Siemens, software predictivo de redes neuronales para las centrales de energía

Por en 08/01/2016
SENN

SENN interrelaciona todos los parámetros que influyen en la producción energética para alcanzar un pronóstico preciso

Permite predecir el mejor día para comprar o vender energía, el nivel de su demanda, además de asegurar la estabilidad de la red

Siemens trabaja actualmente en el desarrollo de un software de predicción, útil para plantas de generación energética.

La solución, llamada Simulation Environment for Neural Networks (SENN), utiliza redes neuronales artificiales semejantes a las del cerebro humano. Estas redes se entrenan para reconocer interrelaciones entre todos los parámetros incluidos en el proceso de generación de energía (producción, demanda, precio y transmisión) y realizan previsiones a partir de ellos. Además, el uso de esta inteligencia artificial hace que no sea necesario analizar completamente un asunto determinado para hacer una previsión al respecto, ya que se basa en el análisis de datos pasados -incluso de otras centrales similares- capaces de facilitar una respuesta precisa.

En un primer momento, el software desconoce el efecto de los distintos parámetros, así que sus previsiones se desviarán significativamente de la producción actual de la estación o parque en cuestión. Durante la fase de entrenamiento, el programa repite el proceso miles de veces para minimizar la diferencia entre el pronóstico y los valores reales. De este modo, SENN va modificando el peso de los factores individuales hasta dar con una deducción cada vez más exacta.

Con el boom de las fuentes de energía renovables, las previsiones de SENN tienen un gran potencial para la industria energética. Las plantas eólicas y los parques solares generan cantidades variables de energía (en función del tiempo que hace) y las estaciones convencionales deben compensar esas fluctuaciones. Cuanto más varía el rendimiento de las renovables, más difícil es gestionar el abastecimiento –algo que afecta por igual a los proveedores y a los operadores de la red-.

Para asegurar la estabilidad de la red, se debe proveer siempre la misma cantidad de electricidad que la que se toma. Si una planta energética sufre una avería o surge un gran consumidor, el suministro se tiene que aumentar o disminuir, según el caso, para evitar un desajuste. Mantener la red en equilibrio será aún más difícil en el futuro.

Por otro lado, SENN es capaz de prever el precio de las materias primas y de la electricidad durante ciclos de más de 20 días. Así se puede predecir la mejor jornada para adquirirla, en dos tercios de las veces.  Las previsiones de demanda son la segunda mayor aplicación de SENN. El software permite a los grandes consumidores comprar electricidad en términos favorables y evitar los picos de demanda.  Por su parte, los proveedores de energía pueden servirse de los pronósticos para planificar la compra de energía y el funcionamiento de las plantas –por ejemplo, al calendarizar los trabajos de mantenimiento durante los momentos en que se espera un menor rendimiento-.

Hoy, un proveedor de energía con varias plantas puede utilizar SENN para comprar gas natural barato y ajustar de manera óptima la producción de electricidad, de acuerdo a las previsiones del precio de los permisos de CO2 y de la electricidad. En el futuro, un operador podrá proporcionar al proveedor de energía predicciones sobre la demanda y la necesidad de equilibrar la energía por anticipado.  Ello hará que la volatilidad de los mercados energéticos sea más fácil de manejar, porque todos los actores podrán ajustar de antemano sus actividades que, a su vez, afectan al resto de participantes del mercado.

Las previsiones individuales son un primer paso hacia un futuro mercado energético en el que casi todos los factores están en cambio constante. Todos estos aspectos son interdependientes y por ello deben examinarse holísticamente. Cuanto mejor se prevea su interacción, más eficiente será el sistema energético en su conjunto.

Acerca de A.Gomez

Debe identificarse para comentar Identificarse