Resumen de Modelización de centrales termosolares mediante técnicas de minería de datos
El cambio climático es el mayor reto al que se enfrenta la humanidad. Requiere de un esfuerzo mayúsculo en muchos frentes, siendo uno de los más importantes la generación de energía eléctrica. De unos años a esta parte se está dando un importante giro de timón hacia las energías renovables, entre las que se encuentra la energía termosolar.
La energía solar termoeléctrica concentra la energía solar en un receptor, bien sea puntual o lineal. Este calor es transferido hacia un circuito de agua-vapor que alimenta una turbina, equiparable a la de un central nuclear o térmica convencional.
Como energía renovable, tiene el problema de la intermitencia debido a su dependencia de la radiación solar. Por ello, no es inmediato saber cuál es la producción de la central. Conocer la producción esperada es necesario para realizar los estudios de viabilidad financiera del proyecto, para optimizar el diseño de la central y para, posteriormente, poder supervisar la operación y control de la planta en funcionamiento.
Por ello, es necesario desarrollar un modelo capaz de simular el comportamiento de la central en función de las condiciones meteorología. Si se conocen los insumos requeridos por la planta, y la electricidad generada en cada momento se tiene lo necesario, junto con el CAPEX y OPEX para calcular el LCOE de la instalación. Comparando el LCOE con el precio de venta de la electricidad (conforme a las condiciones del país en el que se realiza) se evalúa si la inversión es conveniente.
Los proyectos de energía termosolar se estructuran de muy distintas maneras. La más común es el IPP (Productor Independiente de Energía), entidad privada que recibe la concesión para construir y operar la planta, siendo típicamente el propietario de esta. El IPP suele ir de la mano de una empresa EPC, a la cual se le traslada todas las garantías que el IPP haya adquirido con el cliente final. La principal garantía de una planta termosolar es la energía que exporta a la red. De aquí, el interés de tener un modelo con unas exigencias de precisión muy importantes.
Todo lo mencionado hasta el momento motiva el desarrollo de un modelo lo suficientemente preciso como para dar una garantía de una planta. Debe de ser capaz de reproducir todas las situaciones en las que se vaya a encontrar la planta, incluyendo los transitorios. Para un correcto modelado de estos últimos es necesario que el modelo de garantía sea, por lo menos, cuasi-dinámico, a partir de ahora se conocerá como QD-PM. Se entiende por modelo cuasi-dinámico aquel que tiene sistemas modelados de forma estática y de forma dinámica.
Tras el desarrollo del QD-PM se validó con datos reales de planta, otorgando unos resultados muy buenos. Pese a ello, un modelo de estas características requiere una inversión de recursos muy importante en un periodo de tiempo muy corte. Esto no siempre es posible. Así que se intenta optimizar el bloque más complejo donde, típicamente, hay que invertir más tiempo, el conjunto TGV (Tren de Generación de Vapor) ciclo Rankine. Se realiza un modelado del sistema basado en datos de proceso de dos plantas en operación comercial. Este modelo se ha entrenado con un año de datos y se ha validado con otro año de datos reales de planta. El proceso de validación muestra la extraordinaria precisión de este modelo.
Sin embargo, no siempre es posible ofertar/diseñar plantas gemelas a la que están en operación y se tiene acceso a sus datos de proceso. Por ello, se ha implementado un modelo con capacidad de generalizar entre un rango de potencias de turbina dado. Se ha entrenado con una planta pequeña y otra mayor. Ha sido validada con datos diferentes de las dos plantas con las que se entrenó y con datos de una planta intermedia. Sacrificando ligeramente la precisión. Lo cual no es necesariamente malo, ya que se puede utilizar en una fase del proyecto en la que se requieran resultados con una menor cantidad de datos, aceptándose una mayor incertidumbre.
