Desarrollo de Sistema de Gestión para Comunidad Energética basada en la Agregación de Prosumidores

Equation Chapter 1 Section 1 Trabajo Fin de Máster Máster Universitario en Ingeniería Industrial Desarrollo de Sistema de Gestión para Comunidad Energética basada en la Agregación de Prosumidores Dpto. Ingeniería Electrónica Escuela Técnica Superior de Ingeniería Universidad de Sevilla Autor: Francisco De Borja Badillo Cruzado Tutores: Antonio Jesús Torralba Silgado, Eduardo Hidalgo Fort Sevilla, 2023 iii Trabajo Fin de Máster Máster Universitario en Ingeniería Industrial Desarrollo de Sistema de Gestión para Comunidad Energética basada en la Agregación de Prosumidores Autor: Francisco de Borja Badillo Cruzado Tutores: Antonio Jesús Torralba Silgado Catedrático Universitario Eduardo Hidalgo Fort Investigador Posdoctoral Dpto. de Ingeniería Electrónica Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2023 v Trabajo Fin de Máster: Desarrollo de Sistema de Gestión para Comunidad Energética basada en la Agregación de Prosumidores Autor: Francisco De Borja Badillo Cruzado Tutores: Antonio Jesús Torralba Silgado, Eduardo Hidalgo Fort El tribunal nombrado para juzgar el Proyecto arriba indicado, compuesto por los siguientes miembros: Presidente: Vocales: Secretario: Acuerdan otorgarle la calificación de: Sevilla, 2023 El Secretario del Tribunal vii A mi familia ix Agradecimientos Este Trabajo Fin de Máster representa la finalización de mis estudios universitarios, y conlleva una carga emocional llena de recuerdos y agradecimientos. En primer lugar, me gustaría agradecer a Antonio Torralba, Ramón González y Eduardo Hidalgo por dar la oportunidad de integrarme en el Grupo de Ingeniería Electrónica de la ETSI y hacerme partícipe de proyectos de una gran índole. No puedo avanzar sin mencionar mis compañeros de sala, cuya genialidad y positividad, han sido un constante estímulo en los días más difíciles. La universidad por ofrecer unos servicios públicos, gratuitos y de calidad. Agradecer a aquellos profesores, cuya pasión y profesionalidad, hicieron despertar el interés por la materia y motivar al aprendizaje. A mis compañeros de batallas, pues el paso por la Ingeniería no es un camino fácil, convirtiéndose en un pilar fundamental en la superación de los numerosos desafíos. El agradecimiento a mi familia por ser un apoyo incondicional en este camino llamado vida, brindándome las oportunidades y los valores que definen en gran medida la persona que soy a día de hoy. No creo que pueda devolver todo lo que han hecho por mí ni en mil años, pero dedicarles este Trabajo Fin de Máster es una manera de expresar mi eterno agradecimiento. Francisco De Borja Badillo Cruzado Sevilla, 2023 5.4.1 Primera etapa: Estado Comunidad Energética 27 5.4.2 Segunda etapa: Mercado P2P 28 5.4.3 Tercera etapa: Facturación eléctrica 28 6 Simulador de Casos de Uso 31 6.1 Datos 31 6.1.1 Precios 31 6.1.2 Generación fotovoltaica 33 6.1.3 Consumo eléctrico 34 6.1.4 Vehículo eléctrico 36 6.2 Simulación 37 6.2.1 CEMS 37 6.2.2 HEMS 38 6.3 Resultados 44 7 Pruebas 47 7.1 Políticas de agregación 47 7.1.1 Primera etapa: Estado CE 47 7.1.2 Segunda etapa: Mercado P2P 48 7.1.3 Tercera etapa: Facturación eléctrica 50 7.2 Estacionalidad 54 7.2.1 Invierno 54 7.2.2 Primavera 55 7.2.3 Verano 56 7.2.4 Otoño 57 7.3 Precio 58 8 Conclusiones y Follow-up 61 8.1 Conclusiones 61 8.2 Líneas futuras 62 9 Referencias 63 xvii ÍNDICE DE TABLAS Tabla 6.1. Características de la instalación. 33 Tabla 6.2. Características de los modelos de BESS y EV. 39 Tabla 6.3. Atributos Dataframe "Usuarios". 44 Tabla 6.4. Atributos Dataframe "Comunidad". 45 Tabla 7.1. Resultados CE según mecanismo de coste. 50 Tabla 7.2. Resultados a nivel usuario según mecanismo de coste. 51 Tabla 7.3. Resultados a nivel usuario para el día 4 de febrero. 54 Tabla 7.4. Resultados a nivel usuario para el día 12 de mayo. 55 Tabla 7.5. Resultados a nivel usuario para el día 22 de julio. 56 Tabla 7.6. Resultados a nivel usuario para el día 9 de noviembre. 57 Tabla 7.7. Comparación de resultados según estacionalidad. 58 Tabla 7.8. Comparación de resultados según precio. 58 Tabla 7.9. Resultados a nivel usuario para el día 8 de marzo. 59 xix ÍNDICE DE FIGURAS Figura 2.1. Esquema general de una Comunidad Energética [7]. 4 Figura 2.2. Capas de la Comunidad Energética. 5 Figura 2.3. Instalación de placas solares fotovoltaicas con almacenamiento en vivienda [12]. 6 Figura 2.4. Comunidad Energética con conexión virtual [16]. 7 Figura 2.5. Comunidades Energéticas implementadas con el programa CE-Implementa [18]. 8 Figura 2.6. Modelo de Comunidad Energética Ampere [21]. 9 Figura 3.1. Modelo Community-based [24]. 11 Figura 3.2. Modelo P2P [24]. 12 Figura 3.3. Modelo híbrido [24]. 13 Figura 4.1. Escenario de la Comunidad Energética. 19 Figura 4.2. Modelo HEMS basado en [66]. 20 Figura 4.3. Estructura de la Comunidad Energética. 21 Figura 4.4. Arquitectura de la Comunidad Energética basada en la nube. 22 Figura 5.1. Modelo de los agregados. 23 Figura 5.2. Modelo del agregador. 24 Figura 5.3. Etapas de las políticas de agregación. 26 Figura 5.4. Primera etapa: Estado Comunidad Energética basado en [68]. 27 Figura 6.1. Estructura Simulador de Casos de Uso. 31 Figura 6.2. Evolución del Precio Voluntario para el Pequeño Consumidor (PVPC) en los últimos años. 32 Figura 6.3. Tarifa 2.0 TD. 32 Figura 6.4. Comparativa de la generación solar para las diferentes instalaciones en Sevilla. 33 Figura 6.5. Curvas de generación de la instalación I para distintas épocas del año en Sevilla. 34 Figura 6.6. Perfiles de consumo de usuario final pertenecientes al dataset. 34 Figura 6.7. Perfil de consumo desagregado en diferentes aplicaciones. 35 Figura 6.8. Configuración de los Usuarios de la Comunidad Energética. 36 Figura 6.9. Repuesta agregado según las tecnologías usadas (I). 38 Figura 6.10. Respuesta agregado según tecnologías usadas (II). 38 Figura 6.11. HEMS - Prosumidor. 40 Figura 6.12. HEMS - Prosumidor + CC. 40 Figura 6.13. HEMS - Prosumidor + CC + BESS. 41 Figura 6.14. HEMS - Prosumidor + CC + EV. 42 Figura 6.15. HEMS - Prosumidor + CC + BESS + EV. 43 Figura 7.1. Primera etapa: Estado CE (MMR). 47 Figura 7.2. Primera etapa: Estado CE (SDR). 48 Figura 7.3. Segunda etapa: Mercado P2P (MMR). 48 Figura 7.4. Segunda etapa: Mercado P2P (SDR). 48 Figura 7.5. Segunda etapa: Mercado P2P – Usuario "H09". 49 Figura 7.6. Segunda etapa: Mercado P2P – Usuario "H11". 49 Figura 7.7. Resultados Segunda Etapa: Mercado P2P - Usuario "H11". 49 Figura 7.8. Tercera etapa: Facturación eléctrica (MMR). 50 Figura 7.9. Tercera etapa: Facturación eléctrica (SDR). 50 Figura 7.10. Balance energético del usuario "H11". 52 Figura 7.11. Coste usuario "H11". 52 Figura 7.12. Balance energético del usuario "H18". 53 Figura 7.13. Coste usuario "H18". 53 Figura 7.14. Tercera etapa: Facturación eléctrica - 4 de febrero 2022. 54 Figura 7.15. Tercera etapa: Facturación eléctrica – 12 de mayo 2022. 55 Figura 7.16. Tercera etapa: Facturación eléctrica – 22 de julio 2022. 56 Figura 7.17. Tercera etapa: Facturación eléctrica – 9 de noviembre 2022. 57 Figura 7.18. Primera etapa: Estado CE – 8 de marzo de 2022. 58 Figura 7.19. Segunda etapa: Mercado P2P - 8 de marzo de 2022. 59 Figura 7.20. Tercera etapa: Facturación eléctrica - 8 de marzo de 2022. 59 xxi Abreviaturas y acrónimos AC Corriente Alterna BESS Battery Energy Storage System BS Bill Sharing C2G Community-to-grid CC Cargas Controlables CCE Comunidad Ciudadana de Energía CE Comunidad Energética CEMS Community Energy Management System CER Comunidad de Energía Renovable CM Community Manager DER Distributed Energy Resource DR Demand Response DRL Deep Reinforcement Learning ES Energy Sharing EV Electric Vehicle G2C Grid-to-Community HEMS Home Energy Management System IoT Internet of Things KPI Key Performance Indicator ML Machine Learning MMR Mid-Market Rate P2P Peer-to-Peer PV Panel fotovoltaico SDR Supply Demand Ratio SIS Share of Individual Savings SOC State of charge SS Self-Sharing TIC Tecnologías de la Información y Comunicación TMY Typical Meteorological Year UE Unión Europea V2B Vehicle-to-building V2G Vehicle-to-grid 1 INTRODUCCIÓN n el siguiente apartado se extrae una visión general del proyecto mediante la definición de los antecedentes, los objetivos y la estructura que sigue este proyecto. 1.1 Antecedentes En un contexto de creciente conciencia global sobre el cambio climático y la reducción de las emisiones que afectan al medio ambiente, la transición energética se ha alzado como una necesidad ineludible en la agenda mundial. Esta transición, impulsada por la inclusión de las fuentes de energía distribuidas (DERs, por sus siglas en inglés), representa un cambio fundamental en la forma en que se produce, entrega y consume la energía. Tradicionalmente, la red de distribución ha sido un sistema radial donde la energía fluía de manera unidireccional desde las plantas generadoras hasta los consumidores fijos. Con el nuevo modelo, se alza la figura del consumidor pudiéndose convertir en generadores de electricidad e interactuar con la red de diferentes maneras. Aunque la integración de las fuentes de energía distribuidas ha causado ciertas desavenencias en la gestión de la red, tales como la presencia de armónicos [1], dificultades en la regulación de la tensión [2] o inestabilidades de pequeña señal [3], no han sido suficientes como para frenar su implementación masiva. Cuando los consumidores se convierten también en productores, aparece la idea de las comunidades energéticas locales. Estas comunidades permiten a los prosumidores generar, almacenar y compartir energía de forma coordinada promoviendo la autosuficiencia energética y la reducción de emisiones. Además, en España, la tarifa para la venta de electricidad que vuelve a la red eléctrica es más baja que el precio de compra de electricidad procedente de la red eléctrica, lo que proporciona a los agregados incentivos económicos para comerciar entre sí antes de comerciar por separado con la red eléctrica [4]. A pesar de las múltiples ventajas de las comunidades energéticas, la falta de modelos de referencia que permitan vencer las barreras legales, tecnológicas y sociales, hacen que España se encuentre muy atrasada con respecto a países vecinos como Holanda y Alemania, en donde estas comunidades están ampliamente desarrolladas como recoge el documento elaborado por la Unión Europea [5]. 1.2 Objeto y alcance del proyecto El objeto de este Trabajo Fin de Máster es desarrollar una solución integral para la gestión de comunidades energéticas compuestas por un conjunto de agregados con sistemas de gestión inteligente. Es decir, el desarrollo de un algoritmo capaz de facilitar intercambios eficientes de energía entre sus miembros y optimizar el uso de recursos energéticos. De una manera detallada, el proyecto persigue: • La definición de una arquitectura de referencia para las comunidades energéticas. Esta arquitectura incluye la definición de los elementos constitutivos, su funcionalidad, las interfaces estándar con los HEMS (Home Energy Management Systems) y SmartMeters, por una parte, y con la operadora y comercializadora del sistema eléctrico. • El desarrollo del algoritmo de gestión que, mediante la definición de reglas de actuación y los mecanismos teóricos de optimización, determine la situación general de la comunidad energética y las mejores políticas de gestión de la comunidad que garanticen la sostenibilidad del consumo con el mejor balance económico. Además, este algoritmo debe contar con dos horizontes temporales: previsión a medio plazo, basado en información de los prosumidores y estado del mercado eléctrico; y E Introducción 2 previsión a corto plazo, basado en las necesidades inmediatas y en las fluctuaciones del mercado eléctrico. • La implementación de un simulador de casos de uso que permita recrear condiciones de operación realistas para la comunidad energética y analizar de manera exhaustiva los resultados obtenidos en estas simulaciones. Este Trabajo Fin de Máster se encuentra dentro del marco del proyecto IoT for AI-based Management of Energy Communities– IoT4EnCom desarrollado en el Grupo de Ingeniería Electrónica de la Escuela Técnica Superior de Ingeniería. 1.3 Estructura del documento El siguiente documento se encuentra estructurado de la siguiente forma: 1. Introducción: En esta sección inicial se extrae una visión general del proyecto mediante la definición de los antecedentes, los objetivos y la estructura del documento. 2. Fundamentación Teórica: Se expone una introducción a las Comunidades Energéticas, un estudio de los aspectos relevantes en el diseño técnico de este tipo de modelo y un análisis de la normativa, así como de las Comunidades Energéticas actualmente implementadas en España. 3. Estado del arte: Se realiza un estudio exhaustivo de las soluciones desarrolladas en el contexto de las Comunidades Energéticas, haciendo énfasis en los intercambios de energía. Para ello, el capítulo se divide en tres secciones que abordan los modelos de Comunidad Energética, los sistemas de gestión y las herramientas software referenciadas en la literatura. 4. Caso de estudio: Este capítulo establece la infraestructura tecnológica y organizativa sobre la que se construirán las estrategias de agregación en el marco de la Comunidad Energética. Una primera parte, donde se establece el escenario con las funcionalidades de las tecnologías consideradas. Y una segunda parte, donde se expone el modelo de la comunidad energética y los canales de comunicación con las partes interesadas: agregados y operador de la red eléctrica. 5. Políticas de agregación: Este capítulo tiene como objetivo establecer las directrices y reglas para la actuación de la CE. Se exponen los modelos teóricos para el agregado y la comunidad energética, así como los mecanismos de costes que permiten el cálculo interno de los precios en la CE. Se finaliza con el apartado de políticas de agregación, donde se definen los horizontes temporales y se establecen las reglas de actuación entre los agregados y la Comunidad Energética. 6. Simulador de casos de uso: Se describe la herramienta implementada para analizar y evaluar el escenario definido para la Comunidad Energética. 7. Pruebas: Se analizan las diferentes variaciones a nivel energético que pueden darse en el escenario definido, estudiando los impactos que tiene tanto en la comunidad como en los usuarios. En el apartado de políticas de agregación, se analiza en detalle las etapas de agregación con respecto a los dos mecanismos de coste desarrollados. Posteriormente, se analizan los efectos de la estacionalidad en la autosuficiencia de la comunidad y los costes asociados. Finalmente, se examinan las fluctuaciones de precios y su influencia en los ahorros energéticos. 8. Conclusiones y Follow-up: Se presentan las conclusiones y las líneas de investigación futuras resultantes de la realización de este Trabajo Fin de Máster. 9. Referencias: Se incluyen las referencias bibliográficas y los recursos web consultados para la ejecución del proyecto. 2 FUNDAMENTACIÓN TEÓRICA n este capítulo, se expone el marco teórico relevante en torno a las Comunidades Energéticas para este proyecto. Con este propósito, se realiza una introducción a las Comunidades Energéticas, un estudio de los aspectos relevantes en el diseño técnico de este tipo de modelo y un análisis de la normativa, así como de las Comunidades Energéticas actualmente implementadas en España. 2.1 Introducción a las Comunidades Energéticas Las Comunidades Energéticas son una forma de coordinar acciones energéticas colectivas en torno a la participación y gobernanza abiertas y democráticas y la generación de beneficios para los miembros. La legislatura europea define por primera vez las Comunidades Energéticas mediante estos dos conceptos: Comunidad de Energía Renovable (CER), descrita en la Directiva UE 2018/2001 en el marco de la Directiva de Energías Renovables y la Comunidad Ciudadana de Energía (CCE) con la Directiva UE 2019/944 en el marco de la Directiva de Mercado Interior de la Electricidad. Estos conceptos establecen un marco jurídico para la participación colectiva de los ciudadanos en el sistema energético. Ambos tipos de entidades se caracterizan por los siguientes elementos conceptuales comunes [5]: • Gobernanza: la participación en proyectos de energías renovables debe estar abierta a todos los miembros locales potenciales sobre la base de criterios no discriminatorios. • Propiedad y control: Ambas definiciones destacan la participación y el control efectivo por parte de los ciudadanos, las autoridades locales y las empresas más pequeñas cuya actividad económica principal no es el sector energético. • Propósito: El propósito principal es generar beneficios sociales y ambientales en lugar de centrarse en las ganancias financieras. En el marco jurídico español, en el Real Decreto-ley 23/2020, de 23 de junio, se definen las Comunidades de Energías Renovables haciendo referencia a los conceptos previamente establecidos por la Unión Europea como “entidades jurídicas basadas en la participación abierta y voluntaria, autónomas y efectivamente controladas por socios o miembros que están situados en las proximidades de los proyectos de energías renovables que sean propiedad de dichas entidades jurídicas y que estas hayan desarrollado, cuyos socios o miembros sean personas físicas, pymes o autoridades locales, incluidos los municipios y cuya finalidad primordial sea proporcionar beneficios medioambientales, económicos o sociales a sus socios o miembros o a las zonas locales donde operan, en lugar de ganancias financieras”. Las comunidades energéticas pueden realizar diferentes actividades según define el Instituto para la Diversificación y Ahorro de la Energía [6]: • Generar energía a través de fuentes renovables, ya sea para plantas de generación o autoconsumo colectivo. • Distribuir energía, haciéndose responsable de la gestión y mantenimiento de la instalación. • Suministrar energía, mediante la adquisición de energía en el mercado mayorista de electricidad. • Agregar energía a través de brindar al operador del sistema y a las distribuidoras servicios de flexibilidad y balance de red. • Realizar actividades de almacenamiento compartido de energía. • Intercambiar energía entre los miembros. • Operar y gestionar estaciones de recarga de vehículos eléctricos y otros servicios de energía. E 3 ESTADO DEL ARTE l siguiente capítulo realiza un estudio exhaustivo de las soluciones desarrolladas en el contexto de las Comunidades Energéticas, haciendo énfasis en los intercambios de energía. Para ello, el capítulo se divide en tres secciones que abordan los modelos de Comunidad Energética, los sistemas de gestión y las herramientas software referenciadas en la literatura. 3.1 Modelos de Comunidad Energética En la literatura se pueden identificar diferentes categorías de estructuras de mercado dependiendo del grado de descentralización de la CE. Las principales categorías se clasifican en basadas en la comunidad, Peer-to-Peer (P2P) y combinación de ambas [23]. 3.1.1 Modelo Community-based En esta configuración de mercado, se implementa un administrador de comunidad (CM, por sus siglas en inglés) con el propósito de supervisar y coordinar las actividades comerciales dentro de la comunidad. Es decir, actúa como intermediario entre los usuarios y el resto del sistema. Específicamente, este tipo de mercado se fundamenta en la colaboración de miembros que comparten intereses comunes y puede ser aplicado en los casos de microrredes o a un grupo de prosumidores cercanos por proximidad geográfica [24]. Por ejemplo, en compartir un almacenamiento de energía en una comunidad. Como resultado, el diseño de la estructura basada en la comunidad es la mejora de la participación y la cooperación entre sus miembros. Figura 3.1. Modelo Community-based [24]. E Estado del arte 12 Para los casos de arquitecturas basadas en comunidad, según especifica [23], la función de programación se puede dividir en: • Centralizado: Este tipo de estructura consiste en la existencia de un administrador que gestiona todos los activos de los usuarios en un problema de optimización. Cada activo posee un controlador local para comunicarse e interactuar directamente con el administrador. • Parcialmente descentralizado: Cada prosumidor se considera autónomo y tiene su propio sistema de gestión para controlar sus activos locales. Por lo tanto, el problema de optimización se puede dividir en N subproblemas que cada prosumidor resuelve y envía la solución al administrador de la comunidad. Éste realiza el balance energético y los comandos óptimos de cada prosumidor son aceptados. Debido a los objetivos del proyecto, se hará énfasis en la estructura de parcialmente descentralizado. A continuación, se describen las funciones y limitaciones que pueden tener los diferentes agentes: • Prosumidor: Cuenta con un sistema de gestión para planificar el consumo de energía previsto. Cada prosumidor se encarga de optimizar y ajustar los puntos de operación para cada activo. Este tipo de gestión suele denominarse en la literatura como Home Energy Management System (HEMS). • Administrador: El agente administrador de la comunidad tiene la tarea de preservar la equidad entre los prosumidores y puede optar por políticas de penalización para evitar comportamientos deshonestos. Además, puede realizar políticas de agregación para aplicar respuesta a la demanda, reduciendo los picos de energía. También puede interactuar con el operador del sistema y otros mercados. En resumen, el administrador puede: o Proporcionar un precio provisional a los prosumidores. o Reunir las necesidades de los prosumidores y comprobar el balance energético. o Minimizar los costes y maximizar los ingresos procedentes de la importación y exportación de energía en el día siguiente, respectivamente. 3.1.2 Modelo Peer-to-Peer El término Peer-to-Peer (P2P) se refiere al intercambio de energía directo entre los componentes de la Comunidad Energética, compuesto por prosumidores e incluso instalaciones de energía renovable como paneles solares fotovoltaicos. Es decir, dos pares pueden acordar una transacción por una cierta cantidad de energía y un precio sin supervisión centralizada. No obstante, puede aparecer la figura del administrador de la Comunidad como responsable de la ejecución del comercio de energía [22]. Figura 3.2. Modelo P2P [24]. 13 Desarrollo de Sistema de Gestión para Comunidad Energética basada en la Agregación de Prosumidores En los modelos P2P, la función de programación puede estructurarse, tomando como referencia [23], como: • Parcialmente distribuido: El enfoque parcialmente distribuido tiene un administrador para verificar el balance de potencia y los otros HEMS pueden actuar de manera distribuida para calcular los comandos de referencia para el controlador local. • Totalmente distribuido: La naturaleza totalmente distribuida del marco de optimización implica que el problema de optimización se resuelve a nivel del sistema de gestión del prosumidor individual. No hay un nodo central para comprobar el balance de potencia. El HEMS prosumidor se comunica con el HEMS vecino y resuelve el problema de optimización mientras considera la información de intercambio de energía de otros prosumidores HEMS. Por lo tanto, el papel de los diferentes agentes es el siguiente: • Prosumidor: El objetivo del agente prosumidor es optimizar sus activos en función del coste respectivo. • Administrador: Se encarga de ofrecer y coordinar el comercio de energía en un mercado P2P mediante una doble subasta. Esta plataforma de software permite el intercambio de información entre prosumidores y también ayuda al operador del sistema a monitorear y controlar la red de distribución. 3.1.3 Modelo Híbrido El modelo Híbrido resulta de la combinación de los diseños Community-based y P2P, diferenciando dos capas principales para el comercio de la energía. En el nivel inferior, un administrador gestiona los activos colectivos de la comunidad siguiendo el enfoque Community-based. En el nivel superior, se encuentran los pares que interactúan directamente entre sí e interactúan con los mercados existentes. Figura 3.3. Modelo híbrido [24]. Estado del arte 14 3.2 Sistemas de gestión en Comunidades Energéticas A continuación, se exponen los sistemas de gestión relevantes encontrados en la literatura para comunidades energéticas basadas en la agregación de prosumidores. Para la gestión de las Comunidades Energéticas, se utiliza un modelo explícito para formular la dinámica de los prosumidores. Las incertidumbres se estiman mediante modelos de pronóstico determinísticos o probabilísticos basados en datos históricos y parámetros estimados. Mientras que el problema de control se resuelve utilizando un optimizador [25], ya sea mediante optimización lineal, control predictivo o lógica difusa. Haciendo referencia a este tipo de modelos, los programas de respuesta a la demanda (DR, por sus siglas en inglés) han surgido como un elemento clave en la gestión de las comunidades energéticas basadas en la agregación de prosumidores [26]. Esto se debe a que los prosumidores son entes independientes que toman sus decisiones de forma autónoma, siendo únicamente sensibles a los costes e ingresos de la importación y exportación de energía, respectivamente. Los programas de DR basados en incentivos ofrecen beneficios para la reducción de cargas en tramos horarios específicos, mientras los programas DR basados en precios influyen en la demanda de energía de los prosumidores mediante el uso de tarifas con precios dinámicos [27]. En este contexto, la teoría de juegos ha sido ampliamente utilizada y se encuentra dividida en juegos cooperativos y no cooperativos, junto con diferentes mecanismos de cálculo de costes como Mid-Market Rate (MMR), Supply Demand Ratio (SDR) y Bill Sharing (BS). En los juegos cooperativos, el objetivo es incentivar a los responsables de la toma de decisiones independientes para que actúen juntos como una sola entidad [28]. En [13], la cooperación social entre los prosumidores se modela utilizando el juego de coalición canónica, en el que la fijación de precios MMR se utiliza como regla de fijación de precios para el comercio de energía. En [14] se introduce un marco de psicología motivacional, donde se desarrolla un esquema cooperativo de comercio de energía P2P, y se estudian sus propiedades relevantes. No obstante, este tipo de modelos no considera la toma estratégica por parte de los agentes participantes [27]. Esto quiere decir, que los agentes pueden tener comportamientos deshonestos para la obtención de mayores beneficios con respecto al resto de miembros. Por otro lado, los juegos no cooperativos han sido ampliamente utilizados para programar actividades relacionadas con la energía y, posteriormente, para intercambiar energía excedente con compradores para obtener ingresos [29]–[31]. En este tipo de juego, los usuarios pueden tomar acciones, como por ejemplo la programación de la batería eléctrica, donde la cooperación en la Comunidad Energética surge sin tener que comunicarse o coordinar las acciones entre ellos [28]. En [32] se propone un modelo Community-based de gestión de la demanda basado en un juego no cooperativo. Dentro del esquema, se incentiva a los hogares para que ajusten su carga a la producción de electricidad prevista. Esto se consigue mediante la programación para el día siguiente de sus sistemas de almacenamiento de energía instalados localmente y los intercambios de energía con la comunidad. En [33] se propone un método para gestionar los recursos energéticos de una comunidad local teniendo en cuenta las transacciones P2P, la generación solar fotovoltaica y los sistemas de almacenamiento. Haciendo uso del mecanismo MMR, los costes globales de la comunidad energética fueron menores y cada usuario pudo obtener una reducción en la factura energética. Con respecto a los modelos híbridos, los retos que suelen enfrentar es coordinar los intercambios energéticos internos de la Comunidad Energética y el comercio con otras entidades como mercados de energía u otras comunidades energéticas. En [34] se presenta un modelo híbrido para el comercio de energía en las comunidades energéticas, en el que se considera simultáneamente el comercio comunitario y el comercio P2P de las comunidades energéticas. O en [27], donde los prosumidores programan sus activos e intercambian energía en un mercado Community-based diario y pueden actualizar dicha programación mediante el mercado P2P en tiempo real. Existe en la literatura otra vertiente enfocada en el desarrollo de algoritmos de control no lineal mediante aprendizaje profundo que han ganado popularidad en los últimos años. Este tipo de sistemas proporcionan una mejor escalabilidad del problema y robustez ante las incertidumbres [23]. En [25] proponen un sistema de gestión Community-based con diferentes algoritmos de Deep Reinforcement Learning (DRL) para la gestión de una microrred en tiempo real. La microrred está compuesta por una batería comunitaria, la red principal, cargas controlables y los usuarios que son sensibles al precio. El documento [35] presenta un modelo P2P 15 Desarrollo de Sistema de Gestión para Comunidad Energética basada en la Agregación de Prosumidores distribuido mediante un algoritmo de aprendizaje por refuerzo multiagente, que utiliza la información pública del mercado para modelar el comportamiento de los agentes y optimizar las estrategias. A pesar de los éxitos demostrados por los métodos de DRL en el ámbito de juegos, es importante destacar que estos modelos aún enfrentan desafíos significativos en su implementación en el mundo real. Estos desafíos incluyen ineficiencia en el uso de datos, inestabilidad y lenta convergencia según especifica el artículo [25], citado anteriormente. 3.3 Herramientas software para la simulación y gestión energética En esta sección, se proporciona una descripción detallada de las herramientas potenciales destinadas al diseño y simulación de una comunidad energética, utilizando datos que permitan su validación en un contexto real. Para ello, se ha dividido la información según datasets, modelos y herramientas. 3.3.1 Datasets Esta sección recopila una serie de datasets públicos y accesibles relevantes para el estudio de las comunidades energéticas. Todas las colecciones están basadas en consumo energético del sector residencial, aunque pueden aparecer el consumo de algunos edificios públicos y administrativos. Además, en algunos casos, aparecen datos referentes a la generación energética, movilidad eléctrica y climatológicos. • El dataset [36] está compuesto por los perfiles de generación y consumo de cinco agregadores, conformados por un centro comercial, una estación de bomberos, un hospital, 15 casas, 7 edificio de oficinas, instalaciones solar y eólica y estaciones de carga de vehículos eléctricos. La colección de datos tiene una resolución de 15 minutos con un total de 672 periodos, es decir, un total de 7 días. • La colección [37] contiene los datos de generación solar y consumo de 50 prosumidores, así como el consumo de 40 vehículos eléctricos en tramos de 15 minutos para un día completo. • SustData [38] contiene los datos relacionados con la energía eléctrica, entre los que se incluyen el consumo y la información demográfica de 50 hogares monitoreados, la producción de energía eléctrica en la isla de Madeira y los datos ambientales de apoyo. • En [39] se recopilan los datos de generación solar fotovoltaica, el consumo eléctrico de las partes comunes de un edificio y el consumo energético de los 15 usuarios que lo conforman. • Los datos de la colección [40] describen una comunidad de energía eléctrica, que contiene perfiles de producción fotovoltaica y perfiles de consumo de usuarios finales, desagregado por electrodomésticos individuales. El dataset está formado por 50 hogares residenciales y un edificio público en intervalos de 15 minutos para un año completo. 3.3.2 Modelos Esta sección se centra en los modelos generativos que pueden simular el comportamiento energético de los componentes de la comunidad energética. Con ese propósito, se han recopilado los modelos de mayor relevancia para investigar la demanda, la generación y la incorporación de vehículos eléctricos, tomando como referencia el artículo [41]. Los siguientes modelos corresponden con los perfiles de consumo energético correspondientes al sector residencial: • Load Profile Generator [42]: Es capaz de generar curvas de consumo energético en el sector residencial. Además, genera documentos con extensión CSV para su importación a otros módulos software. Como limitación, se enfoca en generación de curvas de consumo para casas singulares. Aunque, es posible llegar a generar las curvas de consumo para toda una comunidad, esto llevaría una carga importante de trabajo. • Artificial Load Profile Generator [43]: Los datos generados utilizan intervalos de 1 minuto e incorporan perfiles de consumo de dispositivos reales. Además, se proporciona información sobre flexibilidad en forma de restricciones para varias clases genéricas de dispositivos domésticos Estado del arte 16 controlables. Este enfoque permite la reutilización de los datos como entrada para diferentes algoritmos de control y optimización. • The House Load Electricity [44]: Esta aplicación genera perfiles sintéticos de carga eléctrica de viviendas utilizando un modelo de carga de consumo. El usuario puede cambiar los valores de los parámetros del modelo y generar datos para diferentes resoluciones de tiempo y períodos. • Demandlib: Es una biblioteca de Python que permite la creación de perfiles energéticos y térmicos para varios sectores, permitiendo su ajuste a la demanda deseada. Esta herramienta es valiosa para la generación de perfiles personalizados de consumo energético. Una vez detallados los modelos de consumo, se exponen los modelos de generación energética centrándose en los paneles solares fotovoltaicos: • PV Performance Modeling Collaborative [45] de Sandia National Laboratories, se enfoca en mejorar la precisión y el rigor técnico de los modelos y análisis del rendimiento fotovoltaico. Aunque los primeros modelos que surgieron se implementaron en MATLAB, luego se trasladaron a Python como la biblioteca pvlib [46]. Esta biblioteca de código abierto permite evaluar diferentes configuraciones de sistemas fotovoltaicos mediante la definición de una serie de parámetros como la climatología, orientación de las placas solares, suciedad, así como características técnicas del inversor y las placas solares. • PVWatts [47], desarrollada por National Renewable Energy Laboratories, consiste en un conjunto de modelos para representar las diferentes partes del sistema fotovoltaico. Realiza simulaciones horarias para calcular la respuesta energética del sistema durante un año. • Feedinlib de OEMOF es un paquete de Python que permite a los usuarios estimar la producción de energía de las plantas de energía solar fotovoltaica y eólica como series temporales, en función de los parámetros definidos del sistema y las condiciones meteorológicas. En esencia, para los sistemas solares fotovoltaicos, este paquete integra la biblioteca pvlib descrita anteriormente. • Atlite es un paquete de código abierto de Python desarrollado utilizando el Atlas RE de la Universidad de Aarhus [48] que permite a los usuarios convertir datos meteorológicos en series temporales de generación de energía. El paquete puede crear series temporales para la demanda de energía eólica, energía solar, energía hidroeléctrica y calefacción utilizando el conjunto de datos meteorológico ERA5. La biblioteca está diseñada para trabajar con grandes conjuntos de datos meteorológicos y climáticos a un bajo costo computacional. A continuación, se exponen diferentes modelos para la generación de datos sintéticos en series temporales que permitan simular el comportamiento de los vehículos eléctricos. Geotab proporciona una plataforma integral que incluye hardware y software para rastrear, gestionar y analizar vehículos eléctricos y su rendimiento. Entre sus modelos, permite a los usuarios visualizar la degradación de la batería a lo largo del tiempo para varias marcas y modelos de diferentes vehículos eléctricos. Otro modelo de código abierto para el modelado temporal de los EV es emobpy [49]. Esta librería de Python es capaz de crear series temporales de vehículos eléctricos basadas en estadísticas de movilidad, permitiendo modelar la interacción entre EV y los sistemas de energía. Se puede definir la ubicación del vehículo mediante probabilidad, lo que permite desarrollar perfiles más ajustados y ajustar algunos parámetros como la opción de recarga del EV fuera de la vivienda. Siguiendo con los paquetes de Python, se encuentra el generador de datos sintéticos vencopy [50]. Esta librería ofrece perfiles de demanda horaria y flexibilidad para flotas de vehículos eléctricos de forma agregada. Para terminar, el paquete de código abierto Simulation of Urban MObility (SUMO) [51] es una herramienta versátil que se utiliza principalmente para simular el tráfico y la movilidad en áreas urbanas. Aunque SUMO no está específicamente diseñado para el modelado de vehículos eléctricos, es una herramienta flexible que puede ser utilizada de diversas maneras para abordar cuestiones relacionadas con la movilidad eléctrica. 17 Desarrollo de Sistema de Gestión para Comunidad Energética basada en la Agregación de Prosumidores 3.3.3 Herramientas Una vez recopilada toda la información necesaria para la simulación de la Comunidad Energética, es necesaria el uso de herramientas capaces de analizar y extraer información haciendo uso de la ciencia de datos que permitan desarrollar los sistemas de decisión. Debido a la gran diversidad de este tipo de herramientas, este estudio se centra en el lenguaje de programación más popular hoy en día, Python, y sus librerías. Ilustración 1. Librerías relevantes de Python. Para el análisis exploratorio de los datos, destacan las librerías Pandas [52] y Numpy [53]. Por un lado, Pandas es ampliamente utilizada para el análisis y manipulación de datos estructurados, así como su integración con una variedad de fuentes de datos como archivos CSV y bases de datos. Sus estructuras de datos principales son los DataFrames y las series temporales, que permiten almacenar y trabajar con datos de manera tabular. Además, permite la integración de Numpy para el cálculo de funciones matemáticas de alto rendimiento y manipulación de datos numéricos. Otro aspecto importante, son las librerías de visualización de datos para el estudio de las tendencias y los resultados de los sistemas de decisión. En este caso, según la funcionalidad buscada, se destacan las librerías de Matplotlib [54] y Seaborn [55]. Aunque ambas permiten la creación de una diversidad de gráficos, Seaborn destaca por crear visualizaciones estadísticas más atractivas e intuitivas. Keras [56], scikit-learn [57], PyTorch [58] y TensorFlow [59] son herramientas esenciales en la modelización de datos para la comunidad energética, especialmente en el contexto de pronósticos energéticos. Es decir, permiten construir modelos precisos y efectivos basados en machine learning que son esenciales para la toma de decisiones en la gestión de la energía y la planificación a largo plazo. No obstante, las bibliotecas modernas de bajo código como Pycaret [60] empiezan a ganar gran popularidad, debido a su capacidad para simplificar y acelerar el proceso de modelización de datos al automatizar muchas tareas. PyCaret se integra con bibliotecas como scikit-learn lo que permite a los usuarios aprovechar una amplia variedad de algoritmos de modelización. Otro elemento de gran relevancia en la gestión de las comunidades energéticas consiste en la disponibilidad de herramientas para la resolución de problemas de optimización. Para Python, hay una serie de optimizadores entre los que destacan Pyomo [61], PuLP [62] y CVXPY [63]. Estas bibliotecas permiten resolver problemas complejos como la programación de los ciclos de carga y descarga de una batería. Por último, en el contexto de la asignación de los intercambios de energía cabe destacar las librerías NetworkX [64] y PyMarket [65]. Por un lado, NetworkX ofrece herramientas para el análisis de redes, lo que permite evaluar la robustez de la infraestructura energética, identificar puntos críticos de fallo y optimizar la distribución de energía. Por otro lado, PyMarket permite la implementación de algoritmos de optimización para determinar los precios y las asignaciones de energía en un mercado energético local. Esto es fundamental para garantizar un intercambio eficiente y equitativo de energía entre los miembros de la comunidad energética. ISUA I ACI A IPU ACI E I ACI PTI I ACI I TERCA I S Py ar et Pu P 4 CASO DE ESTUDIO ste capítulo establece la infraestructura tecnológica y organizativa sobre la que se construirán las estrategias de agregación en el marco de la Comunidad Energética. Una primera parte, donde se establece el escenario con las funcionalidades de las tecnologías consideradas. Y una segunda parte, donde se expone el modelo de la comunidad energética y los canales de comunicación con las partes interesadas: agregados y operador de la red eléctrica. 4.1 Escenario Una vez analizadas las diversas tecnologías y tipologías de comunidades energéticas se configuran el escenario sobre el que se centrará el proyecto. Este escenario incluye generación fotovoltaica, consumo (principalmente cargadores de vehículos y consumo doméstico), y almacenamiento (baterías y vehículos). El objetivo principal de este escenario es fomentar la creación de una red de distribución de energía propia, en la que cada uno de los miembros pueda intercambiar su energía entre ellos de forma económica teniendo como respaldo la red eléctrica. La idea es que el usuario que no sea autosuficiente en un determinado tramo horario pueda aprovechar la energía excedente de otro hogar. De esta forma, ambos usuarios obtienen mayores beneficios económicos que con la compra/venta directa a la red eléctrica. El escenario que se presenta trata de un conjunto de viviendas que cuentan con tecnología de energía renovable en su interior. Esta tecnología puede estar compuesta por paneles solares, cargas controlables, baterías y/o un cargador de vehículo eléctrico (EV). Figura 4.1. Escenario de la Comunidad Energética. A continuación, se muestra las funcionalidades que se consideran para cada tecnología: • Panales solares: Generación de energía eléctrica para autoconsumo individual, con la posibilidad de venta de excedentes a la Comunidad Energética o red eléctrica. • Cargas controlables: Dispositivos eléctricos que pueden ser programados para encenderse o apagarse en momentos específicos según el estado energético de la vivienda. Permite reducir el consumo de energía durante los picos de demanda y aumentar la eficiencia energética. E COMUNIDAD ENERGÉTICA Rural, urbano Residencial Individual Individual Individual Políticas de Agregación 26 5.3.2 Supply Demand Ratio (SDR) El ratio SDR se define como la relación entre la oferta y la demanda total ofertada por la comunidad, pudiendo ser expresado de la siguiente forma: 𝑆𝐷𝑅 (𝑡)=𝐸𝑠𝑒𝑙𝑙(𝑡) 𝐸𝑏𝑢𝑦(𝑡) (5.11) Una vez determinado, se tiene en cuenta los siguientes casos para la asignación de precios: 1. Si 0≤𝑆𝐷𝑅≤1, la demanda de energía es superior a la oferta total. 𝜆𝑏(𝑡)= 𝜆𝑢,𝑠(𝑡)∗𝑆𝐷𝑅(𝑡) 𝜆𝑢,𝑠(𝑡)∗𝑆𝐷𝑅(𝑡)+𝜆𝑢,𝑏(𝑡)∗(1−𝑆𝐷𝑅(𝑡)) (5.12) 𝜆𝑠(𝑡)= 𝜆𝑢,𝑠(𝑡)∗𝜆𝑢,𝑏(𝑡) (𝜆𝑢,𝑏(𝑡)−𝜆𝑢,𝑠(𝑡))∗𝑆𝐷𝑅(𝑡)+𝜆𝑢,𝑠(𝑡) (5.13) 2. Si 𝑆𝐷𝑅>1, la energía ofertada es mayor a la energía demandada. 𝜆𝑏(𝑡)= 𝜆𝑢,𝑠(𝑡) (5.14) 𝜆𝑠(𝑡)=𝜆𝑢,𝑠(𝑡) (5.15) 5.4 Políticas de agregación El mecanismo propuesto consiste en tres etapas, basado en el artículo [67]. La etapa de oferta iterativa donde el agregador define los precios internos para el intercambio energético y cada agregado optimiza su función de utilidad mediante la programación de las cargas para todas las franjas horarias. La segunda etapa, donde cada usuario participa en un mercado de doble acción mediante la definición de sus ofertas. Y la tercera etapa, donde se realiza la facturación teniendo en cuenta las desviaciones de cada agregado para el cálculo de las penalizaciones/beneficios adicionales, véase figura 5.3. Figura 5.3. Etapas de las políticas de agregación. 27 Desarrollo de Sistema de Gestión para Comunidad Energética basada en la Agregación de Prosumidores 5.4.1 Primera etapa: Estado Comunidad Energética El objetivo de la primera etapa es reducir los costes de la comunidad energética mediante la reducción del flujo de intercambio energético con la red eléctrica y la definición del estado de la Comunidad Energética. El agregador indica los precios internos para la compraventa de energía y los agregados deciden la energía a comerciar basado en sus preferencias. Teniendo las ofertas definidas, el agregador decide la energía necesaria de la red eléctrica actualizando el precio interno. El mecanismo del mercado en esta etapa es un proceso iterativo que permite a los agregados actualizar su programación energética según las actualizaciones de precio realizadas por el agregador. Por lo tanto, este tipo de mercados requieren información limitada de los usuarios consiguiendo un mayor nivel de privacidad y autonomía que otros tipos de mercado [68]. El algoritmo es iniciado por el agregador estableciendo los precios iniciales como el valor medio del mercado: 𝜆𝑏0(𝑡)=𝜆𝑠0(𝑡)=𝜆𝑢,𝑏(𝑡)+𝜆𝑢,𝑠(𝑡) 2 (5.16) Después de recibir los precios internos, los agentes calculan sus ofertas. Una vez recibidas las ofertas, el coordinador actualiza los precios, teniendo en cuenta, minimizar el flujo con la red eléctrica. min 𝐸𝑘𝑛𝑒𝑡(𝑡) =𝐸𝑘𝑏𝑢𝑦(𝑡)−𝐸𝑘𝑠𝑒𝑙𝑙(𝑡) (5.17) Las iteraciones continúan hasta que los precios para todas las franjas horarias convergen a la tolerancia de parada (ε), o en su defecto, hasta que se llegue a un valor límite k de 10 iteraciones. √1𝑡∑(𝜆𝑏,𝑡 𝑘−𝜆𝑏,𝑡 𝑘−1)2 𝑡 𝑖=1 < 𝜀=0,00005 (5.18) Los precios internos son calculados según los mecanismos de costes y tiene en cuenta ambos flujos, el intercambio energético entre los agregados y con la red eléctrica. Según estos precios, cada HEMS puede modificar sus cargas variables permitiendo definir nuevos valores de la energía a intercambiar. Se consigue así, maximizar el intercambio de energía en la CE manteniendo el intercambio monetario entre los usuarios. Figura 5.4. Primera etapa: Estado Comunidad Energética basado en [68]. Políticas de Agregación 28 5.4.2 Segunda etapa: Mercado P2P En la primera etapa, los agregados determinan su programación energética para el día siguiente. No obstante, pueden aparecer desajustes en la programación durante el día debido a cambios con respecto a las incertidumbres consideradas. Para solventar este problema, se considera una segunda etapa con un mercado de intercambio P2P donde los agregados pueden intercambiar estas variaciones de energía y actualizar su programación energética. En cada intervalo de tiempo t, cada agregado resuelve el problema de optimización para los intervalos de tiempo restantes y proporciona la variación de energía para ese determinado tramo t en el mercado de intercambio P2P. La variación de energía con respecto a la primera etapa puede ser calculada como: ∆𝐸𝑛(𝑡)={𝐸𝑏𝑛(𝑡)−𝐸𝑏𝑛(𝑡) , 𝑛∈𝐵 𝐸𝑠𝑛(𝑡)−𝐸𝑠𝑛(𝑡), 𝑛∈𝑆 (5.19) ( Siendo para ∆E > 0, la cantidad de energía a comprar y para ∆E < 0, la cantidad de energía a vender. Una vez recibidas las ofertas, el agregador ejecuta el mercado P2P y asigna los intercambios de energía. Este mercado sigue las siguientes reglas: • La cantidad de energía asignada debe ser igual o menor a la cantidad ofertada por el usuario. Esto implica que, si un usuario decide vender 2 kWh, no se le puede asignar la venta de 2,5 kWh, pero sí 1,5 kWh si la demanda no satisface la oferta de energía para ese tramo. • Cada usuario puede recibir energía de varias fuentes. Por ejemplo, si un usuario requiere 3 kWh, esta energía puede provenir de varios usuarios, cada uno contribuyendo con 1 kWh. • Los precios de las ofertas están restringidos por los precios de la red eléctrica. Esto significa que el precio de venta en una oferta coincide con el precio de venta de la red eléctrica, y el precio de compra en una oferta se alinea con el precio de compra respectivo. Sin embargo, el precio final se determinará en función de la relación entre la oferta y la demanda, y estará dentro del rango de los precios de la red eléctrica. Como consecuencia de la operación del mercado P2P, se asignarán los intercambios a los diversos agregados de la siguiente manera: 𝑂𝑓𝑒𝑟𝑡𝑎 𝑎𝑠𝑖𝑔𝑛𝑎𝑑𝑎𝑛(𝑡)= 𝛾𝑛(𝑡),𝐸𝑛𝑃2𝑃(𝑡),𝑆𝑛𝑃2𝑃(𝑡) (5.20) ( Donde γn es el precio, EnP2P es la energía asignada para el usuario n y SnP2P la fuente del intercambio energético para el usuario n en el tramo t. 5.4.3 Tercera etapa: Facturación eléctrica En esta etapa se calcula los costes por cada tramo t de cada agregado según los datos registrados por los contadores inteligentes y las asignaciones de energía de las dos etapas anteriores. Por lo tanto, el primer paso es calcular las desviaciones que se han cometido de la siguiente forma: 𝛿𝑛=𝐸𝑛𝑟𝑒𝑎𝑙−𝐸𝑛𝐶𝐸−𝐸𝑛𝑃2𝑃 (5.21) Siendo Ereal la energía medida por el Smart Meter, ECE la energía asignada en la primera etapa y EP2P la energía intercambiada en la segunda etapa. 29 Desarrollo de Sistema de Gestión para Comunidad Energética basada en la Agregación de Prosumidores Con el cálculo de las desviaciones, los costes se hallan según las siguientes situaciones: • Si el prosumidor n es un vendedor y δn < 0, quiere decir que se ha vendido más energía de la programada. 𝐶𝑛=𝜆𝑠∗𝐸𝑛𝐶𝐸+ 𝛾𝑛∗𝐸𝑛𝑃2𝑃+𝜆𝑢,𝑠∗ 𝛿𝑛 (5.22) • Si el prosumidor n es un vendedor y δn > 0, quiere decir que la cantidad de energía vendida es menor que la energía programada. 𝐶𝑛=𝜆𝑠∗𝐸𝑛𝐶𝐸+ 𝛾𝑛∗𝐸𝑛𝑃2𝑃+𝜆𝑢,𝑏∗ 𝛿𝑛 (5.23) • Si el prosumidor n es un comprador y δn > 0, quiere decir que más energía ha sido comprada por el prosumidor. 𝐶𝑛=𝜆𝑏∗𝐸𝑛𝐶𝐸+ 𝛾𝑛∗𝐸𝑛𝑃2𝑃+𝜆𝑢,𝑏∗ 𝛿𝑛 (5.24) • Si el prosumidor n es un comprador y δn < 0, que la cantidad de energía requerida es menor a la programada. 𝐶𝑛=𝜆𝑏∗𝐸𝑛𝐶𝐸+ 𝛾𝑛∗𝐸𝑛𝑃2𝑃+𝜆𝑢,𝑠∗ 𝛿𝑛 (5.25) Siendo la suma de los costes por tramos el coste total para el día en cuestión. Además, para comparar resultados, se calculan los costes en caso de no contar con la comunidad energética y comerciar directamente con la red eléctrica: 𝐶𝑛∗={𝜆𝑢,𝑏∗ 𝐸𝑛real, 𝑠𝑖 𝐸𝑛𝑟𝑒𝑎𝑙>0 𝜆𝑢,𝑠∗ 𝐸𝑛real , si En𝑟𝑒𝑎𝑙<0 (5.26) Por último, los indicadores clave de desempeño de la comunidad energética que se utilizan para evaluar el modelo son la proporción de ahorro individual y la autosuficiencia de la comunidad: • Share of individual savings (SIS). Se define como el porcentaje de ahorro realizado por un prosumidor o consumidor individual gracias al comercio en la CE en comparación con el comercio sin CE. El SIS se presenta en (5.25), donde C*n,t y Cn,t son los costes netos para el comercio de electricidad sin y con CE, respectivamente, para el agregado n. 𝑆𝐼𝑆𝑛=∑(𝐶𝑛,𝑡 ∗−𝐶𝑛,𝑡) 𝑡|∑𝐶𝑛,𝑡 ∗ 𝑡| (5.27) • Community self-sufficiency (SS). Se trata del porcentaje de electricidad demandada por los agentes comunitarios locales que se produce dentro de la comunidad. La comunidad SS se expresa por (5.26), donde Edemand es la cantidad de energía demandada real por los usuarios y Egrid es la cantidad de energía requerida en la red eléctrica. 𝑆𝑆𝑡=1− 𝐸𝑔𝑟𝑖𝑑,𝑡 𝐸𝑑𝑒𝑚𝑎𝑛𝑑,𝑡 (5.28) Una vez que se han definido las políticas de agregación de la Comunidad Energética, se encuentra en disposición de proceder a la construcción del simulador de casos de uso, en el cual se evaluarán y someterán a prueba los algoritmos correspondientes. 6 SIMULADOR DE CASOS DE USO l simulador de casos de uso es una herramienta diseñada para analizar y evaluar diferentes casos de uso relacionados con la Comunidad Energética. El objetivo principal del simulador es explorar diversas combinaciones de perfiles y obtener una amplia gama de respuestas para los agregados de la comunidad. Para ello, se definen una serie de perfiles para el consumo energético, la generación fotovoltaica y el vehículo eléctrico. Todo esto sumado al uso de precios reales históricos, permiten mediante la combinación de estos perfiles, evaluar diferentes escenarios y analizar su impacto en la comunidad energética. Por ejemplo, se pueden analizar los beneficios de la generación fotovoltaica en términos de reducción de la dependencia de la red eléctrica y los ahorros económicos, considerando diferentes patrones de consumo y precios de la energía. En la figura 6.1 se puede ver la estructura de este simulador de casos de uso, cuyos componentes se explicarán en detalle en los siguientes apartados. Figura 6.1. Estructura Simulador de Casos de Uso. 6.1 Datos A continuación, se exponen las colecciones de datos y herramientas utilizadas para la generación de los archivos CSV correspondientes a la generación fotovoltaica, consumo eléctrico, precios y EV. 6.1.1 Precios El precio de la energía procedente de la red eléctrica es una de las variables más importantes en la Comunidad Energética. Es una variable que influye directamente en los precios de intercambio y en los costes de los agregados. Se utiliza un dataset formado por los precios en España de la tarifa PVPC 2.0 TD para el año 2022 con frecuencia de 15 minutos. El dataset se genera mediante Python haciendo uso de los datos de las tarifas PVPC descargados mediante la web de eSios (Sistema de Información del Operador del Sistema). Hasta el 31 de mayo de 2021, las tarifas de PVPC se dividían en la tarifa por defecto, 2.0 A; la tarifa eficiencia dos periodos, 2.0 DHA, y la de vehículo eléctrico, 2.0 DHS. No obstante, a partir de esa fecha, son sustituidas por una única tarifa denominada 2.0 TD. Esta tarifa cuenta con una discriminación horaria en tres periodos en los que la aplicación de peajes y cargos regulatorios varía según tres períodos: punta, llano y valle. E Simulador de Casos de Uso 32 En la siguiente figura, se representa la evolución de precio para las tarifas PVPC 2.0 A y 2.0 TD. La primera diferencia destacable es el aumento del precio, así como la inestabilidad del precio en los dos últimos años. En marzo de 2022, por ejemplo, alcanzando valores cercanos a 1 €/kWh. Mientras, en los primeros años, el precio se mantiene constante generalmente alcanzado un valor medio de 0.11 €/kWh en 2019 y 0.14 €/kWh en 2020. Figura 6.2. Evolución del Precio Voluntario para el Pequeño Consumidor (PVPC) en los últimos años. Además de la variabilidad en los niveles máximos y mínimos de esta tarifa, otra característica significativa son los precios dinámicos que se presentan a lo largo del día, dividiéndose en tres periodos como se mencionó anteriormente y se ilustra en la figura 6.3. Figura 6.3. Tarifa 2.0 TD. 33 Desarrollo de Sistema de Gestión para Comunidad Energética basada en la Agregación de Prosumidores 6.1.2 Generación fotovoltaica Se diseña un módulo SW mediante la librería pvlib [69] en Python para la simulación del rendimiento de las instalaciones fotovoltaicas. Según la localización y la potencia de la instalación deseada, se genera los datos de generación energética típicos en intervalos de 15 minutos para un año completo. Para la simulación del rendimiento de las instalaciones, se extrae el Typical Meteorological Year (TMY) de Sevilla haciendo uso de la API de Photovoltaic Geographical System (PVGIS). Los conjuntos de datos TMY proporcionan la radiación solar, temperatura del aire, velocidad del viento y otras mediciones meteorológicas en intervalos de una hora para un año hipotético. No obstante, se aplica una interpolación lineal para obtener los datos en tramos de 15 minutos. Otro parámetro importante son los componentes de la instalación. Se diseña una serie de instalaciones según la potencia deseada: Instalación Inversor Módulos por string Strings por inversor Potencia DC (kWp) Potencia AC (kWp) I Fronius Primo GEN24 3kw 4 2 3,68 3 II Fronius Primo 5.0-1 208-240 6,5 2 5,98 5 III Fronius Primo 6.0-1 208-240 7,5 2 6,44 6 IV Fronius Primo 8.0-1 208-240 10 2 9,2 8 Tabla 6.1. Características de la instalación. Para todos los casos, se utiliza el modelo de panel solar Panel JA Solar 460W 24V monocristalino Perc con un ángulo de inclinación de 25 grados y orientación sur. Además, se estima un factor de suciedad de 0,2 y no se consideran pérdidas por sombras. En la siguiente figura, se presentan las comparativas de la generación de energía solar de las diversas instalaciones. Se puede apreciar cómo la generación de energía está limitada por la potencia nominal de corriente alterna (AC) del inversor utilizado en cada instalación. Esta limitación es un factor determinante en la eficiencia y rendimiento de la generación de energía solar. Figura 6.4. Comparativa de la generación solar para las diferentes instalaciones en Sevilla. Simulador de Casos de Uso 34 Por último, en la siguiente figura se presentan los resultados de la generación de energía solar de la instalación I según la época del año. Se puede observar la variación de la cantidad de horas de radiación solar que incide en la instalación a lo largo del año. Figura 6.5. Curvas de generación de la instalación I para distintas épocas del año en Sevilla. 6.1.3 Consumo eléctrico Para el consumo eléctrico se utiliza un dataset extraído de Zenodo [40]. Los datos describen una comunidad de energía eléctrica, que contiene perfiles de generación fotovoltaica (PV) y perfiles de consumo de usuario final. Las curvas de consumo corresponden a 50 hogares residenciales y un edificio público (biblioteca municipal) cubriendo un año completo en intervalos de 15 minutos. En la siguiente imagen, se puede observar algunos de los perfiles de consumo pertenecientes a este dataset. Figura 6.6. Perfiles de consumo de usuario final pertenecientes al dataset. 35 Desarrollo de Sistema de Gestión para Comunidad Energética basada en la Agregación de Prosumidores Cada perfil de consumo se encuentra desagregado en el consumo individual de las aplicaciones más comunes en una vivienda (AC, lavavajillas, lavadora …). En la figura 2.5 se muestra un ejemplo de la desagregación para el usuario 1 en un día concreto. Gracias a esta desagregación, se puede simular el control de cargas por parte de los agregados aumentando su flexibilidad en la gestión energética. Figura 6.7. Perfil de consumo desagregado en diferentes aplicaciones. Simulador de Casos de Uso 42 En la figura 6.14 se expone el caso “Prosumidor + CC +EV”. Se puede comprobar que el SOC del vehículo eléctrico disminuye para contrarrestar el consumo y se generan excedentes de energía en los tramos donde el EV no está disponible. Figura 6.14. HEMS - Prosumidor + CC + EV. 43 Desarrollo de Sistema de Gestión para Comunidad Energética basada en la Agregación de Prosumidores Por último, se expone el caso “Prosumidor + CC + BESS + EV”. Este caso es similar al presentado anteriormente, con la diferencia de que la batería se carga durante los tramos de generación solar disminuyendo los excedentes a la red. Figura 6.15. HEMS - Prosumidor + CC + BESS + EV. Con la presentación de la última gráfica, concluye la exposición del módulo HEMS y se da paso a la última parte del simulador de casos de uso donde se expondrán los tipos de resultados. En dicho apartado, se examinarán en detalle los atributos y datos recogidos en los Dataframes "Comunidad" y "Usuarios" para comprender de manera más profunda los resultados generados por el sistema de gestión. Simulador de Casos de Uso 44 6.3 Resultados Para la adquisición y visualización de los datos, se emplea cuadernos Jupyter como entorno de desarrollo interactivo mediante Python. Estos cuadernos se utilizan para acceder a fuentes de datos, procesar la información y presentar los resultados de una manera clara y efectiva. Los cuadernos Jupyter también permiten la creación de visualizaciones gráficas para mejorar la comprensión de los datos y los resultados. Para ello, se han utilizado las librerías Pandas y Seaborn. La llamada a las funciones del módulo CEMS se realizan desde este entorno, permitiendo el acceso a los Dataframes “Comunidad” y “Usuarios”. Además, permite modificar ciertos parámetros internos del módulo CEMS como el día de simulación que permiten realizar las diferentes pruebas que se describen en el próximo capítulo. El Dataframe “Usuarios” contiene todos los atributos resultantes de las tres etapas consideradas a nivel agregado. En la siguiente tabla, se describe cada atributo junto con el tipo de dato y sus unidades. Tabla 6.3. Atributos Dataframe "Usuarios". Atributo Descripción Tipo Unidades timestamp Marca temporal en estructura datetime "%Y-%m-%d %H:%m:00". string - ID Identificador, formato “Hxx”. string - pr_compra Precio importación de la red eléctrica. number €/kWh pr_venta Precio exportación de la red eléctrica. number €/kWh pm_compra Precio interno de compra. number €/kWh pm_venta Precio interno de venta. number €/kWh pr_p2p Precio asignado en intercambio P2P. number €/kWh E_ce Energía asignada por agregado en primera etapa. number kWh ofertas_p2p Energía requerida por agregado en segunda etapa. number kWh E_p2p Energía asignada por agregado en segunda etapa. number kWh Fuente Fuente de los intercambios P2P. string - E_sm Energía medida por Smartmeter. number kWh coste Coste total de todos los agregados. number € coste_sin_ce Coste total de todos los agregados sin CE. number € sis Share of individual savings (KPI) number % Entre sus atributos, se pueden observar los diferentes precios, los intercambios de energía efectuados en las dos primeras etapas, así como los costes asociados y el ahorro obtenido calculados en la tercera etapa. Además, este Dataframe recoge los datos para todos los usuarios, permitiendo mediante los atributos timestamp e ID obtener los datos requeridos para cada usuario. Estos atributos son representados en gráficas para el estudio y validación de los resultados como se verá en el próximo capítulo. La valoración de estos datos a nivel comunitario genera como respuesta el Dataframe “Comunidad”. Este Dataframe posee atributos idénticos al Dataframe “Usuarios” como el timestamp, ID y los diferentes precios. Además, se añaden otros términos como Community-to-grid (C2G), Energy Sharing (ES) y Grid-to- Community (G2C) que permiten reflejar de forma clara el estado energético de la CE para los diferentes tramos del día en la primera etapa. A continuación, se exponen los atributos que conforman el Dataframe “Comunidad”. 45 Desarrollo de Sistema de Gestión para Comunidad Energética basada en la Agregación de Prosumidores Tabla 6.4. Atributos Dataframe "Comunidad". Atributo Descripción Tipo Unidades timestamp Marca temporal en estructura datetime "%Y-%m-%d %H:%m:00" String - ID Identificador de la fuente, en este caso “CE”. string - pr_compra Precio importación de la red eléctrica. number €/kWh pr_venta Precio exportación de la red eléctrica. number €/kWh pm_buy Precio interno de compra. number €/kWh pm_sell Precio interno de venta. number €/kWh ES Energía intercambiada en la primera etapa. number kWh C2G Energía exportada a la red en la primera etapa. number kWh G2C Energía importada a la red en la primera etapa. number kWh ofertas_p2p Energía requerida en segunda etapa. number kWh P2P Energía intercambiada en la segunda etapa. number kWh coste Coste total de todos los agregados. number € coste_sin_ce Coste total de todos los agregados sin CE. number € SS Self-Sufficiency (KPI) number - Después de haber completado la creación del simulador de casos de uso, el siguiente paso implica llevar a cabo las diversas pruebas para observar el funcionamiento del sistema desarrollado, un tema que se abordará en el siguiente capítulo. 7 PRUEBAS l objetivo principal de este capítulo es analizar las diferentes variaciones a nivel energético que pueden darse en el escenario definido, estudiando los impactos que tiene tanto en la comunidad como en los usuarios. En el apartado de políticas de agregación, se analiza en detalle las etapas de agregación con respecto a los dos mecanismos de coste desarrollados. Posteriormente, se analizan los efectos de la estacionalidad en la autosuficiencia de la comunidad y los costes asociados. Finalmente, se examinan las fluctuaciones de precios y su influencia en los ahorros energéticos. El escenario definido corresponde al caso de estudio descrito en la sección 3.1, que involucra a 50 usuarios con diversas tecnologías: 11 usuarios con paneles solares, 17 usuarios con vehículos eléctricos, 5 usuarios con baterías y 10 usuarios con cargas controlables. Por lo tanto, se han definido varios perfiles de usuarios como punto de partida para analizar el impacto de las políticas de agregación, como se detalla a continuación. 7.1 Políticas de agregación En esta prueba, se lleva a cabo la simulación de un día típico en la CE, concretamente el 20 de septiembre, con el propósito de analizar las fases de las políticas de agregación y evaluar el impacto de los mecanismos de costes MMR y SDR. 7.1.1 Primera etapa: Estado CE La primera etapa permite conocer el estado de la comunidad energética en el día anterior, estableciendo los intercambios energéticos entre los usuarios y los flujos de energía con la red eléctrica, véase figura 7.1. Se puede observar los intercambios energéticos entre los usuarios mediante el término Energy Sharing (ES), la energía requerida de red mediante Grid-to-Community (G2C) y los excedentes de energía mediante el término Community-to-Grid (C2G). Además, el establecimiento de los precios internos, en este caso, mediante el mecanismo MMR. Figura 7.1. Primera etapa: Estado CE (MMR). En la figura 7.2 se representa el estado de la CE según el mecanismo SDR. Se aprecia la diferencia de precios con respecto el caso anterior, siendo menos elevados en el caso del mecanismo SDR. Esto induce a ciertos cambios por parte de los usuarios, pudiendo observar cómo varía la demanda con la variación de precios. E Pruebas 48 Figura 7.2. Primera etapa: Estado CE (SDR). 7.1.2 Segunda etapa: Mercado P2P La segunda etapa corresponde con la actualización de la programación energética de los usuarios y la ejecución del mercado P2P en tiempo real. En las siguientes figuras, se representan los intercambios P2P asignados en las dos simulaciones, frente a las ofertas que no han podido ser asignadas a nivel comunitario. La suma de ambas variables corresponde a las ofertas recibidas de venta o compra, según cuál no haya ha sido la variable limitante en los intercambios. Ambas gráficas presentan similitudes notables, ya que dependen de las desviaciones de los usuarios y a las regulaciones del mercado P2P. No obstante, se observa la importancia de esta etapa para la reducción de las desviaciones y su impacto. Figura 7.3. Segunda etapa: Mercado P2P (MMR). Figura 7.4. Segunda etapa: Mercado P2P (SDR). 49 Desarrollo de Sistema de Gestión para Comunidad Energética basada en la Agregación de Prosumidores A nivel usuario, las desviaciones pueden ser positivas o negativas para todos los tramos. En la siguiente figura, se muestra los intercambios P2P realizados por el consumidor “H09” en la simulación con el mecanismo MMR. Figura 7.5. Segunda etapa: Mercado P2P – Usuario "H09". No obstante, en determinados casos, las desviaciones son gestionadas mediante el uso de baterías y EV, reduciendo así las ofertas declaradas en el mercado como el caso del usuario “H11”, véase la figura 7.6. Figura 7.6. Segunda etapa: Mercado P2P – Usuario "H11". Estos intercambios P2P se definen en función del precio, la cantidad de energía y las fuentes de dichos intercambios, como se ilustra en la siguiente imagen. Esta representación muestra los datos de intercambio para el período comprendido entre las 17:00 y las 17:45 horas. Figura 7.7. Resultados Segunda Etapa: Mercado P2P - Usuario "H11". Pruebas 50 7.1.3 Tercera etapa: Facturación eléctrica En la tercera etapa, se lleva a cabo el cálculo de los costos y los indicadores clave de rendimiento (KPIs) tanto a nivel comunitario como individual, tal y como se detalla en la sección 5.4.3. A continuación, se muestran los resultados obtenidos para esta etapa con respecto a los diferentes mecanismos de costes. Figura 7.8. Tercera etapa: Facturación eléctrica (MMR). Figura 7.9. Tercera etapa: Facturación eléctrica (SDR). Se puede comprobar que el coste a nivel comunitario es ligeramente más alto que con respecto a la comercialización directa con la red eléctrica en algunos tramos del día. Esta diferencia de costes se puede ver relacionada con los valores negativos de la autosuficiencia. Estos valores indican las desviaciones acumuladas de los agregados requiriendo mayor energía de la red que la realmente necesitada. No obstante, dichas desviaciones no tienen gran impacto en los costes finales. En la siguiente tabla, se puede observar estos valores de costes y la autosuficiencia según el mecanismo de coste. Tabla 7.1. Resultados CE según mecanismo de coste. R S R ía Coste (€) Coste sin CE (€) SS Coste (€) Coste sin CE (€) SS 20/09/2020 174,03 199,87 0,19 170,15 199,3 0,17 51 Desarrollo de Sistema de Gestión para Comunidad Energética basada en la Agregación de Prosumidores La autosuficiencia de la CE es ligeramente superior en el caso del mecanismo de coste MMR, obteniendo un ahorro de aproximadamente 26 €. No obstante, con el mecanismo SDR, se obtiene un ahorro aún mayor de 29€. Una vez analizado el impacto a nivel comunitario, se detalla los resultados obtenidos para algunos usuarios permitiendo de esta forma una visión general de la comunidad y las limitaciones de estas políticas de agregación. En la siguiente tabla, se muestran los resultados de una colección de usuarios con diferentes perfiles según las distintas tecnologías usadas. Tabla 7.2. Resultados a nivel usuario según mecanismo de coste. MMR SDR ID Tipo de usuario Coste (€) Coste sin CE (€) SIS Coste (€) Coste sin CE (€) SIS H10 Consumidor 3,46 3,67 5,8 3,26 3,67 11,3 H11 Prosumidor + CC + BESS + EV 4,84 5,71 15,2 4,74 5,33 11,1 H18 Prosumidor + CC + BESS -3,94 -2,05 91,6 -3,01 -2,02 48,7 H28 Prosumidor + CC 5,28 6,51 18,8 5,1 6,4 20,4 H39 Consumidor + EV 3,22 3,67 12,3 2,79 3,62 23 Los consumidores como “H10” son los menos beneficiados debido a que su actividad se centra en el consumo energético, obteniendo mayores beneficios aquellos con mayor consumo en las franjas de generación solar. El usuario “H39” obtiene una mejora de los beneficios debido a que permite la optimización de la curva de consumo mediante la integración del EV. Además, los prosumidores con CC obtienen beneficios gracias al reajuste de su consumo y la venta de excedentes con mejores precios que con respecto a la red eléctrica como el caso de “H28”. El usuario “H18” obtiene el mejor beneficio mediante el uso de placas solares, cargas controlables y batería, permitiendo la optimización de los flujos de energía con la Comunidad. En este contexto, los vehículos eléctricos también contribuyen a esta gestión, aunque no están disponibles durante todas las horas del día, a diferencia de las baterías. En el caso de “H11” este porcentaje se reduce debido a que reduce los excedentes de energía con respecto al usuario “H18”. La característica principal de los mecanismos desarrollados es que permite obtener beneficios a todos los usuarios de la comunidad energética. Estos beneficios son dependientes a la cantidad de energía intercambiada y son mayores en aquellos usuarios capaces de modificar sus curvas de consumo según la situación de la comunidad. No obstante, en el caso del mecanismo MMR los beneficios para los consumidores son más ajustados, mientras los prosumidores pueden obtener beneficios muy altos. Estas situaciones se presentan cuando los excedentes son elevados y permiten la obtención de ingresos. El mecanismo SDR permite tener una repartición de los costes más significativa para los consumidores, permitiendo a su vez a los prosumidores obtener grandes porcentajes de beneficios, pero limitando en mayor medida estos ingresos. A continuación, se expone el ejemplo del usuario “H11” en el mecanismo MMR. En la figura 7.10 se muestra la comparativa de los intercambios de energía totales frente a los datos del Smart Meter. Se puede comprobar como los intercambios se asemejan bastante a la respuesta obtenida por el usuario. Además, se observa que el consumo del usuario es nulo durante las primeras horas del día debido al uso de las tecnologías BESS y EV. Pruebas 58 Tabla 7.7. Comparación de resultados según estacionalidad. Fecha Estación Coste (€) Coste sin CE (€) SS 04/02/2022 Invierno 286,72 305,55 0,06 12/05/2022 Primavera 113,85 137,87 0,2 22/07/2022 Verano 82,75 107,28 0,28 09/11/2022 Otoño 168,01 182,44 0,08 7.3 Precio En este apartado, se muestra el impacto de la fluctuación de precios en la Comunidad Energética. Para ello, se va a realizar una comparación de los días 8 de marzo y el citado anteriormente, 4 de febrero. En la siguiente tabla, se recogen los datos a nivel comunitario obtenidos para ambos días. El día 8 de marzo registra los precios más elevados del año, alcanzando casi el doble de costes que con respecto el día 4 de febrero. Además, se obtiene una reducción aproximada de 58 € en comparación con los 19 € del otro día. Tabla 7.8. Comparación de resultados según precio. Fecha Estación Coste (€) Coste sin CE (€) SS 04/02/2022 Invierno 286,72 305,55 0,06 08/03/2022 Primavera 452,6 510,15 0,14 En las figuras 7.18-7.20, se pueden ver los datos obtenidos de las tres etapas según el mecanismo SDR para el día 8 de marzo. Los precios de compra duplican el valor que para el día 4 de febrero, lo que provoca una mayor diferencia entre los precios de compra y venta de la red. Como consecuencia, el precio del mercado P2P también varía obteniendo mayores valores. La asignación de precios internos permite la reducción de estos elevados valores, teniendo como consecuencia reducciones importantes de costes de hasta 3 € en algunos tramos. Figura 7.18. Primera etapa: Estado CE – 8 de marzo de 2022. 59 Desarrollo de Sistema de Gestión para Comunidad Energética basada en la Agregación de Prosumidores Figura 7.19. Segunda etapa: Mercado P2P - 8 de marzo de 2022. Figura 7.20. Tercera etapa: Facturación eléctrica - 8 de marzo de 2022. A nivel usuario, la asignación de los intercambios energéticos ayuda a reducir el impacto de los elevados precios. En la tabla 7.9 se expone los resultados destacados de algunos usuarios. En el caso de los consumidores, se expone el ejemplo del usuario “H49” que, con tan solo un ahorro del 5,2%, obtiene una reducción de 44 céntimos o “H16” con una reducción de 1,27 €. Continuando en la misma línea, está el usuario “H11” que, con un ahorro del 11,4%, obtiene una reducción de 1,38 €. Por último, destaca el caso del consumidor con EV “H29”, con una reducción aproximada de 2,70 €. Tabla 7.9. Resultados a nivel usuario para el día 8 de marzo. ID Tipo de usuario Consumo (kWh) Coste (€) Coste sin CE (€) SIS H11 Prosumidor + CC + BESS + EV 10,88 10,68 12,06 11,4 H16 Consumidor 12,46 7,85 9,12 13,9 H29 Consumidor + EV 18,16 10,73 13,39 19,9 H49 Consumidor 10,38 7,87 8,31 5,2 Los resultados demuestran la importancia de la CE para reducir el impacto de los elevados precios de la red eléctrica. Mediante la simulación del día 8 de marzo, se ha demostrado que, con tan solo una autosuficiencia del 14%, la CE es capaz de conseguir una reducción de 58 €. Con esta prueba, se da por concluido el capítulo dando lugar a las conclusiones y follow-up. 8 CONCLUSIONES Y FOLLOW-UP ras la evaluación detallada del sistema implementado, es fundamental establecer acciones de seguimiento para aprovechar al máximo los resultados obtenidos y promover futuras mejoras en el ámbito de las comunidades energéticas locales. A continuación, se presentan las conclusiones y las líneas de investigación futuras resultantes de la realización de este Trabajo Fin de Máster. 8.1 Conclusiones A lo largo de este trabajo, se ha profundizado en diferentes aspectos clave relacionados con las Comunidades Energéticas y su gestión. En primer lugar, el desarrollo del marco teórico relevante en torno a las Comunidades Energéticas, destacando los objetivos y ventajas que persiguen este tipo de proyectos, así como los elementos clave en su diseño técnico y las implementaciones realizadas hoy en día en España. En segundo lugar, un estudio exhaustivo de las soluciones desarrolladas en el contexto de las Comunidades Energéticas, identificando las soluciones posibles para el desarrollo del algoritmo de gestión y aportando herramientas software relevantes para el desarrollo del simulador de casos de uso. El caso de estudio que establece el escenario y la infraestructura tecnológica, sobre la cual, se construyen las estrategias de agregación en el marco de la Comunidad Energética. Esta arquitectura incluye la definición de los elementos constitutivos, su funcionalidad, las interfaces estándar con los HEMS (Home Energy Management Systems) y SmartMeters, por una parte, y con la operadora y comercializadora del sistema eléctrico. El desarrollo de las políticas de agregación, mediante la definición de reglas de actuación y mecanismos de costes, compuesta por tres etapas. En la primera etapa, los usuarios ofertan iterativamente en un mercado diario y programan sus perfiles energéticos para el día siguiente. En la segunda etapa, los prosumidores actualizan su programación energética mediante la definición de ofertas en un mercado intradiario en tiempo real. Y la última etapa, que consiste en el cálculo de las desviaciones y los costes a nivel de agregado y comunidad. La implementación de un simulador de casos de uso de forma local para la simulación y análisis detallado de las políticas de agregación. Por un lado, con el desarrollo de series temporales basadas en el consumo de 50 usuarios, el rendimiento fotovoltaico de instalaciones solares fotovoltaicas con ubicación en Sevilla y el consumo del vehículo eléctrico. Todo esto sumado al uso de precios reales de la red eléctrica española, ha permitido evaluar y analizar el impacto de las políticas de agregación en la comunidad energética bajo condiciones de operación realistas. Se han mostrado los impactos que tiene esta política de agregación sobre los usuarios, haciendo hincapié en las diferentes tecnologías que pueden usar: generación solar, cargas controlables, batería y vehículo eléctrico. Se ha podido visualizar los costes y el ahorro correspondiente para una amplia variedad de usuarios. Además, se ha mostrado la correcta gestión de las viviendas adaptándose a las políticas de agregación y generando unas desviaciones de ligero impacto sobre los costes. Los usuarios experimentan un ahorro notable, aunque puede variar notablemente según el perfil del usuario. Este ahorro viene estrechamente ligado a las curvas de consumo y a los precios dinámicos definidos en la Comunidad, lo que permite obtener mayor ahorro a los usuarios que son capaces de modificar su curva de consumo, o aquellos consumidores que por característica propia tienen mayor consumo en dichas zonas. Por otro lado, se han mostrado los resultados de la política de agregación a nivel comunitario enfocándose en la autosuficiencia y los costes. Se ha podido observar que la autosuficiencia de la comunidad energética varía según la estación del año, obteniendo mayores reducciones de costes para primavera y verano. Además, se ha demostrado la importancia de la Comunidad para reducir el impacto de los costes en el caso de elevados precios en la red eléctrica. T Conclusiones y Follow-up 62 Adicionalmente, el sistema planteado permitiría la comunicación de datos con la operadora/comercializadora. Se pueden obtener datos sobre el estado de la comunidad energética 24 horas antes, incluyendo los flujos de energía con la red eléctrica para lograr mejores precios. También se registra información sobre los intercambios P2P realizados durante el día, especificando las fuentes de dichos intercambios. Además, se brinda información sobre el consumo y los costes asociados de cada usuario para fines de facturación. En conclusión, los resultados evidencian que el sistema de gestión desarrollado permite una disminución de los costos de energía de la comunidad y contribuye a mejorar la integración de los recursos de energía renovable, reduciendo, en consecuencia, la dependencia de la comunidad energética respecto a las redes de suministro aguas arriba. Además, a través del establecimiento de comunicación con la operadora de la red eléctrica, el sistema posibilita la prestación de servicios de agregación al definir el estado operativo de la comunidad energética. Se puede decir que la experiencia en la elaboración de este Trabajo Fin de Máster ha sido bastante satisfactoria. No solo por los resultados obtenidos, sino también por el gran conocimiento adquirido. El presente Trabajo Fin de Máster surge bajo el marco del proyecto IoT for AI-based Management of Energy Communities– IoT4EnCom desarrollado en el Grupo de Ingeniería Electrónica (GIE) de la Escuela Técnica Superior de Ingeniería. Como tal, la ejecución del proyecto se ha llevado a cabo en un entorno laboral, lo que implica operar en un contexto industrial con metas y plazos definidos. Además, la adquisición de conocimiento en áreas como la gestión de datos, dispositivos IoT y servidores, que han contribuido significativamente a mi desarrollo profesional. 8.2 Líneas futuras En esta sección, se proponen una serie de líneas de investigación futuras basadas en los hallazgos y resultados obtenidos en el transcurso de este proyecto: • El análisis de la escalabilidad del sistema para evaluar cómo se comporta el algoritmo de gestión a medida que se incrementa el número de usuarios de la Comunidad Energética. • La incorporación de elementos comunitarios para elevar los valores de autosuficiencia. En los casos donde la integración de la energía solar sea elevada, sería interesante el uso de sistemas de almacenamiento para reducir el consumo en momentos posteriores del día. Asimismo, la posibilidad de añadir recursos que permitan la generación de energía en otros tramos del día, como puede ser la energía eólica. • La integración de estaciones de recarga de vehículos eléctricos a nivel comunitario. Además de promover la movilidad sostenible, permitiría la optimización de la gestión energética en la Comunidad. La recarga de vehículos eléctricos podría programarse estratégicamente, aprovechando momentos de alta disponibilidad de energía renovable, lo que contribuiría a la mejora de la eficiencia y reducción de costos. • El desarrollo de un algoritmo HEMS que permita establecer un precio en el mercado P2P según sus preferencias y basándose en los datos históricos del mercado P2P. Esto permitiría a los usuarios una mejor adaptación a las políticas de agregación. • La implementación de herramientas de simulación que consideren de manera integral todos los aspectos, como el consumo, la generación, las condiciones climáticas y los precios. Esto facilitaría una mayor correlación de los datos, lo que sería altamente beneficioso para el desarrollo de los algoritmos de gestión de Comunidades Energéticas. • Llevar a cabo una implementación de la arquitectura de control propuesta en una comunidad energética a baja escala. Esta fase permitirá poner a prueba la efectividad y viabilidad de la solución desarrollada en un entorno controlado y real. 9 REFERENCIAS [1] F. Wang, J. L. Duarte, M. A. M. Hendrix, and P. F. Ribeiro, “Modeling and analysis of grid harmonic distortion impact of aggregated DG inverters,” IEEE Trans Power Electron, vol. 26, no. 3, 2011, doi: 10.1109/TPEL.2010.2091286. [2] T. Stetz, F. Marten, and M. Braun, “Improved low voltage grid-integration of photovoltaic systems in Germany,” IEEE Trans Sustain Energy, vol. 4, no. 2, 2013, doi: 10.1109/TSTE.2012.2198925. [3] J. H. R. Enslin and P. J. M. Heskes, “Harmonic-interaction between a large number of distributed power inverters and the distribution network,” IEEE Trans Power Electron, vol. 19, no. 6, 2004, doi: 10.1109/TPEL.2004.836615. [4] Y. Zhou, J. Wu, C. Long, and W. Ming, “State-of-the-Art Analysis and Perspectives for Peer-to-Peer Energy Trading,” Engineering, vol. 6, no. 7. Elsevier Ltd, pp. 739–753, Jul. 01, 2020. doi: 10.1016/j.eng.2020.06.002. [5] A. Caramizaru and A. Uihlein, “Energy communities : an overview of energy and social innovation,” 2019. [6] “Comunidades Energéticas | Idae.” Accessed: Oct. 12, 2023. [Online]. Available: https://www.idae.es/ayudas-y-financiacion/comunidades-energeticas [7] M. Afzal, Q. Huang, W. Amin, K. Umer, A. Raza, and M. Naeem, “Blockchain enabled distributed demand side management in community energy system with smart homes,” IEEE Access, vol. 8, 2020, doi: 10.1109/ACCESS.2020.2975233. [8] F. Tounquet, L. De Vos, I. Abada, I. Kielichowska, and C. Lessmann, “Energy Communities in the European Union,” Advanced System Studies for Energy Transition - ASSET project, no. May, 2019. [9] E. Fakhraian, M. Alier, F. V. Dalmau, A. Nameni, and J. C. Guerrero, “The urban rooftop photovoltaic potential determination,” Sustainability (Switzerland), vol. 13, no. 13, 2021, doi: 10.3390/su13137447. [10] V. Indragandhi, V. Subramaniyaswamy, and R. Logesh, “Resources, configurations, and soft computing techniques for power management and control of PV/wind hybrid system,” Renewable and Sustainable Energy Reviews, vol. 69. 2017. doi: 10.1016/j.rser.2016.11.209. [11] Instituto para la Diversificación y Ahorro de la Energía (IDAE), “Guía para el Desarrollo de Intrumentos de Fomento de Comunidades Energéticas Locales.” Madrid, Mar. 2019. [12] “¿Placas solares fotovoltaicas o térmicas? - Blog de Ingeniería Industrial.” Accessed: Oct. 11, 2023. [Online]. Available: https://blogs.udima.es/ingenieria-industrial/placas-solares-fotovoltaicas-o- termicas/ [13] Instituto para la Diversificación y Ahorro de la Energía (IDAE), “Análisis del estado actual del almacenamiento detrás del contador en España,” 2021. [14] M. Galici et al., “Energy blockchain for public energy communities,” Applied Sciences (Switzerland), vol. 11, no. 8, 2021, doi: 10.3390/app11083457. [15] G. Kim, J. Park, and J. Ryou, “A Study on Utilization of Blockchain for Electricity Trading in Microgrid,” in Proceedings - 2018 IEEE International Conference on Big Data and Smart Computing, BigComp 2018, 2018. doi: 10.1109/BigComp.2018.00141. [16] L. Sawyer and smartEn, “Smart Energy Prosumers,” 2020. [17] D. Frieden, J. Roberts, and A. F. Gubina, “Collective self-consumption and energy communities: Overview of emerging regulatory approaches in Europe,” COMPILE Project, no. June, 2019. [18] “Visor CCEE.” Accessed: Oct. 17, 2023. [Online]. Available: https://informesweb.idae.es/visorccee/ [19] “Juntos convertimos los tejados en energía. Energía local, más sostenible y más barata - CEL Toda Referencias 64 Navarra.” Accessed: Mar. 07, 2023. [Online]. Available: https://www.celtodanavarra.es/ [20] Powerledger, “Feníe Energía, Spain.” Accessed: Mar. 07, 2023. [Online]. Available: https://www.powerledger.io/clients/almocita-spain [21] Avaesen, “Ampere Energy presenta en GENERA su plataforma para la gestión de comunidades energéticas y servicios P2P.” Accessed: Mar. 07, 2023. [Online]. Available: https://www.avaesen.es/ampere-energy-presenta-en-genera-su-plataforma-para-la-gestion-de- comunidades-energeticas-y-servicios-p2p/ [22] J. Menéndez Sánchez and J. Fernández Gómez, “COMUNIDADES ENERGÉTICAS CASOS DE ESTUDIO,” 2022, [Online]. Available: www.orkestra.deusto.es [23] R. Rana, K. Berg, M. Z. Degefa, and M. Loschenbrand, “Modelling and Simulation Approaches for Local Energy Community Integrated Distribution Networks,” IEEE Access, vol. 10, 2022, doi: 10.1109/ACCESS.2022.3140237. [24] T. Sousa, T. Soares, P. Pinson, F. Moret, T. Baroche, and E. Sorin, “Peer-to-peer and communitybased markets: A comprehensive review,” Renewable and Sustainable Energy Reviews, vol. 104. 2019. doi: 10.1016/j.rser.2019.01.036. [25] T. A. Nakabi and P. Toivanen, “Deep reinforcement learning for energy management in a microgrid with flexible demand,” Sustainable Energy, Grids and Networks, vol. 25, 2021, doi: 10.1016/j.segan.2020.100413. [26] P. D. Lund, J. Lindgren, J. Mikkola, and J. Salpakari, “Review of energy system flexibility measures to enable high levels of variable renewable electricity,” Renewable and Sustainable Energy Reviews, vol. 45. 2015. doi: 10.1016/j.rser.2015.01.057. [27] M. Khorasany, R. Razzaghi, and A. Shokri Gazafroudi, “Two-stage mechanism design for energy trading of strategic agents in energy communities,” Appl Energy, vol. 295, Aug. 2021, doi: 10.1016/j.apenergy.2021.117036. [28] W. Tushar, C. Yuen, H. Mohsenian-Rad, T. Saha, H. V. Poor, and K. L. Wood, “Transforming energy networks via peer-to-peer energy trading: The potential of game-theoretic approaches,” IEEE Signal Process Mag, vol. 35, no. 4, pp. 90–111, Jul. 2018, doi: 10.1109/MSP.2018.2818327. [29] N. Liu, X. Yu, C. Wang, and J. Wang, “Energy Sharing Management for Microgrids with PV Prosumers: A Stackelberg Game Approach,” IEEE Trans Industr Inform, vol. 13, no. 3, pp. 1088– 1098, Jun. 2017, doi: 10.1109/TII.2017.2654302. [30] M. Zhang, F. Eliassen, A. Taherkordi, H. A. Jacobsen, H. M. Chung, and Y. Zhang, “Energy trading with demand response in a community-based P2P energy market,” in 2019 IEEE International Conference on Communications, Control, and Computing Technologies for Smart Grids, SmartGridComm 2019, Institute of Electrical and Electronics Engineers Inc., Oct. 2019. doi: 10.1109/SmartGridComm.2019.8909798. [31] S. Cui, Y. W. Wang, and N. Liu, “Distributed game-based pricing strategy for energy sharing in microgrid with PV prosumers,” IET Renewable Power Generation, vol. 12, no. 3, pp. 380–388, Feb. 2018, doi: 10.1049/iet-rpg.2017.0570. [32] M. Pilz and L. Al-Fagih, “Selfish energy sharing in prosumer communities: A demand-side management concept,” in 2019 IEEE International Conference on Communications, Control, and Computing Technologies for Smart Grids, SmartGridComm 2019, 2019. doi: 10.1109/SmartGridComm.2019.8909791. [33] R. Faia, J. Soares, T. Pinto, F. Lezama, Z. Vale, and J. M. Corchado, “Optimal Model for Local Energy Community Scheduling Considering Peer to Peer Electricity Transactions,” IEEE Access, vol. 9, 2021, doi: 10.1109/ACCESS.2021.3051004. [34] S. Lilla, C. Orozco, A. Borghetti, F. Napolitano, and F. Tossani, “Day-Ahead Scheduling of a Local Energy Community: An Alternating Direction Method of Multipliers Approach,” IEEE Transactions on Power Systems, vol. 35, no. 2, 2020, doi: 10.1109/TPWRS.2019.2944541. 65 Desarrollo de Sistema de Gestión para Comunidad Energética basada en la Agregación de Prosumidores [35] D. Qiu, J. Wang, J. Wang, and G. Strbac, “Multi-Agent Reinforcement Learning for Automated Peer- to-Peer Energy Trading in Double-Side Auction Market,” in IJCAI International Joint Conference on Artificial Intelligence, 2021. doi: 10.24963/ijcai.2021/401. [36] J. Almeida, B. Canizes, J. Soares, and Z. Vale, “Energy consumption and renewable generation data of 5 aggregators - 15 minute resolution (13 bus grid),” Dec. 2020, doi: 10.5281/ZENODO.4399670. [37] R. Faia, J. Soares, M. A. F. Ghazvini, J. F. Franco, and Z. Vale, “Energy consumption and PV generation data of 50 prosumers and energy consumption of 40 electric vehicles - 15-minute resolution,” May 2021, doi: 10.5281/ZENODO.4737293. [38] L. Pereira, F. Quintal, R. Gonçalves, and N. J. Nunes, “SustData: A Public Dataset for ICT4S Electric Energy Research,” 2014. doi: 10.2991/ict4s-14.2014.44. [39] S. Ramos, J. Soares, Z. Foroozandeh, I. Tavares, and Z. Vale, “Energy consumption and PV generation data of 15 prosumers (15 minute resolution),” Jul. 2021, doi: 10.5281/ZENODO.5106455. [40] C. Goncalves, R. Barreto, P. Faria, L. Gomes, and Z. Vale, “Dataset of an Energy Community’s Consumption and Generation with Appliance Allocation for One Year,” Jun. 2022, doi: 10.5281/ZENODO.6778401. [41] H. Kazmi, Í. Munné-Collado, F. Mehmood, T. A. Syed, and J. Driesen, “Towards data-driven energy communities: A review of open-source datasets, models and tools,” Renewable and Sustainable Energy Reviews, vol. 148. 2021. doi: 10.1016/j.rser.2021.111290. [42] N. Pflugradt, P. Stenzel, L. Kotzur, and D. Stolten, “LoadProfileGenerator: An Agent-Based Behavior Simulation for Generating Residential Load Profiles,” J Open Source Softw, vol. 7, no. 71, 2022, doi: 10.21105/joss.03574. [43] G. Hoogsteen, A. Molderink, J. L. Hurink, and G. J. M. Smit, “Generation of flexible domestic load profiles to evaluate Demand Side Management approaches,” in 2016 IEEE International Energy Conference, ENERGYCON 2016, 2016. doi: 10.1109/ENERGYCON.2016.7513873. [44] D. A. Broden, K. Paridari, and L. Nordstrom, “Matlab applications to generate synthetic electricity load profiles of office buildings and detached houses,” in 2017 IEEE Innovative Smart Grid Technologies - Asia: Smart Grid for Smart Community, ISGT-Asia 2017, 2018. doi: 10.1109/ISGT- Asia.2017.8378371. [45] “PV Performance Modeling Collaborative (PVPMC) – Sandia National Laboratories.” Accessed: Oct. 17, 2023. [Online]. Available: https://pvpmc.sandia.gov/ [46] W. F. Holmgren, C. W. Hansen, and M. A. Mikofski, “pvlib python: a python package for modeling solar energy systems,” J Open Source Softw, vol. 3, no. 29, p. 884, Sep. 2018, doi: 10.21105/joss.00884. [47] “PVWatts Calculator.” Accessed: Oct. 17, 2023. [Online]. Available: https://pvwatts.nrel.gov/ [48] G. B. Andresen, A. A. Søndergaard, and M. Greiner, “Validation of Danish wind time series from a new global renewable energy atlas for energy system analysis,” Energy, vol. 93, 2015, doi: 10.1016/j.energy.2015.09.071. [49] C. Gaete-Morales, H. Kramer, W.-P. Schill, and A. Zerrahn, “An open tool for creating battery-electric vehicle time series from empirical data, emobpy,” Sci Data, vol. 8, no. 1, p. 152, Jun. 2021, doi: 10.1038/s41597-021-00932-9. [50] N. Wulff, F. Miorelli, H. C. Gils, and P. Jochem, “Vehicle energy consumption in python (Vencopy): Presenting and demonstrating an open-source tool to calculate electric vehicle charging flexibility,” Energies (Basel), vol. 14, no. 14, 2021, doi: 10.3390/en14144349. [51] P. A. Lopez et al., “Microscopic Traffic Simulation using SUMO,” in IEEE Conference on Intelligent Transportation Systems, Proceedings, ITSC, 2018. doi: 10.1109/ITSC.2018.8569938. [52] W. McKinney, “Data Structures for Statistical Computing in Python,” in Proceedings of the 9th Python in Science Conference, 2010. doi: 10.25080/majora-92bf1922-00a. [53] C. R. Harris et al., “Array programming with NumPy,” Nature, vol. 585, no. 7825. 2020. doi: Referencias 66 10.1038/s41586-020-2649-2. [54] J. D. Hunter, “Matplotlib: A 2D graphics environment,” Comput Sci Eng, vol. 9, no. 3, 2007, doi: 10.1109/MCSE.2007.55. [55] M. Waskom, “seaborn: statistical data visualization,” J Open Source Softw, vol. 6, no. 60, 2021, doi: 10.21105/joss.03021. [56] Chollet François, “Keras: The Python Deep Learning library,” Keras.Io, 2015. [57] F. Pedregosa et al., “Scikit-learn: Machine learning in Python,” Journal of Machine Learning Research, vol. 12, 2011. [58] A. Paszke et al., “PyTorch: An imperative style, high-performance deep learning library,” in Advances in Neural Information Processing Systems, 2019. [59] TensorFlow Developers, “TensorFlow.” Zenodo, Sep. 26, 2023. [60] “PyCaret — pycaret 3.0.4 documentation.” Accessed: Oct. 17, 2023. [Online]. Available: https://pycaret.readthedocs.io/en/latest/index.html [61] W. E. Hart, C. Laird, J.-P. Watson, and D. L. Woodruff, “Pyomo – Optimization Modeling in Python,” Advances in Modeling Agricultural Systems, vol. 67, 2012. [62] S. Mitchell, M. O’Sullivan, and I. Dunning, “PuLP: A Linear Programming Toolkit for Python,” The University of Auckland, Auckland, New Zealand, 2011. [63] S. Diamond and S. Boyd, “CVXPY: A Python-embedded modeling language for convex optimization,” Journal of Machine Learning Research, vol. 17, 2016. [64] A. A. Hagberg, D. A. Schult, and P. J. Swart, “Exploring network structure, dynamics, and function using NetworkX,” in 7th Python in Science Conference (SciPy 2008), 2008. [65] D. Kiedanski, D. Kofman, and J. Horta, “PyMarket - A simple library for simulating markets in Python,” J Open Source Softw, vol. 5, no. 46, 2020, doi: 10.21105/joss.01591. [66] “What are distributed energy resources and how do they work ? | Cummins Inc.” Accessed: Oct. 15, 2023. [Online]. Available: https://www.cummins.com/news/2021/11/04/what-are-distributed-energy- resources-and-how-do-they-work [67] M. Khorasany, R. Razzaghi, and A. Shokri Gazafroudi, “Two-stage mechanism design for energy trading of strategic agents in energy communities,” Appl Energy, vol. 295, Aug. 2021, doi: 10.1016/j.apenergy.2021.117036. [68] Y. Zhou, J. Wu, C. Long, and W. Ming, “State-of-the-Art Analysis and Perspectives for Peer-to-Peer Energy Trading,” Engineering, vol. 6, no. 7. Elsevier Ltd, pp. 739–753, Jul. 01, 2020. doi: 10.1016/j.eng.2020.06.002. [69] W. F. Holmgren, C. W. Hansen, and M. A. Mikofski, “pvlib python: a python package for modeling solar energy systems,” J Open Source Softw, vol. 3, no. 29, p. 884, Sep. 2018, doi: 10.21105/joss.00884.