Diseño de un programa de optimización de una instalación fotovoltaica de autoconsumo. Aplicación a comunidades energéticas.

Abstract

[ES] Este trabajo se divide en tres partes distintas: análisis y modelado energético, desarrollo de un programa de dimensionado fotovoltaico y simulación, y predicción de potencia de una planta fotovoltaica utilizando técnicas de Machine Learning. En la primera parte, se analiza una vivienda unifamiliar modelo en Zaragoza, calculando parámetros relacionados con el control de la demanda energética y comparándolos con los límites establecidos en el Documento Básico de Ahorro de Energía del Código Técnico de la Edificación. Estos parámetros incluyen transmitancia térmica, coeficiente global de transmisión de calor, parámetro de control solar y permeabilidad al aire de los huecos de la envolvente. En la siguiente etapa, se utiliza el software DesignBuilder para simular el comportamiento energético detallado de la vivienda, considerando aspectos como geometría, materiales, actividad de los ocupantes y consumo de energía. Los resultados muestran un consumo anual significativamente bajo, atribuido a una envolvente térmica eficiente, iluminación LED, ventilación natural y un sistema de climatización basado en aerotermia. Luego, se presenta un programa en Python que dimensiona una instalación fotovoltaica personalizada considerando perfiles de consumo específicos. Además, se incorporan módulos para evaluar el uso de excedentes para calentar agua y analizar la conveniencia de una comunidad energética. Finalmente, se aborda la aplicación de técnicas de Machine Learning para predecir la potencia generada por una planta fotovoltaica, utilizando algoritmos como regresión lineal y de árbol de decisión. Aunque se pueden mejorar los resultados con más datos y variables, los algoritmos muestran un rendimiento prometedor en comparación con fórmulas físicas. En conclusión, este trabajo proporciona un análisis integral y herramientas para optimizar la eficiencia energética, dimensionar instalaciones fotovoltaicas, gestionar excedentes y predecir la potencia de plantas fotovoltaicas, mostrando cómo la combinación de enfoques tecnológicos y analíticos puede mejorar significativamente la sostenibilidad energética y reducir costos para los consumidores.

[CA] Aquest treball es divideix en tres parts diferents: anàlisi i modelatge energètic, desenvolupament d'un programa de dimensionatge fotovoltaic i simulació, i predicció de potència d'una planta fotovoltaica utilitzant tècniques d'Aprenentatge Automàtic. En la primera part, s'analitza una vivenda unifamiliar model a Saragossa, calculant paràmetres relacionats amb el control de la demanda energètica i comparant-los amb els límits establerts en el Document Bàsic d'Economia d'Energia del Codi Tècnic de l'Edificació. Aquests paràmetres inclouen transmissió tèrmica, coeficient global de transmissió de calor, paràmetre de control solar i permeabilitat a l'aire dels forats de l'envolvent. En la següent etapa, s'utilitza el programari DesignBuilder per simular el comportament energètic detallat de l'habitatge, considerant aspectes com geometria, materials, activitat dels ocupants i consum d'energia. Els resultats mostren un consum anual significativament baix, atribuït a una envolvent tèrmica eficient, il·luminació LED, ventilació natural i un sistema de climatització basat en aerotèrmia. Després, es presenta un programa en Python que dimensiona una instal·lació fotovoltaica personalitzada considerant perfils de consum específics. A més, s'incorporen mòduls per avaluar l'ús d'excedents per escalfar aigua i analitzar la conveniència d'una comunitat energètica. Finalment, s'aborda l'aplicació de tècniques d'Aprenentatge Automàtic per predir la potència generada per una planta fotovoltaica, utilitzant algoritmes com ara la regressió lineal i d'arbre de decisió. Tot i que es poden millorar els resultats amb més dades i variables, els algoritmes mostren un rendiment prometedor en comparació amb fórmules físiques. En conclusió, aquest treball proporciona una anàlisi integral i eines per optimitzar l'eficiència energètica, dimensionar instal·lacions fotovoltaiques, gestionar excedents i predir la potència de plantes fotovoltaiques, mostrant com la combinació d'enfocaments tecnològics i analítics pot millorar significativament la sostenibilitat energètica i reduir costos per als consumidors.

[EN] This work is divided into three different parts: energy analysis and modeling, development of a photovoltaic sizing and simulation program, and prediction of power output from a photovoltaic plant using Machine Learning techniques. In the first part, an analysis is conducted on a model single-family home in Zaragoza, calculating parameters related to controlling energy demand and comparing them with the limits set in the Basic Energy Saving Document of the Technical Building Code. These parameters include thermal transmittance, overall heat transmission coefficient, solar control parameter, and air permeability of the building envelope openings. In the next stage, the DesignBuilder software is used to simulate the detailed energy behavior of the home, considering aspects such as geometry, materials, occupant activity, and energy consumption. The results show a significantly low annual consumption, attributed to an efficient thermal envelope, LED lighting, natural ventilation, and a highly efficient aerothermal-based heating and cooling system. Next, a Python program is presented that sizes a customized photovoltaic installation considering specific consumption profiles. Modules are included to assess the use of excess energy for water heating and to analyze the feasibility of an energy community. Finally, the application of Machine Learning techniques to predict the power generated by a photovoltaic plant is discussed, utilizing algorithms such as linear regression and decision trees. Although results can be improved with more data and variables, the algorithms show promising performance compared to explicit formulas. In conclusion, this work provides a comprehensive analysis and tools to optimize energy efficiency, size photovoltaic installations, manage excess energy, and predict the power of photovoltaic plants, demonstrating how the combination of technological and analytical approaches can significantly enhance energy sustainability and reduce costs for consumers.