Comunicación presentada al II Congreso Ciudades Inteligentes:
Autores
- Sergio Navarro Sánchez, Director de I+D, Artificial Intelligence Talentum
- Antonio Vicente Contreras, Director Ejecutivo, Artificial Intelligence Talentum
- Amparo Roca Sabater, Directora de Innovación, Artificial Intelligence Talentum
- Francisco Esquembre Martínez, Profesor y Decano, Facultad de Matemáticas, Universidad de Murcia
- Ángel J. García Collado, Profesor e Investigador en Grupo de Telecomunicaciones Avanzadas, Universidad Católica San Antonio de Murcia
- Iván Leandro Peñalver, Técnico de Laboratorio en Grupo de Telecomunicaciones Avanzadas, Universidad Católica San Antonio de Murcia
Resumen
El objetivo de este proyecto es el desarrollo de un sistema integral de predicción de variable del mercado eléctrico que permita generar un modelo de asesoramiento a los productores y consumidores de energía sobre las variables esenciales del mercado energético europeo. Adicionalmente, esta información permitirá generar un foco de conocimiento reutilizable directamente por los dispositivos de Internet de las Cosas (IoT), tanto a nivel de usuario final como de las posibles empresas y organizaciones que aporten valor añadido en el sector eléctrico. El elemento innovador de este proyecto es la capacidad que proporciona a los participantes del mercado un enfoque integral sobre la eficiencia energética. Nuestro planteamiento integral va desde el análisis de los consumos, análisis de los precios de mercado, las predicciones sobre los mismos y su aplicación concreta en usuario final en un abanico amplio de uso (IoT).
Introducción
Hoy en día es más que evidente que vivimos en una sociedad dependiente de la electricidad en prácticamente todos los ámbitos de nuestras vidas y que ésta juega un papel fundamental en la competitividad industrial de una economía, así como en el consumo doméstico de las familias.
La complejidad del funcionamiento del mercado eléctrico se debe, en parte, a que a día de hoy la energía eléctrica no puede ser almacenada, salvo en baterías o dispositivos similares; y a que, en el corto plazo, es un factor productivo que no tiene sustitutivo. Por estas y otras características que hacen que este mercado no se comporte como un mercado de oferta y demanda convencional, existe un organismo denominado ‘operador del mercado eléctrico’ que regula y coordina la oferta y la demanda. Entre sus funciones clave están: (i) sustituir la energía que uno de los grupos productores no pudo producir; y (ii) suministrar instantáneamente la energía que los consumidores demanda en cada momento. Para ello tiene que averiguar la demanda eléctrica y tratar de llegar a la curva de carga, que es el valor que toma dicha demanda en cada momento, la demanda instantánea de energía eléctrica. Algo verdaderamente complejo, debido a la variabilidad de la demanda. A esto se suma la existencia de los mercados diario e intradiario.
Antecedentes
La Unión Europea se encuentra en un proceso de liberalización para hacer los mercados más competitivos, con el objetivo último de la creación de un mercado eléctrico europeo.
El 19 de mayo de 2014, los Mercados de la Energía (PX) APX, Belpex, EPEX SPOT, Nord Pool Spot y OMIE, junto con dieciséis Operadores del Sistema de Transmisión (TSO) de Europa, confirmaban la satisfactoria culminación de una fase esencial para la materialización de un Mercado Continuo Intradiario Transfronterizo Europeo (OMIE, 2014).
En el contexto hasta ahora descrito, se han desarrollado trabajos enfocados a iniciativas para la predicción del precio de la electricidad mediante el uso de redes neuronales (Muñiz, J., 2010), pero no con periodos superiores a 24 horas.
Antes de abordar este proyecto se preparó un estudio del estado del arte, así como un conocimiento de la normativa, las funciones de los operadores que regulan el mercado eléctrico, análisis de datos y variables a tener en cuenta, y una revisión bibliográfica, no incluida en su totalidad por motivos de limitación.
El desarrollo de modelos predictivos de los precios diarios e intradiarios de la energía eléctrica en los mercados de subasta de la oferta y la demanda de electricidad es el principal reto al que nos enfrentamos. Éste es un problema de modelización que requiere del uso de modelos estocásticos y del análisis de datos históricos de dicho mercado. Por un lado, los factores que influyen en la producción y demanda de energía eléctrica para un día dado son tantos, y algunos tan impredecibles, que solo parece posible realizar una estimación estadística de los mismos. Por otro lado, las razones que llevan a los participantes en el mercado de subasta a realizar sus ofertas concretas pueden variar desde circunstancias que afectan a su propia producción, a razones estratégicas de empresa, o – a menudo – al deseo de optimizar sus beneficios mediante el uso de posibilidades de arbitraje que el propio mercado ofrezca o al de minimizar sus riesgos financieros.
Para el estudio de este tipo de fenómenos, que presentan tal nivel de imprevisibilidad, se han desarrollado técnicas de modelización que intentan predecir el comportamiento de variables cuantitativas uni o multidimensionales, a partir de su evolución histórica o de información sobre numerosas realizaciones de situaciones concretas del mercado. Desde el campo de las matemáticas se proponen, entre otras, técnicas de análisis de series temporales, de procesos estocásticos, de aprendizaje estadístico, de teoría de juegos, etc. Desde la Ingeniería Informática, se proponen técnicas de minería de datos, de inteligencia artificial, aprendizaje computacional, y otras.
Desde campos concretos, como el mundo del trading, existen técnicas denominadas chartistas, de análisis cuantitativo de los mercados mediante diversos indicadores y su comportamiento, que se han aplicado con mayor o menor acierto a diversas situaciones de mercado. En realidad, dado el volumen de información disponible, y el ritmo al que se producen nuevos datos, junto con el pequeño margen de tiempo en el que hay que tomar las decisiones de inversión, todos los enfoques confluyen en la creación de programas de ordenador que analicen los datos y su evolución, prácticamente en tiempo real, para producir predicciones del comportamiento esperado de los mercados, tanto a corto, como a medio plazo.
Existen numerosas publicaciones de carácter científico (Mallo, 2004; Murto, 1998; Velásquez & Franco, 2010) referidas a la determinación de los precios en el mercado eléctrico, y la predicción de los mismos, pero no se ha desarrollado un sistema que acerque a los consumidores finales de electricidad esta información.
Descripción del proyecto
El objetivo de este proyecto de investigación es el desarrollo de un sistema integral de predicción de precios de la energía eléctrica que permita generar un modelo de asesoramiento a los productores y consumidores de energía sobre los mercados diario e intradiario. Adicionalmente, esta información servirá para integrar en los dispositivos de internet de las cosas (IoT) para una eficiencia energética y este sistema de predicción en los precios de la energía eléctrica puede aplicarse tanto en la producción industrial como a nivel de consumidores finales, tanto públicos (Smart City) como privados (consumidor doméstico e IoT).
El mercado eléctrico español está basado en una serie de mercados que se clasifican en tres tipos:
- Los mercados a largo plazo, donde se compra o se vende electricidad días, meses e incluso años, antes de ser producida.
- Los mercados diarios, que son una serie de subastas que tienen lugar 24h o menos antes de la generación.
- Los mercados a muy corto plazo, realizados instantes antes de la generación eléctrica.
El mercado diario, el más importante ya que es donde más energía se negocia, está formado por siete subastas que comienzan a las 12 pm del día anterior a la generación. La primera de estas subastas se denomina diaria y, en ella tanto los agentes generadores como los consumidores o comerciantes de electricidad hacen sus ofertas al mercado. Esta subasta marca un precio inicial de la electricidad para el día siguiente. En el momento de la realización de las ofertas, los agentes cuentan con la mejor predicción disponible, tanto de su generación (si son productores) como de su consumo (si son consumidores).
Pero no todos los días las predicciones de generación y consumo aciertan, o incluso, pueden ocurrir fallos técnicos que provoquen que los agentes deseen cambiar sus ofertas. Por este motivo, el Operador del Mercado Eléctrico (OMEL) realiza una serie de 6 subastas más, donde los agentes pueden corregir sus posiciones en el mercado después de la subasta diaria. En estas subastas sólo pueden participar aquellos agentes que hayan participado en la subasta diaria. Dichas subastas recibirán el nombre de subastas intradiarias. El desarrollo de modelos predictores, para el precio de la electricidad en las subastas intradiarias del mercado diario, y su aplicación a dispositivos IoT es el objetivo principal de nuestro proyecto.
Metodología
La implementación informática de los sistemas de cálculo precisos se realizará a partir de lenguajes y herramientas de cálculo científico/matemático bien establecidas en el mundo académico y en la empresa, como por ejemplo R y Matlab, para minimizar el tiempo de desarrollo de prototipos y facilitar el desarrollo de diferentes experimentos de predicción.
El proyecto versará sobre cuatro tareas-objetivos de trabajo:
- Objetivo 1: Identificación de datos, variables y patrones relevantes en el dominio de referencia.
- Objetivo 2: Análisis de Variables y diseño de algoritmos de toma de decisiones.
- Objetivo 3: Integración del Sistema de predicciones en un modelo de eficiencia energética orientado a Internet de las Cosas.
- Objetivo 4: Generación de un Sistema de inteligencia artificial para las predicciones en el mercado diario e intradiario. Conexión con IoT y despliegue en entornos Cloud.
Fases y Tareas del proyecto
Fase 1: Identificación de datos, variables y patrones relevantes en el dominio de referencia.
a) Caracterización en profundidad del mercado eléctrico español.
b) Análisis de las técnicas existentes.
c) Establecimiento de sistemas de prueba y aprendizaje.
d) Incorporación y carga de datos.
e) Mecanismos de actualización de datos.
f) Interface de gestión.
g) Normalización de datos.
Fase 2: Análisis de Variables y diseño de algoritmos de toma de decisiones.
a) Análisis de las series numéricas.
b) Estudio avanzado de correlación.
c) Generador de patrones
d) Selección de patrones válidos.
Fase 3: Integración del Sistema de predicciones en un modelo de eficiencia energética orientado a Internet de las Cosas.
a) Estado del arte y alternativas: se estudiará el mercado actual en lo referente a necesidades específicas que se pudiesen incorporar a la propuesta planteada. También se analizarán los recientes avances en la tecnología y periféricos de Arduino que pudiesen facilitar el diseño y fabricación del sistema.
b) Prediseño: se llevará a cabo mediante software de simulación de circuitos electrónicos un modelo virtual del sistema, a fin de acotar su funcionamiento y los elementos eléctricos y electrónicos que se pudiesen precisar.
c) Implementación del modelo: implementación física de un modelo operativo (en fase beta) resultante de las fases previas.
d) Pruebas y feedback: periodo de ensayos y testeo del comportamiento del sistema bajo diferentes entornos de trabajo. De los resultados, surgirán posibles mejoras del sistema que serán implementadas.
e) Modelo operativo final: producto acabado que cumpla con todas las especificaciones básicas descritas y aquellas (indicadas como opcionales) que se decida implementar a lo largo del transcurso del trabajo.
Fase 4: Generación de un Sistema de inteligencia artificial para las predicciones en el mercado diario e intradiario.
a) Desarrollo de nuevas técnicas y adaptación de existentes para la predicción. Estudio teórico, su implementación, y la evaluación de las nuevas técnicas desarrolladas.
b) Realización de las predicciones, entrenamiento y puesta en marcha. Se realizarán las predicciones de los mercados y se evaluará de manera sistemática y extensiva todos los programas generados.
c) Puesta a punto e Integración con IoT.
d) Generación de perfiles de despliegue de sistemas en entornos Cloud.
Resultados esperados
El resultado esperado es un sistema predictivo inteligente que sea capaz de ofrecer información acerca de los precios del mercado eléctrico en el momento presente y en un futuro cercano. Este objetivo responde a la necesidad que ocasiona los recientes cambios en el mercado eléctrico hacia un mercado continuo en sustitución del actual de subastas periódicas, en línea con las directrices de la UE de generar un mercado eléctrico único europeo. Se pretende establecer un mercado con funcionamiento similar al del mercado bursátil.
El objetivo de esta línea de trabajo sería el establecer un modelo de eficiencia energética que tuviese en cuenta no solo el precio actual de la electricidad si no la predicción de este precio en un futuro cercano (7/15 días), con especial foco en los usos previstos en los dispositivos integrados en IoT.
Esta característica propiciará diversas opciones de producción, comercialización y consumo basadas en el precio de la energía en cada momento, moviéndose de un modelo de cuota fija o semilineal a un modelo de pago por uso.
Conclusiones
El elemento innovador de este proyecto es la capacidad que proporciona al consumidor final un enfoque integral sobre la eficiencia energética. Tal cual se muestra en el estudio publicado en el proyecto Planning for Energy Efficient Cities (PLEEC), dentro del séptimo programa marco europeo, se pone de manifiesto que las mejores prácticas para evaluación del impacto de un proyecto de eficiencia energética no vienen dadas por la simple evaluación del ratio coste/beneficio económico directo o la aplicación de tecnologías de reducción del consumo. Es necesario un enfoque más amplio que motiva nuestro planteamiento integral que va desde el análisis de los consumos, análisis de los precios de mercado, las predicciones sobre los mismos y su aplicación concreta en usuario final en un abanico amplio de uso (IoT).
El proyecto se enfrenta a la dificultad de testear la efectividad del sistema, por lo que para ello se considera necesaria la construcción de un prototipo en entorno de interfaces simuladas con el sistema para la validación del mismo. Este prototipo simulado es una “casa virtual” cuyos consumos están conectados a un portal de usuario que, basado en las predicciones de nuestro sistema de inteligencia artificial hará recomendaciones de consumo. Con el dispositivo comprobaremos si, efectivamente, nuestras recomendaciones de consumo eléctrico se traducen en ahorro económico. Este proyecto permite una posterior aplicación a dispositivos domésticos enfocados al Internet de las Cosas.
Este proyecto también supone una innovación en el área de OpenData. Dado que se realizará el estudio de las predicciones para los precios diarios e intradiarios del mercado eléctrico español, así como las oportunidades de arbitraje que este ofrece a los participantes ofreciendo esta información al conjunto del sistema. Desde el año 2010 existen algunos trabajos científicos donde se intenta predecir el precio diario del mercado eléctrico español con herramientas básicas de predicción y donde el precio intradiario apenas es tratado. Este hecho nos abre las puertas a la innovación estudiando el precio intradiario del mercado y, además, el estudio se realizará tras la última modificación de la legislación con los objetivos finales antes expuestos.
En cuanto a la innovación técnica, podemos resaltar el uso de herramientas de última generación como el aprendizaje computacional y el Deep Learning Profundo para predecir las variables del mercado eléctrico y sus modelos de optimización. Esto es así, dado que no se han realizado estudios de estas técnicas para la predicción del mercado eléctrico aplicado. En la cuarta fase del proyecto se desarrollarán nuevas técnicas y se adaptarán algunas de las ya existentes. Esta fase es la más innovadora y transversal del proyecto.
Reconocimientos
Aprovechamos esta comunicación para agradecer al Dr. D. Ricardo Rodríguez Schmidt, al Dr. D Javier Marín-Blázquez Gómez y a D. Juan Manuel López Espín, que con su aporte técnico colaboraron en el establecimiento de los modelos iniciales.
Referencias
- Muñiz, J., 2010: Predicción del de la electricidad mediante Redes neuronales. Escuela Técnica Superior de Ingeniería, Universad Pontificia de Comillas.
- Mallo, C., 2004: Predicción de la demanda eléctrica horaria mediante redes neuronales artificiales. Departamento de Economía Cuantitativa, Universidad de Oviedo.
- Murto, P., 1998: Neural Network Models for short-term load forecasting. Department of Engineering, Physics and Mathematics, Helsinki University of Technology.
- Velásquez, J. D. & Franco, C. J., 2010: Predicción de los precios de contratos de electricidad usando una red neuronal con arquitectura dinámica.
- Omel Operador del mercado eléctrico para las subastas.
- Omie Operador del mercado eléctrico español para la gestión del sistema. (11 mayo 2015).
- Planning for Energy Efficient Cities (PLEEC).