Las comunidades energéticas locales (CEL) están emergiendo como una solución innovadora y prometedora para abordar los desafíos energéticos de nuestro tiempo. En un mundo en el que la transición hacia fuentes de energía más limpias y sostenibles es una prioridad apremiante, las comunidades energéticas se presentan como un modelo alternativo que empodera a los ciudadanos y fomenta la participación activa en la generación, distribución y consumo de energía. A través de este enfoque descentralizado y participativo, las comunidades toman el control de su suministro energético, a la par que generan beneficios múltiples: reducción de las emisiones de carbono, disminución de la dependencia de los combustibles fósiles, promoción de la energía renovable local, creación de empleo, ahorro económico y fortalecimiento de los lazos comunitarios.

En España, la revisión del Plan Nacional Integrado de Energía y Clima para el período 2023-2030, que se encuentra en fase de consulta pública, prevé que se tripliquen las cifras de autoconsumo actuales, situadas por encima de los 6 GW, hasta los 19 GW instalados, con un papel relevante de las Comunidades Energéticas Locales y el autoconsumo compartido.

Además, a medida que avanzamos hacia una sociedad más interconectada y tecnológicamente avanzada, la digitalización se presenta como una herramienta clave para optimizar la operativa, el control y la eficiencia de los sistemas energéticos. Contar con un elevado grado de penetración de las tecnologías digitales, se vuelve especialmente relevante cuando existen diferentes estrategias de gestión, como es en el caso de las comunidades energéticas, ya que se pueden optimizar y mejorar sus beneficios (económicos, ambientales, sociales) a través del uso de diferentes técnicas y algoritmos.

Inteligencia artificial para la optimización de comunidades energéticas

La aplicación de algoritmos de predicción, optimización y gestión en las comunidades energéticas abre nuevas oportunidades para una gestión más eficiente y sostenible de la energía. Al aprovechar las ventajas de las tecnologías digitales se puede maximizar el uso de energías renovables, mejorar el reparto interno de la energía, optimizar el uso de cargas flexibles o incrementar el uso del almacenamiento, todo ello apoyado en predicciones fiables sobre la evolución a futuro de la producción y la demanda de energía.

• Algoritmia de predicción de la generación renovable y el consumo

La algoritmia de predicción tanto de la generación renovable como del consumo energético es una herramienta crucial en la gestión de comunidades energéticas ya que permite realizar estrategias óptimas de gestión y control con toda la información sobre el comportamiento de los sistemas a futuro. Utilizando complejos algoritmos y modelos matemáticos, que analizan variables como la radiación solar, la velocidad del viento y otros factores climáticos, se predice la cantidad de energía que se generará a partir de fuentes renovables, como la solar o la eólica, en un determinado período de tiempo. Además, estos algoritmos tienen la capacidad de adaptarse y aprender sobre las características específicas de cada instalación, a través de la retroalimentación con datos en tiempo real recibidos desde el entorno de la misma.

Respecto a la predicción del consumo, cobra relevancia la utilización de datos históricos de consumo y patrones de comportamiento, si bien este se apoya en variables ambientales y otros factores relevantes como la ocupación de espacios, que influyen en mayor o menor medida el consumo energético.

Al ser los cimientos sobre los que se apoyan todos los demás sistemas de algoritmia, estas predicciones deben ser fiables, con precisiones superiores al 95%. Las técnicas de aprendizaje automático tienen elevadas tasas de acierto por encima de este umbral para predecir la demanda y la generación energéticas futuras, especialmente a corto plazo y medio plazo, por lo que su utilización es clave en las comunidades energéticas locales.

• Algoritmia de gestión del reparto energético

Gestionar de forma eficiente el reparto de energía, supone incrementar las tasas de autoconsumo dentro de la comunidad y maximizar los beneficios de los participantes, utilizando diferentes criterios de asignación de la energía renovable a los mismos.

Para ello se analizan datos relevantes, como la demanda energética, la disponibilidad de recursos y las restricciones impuestas por los usuarios, para facilitar, o directamente automatizar, la toma decisiones sobre los coeficientes de reparto a comunicar a la distribuidora. Según el régimen de autoconsumo compartido, bien en instalaciones próximas en red interior o bien a través de red, la asignación puede hacerse en tiempo real o debe ser realizado, según la legislación que aplique, con hasta meses de antelación, respectivamente.

Por otro lado, en función de las restricciones que afecten al reparto, como la titularidad de las instalaciones, la inversión realizada o la gestión de los excedentes, la algoritmia debe decidir en cada momento no solo el coeficiente de reparto a asignar, sino también las implicaciones económicas que conlleva dicha asignación, como posibles compensaciones entre los participantes o retribuciones de los gestores de la comunidad.

• Algoritmia de optimización del uso de cargas flexibles y almacenamiento

Las cargas flexibles son aquellos dispositivos o sistemas que pueden ajustar o reducir su consumo de energía, trasladando en el tiempo su utilización o modificando su patrón de uso, con afecciones mínimas o nulas a la operativa normal.

Para la optimización de la flexibilidad, se utilizan diferentes orígenes de datos, como la disponibilidad de energía renovable, los precios del mercado y las preferencias del usuario, así como las predicciones a futuro del sistema, con el fin de adecuar la utilización de cargas no esenciales y sistemas de almacenamiento de energía. Estos algoritmos realizan la activación y desactivación automática de los patrones de consumo de dispositivos flexibles, como cargadores de vehículos eléctricos o cargas termostáticas, para obtener beneficios, especialmente económicos, por el traslado de su uso a horas con menores precios de la energía o ajustándolos a los momentos de mayor producción renovable. Un claro ejemplo, ocurre con la carga de un vehículo eléctrico durante la noche, donde el usuario puede establecer el umbral de batería mínimo con el que quiere comenzar el día siguiente, y el algoritmo puede modular la potencia entregada al mismo durante el período de carga, de forma que se obtenga un menor coste energético.

Los modelos matemáticos no deben ser solo capaces de decidir en qué momento se deben activar o desactivas las cargas, sino que también deben poder detectar las restricciones que aplican a cada carga. Esto implica determinar los momentos en los que una carga es flexible, la duración de estos períodos, y los rangos de potencia y energía en los que se puede actuar.

En lo respectivo a la optimización del almacenamiento energético, esta permite gestionar eficazmente el flujo de energía entre las fuentes de generación, los consumidores y los sistemas de almacenamiento, con objetivos como maximizar el autoconsumo y reduciendo la demanda de la red en momentos de elevados precios, o cargando las baterías en períodos con un menor precio energético. Para optimizar este flujo

Comunidad energética virtual: más allá de un entorno de pruebas

Una Comunidad Energética Virtual (CEV) es un entorno digital que reproduce y simula un sistema físico, y que se encuentra conectada a elementos físicos, como paneles solares o baterías, que existen en la realidad para la obtención de datos de funcionamiento real.

Las Comunidades Energéticas Virtuales pueden ser utilizadas como entorno de pruebas al margen de las regulaciones y normativas vigentes (Regulatory Sandboxes). Esto permite también desarrollar tecnología en previsión de nuevos cambios legislativos. No obstante, existen ventajas adicionales derivadas de la existencia de este tipo de sistemas:

• Permiten plantear escenarios de utilización en la fase de diseño y planificación, lo que mejora el dimensionamiento, diseño y organización de CELs físicas, lo cual es especialmente relevante a la hora de altas y bajas de nuevos usuarios.

• Pueden ser utilizadas para escalar y producir grandes cantidades de datos, que alimenten a los algoritmos de Inteligencia artificial.

• Se pueden emplear como sistemas de ensayo de estrategias de gestión y optimización, sin afectar a sistemas en operación real.

Caso práctico: Gestión de una Comunidad Energética Virtual

En el marco del proyecto AGERAR II, se ha constituido una Comunidad Energética Virtual entre dos instalaciones separadas físicamente más de 700 kilómetros, con el Laboratorio de Redes Inteligentes de ITG en A Coruña y la microrred experimental del Instituto Nacional de Técnicas Aeroespaciales (INTA) en el Centro De Experimentación De El Arenosillo, en Huelva. Esta CEL virtual se ha conformado sobre la plataforma de gestión de comunidades energéticas, desarrollada por ITG.

La monitorización de las instalaciones de INTA se realiza a través de la conexión directa de la plataforma, al SCADA que controla la microrred, y que se nutre de los datos directamente desde los equipos.

Las instalaciones de ITG en cambio tienen un sistema mixto de monitorización para alimentar a la CEL virtual por sus características concretas. La parte virtual modelada y simulada, incluyendo convertidores regenerativos, se monitoriza a través de una plataforma Power Hardware in the Loop (PHIL) que recoge los datos y los envía a la plataforma de gestión. Por otro lado, las instalaciones fotovoltaicas y de almacenamiento, se monitorizan a través de los sensores que tienen los propios equipos, y que la propia plataforma lee a través de una API de conexión.

Adicionalmente, la plataforma se encuentra conectada a sistemas de predicción meteorológica de los que obtiene datos en tiempo real para cada emplazamiento, y al mercado eléctrico, de donde adquiere datos de precios, también en tiempo real.

Para conformar esta comunidad energética virtual, se han elegido los sistemas fotovoltaicos existentes en ambos centros, con 5 instalaciones, y las cargas conectados a la microrred de INTA y el consumo monitorizado de ITG, incluyendo también emuladores de potencia. En el entorno simulado, se ha desplegado una batería virtual, una carga flexible y una conexión virtual a red, sobre la que se evalúa el balance final y los costes a aplicar.

Todas estas fuentes alimentan la base de datos sobre la que se conforma la Comunidad Energética Virtual, y de ella se nutren los algoritmos de gestión, predicción y optimización desarrollados para la mejora de la CEL.

Figura 1. Ejemplo de balance energético para un usuario, desagregado por las diferentes fuentes para una semana en la CEL virtual optimizada.

Figura 2. Ejemplo de balance energético para un usuario, desagregado por las diferentes fuentes para una semana en la CEL virtual sin optimizar.

En primer lugar, la algoritmia de predicción desplegada, es capaz de predecir la generación energética a futuro y detectar patrones de consumo, lo que alimenta al resto de algoritmos a utilizar por la plataforma. Por otro lado, se ha utilizado algoritmia para la predicción y mejora de la flexibilidad y la optimización de los sistemas de almacenamiento virtuales. En este caso, se han conseguido ahorros aproximados de hasta el 10% comparados con un caso base con una operativa tradicional, en la que las cargas flexibles se activan en un horario determinado y el almacenamiento se carga o descarga siempre como primera opción antes que la red.

Figura 3. Coste semanal promedio en el período de ensayo.

Figura . Flujo de caja acumulado, en una semana promedio, en el período de ensayo.

Por último, se han optimizado los coeficientes de reparto entre los diferentes puntos de consumo, siendo estos 5, traduciéndose esto en un beneficio económico de hasta el 5% aproximadamente, de promedio en la comunidad, comparado con un escenario en el que existen unos coeficientes fijos proporcionales a la potencia instalada de los usuarios.

En resumen, los test realizados arrojan beneficios de hasta el 15% únicamente a través de la gestión, combinando las diferentes técnicas de algoritmia, y sin desplegar otras medidas de eficiencia energética o rehabilitación, lo que supone una ventaja al disminuir los costes de inversión, reduciendo también los tiempos de amortización de las soluciones.

Sobre el proyecto:

El proyecto AGERAR II (Almacenamiento y gestión de energías renovables en comunidades energéticas locales) enmarcado en el programa Programa INTERREG V-A España – Portugal (POCTEP) 2014-2020 , tiene como objetivo general mejorar las infraestructuras y capacidades de I+D+i en el Espacio POCTEP en el ámbito de las comunidades energéticas locales (CELs) mediante la evaluación de modelos energéticos innovadores basados en el despliegue de sistemas de almacenamiento y la gestión de energías renovables. El proyecto promueve la investigación en un área emergente como son los sistemas energéticos inteligentes, respondiendo a la necesidad del territorio de aprovechar sus recursos energéticos renovables endógenos mediante la implantación de modelos energéticos innovadores, caracterizados por la generación distribuida, la electrificación y la digitalización.

El proyecto nace como continuación del proyecto AGERAR (Almacenamiento y gestión de energías renovables en aplicaciones comerciales y residenciales), desarrollado también bajo el mismo programa Programa INTERREG V-A España – Portugal (POCTEP) 2014-2020, y cuyo objetivo fue promover la eficiencia energética y criterios de sostenibilidad en microrredes comerciales y residenciales, incrementando el uso y mejorando la gestión de energías renovables gracias a los sistemas de almacenamiento de energía y a la utilización de tecnologías de información y comunicación.

Artículo para la edición digital de Dínamo Técnica.

Autor: Pablo Álvarez Rodríguez, Responsable de Proyecto del Área de Energía de ITG.