Implementación de un modelo para la oferta eficiente de energía en un mercado Day Ahead, para una planta eólica con almacenamiento BESS utilizando redes neuronales

Abstract

Los sistemas de almacenamiento de energía son esenciales para lograr una matriz energética limpia y fortalecen los sistemas eléctricos actuales frente a los desafíos de una mayor penetración de energías renovables no convencionales, aportando confiabilidad y robustez al suministro eléctrico. Son una tecnología versátil, capaz de ofrecer soluciones tanto a nivel de generación como de transmisión y distribución.Actualmente, se observa un rápido crecimiento en los sistemas de almacenamiento BESS (Battery Energy Storage Systems) basados en litio, impulsado por su carácter modular y por el desarrollo de la industria del electro movilidad. Esto abre oportunidades para que las empresas generadoras inviertan en este tipo de infraestructura, y tanto bancos como inversores muestran una creciente confianza en los flujos de ingresos que pueden derivarse de estas tecnologías. Para asegurar la viabilidad de estos proyectos, es fundamental explorar métodos que permitan definir estrategias de toma de decisiones bajo condiciones de incertidumbre. En este contexto, los métodos basados enredes neuronales emergen como una alternativa prometedora, pues permiten reconocer patrones complejos mediante entrenamiento, aprovechando la información cada vez más abundante del entorno. Este trabajo implementa un método basado en redes neuronales desarrollado previamente, adaptándolo a nuevos datos. Este método ha mostrado resultados competitivos frente a enfoques tradicionales en el contexto de un parque fotovoltaico en Estados Unidos. Este estudio se centra en el parque eólico Horizonte, ubicado en la región de Antofagasta y propiedad de Colb´un S.A., donde se evalúa su desempeño˜no económico al incorporar una batería de litio. Se analizan diferentes tamaños de batería y dos escenarios operativos: (i) inyección exclusiva de energía a la red y (ii) inyección y retiros. Este ´ultimo permite a la batería responder a señales de precio, realizando arbitraje energético para optimizar su uso económico. El método de redes neuronales se compara con enfoques de programación robusta y estocástica. Los resultados muestran que el desempeño económico del método de redes neuronales es intermedio, con la programación estocástica liderando en rentabilidad. En términos generales, se observó que el uso de una batería de mayor capacidad (75% de la potencia nominal del parque) genera ganancias positivas en todos los métodos, mientras que una batería del 25% de la potencia nominal lleva a perdidas en todos los casos, debido a penalizaciones por desbalances entre la operación programada y la real, que superan los ingresos por venta de energía. Un aspecto clave es la consideración de retiros de la red para arbitraje de energía. Se observó que los métodos robusto y estocástico empeoran su desempeño˜no con esta estrategia, independientemente del tamaño de la batería, mientras que el método de redes neuronales mejoro en un 35 %, volviéndose competitivo. Además, el uso de la batería, en términos de ciclado, fue menor cuando esta contaba con mayor capacidad respecto a la planta eólica, siendo aproximadamente un 30% menor que en la programación estocástica. Esto es relevante, ya que un ciclado excesivo acelera el deterioro de la batería, afectando sus capacidades de energía y potencia. En resumen, el modelo basado en redes neuronales resulta en una estrategia de uso más conservadora y competitiva, particularmente si se permite la extracción de energía desde la red. No obstante, los resultados sugieren que su implementación en otros contextos no garantiza automáticamente una toma de decisiones más acertada o mayor rentabilidad, dado que factores como precios, disponibilidad de recursos, generación de terceros, estado de la transmisión y localización del proyecto afectan significativamente el desempeño.