Aplican modelo de redes neuronales para diseñar itinerarios de carga y descarga de baterías conectadas a microrredes

Autor: Nicté Luna
11/10/2021

En un escenario futurista, existe un mundo que aprovecha masivamente las fuentes renovables de energía para generar electricidad porque el petróleo no existe más. Es un escenario en donde cada casa genera una fracción de energía eléctrica, imagina el Dr. Miguel Robles Pérez, académico del IER-UNAM.

Diseñar ese mundo utópico en el que el sistema eléctrico se alimenta de las energías renovables, como la solar y eólica, requiere atender uno de los problemas más criticados de éstas: la variabilidad del recurso. Para sumarse a los esfuerzos científicos para atender este reto tecnológico, el Dr. Robles Pérez ha incursionado recientemente en la investigación para diseñar sistemas inteligentes de predicción de potencia que permitan la creación de itinerarios de carga y descarga de baterías para microrredes.

“En el caso solar es muy claro que hay una intermitencia por el día y la noche, pero este es totalmente predecible. En el caso del viento, le dicen intermitente pero es más bien variable, todo el tiempo cambia. El truco para poder usarlo es saber cómo va a estar la generación del viento. Si sabes cuánto vas a poder producir de energía en dos horas, entonces puedes adaptar todo lo que está en el entorno de la red para usar o almacenar esa energía. La predicción te ayuda a crear mecanismos de control más eficientes”, comentó el Dr. Robles Pérez en entrevista.

Para lograr este propósito, se han implementado modelos de redes neuronales ya que permiten procesar muchas variables para intentar predecir, con base en la historia, qué puede pasar en el futuro.

“Cuando tienes señales como la velocidad del viento, la radiación solar, la presión y la temperatura, y tienes un fenómeno complejo como el clima, es muy difícil predecir con modelos simples, las redes neuronales procesan números de este tipo de medidas y pueden encontrar relaciones entre ellas , en una especie de reconocimiento de patrones”, compartió el académico del IER.

Las redes neuronales basan su principio de funcionamiento en las neuronas cerebrales; de manera general lo podemos sintetizar de la siguiente manera: las neuronas del cerebro reciben un conjunto de señales, las procesa y después da una respuesta. Por ejemplo, si tomas una taza con agua hirviendo, tus neuronas recibirán la señal de una temperatura muy alta, al procesar la información interpretará que eso quema y mandará la señal para que sueltes la taza caliente. En la medida en que este evento se repite a lo largo del tiempo, tus neuronas se van entrenando para dar una respuesta más rápida que la primera vez.

“Se puede hacer el símil matemático. La señal podría ser una cadena de números que evoluciona en el tiempo y que de pronto, cuando llegue a un cierto valor, pueda disparar una señal del otro lado, y lo que pones en medio es lo que llamarías una función [matemática], que podría ser que dispare siempre la misma respuesta cuando se llegue al valor crítico. Incluso, se podrían sumar un conjunto de funciones para un conjunto de variables y obtener una respuesta”, explicó.

Han aplicado el modelo de red neuronal conocido como CNN-LSTM para predecir la producción de energía solar fotovoltaica y eólica. En un primer estudio comprobaron que este modelo tiene mejor efecto de predicción que el modelo híbrido de dos capas y el de predicción único, se lee en el artículo publicado por el estudiante de doctorado en Ingeniería, Mtro. Mario Tovar, el estudiante de la Licenciatura en Ingeniería en Energías Renovables, Felipe Rashid, y el académico del IER-UNAM, Dr. Miguel Robles, en la revista Energies en el 2020.

Asimismo, han aplicado este modelo en un caso de estudio particular: un hotel del estado de Baja California, con la finalidad de diseñar itinerarios de carga y descarga de una batería para una microrred de generación solar fotovoltaica y eólica con baterías y conectada a la red eléctrica.

El Dr. Robles Pérez narró que la microrred del caso de estudio era una configuración de un generador eólico, un sistema fotovoltaico, baterías y además está interconectada a la red eléctrica. Señaló que el hotel presenta dos picos de consumo a lo largo del día, uno por la mañana y otro al atardecer.

“Lo que estudiamos fue cómo balancear el eólico y el fotovoltaico (FV), porque el FV permite cargar la batería de día, y el eólico sí tiene posibilidad de cargar en la noche. Entonces había que enseñarle a la batería que cargara del [generador] eólico para cancelar el pico de consumo de la mañana, y que cargara del [generador] solar para cancelar el pico de la tarde, entonces la batería descargaba a la hora de estos dos picos, y así se construyó el itinerario de carga y descarga”, puntualizó.

De acuerdo con el investigador del IER-UNAM diseñar estos itinerarios te permite reducir el consumo de energía de la red lo que se traduce en ahorros económicos, sobre todo si coincide con los picos en tarifas altas.

Más información:

Tovar, M.; Robles, M.; Rashid, F. PV Power Prediction, Using CNN-LSTM Hybrid Neural Network Model. Case of Study: Temixco-Morelos, México. Energies 2020, 13, 6512. https://doi.org/10.3390/en13246512

Contacto:

e-mail: dir@ier.unam.mx
Tels. (52) 777 362 0090 (ext. 29744) y (52) 555 622 9744
Priv. Xochicalco S/N Temixco, Morelos 62580 México. (Mapa)

Aviso de Privacidad: IER-UNAM

webmaster: web@ier.unam.mx