Artificial Intelligent predictive models for local renewable energy markets

• Autores: Carlos Wolfram Rozas Rodríguez
• Directores de la Tesis: Rafael Pastor Vargas (dir. tes.), José Carpio Ibáñez (dir. tes.)
• Lectura: En la UNED. Universidad Nacional de Educación a Distancia ( España ) en 2024
• Idioma: inglés
• Número de páginas: 362
• Tribunal Calificador de la Tesis: Rafael Guirado Torres (presid.), Juan Mario Haut Hurtado (secret.), Fernando de la Prieta Pintado (voc.)
• Programa de doctorado: Programa de Doctorado en Tecnologías Industriales por la Universidad Nacional de Educación a Distancia
• Materias:
  • Matemáticas
    • Ciencia de los ordenadores
      • Inteligencia artificial
      • Informática
  • Ciencias tecnológicas
    • Tecnología industrial
      • Otras especialidades de tecnología industrial
• Enlaces
  • Tesis en acceso abierto en: e-spacio
• Resumen
  • español

    Está surgiendo una nueva cadena de valor de la energía distribuida debido a la Transición Energética. El nuevo ecosistema energético requerirá soluciones de flexibilidad que aborden la intermitencia inherente de las fuentes renovables. Una solución prometedora son los mercados locales de flexibilidad. Como cualquier solución de flexibilidad, es necesario gestionar de forma óptima los recursos de la Comunidad Energéticos para garantizar la calidad técnica del producto. Predecir el comportamiento de cada hogar en una comunidad energética ayudará a optimizar el rendimiento global de la comunidad, permitiendo un mejor arbitraje de energía, asignando mejores reservas de almacenamiento y minimizando la inversión en la Red de Distribución Local.

    Esta tesis propone una solución digital para el mercado local de flexibilidad que emplea tecnologías digitales para optimizar el rendimiento del mercado. La investigación analizó seis casos de estudio para comprender las características esenciales de este tipo de solución de flexibilidad. Basándose en estas características críticas, la investigación seleccionó un conjunto público de datos completamente documentado para desarrollar la experimentación con tres categorías de algoritmos: 1) Estadístico, 2) Aprendizaje automático superficial y 3) Aprendizaje automático profundo. Esta experimentación obtuvo una precisión que superó, en la mayoría de los casos, los modelos predictivos de referencia actuales de ese mercado local de flexibilidad.

    Los resultados de la experimentación verifican la hipótesis de que el desempeño de esta solución digital para el Mercado Local de Electricidad es más eficiente que el mercado estándar y puede proporcionar a los usuarios un caso de inversión más atractivo que fomente la adopción de energía renovable y contribuya a la extensión de los Mercados Energéticos de Electricidad y la cadena de valor de la Energía Distribuida.

  • English

    A new distributed energy value chain is emerging due to the Energy Transition. The new energy ecosystem will require flexiblity solutions that address the inherent intermittency or renewable sources. A promising solution is local energy markets. Like any flexibility solution, it needs to optimally manage the resources of the Energy Community to guarantee the technical quality of the product. Predicting the behavior of each home in an energy community will help optimize the fleet performance, enabling better power arbitrage, allocating better storage reserves, and minimizing the investment in the Local Distribution Network.

    This thesis proposes a solution for Local Energy Markets (LEM) that leverages digital technologies to optimize the LEM performance. The research analyzed six case studies to understand the essential characteristics of this type of flexibility solution. Based on these critical features, the research selected a fully document public-use LEM dataset to develop experimentation with three algorithm categories: 1) Statistic, 2) Shallow Machine Learning, and 3) Deep Machine Learning. This experimentation resulted in accuracy that exceeded, in most cases, current reference forecasting models in that Local Market.

    The experimentation outcomes verify the hypothesis the performance of this digital solution users with a more appealing investment case that fosters the adoption of renewable energy and contributes to the extension of the Local Energy Market and the Distributed Energy value chain.