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 una matriz energética limpia y fortalecen los sistemas eléctricos frente a los desafíos de integrar energías renovables no convencionales (ERNC). Estos sistemas aportan confiabilidad al suministro y optimizan la generación, transmisión y distribución. En este contexto, los sistemas de almacenamiento BESS basados en litio han crecido rápidamente, impulsados por su modularidad y el auge de la electromovilidad. Esto genera nuevas oportunidades de inversión con creciente confianza de bancos e inversores en sus flujos de ingresos. Para garantizar la viabilidad de estos proyectos, es crucial desarrollar estrategias operativas bajo incertidumbre. En este trabajo se implementa un modelo de redes neuronales previamente desarrollado y se adapta al contexto chileno, evaluando su desempeño en el parque eólico Cabo Leones I y la planta fotovoltaica Santiago Solar, ambos con baterías de distintos tamaños (25% y 75% de la capacidad nominal). Se consideran dos escenarios: solo inyección de energía y uno que incorpora retiros, habilitando mayor arbitraje energético. El modelo se compara con métodos tradicionales como la programación estocástica y robusta. Los resultados muestran que el enfoque basado en redes neuronales es competitivo en generación fotovoltaica, mejorando ingresos y reduciendo desbalances. En generación eólica, la programación estocástica lidera en rentabilidad y robustez. En general, el uso de baterías más grandes mejora los resultados económicos: en Santiago Solar aumenta los ingresos y reduce pagos por desbalance, mientras que en Cabo Leones I se reducen penalizaciones. El impacto de los retiros varía: en generación eólica disminuyen desbalances, pero en generación solar los resultados son mixtos. El modelo basado en redes neuronales adopta una estrategia conservadora, usando menos ciclos de batería, lo que podría extender su vida útil, aunque genera desbalances por subgeneración debido a bajos niveles de carga. En conclusión, el método basado en redes neuronales ofrece una estrategia conservadora y competitiva. Sin embargo, su efectividad depende del contexto operativo, influido por factores como precios, disponibilidad de recursos y condiciones locales, por lo que no garantiza automáticamente mayores beneficios económicos. Energy storage systems are essential for achieving a clean energy matrix and strengthening electrical systems against the challenges of integrating non-conventional renewable energy (NCRE). These systems enhance supply reliability and optimize generation, transmission, and distribution. In this context, lithium-based BESS storage systems have grown rapidly, driven by their modularity and the rise of electromobility. This growth creates new investment opportunities, with increasing confidence from banks and investors in their revenue streams. To ensure the viability of these projects, it is crucial to develop operational strategies under uncertainty. This study implements a previously developed neural network model adapted to the Chilean context, evaluating its performance at the Cabo Leones I wind farm and the Santiago Solar photovoltaic plant, both with batteries of different sizes (25% and 75% of nominal capacity). Two scenarios are considered: energy injection only, and one that incorporates withdrawals, enabling greater energy arbitrage. The model is compared with traditional methods such as stochastic and robust programming. Results show that the neural network–based approach is competitive in photovoltaic generation, improving revenues and reducing imbalances. In wind generation, stochastic programming leads in profitability and robustness. Overall, larger batteries enhance economic outcomes: at Santiago Solar, they increase revenues and reduce imbalance penalties, while at Cabo Leones I, they mainly reduce penalties. The impact of withdrawals varies: in wind generation, they reduce imbalances, but in photovoltaic generation, results are mixed. The neural network–based model adopts a conservative strategy, using fewer battery cycles, potentially extending battery life, though it generates imbalances due to undergeneration caused by low charge levels. In conclusion, the neural network–based method offers a conservative and competitive strategy. However, its effectiveness depends on the operational context, influenced by factors such as prices, resource availability, and local conditions, meaning it does not automatically guarantee higher economic benefits.