Grans volums de dades pels distribuïdors elèctrics

A més de la majoria de les nacions europees, la República d'Irlanda necessita familiaritzar-se amb grans volums de dades  conjuntament amb el control remot de la xarxa. Amb quatre vegades la mitjana de la UE de  xarxes aèries per habitant i una altíssima penetració de renovable de  2 GW d'eòlica (mitjana a la xarxa de distribució)  Irlanda necessita saber com es pot fer front a l'evolució energètica.

ESB  [Electricity Supply Board] és l'únic operador del sistema de distribució a la República d'Irlanda. En l'actualitat compta amb aproximadament 25.000 punts de dades operacionals de 2,3 milions de clients, el que genera al voltant de 1,5 milions de punts de dades per hora o  90 milions de punts de dades per any.

 

Amb els comptadors  intel·ligents,  aquests 2,3 milions de clients podria significar 18,4 milions de punts de dades per hora o més de 160 mil milions per any. La pregunta per ESB  és, quin  valor  aporta l’obtenció de totes aquestes dades per millorar l'eficiència operativa en la xarxa elèctrica?

Tradicionalment, els operadors de sistemes de distribució (DSO) van requerir que les previsions de consum fossin fiables i predictibles en els moments de màxima demanda, però amb la generació distribuïda provoca variabilitat de manera que, pot esdevenir que el control a temps real esdevingui necessari per  l'equilibri del sistema alhora que permeti la integració d’aquesta generació distribuïda, la resposta de la demanda i tot el que  vindrà.

 

Això requereix una certa gestió de l'estat de la xarxa en temps real per evitar la possibilitat de fallides amb un increment de les inversions en actius físics. Per tant, ESB ha desenvolupat una sèrie de models per comprendre millor la càrrega subjacent i el comportament dels clients, alhora que identifica la gran quantitat de dades en temps real.

En primer lloc, va compilar perfils de càrrega estàtics, tenint el perfil de càrrega mitjà de milers de clients escollits a l'atzar. Es va decidir el 16 perfils de càrrega representatius que representen dos tipus de clients diferents:

- Domèstics i

- Pimes.

Per fer-ho, ESB  va utilitza comptadors intel·ligents per la recollida de dades  en intervals de 30 minuts i de 6.000 clients durant 18 mesos que va durar el pilot. Una vegada obtingudfe les dades vàren ser descomposades per identificar les prediccions de càrrega a curt termini, comparant-lo amb les dades reals de càrrega. Per descomptat, això era inherentment inexacte; perfils de càrrega estàtics no capten la variació intra-setmanal i intra-estacional, pel que ESB va desenvolupar perfils de càrrega dinàmics; un model estadístic que utilitza les dades del comptador  intel·ligent el qual,  va capturar l'hora del dia, dia de la setmana, la temporada i la temperatura. Amb l'ajuda d'IBM, ESB  va depurar aquest model dinàmic introduint dades del comptadors intel·ligents específics a un grup de clients i algorítmicament canviar els perfils basats en dades històriques. El model dinàmic depurat, va ser significativament més precis en comparació amb els perfils de càrrega reals ESB respecte els models estàtics i dinàmics: el marge d'error es va reduir de 11,4 per cent per al model estàtic i 11 per cent per al model dinàmic de 7,4 per cent.

Com ESB  va utilitzar aquestes dades en el món real? Bé, les previsions de càrrega a curt termini són l'interès principal d'ESB o qualsevol altre DSO, que necessiten per fer una estimació de la càrrega en una xarxa determinada durant les pròximes dues hores per esbrinar si és factible fer una crida a, per exemple, la resposta de la demanda.

Per determinar la precisió amb la qual podria predir la  càrrega en el transcurs d'un any, ESB va depurar  encara més el seu model de "dinàmic" amb el "aprenentatge on line per incloure les dades de les últimes 24 hores. Anant més lluny, el model va incloure dades de les últimes 24 hores amb actualitzacions cada hora per simular a temps real els consums del comptador intel·ligent.

A partir de 12 clients residencials amb comptadors monofàsics utilitzant només les dades del dia anterior sense perfils, el marge d'error  va ser del 13 per cent no obstant per a 800 clients connectats en alta tensió va ser només un 3 per cent  de manera que ESB va trobar sorprenentment bo aquest resultat.

Amb el model estàtic, el marge d'error de 12 clients va augmentar a gairebé el 20 per cent; i 4 per cent per als 800 clients de MT, fins i tot sense tenir en compte les variacions intra-estacionals. El model dinàmic en realitat era menys precís que el model estàtic, mentre que el model dinàmic depurat es torna més precisa pels casos dels a 12 clients, però  era menys precisa per als clients de d’alta tensió.

El model d'aprenentatge on line més depurat,  amb les actualitzacions de 24 hores la precisió, va ser de poc més del 10 per cent inexacte per a 12 clients, i per sota del 10 per cent amb les actualitzacions d'una hora. Per als clients de MT, el marge d'error va ser de 2 per cent, tant per a les 24 hores i actualitzacions d'una hora.

Les dades en temps real amb l'aprenentatge on line és encara només una millora marginal sobre l'antic perfil de consums dinàmics de manera que construir la infraestructura per donar-nos totes les dades en temps real, seria excepcionalment car i posaria una càrrega de treball massiva en el sistema difícil de gestionar.

Si es  sap que fer  amb una extensa anàlisi on line de les  dades disponibles i que cal fer perquè la predicció  això vol dir que no es necessita les dades en temps real, llavors es pot fer estalvis en infraestructura de telecomunicacions.