Servicios de pronóstico para gestión avanzada de sistemas de batería residenciales

Abstract

[ES] El cambio de los mercados de electricidad de convencionales a descentralizados se está llevando a cabo a un alto ritmo. Este cambio se acelera con el aumento constante de la penetración de paneles fotovoltaicos descentralizados, sistemas de batería, automóviles eléctricos y cualquier nuevo tipo de tecnología energética. El concepto de prosumidor describe perfectamente la esencia de los nuevos mercados de electricidad. Todas las nuevas disrrupciones necesitan un nuevas áreas de desarrollo y requisitos más amplios para evitar posibles problemas. De esta manera, esta Tesis trata de proporcionar información y nuevas aplicaciones para dicho contexto. Está dividida en dos secciones distintas; la consecución de un perfil estándar de batería haciendo uso de datos de Fur (Dinamarca), y el pronóstico de demanda a corto plazo con datos de Australia. La primera tiene como objetivo proporcionar una guía de referencia para pruebas de benchmark, así como dar información relevante sobre estudios tecnoeconómicos del lado de la demanda. La segunda sección trata de pronosticar la demanda de energía tan preciso como sea posible, de modo que Lithium Balance pueda cumplir las instrucciones establecidas por el DSO cuando sea necesario. Muchos estudios están disponibles sobre perfiles típicos de energía (TLP), pero no para patrones de carga / descarga de batería. Por lo tanto, un enfoque similar a TLP se ha seguido para obtener los perfiles estándar finales. Primero, el algoritmo K-means se usará para separar los datos en grupos de similares características. El nuevo Band Depth Method se usará para seleccionar el perfil más típico entre cada grupo. Se han obtenido dos perfiles diferentes, uno para días nublados y uno para días soleados. Sin embargo, se descubrió que los resultados no son totalmente de fiar debido a la mala calidad de los datos. En cuanto ala pronóstico de energía, este estudio compara varias técnicas, desde simples métodos de referencia hasta los más avanzados. Los métodos simples como Naive o Average se usan como punto de partida para desarrollar el resto. Al final, Support Vector Regression y Gradient Boosting proporcionan los mejores valores Root Mean Square Error. Una comparación entre pronóstico con 24h de antelación y 30 minutos de antelación es realizada, lo que resulta en una gran mejora (hasta 25%) al reducir el horizonte de predicción. La agregación de carga también se explota, y como se espera, da resultados mucho más precisos que los pronósticos en viviendas individuales. Un pronóstico agregado con 30 minutos de antelación mejora en 66.63% a uno para viviendas individuales. Este hecho podría ser muy valioso para la empresa, en caso de que el proyecto finalmente se llevara a cabo y existiese la opción de baterías compartidas. También se investigan los efectos de incluir datos climáticos en los pronósticos, lo cual es muy importante para la compañía debido al costo que suponen. Los resultados determinar que tienen bajo poder predictivo y, por lo tanto, para este proyecto no proporcionan valor suficiente a los resultados.

[EN] The shift from conventional to decentralized electricity markets is being held at a high pace. This change is accelerated with the constant increase in the penetration of rooftop PV panels, battery energy systems, electric cars and any new type of sustainable energy technology. The concept of prosumer perfectly describes the main essence of the new electricity markets. All the new disruptions need new development areas and broader requirements to avoid possible problems. In this way, this Thesis tries to provide information and new applications for such context. It is divided into two distinct sections; the attainment of a battery standard profile making use of data from Fur, and short-term load forecasting with data from Australia. The former aims to provide a reference guide for benchmark testing and give valuable information about the techno-economic study of the demand side. The latter intends to make as accurate as possible load forecasts, so that Lithium Balance can fulfill the DSO instructions when needed. Many studies are available about typical load profiles (TLP), but not for battery charged/discharge patterns. Thus, a similar approach to TLP has been followed to obtain the final standard profiles. First, the K-means algorithm will be used in order to separate the data into groups of similar characteristics. The brandy-new Modified Band Depth method will be used for selecting the most typical profile among each cluster. Two different profiles are obtained, one for cloudy and one for sunny days. However, the results were found to be not fully reliable due to the poor quality of the data. Regarding the load forecasting, this study compares several techniques, from simple benchmark methods to the most advanced ones. Simple methods such as Naïve or Average are used as a starting point for developing the rest. In the end, Support Vector Regression and Gradient Boosting provide the best Root Mean Square Error values. A comparison between day-aheadand 30 minutes-ahead forecasting is made, resulting in a great improvement (up to 25%) when reducing the prediction horizon. Aggregation of load is also exploited, and as expected it turns out to give much more accurate results than forecasting at a single household level. A 30 minutes-ahead aggregate forecast improves in 66.63% a forecast for a single household. This fact could be very valuable for the company, in case the project would be finally carried out and the option of shared batteries would exist. The effects of including weather features in the forecasts are also investigated, which is an important issue for the company due to the cost they suppose. The results determine that they have low predictive power and therefore for this project do not provide much valuable information.