optimizatiÓn del coste de la electricidad en vecindarios ... - revista dyna energÍa · 2015. 3....

OPTIMIZACIÓN DEL COSTE DE LA ELECTRICIDAD EN VECINDARIOS DESPLAZANDO CARGAS Y EVITANDO PICOS DE DEMANDA

CONJUNTOS TECNOLOGIA ENERGÉTICA

Diego R. Rodríguez, Fernando Eizaguirre, Aitor Milo

Pag. 1 / 12

Publicaciones DYNA SL -- c) Mazarredo nº69 -3º -- 48009-BILBAO (SPAIN) Tel +34 944 237 566 – www.dyna-energia.com - email: [email protected]

OPTIMIZATION DEL COSTE DE LA ELECTRICIDAD EN

VECINDARIOS DESPLAZANDO CARGAS Y EVITANDO PICOS DE

DEMANDA CONJUNTOS

Diego R. Rodríguez, Fernando Eizaguirre y Aitor Milo IK4 - Ikerlan S. Coop. Dpto. de Tecnologías de la Información. Paseo José María Arizmendiarrieta 2, – 20500 Arrasate-Mondragón. Tfno: +34 943 712400. [email protected]

Recibido: 8/dic/2013 - Aceptado: 3/ene/2014 – DOI: http://dx.doi.org/10.6036/ES6918

ELECTRICITY COST OPTIMIZATION IN NEIGHBOURHOODS BY

SHIFTING ELECTRICAL LOADS AND AVODING JOINT DEMAND

PEAKS

ABSTRACT: This paper proposes a method that allows residential neighborhoods to take advantage of electricity low prices during off-peaks hours and, at the same time, avoid generating joint demand peaks. The method is based on moving loads in the home (controllable devices such as appliances) to valley hours with low rates while simultaneously trying not coinciding in time in order to not generate joint peaks. To this end, an optimization algorithm generates electricity price profiles slightly different for each home. The profile is received in the home by an EMS (Energy Management System) that switches on the devices in the most economic moment, always trying to respect the preferences and habits of the users. It has been found that joint power peaks can be decreased and, at the same time, electricity cost savings can be achieved. The optimization algorithm is based on particle swarm optimization method. Key Words: Optimization, Particle Swarm Algorithms, Energy Efficiency, Smart Cities, Electric Demand Response

RESUMEN: Este artículo propone un método que permite a vecindarios o conjuntos de viviendas con una infraestructura eléctrica común aprovechar tarifas eléctricas en horas valles sin originar picos de demanda simultáneos. El método se basa en desplazar las cargas en la vivienda (dispositivos controlables como electrodomésticos) a horas de tarifas valles evitando la simultaneidad en el consumo con el objetivo de no generar picos de demanda. Para ello, un algoritmo de optimización genera perfiles de precios de la electricidad ligeramente diferentes para cada vivienda. Dicho perfil es recibido diariamente en la vivienda por un EMS (Energy Management System) que se encarga de encender los aparatos en el momento más económico, intentando siempre respetar los hábitos y preferencias de los usuarios. Se ha comprobado que se consiguen disminuir los picos de potencia a la par que se pueden conseguir ahorros en la factura eléctrica. El algoritmo de optimización utilizado está basado en los algoritmos de enjambre de partículas. Palabras Clave: Optimización, Algoritmos de Enjambres de Partículas, Eficiencia Energética, Ciudades Inteligentes, Respuesta de la Demanda Eléctrica.

1.- INTRODUCCIÓN La gestión energética es uno de los temas que más preocupan en la actual situación económica que vive el mundo. Para

poner en contexto su importancia citamos algunos datos. En el caso de España y ciñéndonos al caso de las

edificaciones, se estima que el consumo por metro cuadrado y año en España es del orden de 119 kWh (en Europa es de

236 kWh). Asimismo, se estima que el consumo en viviendas supone el 25% de la energía total consumida mientras que

si a esto le unimos el dato del resto de edificios, principalmente del sector terciario, estaremos hablando del 40% sobre

el total consumido. Por otro lado se estima que en el 2030 el consumo energético será un 17% superior al del año 2005

según un informe de la Comisión Europea del 2010. Estos datos no hacen más que avalar la necesidad de proveer de

soluciones a los agentes que hacen uso de dicha energía para por un lado reducir su consumo eléctrico, así como la

factura correspondiente, y por otro lado reducir las emisiones de gases de efecto invernadero.

En este contexto, en los últimos años hemos asistido a una explosión de soluciones que por un lado tratan de paliar las

deficiencias que determinados edificios puedan tener realizando operaciones sobre estos para mejorar su eficiencia

http://www.dyna-energia.com/

mailto:[email protected]

http://dx.doi.org/10.6036/ES6918




Pag. 2 / 12


energética pero por otro lado, han empezado a proliferar soluciones basadas en las TIC (Tecnologías de la Información

y Comunicación) software capaces de gestionar de manera cuasi-automática el consumo energético de las viviendas.

Estas herramientas han venido posibilitadas por:

La aparición de los denominados “contadores inteligentes” o “smart meters” que son capaces de proveer de

diversa información cercana al tiempo real sobre los consumos energéticos en cada instante, permitiendo cierta

monitorización del consumo energético.

La posibilidad de determinados dispositivos para ser controlados en el tiempo de manera que sus cargas

puedan ser desplazadas a zonas en las cuales la energía sea más económica (por ejemplo activación de un

electrodoméstico en horas valle), si bien este tipo de desplazamientos deben [1] contar con la aprobación y

supervisión de los usuarios y [2] no generar problemas de suministro a la red como por ejemplo picos en la

demanda debido a que todos los usuario quieren activar los electrodomésticos el momento más barato.

Este artículo presenta un método para, justamente, posibilitar que los usuarios se beneficien de la activación de sus

electrodomésticos en horas valles (ahorro en la factura) al tiempo que se evitan picos de demanda simultáneos y

masivos que puedan comprometer o desestabilizar la red.

Este tipo de aproximaciones (cuya viabilidad está ligada a una mayor liberalización del mercado energético que la

actualmente existente en la mayoría de países europeos), pueden ser interesantes para determinadas Empresas de

Servicios Energéticos (ESE), en inglés ESCO (Energy Service Company), que podrían ofrecer a sus usuarios (tanto a

particulares como empresas del sector terciario) una forma de reducir los costes energéticos pero siempre teniendo en

cuenta en que la red eléctrica no sufra grandes alteraciones que pongan en riesgo la estabilidad y calidad de servicio.

2. ESTADO DEL ARTE EN GESTIÓN ENÉRGÉTICA EN EDIFICIOS Y BARRIOS DE VIVIENDAS La investigación en eficiencia y gestión energética se mueve en múltiples frentes. Por una parte puede abordarse una

mejora estructural de las edificaciones para aumentar su eficiencia energética, tratándose en estos casos de reducir la

cantidad de energía consumida. Un análisis general de las posibilidades de generación de soluciones que puedan

mejorar la eficiencia energética en el sector residencial es propuesto en [3] en el que los autores concentran sus

esfuerzos en cuales pueden ser los beneficios a nivel de reducción de gases de efecto invernadero.

Asimismo, otros trabajos estudian cómo puede gestionarse la demanda partir de la capacidad de medir (smart meters) y

de predecir la demanda, en este ámbito existen muchos estudios centrados en edificios comerciales y también en el

sector residencial. En [1], centrado en edificios comerciales y mediante una simulación de agentes, se muestra cómo

una demanda reactiva a los perfiles de precios puede impactar sobre el propio mercado de la electricidad. En [2], un

trabajo más centrado en el sector residencial, se muestra un sistema que simula la adecuación de la demanda de la

vivienda en función del perfil de precios del día, retrasando o adelantando la puesta en marcha de electrodomésticos

para aprovechar las horas de menor precio, estimando los ahorros que pudieran conseguirse.

Otra serie de trabajos, por ejemplo en [4], se centran más en comprobar mediante simulación cómo una demanda

reactiva al perfil de precios, puede a su vez, originar una reacción en el propio mercado cambiando el propio perfil para

encarecerlo justamente en aquellos tramos donde más se está demandando (porque estaba más barato). Este tipo de

“acción/reacción” del mercado puede comprometer soluciones en las que se intenta sacar partido del perfil de precios

suponiendo que permanecerá estable a lo largo del día.

Entre los trabajos más destacados a nivel de gestión energética, algunos se han centrado en la optimización de la parte

productiva [15], [11], [13] intentando optimizar ésta acorde a la posible demanda existente. Otro conjunto de trabajos

considera el problema de gestionar las distintas demandas como un problema de planificación y aportan soluciones a

dicho problema de una forma muy variada. Así, en [8] los autores gestionan los elementos térmicos de una casa

conservando el nivel de confort de ésta y reduciendo tanto los costes como el consumo. Por otro lado, en [9] se usa

teoría de juegos para la gestión de la demanda manejando los distintos electrodomésticos de una casa de forma que se

reducen los costes y se mejora la gestión de los picos de demanda. Además en dicho trabajo se tiene en cuenta que la

gestión de ese consumo pueda provenir de diversas fuentes de origen renovable siendo el sistema el que elija la menos






Pag. 3 / 12


costosa de las fuentes energéticas disponibles. Un trabajo muy similar al anterior es presentado en [11] cambiando

únicamente el método de resolución del problema de optimización que en este caso se realiza siguiendo técnicas de

programación convexa. En el caso de [14] la planificación se realiza más a nivel de la parte productiva usando para su

optimización una metodología híbrida que combina los algoritmos genéticos y la búsqueda tabú.

Otra serie de trabajos resuelven problemas relacionados con la gestión de la demanda usando diversas técnicas de

optimización (metaheurísticas) para resolver características complejas del problema como pueden ser el trabajo [15],

que usa algoritmos evolutivos para mejorar la gestión de la demanda, o en [11] donde se utilizan algoritmos de

simmulated annealing para gestionar los distintos recursos tanto generadores como cargas y usando como elemento de

almacenamiento el vehículo eléctrico.

Los anteriores estudios analizan la gestión energética desde un punto de vista individualizado, un edificio, una vivienda

sin abordar escenarios de mayor amplitud y heterogeneidad como vecindarios integrados por varios edificios con

múltiples viviendas donde las prestaciones computacionales de los algoritmos a aplicar son más exigentes. Así, y para

dar respuesta a esta necesidad, en el presente trabajo se usan algoritmos de enjambre de partículas (Particle Swarm

Optimization o PSO) para reducir el coste del consumo eléctrico. Existe un resumen bastante amplio de usos de PSO en

el sector energético en Una solución más particular para la gestión de los precios de la energía es presentada en [10]

donde los autores usan PSO y lo comparan con el paquete comercial GAMS que utiliza técnicas de investigación

operativa.

3.- ESCENARIO

3.1. Modelo de negocio de la ESE El presente trabajo se desarrolla en un escenario en el cual las viviendas se agrupan por clústeres que comparten una

infraestructura de electrificación común (por ejemplo la misma subestación o hub dentro de la red). La electricidad para

el clúster es suministrada por una ESE (Empresa de Servicios Energéticos) que compra diariamente la energía en el

mercado de la electricidad y la distribuye entre sus clientes (las viviendas). La ESE envía diariamente un perfil de

precios de la electricidad a cada vivienda. Este perfil es recibido en cada casa por un dispositivo EMS (Energy

Management System) que puede retrasar/adelantar la puesta en marcha de dispositivos (electrodomésticos) para

aprovechar los períodos de menor precio, pero siempre respetando los hábitos definidos por el usuario de cada vivienda

y el confort deseado.

En este escenario, y suponiendo un mercado de la electricidad más liberalizado que el actual, la ESE, tras estimar la

demanda de sus clientes para el día siguiente (bien porque conoce sus hábitos, tiene un histórico, o bien a partir de

técnicas estadísticas que exceden el ámbito del presente artículo) puede ir al mercado y comprar electricidad más barata

(de lo que pueden conseguir los usuarios individualmente). La capacidad de gestión de las cargas de sus clientes le

posibilita a la ESE reducir la adquisición de energía en el mercado en los periodos de punta (precio alto de la

electricidad) y aumentarla en los periodos valle. Es precisamente esta capacidad de gestión lo que le proporciona la

ventaja competitiva sobre una comercializadora tradicional.

3.2. Interés para las viviendas El mecanismo más común para ahorrar en la factura de la electricidad es desplazar cargas a zonas horarias más baratas,

siendo una forma típica la bien conocida “tarifa nocturna”. En este caso iremos un paso más allá y supondremos que la

ESE proporciona diariamente a cada vivienda un perfil de precios con granularidad de una hora.

Para sacar partido de un perfil de precios horario y cambiante cada día, cada vivienda dispone de un dispositivo EMS

(Energy Management System) con capacidad de poner en marcha algunos aparatos de la vivienda (en el caso que

describiremos más adelante, una lavadora, una secadora y un calentador de agua). Las personas de la vivienda pueden

configurar este dispositivo para expresar sus preferencias sobre la puesta en marcha de dichos dispositivos (rangos de

horas) así como diversos parámetros de los electrodomésticos como, por ejemplo, potencia consumida en kWh y tiempo

estimado de funcionamiento. Cuando el EMS recibe (diariamente) el perfil de precios de la electricidad, estudia cual es

el mejor momento (dentro de los intervalos permitidos por el usuario) para ponerlo en marcha, buscando el momento

más barato.






Pag. 4 / 12


Si el usuario configura el EMS con unos rangos de activaciones suficientemente amplios podrá ahorrar en la factura de

la electricidad.

4.- PICOS EN LA DEMANDA y PROBLEMA A RESOLVER

El esquema de funcionamiento descrito hasta el momento es ventajoso para ambas partes, ESE y viviendas. Sin

embargo, si cada vivienda del clúster recibe el mismo perfil de precios, normalmente todos los EMSs intentarán poner

en marcha los aparatos más o menos en los mismos tramos horarios lo cual producirá importantes picos indeseados de

demanda para la ESE y la distribuidora.

En [5] los autores demuestran mediante simulación esta generación de picos indeseados. Dicho artículo (que ha sido la

inspiración para el presente trabajo) argumenta correctamente que para evitar picos es necesario algún tipo de

coordinación entre los EMSs y propone varios mecanismos de coordinación, como por ejemplo, un mecanismo basado

en una red de comunicación que conecta todos los EMSs del clúster sobre el cual se implementa un protocolo de

intercambio de mensajes que realiza la coordinación.

En cambio en el presente artículo se propone un mecanismo de coordinación implícito en el que no es necesaria la

comunicación entre los EMSs. Este mecanismo, junto con su implementación mediante algoritmos de enjambres de

partículas, es la principal aportación de este artículo, y se basa en la idea de que la ESE genera perfiles de precios

ligeramente diferentes para cada vivienda con los tramos de tarifas valles ligeramente desplazados en el tiempo. Cada

EMS recibirá su propio perfil y buscará precios bajos en tramos horarios ligeramente diferentes. La hipótesis es que,

estadísticamente, originará ligeros desplazamientos entre las demandas de las viviendas, contribuyendo a minimizar los

picos conjuntos percibidos por la ESE.

Una observación relevante es que el hecho de que cada EMS reciba perfiles ligeramente diferentes debería ser algo

transparente para el usuario final (se hablará de ello más adelante) ya que es simplemente un mecanismo implícito para

que los EMSs se centren en zonas ligeramente diferentes del mismo valle de precios. Parecería recomendable que, a

efectos de contrato, todos los clientes tuvieran las mismas tarifas.

El resto del artículo se dedica a verificar empíricamente la hipótesis de trabajo y a describir tanto los algoritmos

desarrollados como los detalles del software que lo implementa para entender al máximo el trabajo realizado, valorar su

validez y permitir a otros investigadores contrastar los resultados.

4.1. Problema a resolver Podemos resumir el problema a resolver de la siguiente forma: encontrar un perfil de precios para cada vivienda del

clúster, que se encuentre siempre entre las líneas azul y verde antes descritas (por tanto beneficioso para ambas

partes) de manera que se minimicen los picos de potencia conjuntos generados por todas las viviendas. Para ello el

motor de optimización dispondrá de los datos sobre aparatos en la vivienda, hábitos de consumo de cada vivienda, etc.

La figura I muestra el esquema general de entradas/salidas y restricciones que serán aplicables en el problema. Como

entradas tendremos (1) los correspondientes datos estáticos de potencia máxima por cada vivienda y consumo por

aparato, (2) el perfil de precios que la ESE define para ese clúster de viviendas y (3) los hábitos de consumo por aparato

y vivienda.






Pag. 5 / 12


Figura I: Entradas/Salidas del algoritmo de optimización

La salida de la optimización será la generación de los perfiles de precio para cada vivienda, de manera que:

Se minimice la probabilidad de que se produzca una sobrecarga en el clúster

Se minimice el coste de la electricidad de las distintas viviendas de manera que cada vivienda obtenga un

precio mejor de lo que obtendría si fuera individualmente a una comercializadora al uso

5.- IMPLEMENTACIÓN DEL ALGORITMO DE OPTIMIZACIÓN

5.1. Motor de optimización La técnica de optimización que se ha utilizado (optimización mediante enjambre de partículas o PSO) fue inicialmente

propuesta en [7] y ha evolucionado desde entonces durante casi dos décadas existiendo numerosos artículos y tutoriales

sobre el tema. Esta técnica se basa en una emulación del comportamiento de determinados tipos de animales como

puede ser una bandada de pájaros o un banco de peces. En PSO la búsqueda de una solución parte de un enjambre o

población inicial de partículas (generadas aleatoriamente) que se mueven generación tras generación por el espacio de

búsqueda. En cada generación, cada partícula evalúa la bondad de la posición en la que se encuentra (función objetivo)

y a continuación se mueve hacia una dirección formada por la composición ponderada de tres vectores: vector con la

dirección que lleva hasta el momento (inercia), vector con la dirección hacia la mejor posición hallada hasta el momento

por todo el enjambre (comportamiento social) y vector con la dirección hacia la mejor posición que ella ha encontrado

hasta el momento (comportamiento cognitivo). El resultado es un enjambre de partículas que se comporta de manera

análoga a una bandada de peces y que globalmente irán convergiendo hacia un óptimo del espacio de búsqueda (en las

generaciones finales toda la bandada se moverá entorno a un óptimo local, no necesariamente global). Las fórmulas

matemáticas de velocidad de cada partícula exceden el ámbito del presente artículo y puede encontrarse extensamente

explicadas en numerosos artículos y tutoriales sobre el tema.

Presentamos a continuación el algoritmo en pseudocódigo para el caso de minimización con el suficiente detalle para

entender el funcionamiento básico del algoritmo (más adelante describiremos en detalle la composición de la partícula).

Algoritmo de Generación de

Datos Estáticos

Por Vivienda y

Aparato

Perfiles Asignados

al Clúster por

la ESCO

Hábitos de Consumo

Perfiles por Vivienda

Los perfiles Los perfiles deben






Pag. 6 / 12


// Generar aleatoriamente la población inicial de partículas Pi con 1=1..N y evaluar la función objetivo

para i = 1 to N

Pi.Pos = Generar posición aleatoria // Generar posición aleatoria

Pi.Value = Evaluar funciónObjetivo(Pi.Pos) // Evaluar la función objetivo en la posición actual

Pi.BestPos = Pi.Pos // Mejor posición en la que ha estado la partícula hasta el momento

Pi.BestValue = Pi.Value // Valor de la función objetivo en dicha posición

Pi.Vel = 0 // Velocidad inicial 0

finPara

// Inicializar la mejor posición encontrada por todo el enjambre hasta el momento

PiBest = Seleccionar Pi con el mejor valor de función objetivo

GBest.Pos = PiBest.Pos

GBest.Value = PiBest.Value

// Hacer evolucionar la población desde 1 hasta NumGen generaciones

para j = 1 to NumGen

// Actualizar velocidad, posición y valor de partículas

para i = 1 to N

// Calcular la nueva velocidad

Pi.Vel = sumaVectorialPonderada(

Dirección Actual(Pi.Vel) // Dirección actual

Dirección hacia GBest.Pos // Dirección hacia la mejor posición encontrada por todo el enjambre

Dirección hacia PiBest.Pos // Dirección hacia la mejor posición que la particula ha encontrado

// Calcular la nueva posición de la particula

Pi.Pos = Pi.Pos + Pi.Vel

// Evaluar la particula

Pi.Value = Evaluar funciónObjetivo(Pi.Pos)

// Actualizar la mejor posición local si es necesario

Si (Pi.Value < Pi.BestValue) entonces

Pi.BestPos = Pi.Pos

Pi.BestValue = Pi.Value

finPara

// Actualizar mejor posición global

para i = 1 to N

// Actualizar la mejor posición global si es necesario

Si (Pi.Value < GBest.Value) entonces

GBest.Pos = Pi.Pos

GBest.Value = Pi.Value

finPara

finPara

Una vez que el algoritmo de optimización termina, la solución es aquella almacenada en mejor posición global

encontrada por el enjambre (GBest.Pos). Mencionar finalmente que este motor de optimización de enjambre de

partículas ha sido implementado en C# y Microsoft© Visual Studio.

5.2. Clúster, Vivienda, Enjambre y Partícula Cada partícula representa una solución completa al problema, es decir, si asumimos por ejemplo un clúster con 75

viviendas, cada partícula contendrá 75 perfiles de precios horarios diferentes. Cada perfil se implementa con un array de

24 posiciones donde en cada hora tenemos el precio del kWh. Estos valores podrán oscilar entre un mínimo (precio al

que compró la ESE) y un máximo (precio al que ofrece la ESE a los clientes no adscritos al programa de

desplazamiento de cargas).






Pag. 7 / 12


// Clúster y viviendas

Clase ClsCluster

ClsVivienda arrayViviendas[75] // Array de viviendas

Clase ClsVivienda

ClsElectrodomestico[3] // Electrodomésticos de cada vivienda

// Enjambre, partículas y perfil de precios

Clase ClsEnjambre

ClsParticula arrayParticulas[40] // Enjambre o población compuesto por 40 partículas

Clase ClsParticula

ClsPerfilPrecio arrayPerfiles[75] // Cada partícula contiene 75 perfiles, uno por vivienda

// El perfil i-esimo corresponde a la vivienda i-esima

Clase ClsPerfilPrecio

Real arrayPrecios[24] // Precio en cada una de las 24 horas

5.3. Función objetivo mediante Simulación La función objetivo que evalúa una partícula consiste en simular el comportamiento de las viviendas del clúster

asignando a cada una el perfil de precios que le corresponde según dicha partícula. Para poder simular lo que va a

ocurrir en una vivienda, se conocen los siguientes datos:

Potencia máxima de la vivienda, p.e., 3,3 kW.

Aparatos controlables por el EMS que hay en la vivienda, en este caso una lavadora, un lavavajillas y un

calentador. Para cada uno de ellos conocemos:

o Potencia máxima (en kW)

o Hábitos de utilización expresados de la siguiente forma:

Array de 24h Probability Off to On – Probabilidad de que un aparato que está apagado en la

hora h-1 sea encendido en la hora h. Este array captura los hábitos de encendido.

Array de 24h Probability On to Off – Probabilidad de que un aparato que está encendido en

la hora h-1 termine su trabajo en la hora h. Este array captura las duraciones habituales.

o Retraso máximo (en horas) que el usuario está dispuesto aceptar para la puesta en marcha de un

aparato respecto a sus hábitos normales. El EMS podrá retrasar la puesta en marcha, como máximo,

dicho tiempo, salvo que se fuera a rebasar la potencia máxima, caso en el cual se pospone el

encendido lo que haga falta.

o Mínimo número de horas que hay que esperar para poder volver a encender el aparato (se utiliza para

evitar “anomalías estadísticas” de muchos encendidos en el mismo día).

A partir de estos datos, el proceso de simulación de la partícula y la estrategia que implementan los EMSs de la casa se

describe con el siguiente pseudocódigo:

// Para todos los períodos horarios (se simulan dos períodos iguales de 24 horas para minimizar distorsiones o efectos frontera)

para h = 1 to 48

para v = 1 to NumViviendas

para ap = 1 to NumElectrodomesticos de la vivienda v

// Si estaba apagado

Si ap estaba apagado en la hora h-1

// Testear probabilidad de encenderlo

Si (random(0..1) < (ap.probabilityOffToOn(h))

// Encender

Si no se sobrepasa la potencia máxima






Pag. 8 / 12


// Encender en el momento más barato

Buscar el momento h’ de encendido más barato según el perfil de precios

pero sin sobrepasar el retraso máximo permitido por el usuario

Programar ap para encender en h’ (inhibir encenderlo antes)

// Posponer encendido

Sino

// Había que encender pero se sobrepasa potencia, posponer

ap.probabilityOnToOff(h+1) = 1

Sino

// Mantener apagado

MantenerApagado ap

// Si estaba encendido

Sino

// Testear probabilidad de apagado

Si (random(0..1) < (ap.probabilityOnToOff(h))

// Apagar

Apagar ap

Sino

// Mantener encendido

MantenerEncendido ap

finPara

finPara

finPara

Durante el proceso de simulación y según se van encendiendo y apagando los aparatos se contabilizan las cargas que se

van produciendo a lo largo de las 24 horas así como el coste de dichas cargas en función de los perfiles que lleva cada

vivienda. El resultado de la simulación son los siguientes datos:

Máximo Pico de kWh consumidos en una hora por el clúster

Precio medio en €/kWh obtenido promediando el precio medio obtenido por cada vivienda

Varianza del precio medio de cada vivienda respecto al precio medio global

Se pretende que el algoritmo de optimización genere unos perfiles distintos para cada vivienda de manera que se

minimice el Máximo Pico, tratando de evitar sobrecargas en la red, a la par que se deja a los EMS buscar el precio más

bajo para la casa.

Como observación, nótese que la evaluación de una generación de 40 partículas, donde cada partícula contiene 75

perfiles (de otras tantas viviendas) implica un total de 40x75 simulaciones. Si iteramos durante 25 generaciones el

número total de simulaciones será de 40x75x25 = 75.000 simulaciones.

6.- RESULTADOS OBTENIDOS 6.1. Desde el punto de vista de la ESE En el modelo negocio descrito para la ESE, es fundamental que se minimicen los picos indeseados de potencia, tanto

para no desestabilizar la red (comprometiendo el servicio) como para no pagar incrementos por sobrepasamientos.

Como se ha mencionado al principio del presente artículo, los autores de [5], han comprobado que una infraestructura

en la cual los EMS traten de buscar el precio más barato pero sin una coordinación entre los EMSs, acaba produciendo

picos indeseados.

Como primer paso de experimentación hemos confirmado la aseveración de los autores de [5]. Se ha experimentado en

dos circunstancias (promediando 50 simulaciones de 1 clúster, 15 viviendas y 3 electrodomésticos por vivienda):

Escenario I: Cuando los usuarios encienden los aparatos sin tener en cuenta los perfiles de precios, es decir, no

hay un EMS que gestione un encendido inteligente de los aparatos.






Pag. 9 / 12


Escenario II: Cuando un EMS enciende los aparatos teniendo en cuenta los perfiles de precios y buscando

encenderlos en el momento más económico (en este escenario todas las viviendas de la casa reciben el mismo

perfil).

La figura II a continuación muestra los resultados. La grafica superior es el perfil de precios que se ha pasado a las

viviendas (mismo perfil para todas las viviendas). La grafica inferior son los kWh totales consumidos por el conjunto de

viviendas. Las barras azules corresponden al caso (1) mientras que las barras naranjas corresponden al caso (2). Puede

verse con claridad que en este último caso se producen picos de consumo importantes justo en los valles de precios.

Estos picos se han observado también al escalar el problema a más viviendas (75, 150, 300, 600 y 1200).

Figura II: kWh totales consumidos por un clúster de 15 viviendas

Una vez corroborada la necesidad de coordinar de algún modo los EMSs, se ha procedido a comprobar si la hipótesis de

generar perfiles ligeramente diferentes para cada vivienda realmente minimiza los de la demanda. A los dos escenarios

antes descritos se ha añadido un tercer escenario y se han comprado los resultados para los casos de 75, 150, 300, 600 y

1200 viviendas:

Escenario III: Similar al escenario II excepto que ahora las viviendas reciben perfiles de precios ligeramente

diferentes generados por el algoritmo de optimización.

La figura III a continuación muestra los picos máximos en cada uno de los tres escenarios y cada tamaño de problema

(promediando los resultados de 50 experimentos para que sean estadísticamente fiables).

Figura III: Picos Máximos de consumo kWh en los tres escenarios






Pag. 10 / 12


En la gráfica anterior se ve con claridad que el sistema de perfiles diferentes que se implementa en el escenario III

consigue disminuir de forma efectiva los picos máximos indeseados que se producen en el escenario II, corroborando la

validez de la hipótesis principal del presente artículo.

Asimismo, como resultado colateral, esta herramienta de simulación puede servir a la ESE para investigar cual son los

picos máximos esperables en función del comportamiento de las viviendas (libre, con EMS y perfiles iguales, con EMS

y perfiles diferentes). Esta información puede ser valiosa para la ESE como indicador de la electricidad que debe

comprar en el mercado.

6.2. Desde el punto de vista de las viviendas El beneficio que pueden obtener los usuarios finales y clientes de la ESE está condicionado por el margen de beneficio

de la propia ESE. La posibilidad de desplazar la demanda a cubrir de las horas picos a la valle del pool le genera un

ahorro económico en la compra de energía. Este ahorro puede ser totalmente transferido a sus clientes o en un

porcentaje. El hecho de permitir un desplazamiento de sus consumos puede acarrear una falta de confort a los usuarios

que lógicamente tendría que compensarse con una reducción del precio de la energía. Del mismo modo el porcentaje de

descuento a transferir a cada usuario tendría que depender de la cantidad de energía transferible que ofrece el mismo.

Como sabemos, el algoritmo de optimización genera los perfiles de precios “encajándolos” entre dos perfiles (el azul y

el verde en la figura IV) con lo cual el beneficio de cada vivienda individual respecto a los precios del mercado está

asegurado. La cuantificación del beneficio depende de los umbrales mínimos que marque la ESE (decisión comercial),

es decir, depende de en qué medida el perfil rojo pueda acercarse al perfil verde (cuanto más se acerque, menos

beneficio para la ESE y más para la vivienda). El perfil azul representaría el coste que la ESE aplicaría a un usuario que

no permite desplazamientos.

Figura IV: Perfiles de precio de la electricidad

Para cuantificar los beneficios con un ejemplo concreto, se puede comparar (a) el coste para la ESE de los kWh

consumidos, (b) con lo que han pagado las viviendas por dichos kWh, y (c) con lo que hubieran pagado las viviendas si

no permiten desplazamiento de cargas. La figura V a continuación muestra la diferencia de costes (en este caso sólo

para 75 viviendas y extrapolando los datos a 1mes). En este experimento el perfil de compra de la ESE se ha generado

como un 20% más barato que el perfil de compra individual a una comercializadora al uso. Los perfiles de las viviendas

oscilan en ese 20%.






Pag. 11 / 12


Figura V: Cuantificación del beneficio

Independiente de cuál sea el escenario y la estrategia de perfiles y del EMS se aprecia con claridad que siempre que la

ESE pueda ofrecer un perfil de precios más baratos (a aquellos clientes que contribuyen a obtener el ahorro en la

compra de energía en el pool) a las viviendas, éstas pueden ahorrar dinero al mismo tiempo que la ESE gana dinero.

6.3. Tiempos de cómputo Finalmente, para completar la visión de los resultados, en la figura VI se puede observar como los tiempos de computo

(corriendo sobre una máquina con procesador I7 2 núcleos a 2.8 Ghz y 8 Gb de RAM) se comportan casi de manera

lineal con respecto al número de viviendas a gestionar con lo que la escalabilidad del problema a mayor número de

viviendas parece razonablemente viable.

Figura VI: Tiempos de cómputo obtenidos para los distintos escenarios propuestos

Hay que tomar esta “linealidad” con precaución, ya que en el trabajo realizado se han hecho simplificaciones que, en un

caso real, habría que refinar, como por ejemplo la granularidad de la simulación en horas, cuando por ejemplo, una

lavadora no está en marcha un múltiplo exacto de horas. Para un caso más realista habría que simular en minutos y ello

podría disparar el tiempo de cómputo o degradar los resultados para tamaños de problemas grandes.

7. CONCLUSIONES Y DESARROLLOS FUTUROS

El presente artículo propone una técnica de gestión energética aplicada a vecindarios de viviendas. Se ha partido de la

premisa de que, en un mercado de la electricidad más liberalizado que el actual, una empresa de servicios energéticos

(ESE) puede comprar la electricidad que necesita el vecindario a precios más bajos (por volumen de compra). A partir

del perfil de precios de compra de la ESE, se genera un perfil de precios para cada vivienda que se envía diariamente a

un EMS (Energy Management System) que se encarga de desplazar algunas cargas de la casa a las zonas de precios

valles con el objeto de conseguir ahorros. Para evitar picos de demanda del vecindario justamente en las horas valle, se

ha mostrado un método para generar perfiles ligeramente diferentes para cada vivienda, demostrándose la reducción

efectiva de los picos al tiempo que cada vivienda puede ahorrar y la ESE puede obtener también beneficios.






Pag. 12 / 12


Como principales líneas de trabajo futuras sería interesante estudiar estas ideas sobre escenarios más heterogéneos, con

tipologías diferentes de viviendas, edificios de oficinas, etc. Asimismo sería apropiado rebajar la granularidad de la

simulación al orden de minutos. Finalmente podrían aplicarse técnicas de PSO multiobjetivo para optimizar

simultáneamente la disminución de picos de demanda y, por ejemplo, homogeneizar la varianza entre los precios que

obtienen las viviendas.

Igualmente sería interesante contrastar estos resultados con los de otras técnicas, en particular los algoritmos genéticos,

aunque un estudio relativamente reciente [16] muestra que, para una amplia variedad de problemas, los algoritmos PSO

convergen más rápidamente hacia las soluciones óptimas que los algoritmos genéticos, si bien finalmente obtienen

resultados similares.

AGRADECIMIENTOS Este trabajo ha sido financiado por el Departamento de Tecnología, Innovación y Competitividad del Gobierno Vasco.

BIBLIOGRAFÍA [1] Zhi Zhou; Fei Zhao; Jianhui Wang, "Agent-Based Electricity Market Simulation With Demand Response From Commercial Buildings," Smart

Grid, IEEE Transactions on , vol.2, no.4, pp.580,588, Dec. 2011. [2] Roe, C.; Meliopoulos, S.; Entriken, R.; Chhaya, S., "Simulated demand response of a residential energy management system" Energytech,

2011 IEEE , vol., no., pp.1,6, 25-26 May 2011 [3] Kenichi Wada, Keigo Akimoto, Fuminori Sano, Junichiro Oda, Takashi Homma, Energy efficiency opportunities in the residential sector and

their feasibility, Energy, Volume 48, Issue 1, December 2012, Pages 5-10. [4] Motamedi, A.; Zareipour, H.; Rosehart, W.D., "Electricity Price and Demand Forecasting in Smart Grids," Smart Grid, IEEE Transactions on ,

vol.3, no.2, pp.664,674, June 2012 [5] S. Kishore, L.V. Syder, “Control Mechanisms for Residential Electricity Demand in Smart Grids”. Proc of the First Int IEEE Int. Conf on Smart

Grid Communications, Gaithersburg, MD, pp 443-448, Oct 2010.

[6] AlRashidi, M. R.; El-Hawary, M.E., "A Survey of Particle Swarm Optimization Applications in Electric Power Systems," Evolutionary Computation, IEEE Transactions on , vol.13, no.4, pp.913,918, Aug. 2009

[7] J. Kennedy and R. Eberhart. “Particle swarm optimization”. In Proceedings of IEEE International Conference on Neural Networks, volume IV, pages1942{1948, Perth, Australia, 1995.

[8] Pengwei Du; Ning Lu, "Appliance Commitment for Household Load Scheduling," Smart Grid, IEEE Transactions on , vol.2, no.2, pp.411,419, June 2011

[9] Mohsenian-Rad, A.-H.; Wong, V.W.S.; Jatskevich, J.; Schober, R.; Leon-Garcia, A., "Autonomous Demand-Side Management Based on Game-Theoretic Energy Consumption Scheduling for the Future Smart Grid," Smart Grid, IEEE Transactions on , vol.1, no.3, pp.320,331, Dec. 2010

[10] Faria, P.; Vale, Z.; Soares, J.; Ferreira, J., "Demand Response Management in Power Systems Using a Particle Swarm Optimization Approach," Intelligent Systems, IEEE (to be published)

[11] Tsui, K. M.; Chan, S.C., "Demand Response Optimization for Smart Home Scheduling Under Real-Time Pricing," Smart Grid, IEEE Transactions on , vol.3, no.4, pp.1812,1821, Dec. 2012

[12] Sousa, T.; Morais, H.; Vale, Z.; Faria, P.; Soares, J., "Intelligent Energy Resource Management Considering Vehicle-to-Grid: A Simulated Annealing Approach," Smart Grid, IEEE Transactions on , vol.3, no.1, pp.535,542, March 2012

[13] Bozchalui, M.C.; Hashmi, S.A.; Hassen, H.; Canizares, C.A.; Bhattacharya, K., "Optimal Operation of Residential Energy Hubs in Smart Grids," Smart Grid, IEEE Transactions on , vol.3, no.4, pp.1755,1766, Dec. 2012

[14] Takeuchi, A.; Hayashi, T.; Nozaki, Y.; Shimakage, T., "Optimal Scheduling Using Metaheuristics for Energy Networks," Smart Grid, IEEE Transactions on , vol.3, no.2, pp.968,974, June 2012

[15] Logenthiran, T.; Srinivasan, D.; Tan Zong Shun, "Demand Side Management in Smart Grid Using Heuristic Optimization," Smart Grid, IEEE Transactions on , vol.3, no.3, pp.1244,1252, Sept. 2012

[16] R. Hassan, B. Cohanim, O. De Weck, G. Venter. “A comparison of particle swarm optimization and the genetic algorithms”. In 46th AIAA/ASME/ASCE/AHS/ASC Structures, Structural Dynamics, and Materials Conference (2005), pp. 1-13 Key: citeulike:5781649



http://www.citeulike.org/user/kentz/author/Hassan:R

http://www.citeulike.org/user/kentz/author/Cohanim:B

http://www.citeulike.org/user/kentz/author/De+Weck:O

http://www.citeulike.org/user/kentz/author/Venter:G

optimizatiÓn del coste de la electricidad en vecindarios ... - revista dyna energÍa · 2015. 3....

Documents