función permitirá acceder al detalle de los diagramas de balance del edificio,

analizar el comportamiento de los diferentes flujos, y evaluar si la energía generada en las propias instalaciones se adecua a los requerimientos de consumo del edificio.

Fig. 11: Origen de la energía demandada por el

edificio. Fuente: ITE Fig. 12: Destino de la energía generada en el

edificio. Fuente: ITE El primero de los gráficos de sectores muestra la procedencia de la energía consumida en el edificio en las últimas 24 horas (energía generada en el propio edificio y energía importada de red), pudiendo observarse en qué medida el edificio es autosuficiente. El segundo de los gráficos muestra el destino de la energía generada por los recursos del edificio: autoconsumo del edificio y vertido de excedentes a red. La combinación de ambos gráficos permite al usuario evaluar el balance entre consumo-generación de cara a su optimización. También permite analizar otros aspectos de interés, tales como el dimensionamiento de su instalación, la producción de excedentes a gestionar o la necesidad de adecuar la demanda para aminorar o desplazar los déficits a cubrir por la red. La aplicación permite visualizar diagramas de balance para los siguientes periodos:

- Últimas 24h - Últimos 7 días - Últimos 30 días - Último año

- F24: Esta función permite mostrar el flujo de cargas instantáneo del edificio. Mediante

una única imagen el usuario podrá tener una idea de quién o quienes están generando, si se está inyectando energía a red, si las baterías están cargándose o descargándose, etc. es decir, una visión global del flujo de cargas de su instalación.

- F25: Esta función está orientada a optimizar el equilibrio energético del edificio a partir de los siguientes diagramas de consumo y generación, y recomendaciones dirigidas al usuario.


A partir del estudio del comportamiento del edificio durante un periodo prefijado (1 mes y 1 año), se le ofrecen al usuario indicaciones para optimizar su balance

Gestión de la Demanda

Como se ha comentado anteriormente, dicha pantalla no será objeto de diseño y desarrollo de esta segunda anualidad. Las tareas relacionadas con la misma tendrán lugar en la tercera y última anualidad.

Alarmas

La pestaña de alarmas almacenará, con un periodo de muestreo de 10 minutos, las anomalías ocurridas en el sistema durante la operación de la aplicación. Los campos definidos para el registro de las alarmas se muestran a continuación:

Fig. 13: Pantalla ALARMAS. Fuente: ITE.

El sistema deberá detectar alarmas pre-configuradas en el instante en el que sucedan, es decir, en caso de detectarse una avería o un funcionamiento anómalo se producirá un evento en tiempo real.

Se clasifican en dos grandes grupos:

- Alarmas de funcionamiento

o Fallo de comunicaciones Si se está estableciendo una comunicación con el controlador iluminación 1 y se pierde la comunicación con dicho dispositivo, se registrará la hora y fecha y se mostrará un mensaje indicando la alarma. Dicho fallo quedará registrado en la BD de alarmas.

o Alarma parámetro desconocido


Esta alarma se activará cuando el usuario intente configurar un parámetro (de monitorización o control) y el controlador no disponga de esta funcionalidad.

- Alarmas de comportamiento o Alarma por desviación

El sistema, mediante el algoritmo de predicción de consumo/demanda y de generación es capaz de predecir el consumo o generación de la entidad correspondiente en las próximas 24horas. Puesto que calcula los errores (absolutos y relativos) el sistema avisará de un funcionamiento anómalo en caso de desvío*. *Estos desvíos podrá ser autoajustados por el usuario.

Como función adicional (F27) se incluye la posibilidad de exportar todas las alarmas almacenadas en un formato estándar. Por tanto, todas las alarmas ocurridas serán almacenadas en un histórico de alarmas, pudiéndose exportar posteriormente, a través de un formato estándar (Excel, csv, etc).

Mantenimiento

Aunque el desarrollo de dicha pantalla no es objeto de esta 2ª anualidad, el diseño de la misma se incluirá en el entregable E6.2. Protocolos de gestión para el mantenimiento predictivo de los Activos Energéticos en la ciudad, incluyendo necesidades de monitorización, establecimiento de variables de interés, criterios para identificación de situaciones anómalas, estrategias de actuación, cuyo desarrollo sí que es objeto de esta anualidad.


3. Descripción de técnicas de data mining y algoritmia de predicción

Como se ha visto en las secciones anteriores, el Controlador Energético y Centro de Control Energético Global presenta funcionalidades avanzadas de tratamiento y análisis de los datos que permitirán facilitar la toma de decisiones sobre balance energético de Nodos Activos en presencia de generación y almacenamiento distribuidos. Estas funcionalidades avanzadas son principalmente dos: la predicción del consumo (o demanda) para un horizonte de tiempo prefijado, y la predicción de la generación de fuentes de energía no controlables, como eólica o fotovoltaica.

Las técnicas de predicción forman parte del área conocida como minería de datos o data mining, la cual engloba además otras técnicas con objetivos distintos a los de la predicción, como por ejemplo la clasificación u obtención de patrones. A continuación se describe el proceso de data mining y cuáles son los objetivos o las técnicas que contiene.

Por otra parte, ambos módulos (Controlador Energético y Centro de Control Energético Global) debe incorporar una gestión automatizada de los distintos recursos distribuidos que pueden darse, tanto en Nodos Activos, como en un conjunto de estos dentro de un entorno de microrred, con el fin de mantener el balance energético cero maximizando los beneficios económicos y minimizando todo lo posible los costes. Una de las técnicas que permite una gestión óptima de los recursos disponibles es la de optimización mediante algoritmos genéticos. Seguidamente a la descripción de las técnicas de predicción, se procede a describir esta técnica.

3.1. Introducción al data mining y las técnicas de predicción

Las técnicas agrupadas bajo el nombre de minería de datos o data mining1 tienen como objetivo descubrir relaciones o información útil entre las distintas variables de una base de datos. Muchas veces esta información está escondida o no es fácilmente deducible a simple vista, por lo que se hace necesario emplear estas técnicas, que agrupan o describen los datos y su comportamiento de una forma que resulta más sencillo comprender estos y sus interrelaciones entre las distintas variables, más allá del análisis estadístico tradicional. La información obtenida depende del objetivo buscado, y puede ser facilitada en distintas formas: patrones, tendencias, reglas de asociación entre variables, etc.

El proceso de data mining puede considerarse un paso fundamental en la secuencia completa de análisis de datos y descubrimiento de información a partir de bases de datos. Esta secuencia se conoce con el nombre de knowledge discovery in databases (KDD).

La Figura 13 indica las distintas etapas en la secuencia del KDD. Se parte de los datos, contenidos en una o más bases de datos. Dado que estos datos pueden provenir de distintas fuentes o pueden contener ruido o errores de medida, una de las primeras tareas es el preprocesado o filtrado de estos datos, denominándose este proceso con el término data warehousing (almacenamiento de los datos). Una vez los datos han sido procesados y están

1 Han and Kamber. Data Mining: Concepts and techniques. Morgan Kaufmann, 2006.


listos para ser analizados, se realiza una selección adecuada del conjunto de datos de interés, dándole para ello si fuera necesario el formato de datos o tablas que fuera necesario, previo al análisis de los mismos mediante las técnicas de data mining que se haya decidido emplear. Qué técnicas emplear en cada caso suele ser decisión del gestor o experto que analiza los datos, por tanto antes de comenzar con el análisis se debe tener una decisión de qué objetivo u objetivos se quieren conseguir. Por ejemplo, el análisis es distinto si se quieren conseguir patrones, o reglas relacionales entre conjuntos de variables, etc. Si tras el análisis se descubre que es de interés realizar otro tipo de análisis, el objetivo variará y el análisis de data mining inicial llevará a otro análisis distinto, cuyos resultados aportarán un mayor valor añadido. Este procedimiento de prueba, evaluación, y análisis con otros objetivos también forma parte del proceso de KDD. Además, en función de la naturaleza y formato de los datos, existen distintas técnicas y algoritmos para conseguir los mismos objetivos; qué técnicas emplear en cada caso también es decisión del experto que analiza los datos, y una elección inicial no tiene porqué ser la acertada.

Fig. 14: Proceso de obtención de conocimiento en bases de datos (KDD) y data mining2.

Como resultado del análisis o de los distintos análisis de data mining se tendrá un conjunto de patrones, reglas o modelos que permitirán al experto una posterior evaluación e interpretación de los mismos. Es en esta fase en donde se genera verdaderamente el



conocimiento, al identificar las relaciones entre los datos que inicialmente pudieran estar ocultas, y que quedan desveladas gracias a los resultados del data mining.

Cuando el experto ha realizado, finalmente, la evaluación e interpretación de los resultados, una última fase consistirá en cómo mostrar o visualizar las conclusiones que se han extraído de los mismos.

Como se puede observar, las técnicas de data mining facilitan el descubrimiento de la información para, en una última etapa, visualizar y comprender mejor los datos, y poder tomar decisiones en base a los resultados.

Los objetivos globales que persigue la minería de datos se pueden resumir en tres: la descripción o clasificación, o la explicación resumida de los datos, en patrones, grupos y reglas de asociación; la predicción, u obtención de modelos que sean capaces de predecir tendencias y valores futuros a partir de los datos actuales; y el análisis evolutivo, que analiza series temporales con el fin de determinar patrones o la evolución de los datos en el tiempo. Dentro de cada objetivo se encuentran, a su vez, distintos apartados o técnicas concretas a aplicar, dependiendo de la naturaleza de los datos y de la tarea propuesta (ver ¡Error! No se encuentra el origen de la referencia.). A continuación se comentan distintas técnicas y algoritmos descritos en la literatura para los objetivos de clasificación de datos en patrones, y de obtención de modelos de predicción.

Fig. 15: Técnicas de data mining3.



3.2. Técnicas de clasificación

Dentro del apartado descriptivo o de clasificación, se establecen dos grandes grupos de técnicas atendiendo a la naturaleza en el aprendizaje o ajuste del modelo que describe o clasifica los datos: uno es el aprendizaje supervisado, basado en datos conocidos previamente, que se usan para ajustar el modelo, y otro es el llamado aprendizaje no supervisado, en el que el modelo se construye con los propios datos, sin una realimentación o ajuste de la bondad o eficiencia de éste.

Las técnicas de aprendizaje supervisado incluyen, como se puede ver en la Figura 3, las siguientes:

- Árboles de decisión: Los árboles jerárquicos de decisión parten del conocimiento previo que se tiene sobre la naturaleza de las datos que se clasifican, para construir un árbol de clasificación en donde en cada nodo se evalúa la pertenencia del dato a una condición específica, como por ejemplo, que su valor sea menor que cierto umbral. En función de la respuesta se disponen dos o más ramas de clasificación. Al final de la profundidad de niveles que se desea, el dato ha sido clasificado atendiendo a los criterios fijados en nodos en todas las etapas intermedias.

- Redes neuronales: las redes neuronales multicapa o ANN (Artificial Neural Networks)4, se componen de neuronas o unidades de aprendizaje basadas en funciones matemáticas que tienen como salida dos posibles estados en función del valor de entrada. La configuración más habitual de red neuronal para clasificación es el de red neuronal multicapa, formada por una capa de neuronas de entrada, que sirven para la introducción de los datos que se clasifican, una capa de neuronas de salida, en donde cada neurona suele ser una clase o tipo en la que se clasifica el dato de entrada; y una serie de capas intermedias u ocultas, en donde se procesa el dato de entrada para ser clasificado a la salida. Las redes neuronales precisan de un paso previo de aprendizaje, en donde la red se entrena con u conjunto de datos de entreda y su correspondiente clasificación, ya conocida. El método más conocido de entrenamiento de redes neuronales multicapa es del de backpropagation o propagación hacia atrás del error cometido en la fase de aprendizaje, que se usa para ajustar los pesos o parámetros de las funciones matemáticas que componen las neuronas.

- Clasificadores de Bayes: las redes de Bayes clasifican objetos según la probabilidad de que se cumpla cierto criterio en cada nodo. A modo de ejemplo, la ¡Error! No se encuentra el origen de la referencia. muestra el ajuste de una red o clasificador de Bayes, que clasifica los datos basándose en probabilidades encadenadas.

- Reglas de asociación: el análisis de un conjunto de variables permite determinar si hay relaciones ocultas de dependencia de un conjunto de variables a otro. Las reglas de asociación permiten definir si esta relación existe y en qué medida se produce. Una de las técnicas que se emplean en este proceso es la medida de la correlación entre series temporales.

4 Haykin, S. Neural Networks, a Comprehensive Foundation. MacMillan, 1994


- Razonamiento basado en casos: la técnica del CBR parte del almacenamiento de casos o escenarios de comportamiento del conjunto de datos previamente conocidos. De esta forma, al tener un conjunto nuevo de datos de entrada, se busca por semejanza qué caso puede ser el más adecuado para esos datos. Si se encuentra un caso muy similar, se dará este como solución. Si no se encuentra un caso similar, el conjunto de datos se añade como nuevo caso a la base de conocimiento, junto con su posible solución.

- Algoritmos genéticos: los algoritmos genéticos son una técnica que forma parte de la familia de algoritmia evolutiva, en la cual se imitan modelos o comportamientos de la naturaleza para alcanzar soluciones óptimas a un problema planteado. Los algoritmos genéticos imitan el procedimiento de selección natural y modificación genética para ofrecer un conjunto de soluciones óptimas a un objetivo planteado. Más adelante en este documento se describe en detalle este funcionamiento.

- Fuzzy sets: la inferencia borrosa5 permite la definición de reglas que manejan variables cualitativas (“alto”,”medio”,”bajo”,etc) y facilitan la obtención de resultados numéricos mediante la definición de funciones matemáticas que se corresponden con cada una de las variables cualitativas, llamadas funciones de pertenencia. Estas funciones de pertenencia definen la transición entre las variables, de forma que se evita el salto cualitativo entre una variable y otra.

- Rough sets: por último, las rough sets6 también permiten la obtención de valores a partir de variables cualitativas, sin embargo las funciones que las representan se definen en forma de valores fijos, con regiones umbrales para la transición entre las variables.

Estas técnicas describen los datos identificando patrones o situaciones prototipo, y clasificando todos los datos en función de estos prototipos. Para ello hacen uso de referencias o datos de aprendizaje, con los que evaluar el ajuste del modelo.

5 Zadeh, L. Fuzzy Sets Journal of Information and Control, 1965, 8, 338-353 6 Pawlak, Z.; Grzymala-Busse, J.; Slowinski, R. & Ziarko, W. Rough sets Commun. ACM, ACM Press, 1995, 38, 88-95


Fig. 16: Dazzle, editor de redes de Bayes para clasificación de datos7.

Respecto al aprendizaje no supervisado, las técnicas de clustering y la clasificación mediante mapas auto-organizativos o SOM son las más conocidas. Ambas se describen a continuación.

3.2.1. Clustering

El clustering o agrupamiento8 define un número de clusters o grupos a los cuales asocia los datos mediante similitud matemática, obteniendo además los objetos o datos que son representativos o prototipos de cada grupo, llamados centroides. Un ejemplo se puede ver en la ¡Error! No se encuentra el origen de la referencia., en donde se agrupa en tres clusters un conjunto de datos con dos dimensiones, realizándose la formación de grupos por proximidad (similitud) entre datos de un nismo grupo.

El algoritmo de clustering más conocido es el de K-medias o K-means9. El número de K clusters a encontrar es un parámetro de entrada. El algoritmo busca minimizar el sumatorio de todas las distancias de todos los objetos de un cluster respecto al centroide (o valor medio) que los representa, como se puede ver en (1). El procedimiento iterativo para la obtención de los clusters es el siguiente:

J = �� zj − ci�2

j,zj∈ Ai

�k

i=1

(1)

7 http://haskell.org 8 Jain, A. K. & Dubes, R. C. Algorithms for clustering data Prentice Hall, 1988 9 MacQueen, J. B. Some methods for classification and analysis of multivariate observations Proceedings of 5th Berkeley Symposium on Mathematical Statistics and Probability, 1967, 281-297.

http://haskell.org/


Fig. 17: Ejemplo de clustering: obtención de dos clusters (A y B) y sus respectivos centroides (x1,y1),(x2,y2) en datos

con dos dimensiones10.

1) Seleccionar K datos como los centroides iniciales. 2) Calcular todas las distancias Euclídeas de todos los objetos a todos los K

centroides. 3) Recalcular el centroide en cada cluster como el valor medio de todos los

objetos o datos cuya distancia al centroide previo haya sido la menor de todos los clusters.

4) Volver al paso 2 hasta que se cumpla alguna condición de terminación, como que el índice de coste converja dentro de un rango, o que se alcance determinado número de iteraciones.

3.2.2. Self Organizing Maps (SOM)

Los mapas auto-organizativos o SOM (Self-Organizing Maps)11 clasifican objetos sobre un mapa bidimensional formado por neuronas o unidades de reconocimiento, que ajustan sus pesos según la máxima similitud asignada a un nuevo dato, según una ley de aprendizaje competitivo (la unidad más cercana al nuevo dato es la que modifica sus parámetros). Cada nuevo dato de entrada se compara con los pesos o codebook de todas las neuronas, seleccionando aquella que tiene mayor similitud con el dato de entrada. Los pesos de la neurona ganadora y de las que le rodean se ajustan mediante una función de ajuste con una distribución, normalmente gaussiana, cuyo valor disminuye conforme aumenta la distancia entre el dato y la neurona.

10 Benítez, I.; Quijano, A.; Díez, J.-L. & Delgado, I. Dynamic clustering segmentation applied to load profiles of energy consumption from Spanish customers. International Journal of Electrical Power & Energy Systems, 2014, 55, 437 – 448. 11 Kohonen, T. Self-Organizing Maps Springer, 2001.


De esta forma se consigue también una visualización de datos de varias dimensiones o componentes, agrupados sobre una parrilla bidimensional. Un claro ejemplo se muestra en la Fig. 6, en donde se clasifican curvas de carga de consumo eléctrico horario (24 muestras) de una muestra de clientes residenciales.

Fig. 18: Caracterización de consumos eléctricos en clientes residenciales12.

3.3. Técnicas de predicción

En el apartado de la predicción, se estudian principalmente las técnicas de regresión, que permiten ajustar un modelo del proceso, que pueda predecir futuros valores de las variables deseadas en función de las situaciones o valores iniciales planteados. Las técnicas empleadas incluyen desde mínimos cuadrados a redes neuronales. Un claro ejemplo de predicción se puede observar en la Fig. 7, donde se representa la curva diaria de predicción de consumo de energía eléctrica en España, obtenida por el Operador del Sistema Red Eléctrica de España.

12 Benítez Sánchez, I.; Delgado Espinós, I.; Moreno Sarrión, L.; Quijano López, A. & Navalón Burgos, I. Clients segmentation according to their domestic energy consumption by the use of self-organizing maps EEM 2009. 6th International Conference on the European Energy Market, 2009, 1-6.


Fig. 19: Predicción diaria del consumo total de energía eléctrica en España13.

13 Red Eléctrica de España (www.ree.es )

http://www.ree.es/


3.4. Definición de algoritmia para módulo de predicción de generación y demanda

Las aplicaciones del data mining en instalaciones de generación de energías renovables son especialmente adecuadas a plantas con puntos distribuidos de generación, como es el caso de plantas fotovoltaicas, plantas de energía eólica o instalaciones de generación por energía de las olas.

Las técnicas de data mining se pueden aplicar tanto en la predicción de tendencias de producción, a nivel global y/o específico (por nodos o puntos de generación), como a la obtención de patrones de producción energética, que pueden ser relacionados con las variables climatológicas o estacionales.

El objetivo planteado en este proyecto es el desarrollo de un módulo de predicción, tanto de la generación como de la demanda esperada en los nodos de la red identificados en una ciudad inteligente.

En las últimas décadas se han propuesto diferentes técnicas de predicción con las cuales obtener una estimación de la curva de carga eléctrica: series temporales1415, regresión lineal múltiple16, modelos auto-regresivos de media móvil (ARMA)17, Sistemas Expertos18, redes neuronales19 y sistemas Fuzzy, además de la posible combinación de varios de estas técnicas. De todas ellas, las técnicas de predicción para poder realizar una previsión diaria de demanda, y un ajuste posterior con una menor granularidad, se basan comúnmente en técnicas de regresión por mínimos cuadrados, o en redes neuronales.

En cuanto a modelos de regresión, uno de los más utilizados es el modelo ARMAX (Auto-Regressive Moving Average with Exogenous Input). Se trata de un modelo MISO (Multiple Input Simple Output) lineal paramétrico entrada-salida, donde se tiene como entradas las distintas variables “u”, con un retardo específico, que corresponden con las distintas entradas al proceso, y una entrada de ruido blanco “e” que representa simultáneamente perturbaciones no medidas y errores de modelado. Su ecuación es la siguiente:

A(q)y(t) = Bi(q)ui(t− nk) + C(q)e(t)

(2)

Se trata de un modelo dinámico, puesto que tiene en cuenta el instante actual y los anteriores:

14 M. Hagan y S. Behr, «The time series approach to short term load forecasting,» IEEE Trans. Power Systems, pp. 832-837, 2007 15 . Moghram y S. Ruhman, «Analysis and evaluation of load forecasting techniques,» IEEE Trans. Power Systems, pp. 1484-1491, 2009 16 A. Papalekopulos y T. Hesterberg, «A regresion-based approach to shor-term load forecasting,» IEEE Trans. Power Systems, pp. 1535-1547, 2010 17 S. Vemuri, W. Huang y D. Nelson, «On-line algorithms for forecasting hourly loads of an electrical utility,» IEEE Trans. Power Systems, pp. 3775-3784, 2001 18 S. Rahman, «Generalized knowledge-based short-term load forecast,» IEEE Trans. Power Systems, pp. 508-514, 2003 19 K. Kalaitzakis, G. Stavrakakis y E. Anagnostakis, «Short-term load forecasting based on artificial neural networks parallel implementation,» Electric Power Systems Research, vol. 63, pp. 185-196, 2002


A(q) = 1 + a1q−1 +⋯+ anaq−na

B(q) = b1 + b2q−1 +⋯+ bnbq−nb+1

C(q) = 1 + c1q−1 + ⋯+ cncq−nc

(3)

En este tipo de modelos la salida depende, por tanto, de todas las entradas en instantes anteriores de tiempo, y de la propia salida en instantes anteriores de tiempo. Los valores de los distintos parámetros se obtienen mediante la técnica conocida como mínimos cuadrados o alguna de sus variantes, como el algoritmo de mínimos cuadrados recursivo (Recursive Least Squares). A partir de datos históricos de todas las variables de entrada y salida, se obtiene un valor mediante operaciones matriciales para todos los parámetros que se hayan definido, que permita computar un valor de salida similar al real más un valor de error admisible, para todos los instantes de tiempo.

A continuación se muestra un ejemplo de predicción basada en modelo ARMAX de segundo orden realizada para la predicción de consumos energéticos en climatización en reefers o contenedores en terminales de contenedores del Puerto de Valencia. Desde ITE se desarrollaron estos modelos de predicción, en los cuales los datos de entrada eran el número de reefers o contenedores en un momento dado, la temperatura exterior, y el consumo total medido en el cuadro de alimentación en kW.

Fig. 20: Ejemplo de predicción ARMAX de consumo energético en terminal de contenedores20.

La ventaja de las redes neuronales sobre los modelos estadísticos reside en su habilidad para modelar sistemas multivariables sin crear dependencias complejas entre las variables de entrada. Además las Redes Neuronales Artificiales (ANN) extraen las relaciones de no- 20 proyecto EFICONT (Ejemplo elaborado por ITE)

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5

x 104

0

500

1000

Número de muestras

Núm

ero

tota

l de

cont

ened

ores

- C

onsu

mo(

kW)

Marjul - Consumo (kW) vs. num. de reefers y temperatura

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5

x 104

20

25

30

35

40Núm. total contConsumoTemperatura


linealidad implícita en las variables de entrada a partir de los datos de entrenamiento de la red.

Una forma efectiva de emplear las redes neuronales para realizar una predicción a corto plazo (STLF ó Short Term Load Forecast) es utilizar datos históricos de días pasados similares. La ¡Error! No se encuentra el origen de la referencia. muestra un esquema general de una red neuronal a modo de caja negra, desarrollada para la predicción de curvas de carga en locales comerciales y oficinas, donde las entradas utilizadas son:

- L(d-1): Potencia activa horaria del día anterior (24 horas).

- L(d-7): Potencia activa horaria del día de la semana previa al mismo día a predecir (24 horas).

- L(d-14): Potencia activa horaria del día de dos semanas previas al mismo día a predecir (24 horas).

Como datos de salida se obtienen:

- L(d): Potencia activa horaria de las 24 horas futuras (previsión de demanda para el día siguiente).

Fig. 21: Esquema de entradas y salidas para modelo de predicción de demanda basado en redes neuronales.


En este caso la red diseñada es del tipo multicapa, con una capa de entrada para los 72 datos horarios, una capa interna de proceso, y una capa de salida con los 24 valores horarios de predicción. La figura 21 muestra un ejemplo de predicción realizado para la red neuronal entrenada. En ella se puede ver mediante una línea negra vertical el instante de tiempo actual, el cual marca a su izquierda las muestras pasadas mientras que a su derecha quedan las muestras de tiempo futuras. Introduciendo como datos de entrada a la red neuronal los datos pasados, los cuales hacen referencia al día anterior, la semana anterior y dos semanas previas, se obtienen los 24 datos de potencia activa predicha para las siguientes 24 horas.

Fig. 22: Ejemplo de predicción realizada por el modelo de red neuronal de ITE.

La predicción de consumo energético se divide, según el horizonte de predicción, en cuatro grandes grupos: Very Short-Term Load Forecasting (VSTLF), con un rango de predicción de segundos o minutos a varias horas; Short-Term Load Forecasting (STLF), desde horas a varias semanas; y finalmente Medium-Term y Long-Term Load Forecasting (MTLF y LTLF), de meses a varios años.

La predicción empleando modelos de regresión usa como entradas los valores pasados de consumo eléctrico, normalmente de energía horaria, más alguna componente estacional o de climatología. Un ejemplo de modelos STLF basados en regresión es el desarrollado por Cho et al.21, quienes plantean un modelo STLF ARIMA (AutoRegressive Integrated Moving Average) que incluye la temperatura como entrada adicional. Los autores realizan la predicción para cuatro tipos de clientes de la red de distribución de Taiwan: carga residencial, comercial, oficinas e industrial, para la estación de verano, realizando la predicción horaria para una semana.

Otro trabajo en este sentido es el de Espinoza et al.22, quienes realizan modelos de regresión usando series temporales de consumo energético horario en subestaciones eléctricas de cuatro años de duración proporcionadas por el Operador de Red belga ELIA. La carga se predice para la hora siguiente, a partir de los valores de las 48 horas anteriores, más 21 Cho, M.; Hwang, J. & Chen, C.-S. Customer short term load forecasting by using ARIMA transfer function model Energy Management and Power Delivery, 1995. Proceedings of EMPD '95., 1995 International Conference on, 1995, 1, 317-322 vol.1. 22 Espinoza, M.; Joye, C.; Belmans, R. & De Moor, B. Short-Term Load Forecasting, Profile Identification, and Customer Segmentation: A Methodology Based on Periodic Time Series Power Systems, IEEE Transactions on, 2005, 20, 1622-1630.

0 10 20 30 40 50 60 70 80 900.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

Tiempo (h)

Pot

enci

a no

rmal

izad

a

PredicciónDatos reales


una componente estacional y otras variables como la temperatura y la tasa de lluvia. La identificación de los parámetros se realiza mediante la técnica de mínimos cuadrados.

Otras técnicas de predicción incluyen el uso de variables cuantitativas y cualitativas. Quijano23 en su tesis plantea la división de la curva de carga diaria en áreas de similar comportamiento para clientes tipo, denominadas Grupos Horarios de Actividad o GHAC. En cada GHAC la forma de consumo es determinada a partir del conjunto de comportamientos agrupados según el tipo de cliente, como un consumo constante, creciente o decreciente. L apredicción se consigue como una agregación ponderada a nivel de subestación a partir del conjunto de clientes conectados en cada línea.

García24 presenta en su tesis una caracterización de las redes de baja tensión mediante un modelo agregado de predicción. Los clientes se agrupan según sus características (código CNAE, ubicación geográfica, potencia contratada, etc), y a cada tipo de cliente se le asigna un patrón o curva de carga carácterística obtenida a partir de registros de curvas de carga de una muestra representativa de clientes en baja tensión. El resultado de la predicción se consigue mediante la agregación de los consumos tipo de los distintos clientes, según centros de transformación y pos subestaciones.

Respecto al uso de redes neuronales, son numerosos y muy variados los trabajos que se pueden encontrar al respecto en la literatura existente. En los modelos planteados se emplean como entradas datos históricos de consumos horarios, y también datos de meteorológicos, como la temperatura. Por ejemplo, Banda y Folly25 presentan una red neuronal multicapa para STLF, que usa como entrada una carga base o tipo prevista para esa hora, más una componente de variación debida a la climatología, y una variable que indica el tipo de día (laboral o festivo). Los autores desarrollan además una segunda red que incluye como entrada la tasa de lluvia.

Las redes SOM también se han propuesto para el desarrollo de modelos de predicción. Lendasse et al.26 , por ejemplo, desarrollan un modelo STLF empleando una red SOM, y posteriormente realizando la predicción a partir del estudio de la probabilidad de transición entre neuronas a partir de la clasificación de la curva de carga del día anterior.

23 Quijano, A. Modelos de Carga en Sistemas Eléctricos de Distribución. Departamento de Ingeniería Eléctrica. Universidad politécnica de Valencia, 1992. 24 García, M. Modelo de Carga para la Determinación de la Demanda Eléctrica en Baja Tensión y Centros de Transformación MT/BT. Departamento de Ingeniería Eléctrica. Universidad Politécnica de Valencia, 2001. 25 Banda, E. & Folly, K. Short Term Load Forecasting Using Artificial Neural Network Power Tech, 2007 IEEE Lausanne, 2007, 108-112. 26 Lendasse, A.; Cottrell, M.; Wertz, V. & Verleysen, M. Prediction of electric load using Kohonen maps-Application to the Polish electricity consumption American Control Conference, 2002. Proceedings of the 2002, 2002, 5.


3.5. Técnicas de Optimización para la gestión inteligente energética: Algoritmos genéticos

Los Algoritmos Genéticos (AGs) son métodos adaptativos que pueden usarse para resolver problemas de búsqueda y optimización. Están basados en el proceso genético de los organismos vivos. A lo largo de las generaciones, las poblaciones evolucionan en la naturaleza acorde con los principios de la selección natural y la supervivencia de los más fuertes, postulados por Darwin27.

Por imitación de este proceso, los Algoritmos Genéticos son capaces de generar soluciones para problemas del mundo real. La evolución de dichas soluciones hacia valores óptimos del problema depende en buena medida de una adecuada codificación de las mismas.

El Algoritmo Genético Simple, también denominado Canónico, se codifica como se muestra en la siguiente ilustración:

Como se verá a continuación, se necesita una codificación o representación del problema, que resulte adecuada al mismo. Además se requiere una función de ajuste o índice de coste como adaptación al problema, la cual asigna un número real a cada posible solución codificada.

Codificación

Se supone que los individuos (posibles soluciones del problema), pueden representarse como un conjunto de variables (que denominaremos genes), los cuales agrupados forman una ristra de valores (a menudo referida como cromosoma). Si bien el alfabeto utilizado para representar los individuos no debe necesariamente estar constituido por el {0, 1}, buena parte de la teoría en la que se fundamentan los Algoritmos Genéticos utiliza dicho alfabeto.

27 Darwin, C. On the Origin of Species by Means of Natural Selection Murray, 1859.

BEGIN /* Algoritmo Genético Simple */ Generar una población inicial. Computar la función de evaluación de cada individuo. WHILE NOT Terminado DO BEGIN /* Producir nueva generación */

FOR Tamaño población/ DO BEGIN /*Ciclo Reproductivo */

Seleccionar dos individuos de la anterior generación, para el cruce (probabilidad de selección proporcional a la función de evaluación del individuo). Cruzar con cierta probabilidad los dos individuos obteniendo dos descendientes. Mutar los dos descendientes con cierta probabilidad. Computar la función de evaluación de los dos descendientes mutados. Insertar los dos descendientes mutados en la nueva generación.

END IF la población ha convergido THEN

Terminado:= TRUE END

END


En términos biológicos, el conjunto de parámetros representando un cromosoma particular se denomina fenotipo. El fenotipo contiene la información requerida para construir un organismo, el cual se refiere como genotipo. Los mismos términos se utilizan en el campo de los Algoritmos Genéticos. La adaptación al problema de un individuo depende de la evaluación del genotipo. Esta última puede inferirse a partir del fenotipo, es decir puede ser computada a partir del cromosoma, usando la función de evaluación.

La función de adaptación debe ser diseñada para cada problema de manera específica. Dado un cromosoma particular, la función de adaptación le asigna un número real, que se supone refleja el nivel de adaptación al problema del individuo representado por el cromosoma.

Durante la fase reproductiva se seleccionan los individuos de la población para cruzarse y producir descendientes, que constituirán, una vez mutados, la siguiente generación de individuos. La selección de padres se efectúa al azar usando un procedimiento que favorezca a los individuos mejor adaptados, ya que a cada individuo se le asigna una probabilidad de ser seleccionado que es proporcional a su función de adaptación. Este procedimiento se dice que está basado en la ruleta sesgada. Según dicho esquema, los individuos bien adaptados se escogerán probablemente varias veces por generación, mientras que los pobremente adaptados al problema, no se escogerán más que de vez en cuando.

Una vez seleccionados dos padres, sus cromosomas se combinan, utilizando habitualmente los operadores de cruce y mutación. Las formas básicas de dichos operadores se describen a continuación.

El operador de cruce coge dos padres seleccionados y corta sus ristras de cromosomas en una posición escogida al azar, para producir dos subristras iniciales y dos subristras finales. Después se intercambian las subristras finales, produciéndose dos nuevos cromosomas completos. Ambos descendientes heredan genes de cada uno de los padres. Este operador se conoce como operador de cruce basado en un punto. Habitualmente el operador de cruce no se aplica a todos los pares de individuos que han sido seleccionados para emparejarse, sino que se aplica de manera aleatoria, normalmente con una probabilidad comprendida entre 0.5 y 1.0. En el caso en que el operador de cruce no se aplique, la descendencia se obtiene simplemente duplicando los padres.

El operador de mutación se aplica a cada hijo de manera individual, y consiste en la alteración aleatoria (normalmente con probabilidad pequeña) de cada gen componente del cromosoma. Si bien puede en principio pensarse que el operador de cruce es más importante que el operador de mutación, ya que proporciona una exploración rápida del espacio de búsqueda, éste último asegura que ningún punto del espacio de búsqueda tenga probabilidad cero de ser examinado, y es de capital importancia para asegurar la convergencia de los Algoritmos Genéticos.

Para criterios prácticos, es muy útil la definición de convergencia introducida en este campo por De Jong28. Si el Algoritmo Genético ha sido correctamente implementado, la

28 De Jong, K. A. An Analysis of the Behavior of a Class of Genetic Adaptive Systems. University of Michigan, 1975.


población evolucionará a lo largo de las generaciones sucesivas de tal manera que la adaptación media extendida a todos los individuos de la población, así como la adaptación del mejor individuo se irán incrementando hacia el óptimo global. El concepto de convergencia está relacionado con la progresión hacia la uniformidad: un gen ha convergido cuando al menos el 95 % de los individuos de la población comparten el mismo valor para dicho gen. Se dice que la población converge cuando todos los genes han convergido. Se puede generalizar dicha definición al caso en que al menos un β% de los individuos de la población hayan convergido.

3.6. Especificaciones y diseño para módulo de predicción de generación y demanda

Los dos módulos, predicción y demanda, se desarrollarán tomando como base una predicción basada en datos históricos de consumo, mediante redes neuronales de distinta configuración y topología.

Este histórico de consumos debe ser de, como mínimo, las últimas tres semanas, aunque es preferible disponer de los datos para el último año.

Adicionalmente se considera el posible desarrollo de modelos complementarios específicos para la demanda de cargas térmicas, principalmente por edificios o viviendas residenciales, y para la generación por plantas de energías renovables (eólica y fotovoltaica principalmente).

En el caso de los modelos de predicción de demanda de cargas térmicas, se necesitan como variables de entrada la siguiente información:

- Parámetros estructurales (superficie de la infraestructura, materiales de las fachadas…)

- Ubicación geográfica e históricos de clima asociados a dicha ubicación.

Para el caso de los modelos de generación por plantas de energías renovables, será necesaria la misma información (parámetros estructurales, ubicación geográfica, históricos de clima) y además se tendrán en cuenta otros parámetros como el dimensionado de la planta de generación (potencia pico de generación, etc).


4. Diseño y desarrollo de módulo de predicción (de generación y demanda)

4.1. Módulo de predicción de demanda

Para este desarrollo se tendrá en cuenta siempre la potencia activa promedio por hora, basada en históricos de curvas de carga.

La siguiente figura muestra el ejemplo de un perfil de potencia activa demandada horaria en kW para un único usuario final de tipo doméstico. En la gráfica de la figura se aprecia cómo los consumos domésticos no siguen un patrón claramente identificable como el que podríamos encontrar en el perfil de demanda de una industria en la cual todos los días se llevan a cabo los mismos procesos productivos. Este hecho provoca que sea más difícil llegar a predecir con exactitud el consumo con detalle horario para un cliente doméstico determinado.

Fig. 23: Ejemplo de potencia activa demandada. Fuente: ITE.

Para el desarrollo de la predicción el primer paso es el tratamiento de los datos de entrada al algoritmo para eliminar datos erróneos que puedan influenciar negativamente al resultado del proceso de entrenamiento de la red: lecturas parciales (huecos), datos erróneos, etc.

Es importante los datos históricos de demanda horarios sean debidamente normalizados para ser utilizados como entrada a las redes ANNs. Por ejemplo, es conveniente que los datos resultantes se encuentra en el intervalo [0,1], esto se consigue mediante la aplicación de la fórmula siguiente de normalización para cada dato horario:

𝑃𝑘 =𝑃𝑘 − 𝑃𝑘,𝑚𝑖𝑛

𝑃𝑘,𝑚𝑎𝑥 − 𝑃𝑘,𝑚𝑖𝑛

A continuación se debe distinguir entre datos de entrenamiento y datos de validación. Es importante que los datos que se utilicen para entrenar la red y los datos que se utilicen para validarla sean diferentes, pues en caso contrario se obtendría una falsa validación producida por un sobreajuste de la red para un determinado punto de funcionamiento, obteniéndose errores muy significativos fuera de dicho punto de operación.

00.5

11.5

22.5

33.5

44.5

1 28 55 82 109

136

163

190

217

244

271

298

325

352

379

406

433

460

487

514

541

568

595

622

649

676

703

730

757

784

811

838

865

892

919

946

973

1000

Pote

ncia

(kW

)

Muestras horarias

Potencia Activa

p activa


El modelo de predicción ANN desarrollado, CNEA (Cascaded Neuro-Evolutionary Agorithm), es una red ANN (Artificial Neural Network) en cascada con selección óptima del patrón de entrada y número de neuronas y entrenamiento evolutivo [8]. La red CNEA utiliza una ANN para predecir la demanda esperada de cada una de las horas del día, de forma que la predicción de la demanda de una hora se convierte en entrada para la red que predice la demanda de la siguiente hora. Así pues la predicción de demanda de las 24 horas del día siguiente requiere de 24 redes ANNs de tipo MLFF (Multi Layered Feed Forward) pues son mejores capturando la tendencia global de los datos. La siguiente figura muestra un esquema general de la metodología utilizada, donde la información de entrada para el entrenamiento se corresponde con el histórico de demanda de los 90 días anteriores al día a predecir y la salida son los 24 valores de la predicción de la demanda para el día siguiente.

Fig. 24: Estructura de Red CNEA para la predicción de precios horarios de casación de mercado. Fuente: ITE.

Una vez que la red neuronal ha sido entrenada mediante un conjunto considerable de datos y sus pesos han sido correctamente ajustados, ante una única entrada de datos dicha red será capaz de proporcionar una estimación o previsión de los consumos esperados.

Procedimientos de entrenamiento

Una vez definida la topología de la red y teniendo un conjunto de datos de entrenamiento y validación, se procede a entrenar a la red mediante uno de los métodos existentes. En este caso el método empleado es el algoritmo Levenberg–Marquardt (LM). Para mejorar la capacidad de predicción el entrenamiento se completa con un algoritmo evolutivo con momentum que dota al modelo de la habilidad de realizar una búsqueda local de los pesos de la red ANN. Así pues, una vez entrenada la red con LM, los pesos se actualizan de acuerdo a la siguiente expresión:

∆𝑊𝑘+1 = 𝑚 · ∆𝑊𝑘 + (1 −𝑚) · 𝑔 · 𝑊𝑘

𝑊𝑘+1 = 𝑊𝑘 + ∆𝑊𝑘+1

El número de entradas y neuronas de la capa oculta se selecciona mediante un proceso iterativo que ajusta automáticamente dicho número a partir de un valor inicial. El ajuste del modelo CNEA se realiza mediante un conjunto de patrones de entrenamiento respecto a un


conjunto de patrones de validación no incluidos en el de entrenamiento y que normalmente se elige como el día anterior al día a predecir.

El ajuste del modelo CNEA se realiza mediante un conjunto de patrones de entrenamiento respecto a un conjunto de patrones de validación no incluidos en el de entrenamiento y que normalmente se elige como el día anterior al día a predecir.

Variables de entrada a módulo de predicción de demanda

Los datos utilizados para el desarrollo del módulo de previsión de demanda son:

- Valores históricos horarios de demanda de energía eléctrica obtenidos a partir de la instalación correspondiente

- Variables exógenas que permitan caracterizar y particularizar el comportamiento de la demanda

El algoritmo realiza un pre-procesado para seleccionar de entre todas las entradas a la ANN que presentan una mayor correlación con los valores de demanda que se desea predecir.

Predicción de demanda de cliente doméstico

La siguiente figura muestra un ejemplo de predicción realizado para la red neuronal CNEA entrenada de un cliente. En ella se puede ver mediante una línea negra vertical el instante de tiempo actual, el cual marca a su izquierda las muestras pasadas mientras que a su derecha quedan las muestras de tiempo futuras, las cuales queremos predecir. Introduciendo como datos de entrada a la red neuronal los datos pasados, los cuales hacen referencia al histórico de consumos de los 90 días previos al día a predecir, se obtienen los 24 datos de potencia activa predicha para las siguientes 24 horas.

0

200

400

600

800

1000

1200

1400

1600

1800

0 10 20 30 40 50 60 70 80 90

Pote

ncia

(W)

Tiempo (h)

Datos reales

Predicción


Fig. 25: Predicción realizada por la Red Neuronal entrenada. Fuente: ITE.

Si se realiza una comparación de la predicción con los datos reales obtenidos, se aprecia que siempre existirá cierto error de predicción, pero éste deberá ser considerado aceptable.

Para evaluar la bondad de la predicción se determina el error absoluto y el error relativo de la predicción, de acuerdo a las siguientes expresiones:

𝐸𝑟𝑟𝑜𝑟𝑎𝑏𝑠𝑜𝑙𝑢𝑡𝑜 = 𝑉𝑎𝑙𝑜𝑟𝑟𝑒𝑎𝑙 − 𝑉𝑎𝑙𝑜𝑟𝑝𝑟𝑒𝑑𝑖𝑐ℎ𝑎

𝐸𝑟𝑟𝑜𝑟𝑟𝑒𝑙𝑎𝑡𝑖𝑣𝑜(%) = 𝑉𝑎𝑙𝑜𝑟𝑟𝑒𝑎𝑙 − 𝑉𝑎𝑙𝑜𝑟𝑝𝑟𝑒𝑑𝑖𝑐ℎ𝑜

𝑉𝑎𝑙𝑜𝑟𝑟𝑒𝑎𝑙

En la siguiente figura se muestra un ejemplo de comparación de dichas señales, su desviación (error absoluto) y su error relativo calculado como la diferencia entre la desviación y el consumo medio real del día predicho. Al utilizar el valor medio como referencia para el cálculo del error se consigue eliminar el efecto de dividir por un número próximo a cero, de esta forma, desviaciones pequeñas en horas de muy bajo consumo no disparan su error de predicción.

Fig. 26: Potencia real y predicción obtenida por la Red Neuronal entrenada para un cliente. Fuente: ITE.

0

200

400

600

800

1000

1200

1400

1600

1800

72 82 92

Pote

ncia

(W)

Tiempo (h)

Datos reales

Predicción


Fig. 27: Error obtenido por la Red Neuronal entrenada para un cliente. Fuente: ITE.

El actual desarrollo conlleva una predicción iterativa donde se plantea una ventana de tiempo de 24 horas que va desplazándose para en cada momento tener una predicción de las siguientes 24 muestras. Por tanto, con el desarrollo que se plantea en este documento, tal y como se ha demostrado es posible realizar predicciones muy aproximadas de datos que serán útiles para definir acciones futuras para la gestión de la demanda.

25123 -26 65 29 29 3 9 -16 151 -161

299

850

120 221 199 196 286429 322

93 55

-774

159

53%5%

-5%

14% 6% 6% 1% 2%

-3%

32%

-34%

63%

178%

25%46%42%41%60%90%67%

20%12%

-162%

33%

-500%

-400%

-300%

-200%

-100%

0%

100%

200%

300%

-800

-300

200

700

1200

1700

2200

2700

3200

72 82 92

Desv

iació

n (%

)

Pote

ncia

(W)

Tiempo (h)

Error absoluto

Error relativo


4.2. Módulo de predicción de generación

La predicción de la generación fotovoltaica depende de las condiciones meteorológicas de la localidad. Cuanto más heterogéneas sean las características de la zona mayor será la dificultad para determinar la producción solar de la instalación.

Para el cálculo de la predicción de la generación fotovoltaica se utilizan en primer término las variables climatológicas que afectan directamente a la producción eléctrica de estas instalaciones (irradiación, temperatura).

La siguiente figura muestra el diagrama seguido para determinar la predicción de la generación de una instalación fotovoltaica.

Fig. 28: Procedimiento para el cálculo de la predicción de generación. Fuente: ITE.

La base para el cálculo de la predicción fotovoltaica es la predicción de variables climatológicas. Para su predicción se aplicarán modelos numéricos de predicción del tiempo (NWP).

Debido a la variabilidad de las condiciones climatológicas, dependientes de la ubicación geográfica de la instalación solar, se debe procesar la predicción meteorológica del modelo global NWP para poder ser empleado a nivel local. Teniendo en cuenta la baja resolución temporal y espacial de las predicciones de los modelo NWP globales, se debe refinar la predicción para disponer de una mejor resolución espacial y temporal que pueda ser válida para el intervalo temporal de la predicción (horaria) y tenga las características climatológicas locales del emplazamiento donde se ubica la instalación fotovoltaica.

NWP Predicción global climatológica

Procesamiento: Predicción climatológica local

Modelo de Predicción Generación Fotovoltaica

Predicción horaria de generación fotovoltaica


Para refinar las predicciones climatológicas obtenidas del modelo NWP global se requiere en general realizar un procesamiento de los datos obtenidos de dichos modelos, para lo cual es posible emplear los siguientes métodos:

- Realizar una interpolación de los valores medios de predicción obtenidos del modelo NWP. Esta interpolación se realiza tanto a nivel temporal como espacial.

- Utilizar los datos del NWP como entrada a un modelo regional con mejor resolución temporal y espacial de las condiciones climatológicas locales. Esto permite tener en cuenta las variaciones propias de las condiciones meteorológicas de la región.

Método 1. Predicción con modelo climatológico y modelo de planta PV

En este método, una vez establecidas las características climatológicas de la zona, se define un modelo consistente en determinar la cantidad de energía producida por el generador fotovoltaico en caso de presentarse las condiciones climatológicas predichas.

La siguiente figura muestra el esquema seguido por este método para el cálculo de la previsión de la energía generada para las 24 horas del día siguiente.

PREDICCIÓN CLIMATOLÓGICA

1. Radiación horizontal 2. Temperatura ambiente

DATOS SISTEMA PV

1. Localización y orientación del sistema 2. Históricos y especificaciones fabricante

PREDICCIÓN DE LA RADIACIÓN EN EL PLANO Y TEMPERATURA DEL MÓDULO PV

PREDICCIÓN DE LA GENERACIÓN PV

Fig. 29: Esquema del método de la predicción con modelo climatológico y modelo de planta PV.

Este método requiere la caracterización técnica de la instalación y de cada uno de los componentes del sistema fotovoltaico (paneles, inversor, baterías, cableado,…). Es decir, para determinar finalmente la cantidad de energía potencial a ser generada, se debe de tener en cuenta la localización y orientación del sistema PV además de las especificaciones técnicas de los equipos.

Método 2. Predicción con modelo climatológico y modelo de predicción ANN


En este método, se define un modelo de predicción basado en red neuronal ANN que utiliza como entradas tanto los valores históricos de generación de energía producida por el generador fotovoltaico como las variables climatológicas de la zona.

La siguiente figura muestra el esquema seguido por este método para el cálculo de la previsión de la energía generada para las 24 horas del día siguiente.

PREDICCIÓN CLIMATOLÓGICA

1. Radiación horizontal 2. Temperatura ambiente

DATOS HISTORICOS DE ENERGIA DEL SISTEMA PV

1. Históricos de generación de energía

PREDICCIÓN DE LA GENERACIÓN PV

Fig. 30: Esquema del método de la predicción con modelo climatológico y modelo de predicción ANN.

Para el desarrollo de la predicción el primer paso es el tratamiento de los datos de entrada al algoritmo para eliminar datos erróneos que puedan influenciar negativamente al resultado del proceso de entrenamiento de la red: lecturas parciales (huecos), datos erróneos, etc.

Es importante que los datos históricos de generación horarios y los valores de las variables climatológicas sean debidamente normalizados para ser utilizados como entrada a las redes ANNs. Por ejemplo, es conveniente que los datos resultantes se encuentra en el intervalo [0,1], esto se consigue mediante la aplicación de la fórmula siguiente normalización para cada dato horario:

𝑃𝑘 =𝑃𝑘 − 𝑃𝑘,𝑚𝑖𝑛

𝑃𝑘,𝑚𝑎𝑥 − 𝑃𝑘,𝑚𝑖𝑛

A continuación se debe distinguir entre datos de entrenamiento y datos de validación. Es importante que los datos que se utilicen para entrenar la red y los datos que se utilicen para validarla sean diferentes, pues en caso contrario se obtendría una falsa validación producida por un sobreajuste de la red para un determinado punto de funcionamiento, obteniéndose errores muy significativos fuera de dicho punto de operación.

El modelo de predicción ANN desarrollado, CNEA (Cascaded Neuro-Evolutionary Agorithm), es una red ANN (Artificial Neural Network) en cascada con selección óptima del


patrón de entrada y número de neuronas y entrenamiento evolutivo [8]. La red CNEA utiliza una ANN para predecir la generación esperada de cada una de las horas del día, de forma que la predicción de la generación de una hora se convierte en entrada para la red que predice la generación de la siguiente hora. Así pues la predicción de generación de las 24 horas del día siguiente requiere de 24 redes ANNs de tipo MLFF (Multi Layered Feed Forward) pues son mejores capturando la tendencia global de los datos. La ¡Error! No se encuentra el origen de la referencia. muestra un esquema general de la metodología utilizada, donde la información de entrada para el entrenamiento se corresponde con el histórico de generación de los 90 días anteriores al día a predecir y la salida son los 24 valores de la predicción de la generación para el día siguiente.

Fig. 31: Estructura de Red CNEA para la predicción de generación horarios.

Una vez que la red neuronal ha sido entrenada mediante un conjunto considerable de datos y sus pesos han sido correctamente ajustados, ante una única entrada de datos dicha red será capaz de proporcionar una estimación o previsión de los consumos esperados.

Procedimientos de entrenamiento

Una vez definida la topología de la red y teniendo un conjunto de datos de entrenamiento y validación, se procede a entrenar a la red mediante uno de los métodos existentes. En este caso el método empleado es el algoritmo Levenberg–Marquardt (LM). Para mejorar la capacidad de predicción el entrenamiento se completa con un algoritmo evolutivo con momentum que dota al modelo de la habilidad de realizar una búsqueda local de los pesos de la red ANN. Así pues, una vez entrenada la red con LM, los pesos se actualizan de acuerdo a la siguiente expresión:

∆𝑊𝑘+1 = 𝑚 · ∆𝑊𝑘 + (1 −𝑚) · 𝑔 · 𝑊𝑘

𝑊𝑘+1 = 𝑊𝑘 + ∆𝑊𝑘+1

El número de entradas y neuronas de la capa oculta se selecciona mediante un proceso iterativo que ajusta automáticamente dicho número a partir de un valor inicial. El ajuste del modelo CNEA se realiza mediante un conjunto de patrones de entrenamiento respecto a un


conjunto de patrones de validación no incluidos en el de entrenamiento y que normalmente se elige como el día anterior al día a predecir.

El ajuste del modelo CNEA se realiza mediante un conjunto de patrones de entrenamiento respecto a un conjunto de patrones de validación no incluidos en el de entrenamiento y que normalmente se elige como el día anterior al día a predecir.

Variables de entrada a módulo de predicción de generación PV

Los datos utilizados para el desarrollo del módulo de previsión energética son:

- Valores históricos horarios de generación de energía eléctrica obtenida a partir de la instalación fotovoltaica.

- previsión de las variables meteorológicas para la ubicación de la instalación fotovoltaica para los días siguientes determinadas de repositorios meteorológicos abiertos.

Adicionalmente pueden utilizarse también variables exógenas que permitan caracterizar y particularizar con mayor detalle el comportamiento de la generación.

Los valores de las variables climatológicas se obtienen por ejemplo a partir del modelo local para horizontes de 0 a 4 h 8 a intervalos de 15 min promediados horariamente.

Estas variables de predicción son las relacionadas con la radiación y transferencias de calor atmosféricas a nivel de la superficie del terreno. Entre las más utilizadas se encuentran:

- Flujo de calor sensible de superficie (SHFLUX)

- Flujo de calor latente de superficie (LHFLUX)

- radiación de onda corta hacia abajo (SWDOWN)

- radiación de onda larga la superficie hacia abajo (LWDOWN)

- radiación de onda corta saliente (SWOUT)

El algoritmo realiza un pre-procesado para seleccionar de entre todas las entradas a la ANN que presentan una mayor correlación con los valores de demanda que se desea predecir.


5. Conclusión

El presente entregable, perteneciente al paquete de trabajo 3 “PT3. Diseño y Desarrollo de Sistemas de Gestión Energética de áreas positivas para ciudades energéticamente inteligentes” del proyecto CEI, describe por un lado el sistema completo de gestión energética a desarrollar en el proyecto y, por otro lado, el módulo de predicción de generación y demanda que se implementará en los subsistemas del sistema de gestión energética.

Respecto al sistema completo de gestión energética,

- En primer lugar, se introduce el concepto de Edificio de Energía Neta Cero y los objetivos que deberán cumplir los edificios / infraestructuras para conseguirlo.

- A continuación se citan las funcionalidades y especificaciones de los diversos módulos que componen el sistema de gestión energética.

- Establecidas las funcionalidades y especificaciones del sistema, se define la arquitectura y diseño del Sistema de Gestión Energética.

- Se detalla el modelo de datos del Controlador Energético, así como el desarrollo del mismo, incluyendo la arquitectura, los elementos constructivos (se incluye un Anexo con los materiales requeridos para el Controlador Energético), el sistema de alimentación y el sistema operativo.

- Por último se presenta el diseño de la aplicación que ha sido desarrollada.

En relación al módulo de predicción y generación de demanda,

- En primera instancia se definen las diferentes técnicas de data mining y de predicción, describiendo las técnicas de clasificación, predicción y evolución más significativas,

- Posteriormente se explica la necesidad de dichas técnicas en la gestión inteligente energética

- Finalmente, se citan las especificaciones del módulo de predicción de generación y demanda

A través del módulo de predicción y generación de la demanda será posible:

- Establecer patrones de consumo y generación orientados a conseguir el balance energético cero de la ciudad.

- Analizar las tendencias de consumo y generación orientados a conseguir el balance energético cero de la ciudad.


Finalmente, este sistema de gestión energética tiene la pretensión última de equilibrar el balance energético de la ciudad y para ello es necesario gestionar conjuntamente el funcionamiento de los recursos de generación /almacenamiento e instalaciones consumidoras.

Como conclusión, este informe describe de manera general el Sistema de Gestión Energética y, de manera particular, el Controlador Energético, el cual ha sido desarrollado en esta segunda anualidad.


6. ANEXO 1: Materiales

Se listan a continuación los materiales necesarios para la implementación del Controlador Energético.

Tabla 3: Materiales Controlador Energético. Fuente: ITE.

Descripción Modelo Cantidad Fabricante/Distribuidor

Sistema embebido + Pantalla táctil10.4'' SVGA TFT Fanless Touch Panel Computer with Intel Celeron Processor J1900 (GOT5100T-834)) 1 Axiomtek Co.,

Windows 7 Windows 7 PRO ESP 64 bits (500900590) 1 MatrixTarjeta Flash Tarjeta flash CFAST 64GB (E9C2I06402) 1 Matrix

Memoria RAMMemoria RAM 4GB DDR3-1333 SO-DIMM 204 pin (E9C1713C07) 1 Matrix

Montaje componentes Montaje componentes MATRIX 1 Matrix

CommsWLAN + Bluetooth kit for GOT5000 series (82251000480E) 1 Matrix

Kit montaje muro pantalla ras KIT MURO 1 Matrix

Ssitema embebido (placa) Raspberry PI 2 Model B (2461029) 1 FarnellPlaca STM32F4-Discovery (2250205) 1 Farnell

Tarjeta expansión Base Board Expansion (2009276) 1 Farnell

Fuente de alimentación S8VKG06012 (60W/12V/4.5A) 1 OmromSwitch Ethernet WESSDI550 1 Omrom

Interruptor magnetotérmicoINT AUT MAGNET TERC IC60N 2P 10A 6/10KA CURVA C (MERL A9F79210) 1 Schneider

Interruptor diferencial INT.DIF.IDD 2P 25A 30mA CLASE-AC (MERL A9R60225) 1 SchneiderCable azul 1mm2 (caja) AFIRENAS-L ES 05Z1-K DE 1 AZUL R.200 (MIG 84099828) 200 AME

Cable negro 1mm2 (caja)AFIRENAS-L ES 05Z1-K DE 1 MARRON R.200 (MIG 84099918) 200 AME

Punteras 1mm (bolsa de 100)PUNTERA HUECA AISLADA SECC.1MM.L=8.COLOR ROJO (PKE108) 100 AME

Bornas tierra (para cable de 1mm2) BORNE WPE 1.5/R 3.5 (WEI 1798460000) 1 WeidmüllerBornas (para cable de 1mm2) BORNE WDU 1.5/R 3.5 PARA TS15 (WEI 1753280000) 2 Weidmüller

Tapas bornas TAPA WAP WDU 1.5/R 3.5 (WEI 1754190000) 2 WeidmüllerCarril DIN 2 AME

Conector alimentación con interruptorConector IEC, C14, macho, montaje en panel, recto, 12A, 250V.(RS 498-2697/SCHURTER DC11.0001.001) 1 SCHURTER (RS)

Conector USB 2.0IP68 A type USB, front panel mounted. (RS 468-6311/BULGIN PX0842/A) versión 2.0 2 BULGIN (RS)

Conector USB 3.0 USB Haarting Hembra (RS 875-5578) versión 3.0 2 HARTING (RS)

Conector EthernetPanel mounting connector. (RS 468-6232/BULGIN PX0833) 2 BULGIN (RS)

Tapa para conector usb/ethernetSealing Cap for front panel mounting connector. (RS 504-4588/BULGIN PX0733) 6 BULGIN (RS)

Cable RJ45 a Ethernet machoCable RJ45 Cat 6-8polos 1mt_FL CAT6 PATCH 1,0. 2891385 2 PHOENIX CONTACT

Cable usbB macho a usbA machoVS-04-2X2X26C7/7-SDA/SDB/1,0_Cable USB de tipo A a tipo B-1mt. 1654853 4 PHOENIX CONTACT

Marco empotrado para conector Marco empotrado VS-09-A. 1688366 2 PHOENIX CONTACT Tapa para conector DB9 Tapa VS-09-SD. 1887086 2 PHOENIX CONTACT

Conector DB9 macho soldado VS-09-ST-DSUB-EG. 1688793 1 PHOENIX CONTACT Conector DB9 hembra soldado VS-09-BU-DSUB-EG. 1688803 1 PHOENIX CONTACT

3i-1309-6B-EEnvolvente (maleta plástico industrial int. 343x241x165/ ext. 385x275x185) 1 SKB (kitther)

3i-PMCK Kit 8 soportes 1 SKB (kitther)

Diseño del módulo predictivo (Generación y Demanda)€¦ · · 2016-11-28Este entregable se...

Documents

Transcript of Diseño del módulo predictivo (Generación y Demanda)€¦ · · 2016-11-28Este entregable se...