Desarrollo de modelos de predicción de la generación de energía eólica y solar para la optimización de centros de datos en un entorno de Smart Grid

Abstract

En la actualidad vivimos un continuo incremento de la demanda eléctrica, por otro lado, también se dedican más recursos renovables a abastecer dicho consumo debido a que, a diferencia de los combustibles fósiles, las fuentes renovables no contaminan ni favorecen el calentamiento global. Esto, junto al continuo abaratamiento de la infraestructura de una red de autoconsumo, resulta en una posible solución al problema de la demanda energética global: provisionar un sistema, íntegra o parcialmente, con una red de autoconsumo de energías renovables. Una parte importante de este consumo es debida a los Centros de Procesamiento de Datos. Estos centros tienen como objetivo procesar toda la información de una organización. Dichos espacios procesan datos ininterrumpidamente durante periodos de tiempo muy extensos lo que implica un consumo prolongado en el tiempo. Este sistema puede ser abastecido si se combinan satisfactoriamente varios elementos: La red eléctrica convencional, una infraestructura de autoconsumo de energías renovables y un conjunto de baterías. La complejidad radica en saber cuándo y cómo usar cada uno de estos elementos. (i.e. En un periodo de máxima producción solar, no tendría sentido consumir directamente de la red eléctrica). El elemento que añade mayor variedad al cuándo y cómo es la producción de energías renovables. Si tratamos con el sol, no se sabe con certeza cuándo se nublará, o tratando con el viento, cuánto y en qué dirección soplará. Por esto centraremos el trabajo en dicha complicación: Predecir la energía producida. Para ello estudiaremos múltiples modelos de predicción enfocados a la predicción energética, no a la meteorológica, y evaluaremos los resultados obtenidos. Para ello tomaremos valores meteorológicos extraídos de una estación para, con un modelo detallado de la planta solar o un parque eólico, obtener valores energéticos lo más realistas posibles y aplicar los modelos predictivos a éstos con el fin de obtener y contrastar las predicciones. Con los resultados obtenidos se espera poder evaluar la capacidad y calidad actual de la técnica y en consecuencia, su viabilidad.We are living a continuous increase in energy demand, on the other hand, more renewable resources are also focused on supplying such consumption because, unlike fossil fuels, renewable sources do not pollute or favor global warming. This, along with the continuous reduction of the infrastructure of a self-consumption grid, results in a possible solution to the problem of global energy demand: provision of a system (totally or parcially) with a grid of self-consumption of renewable energies. An important part of this consumption is due to Data Centers. These centers aim to process all the organization’s data. These spaces process data uninterruptedly for very long periods of time, which implies an extended consumption over time. This system can be supplied if several elements are satisfactorily combined: The conventional electricity grid, an infrastructure for selfconsumption of renewable energies and a set of high capacity batteries. The complexity lies in knowing when and how to use each of these elements. (i.e. In a period of maximum solar production, it would not make sense to consume directly from the grid). The element that adds more variety to when and how is the production of renewable energy. If we deal with the sun, we do not know for sure when it will cloud, or dealing with the wind, how much and in what direction it will blow. That is why we will focus the work on this complication: Predicting the energy produced. For this purpose, we will study multiple prediction models focused on energy production, not meteorology, and evaluate the results obtained. To do this, we will take meteorological values extracted from a station to obtain the most realistic energy values with a detailed model of the solar plant or wind farm, and to apply the predictive models to these stations in order to obtain and contrast the predictions. With the results obtained it is hoped to be able to evaluate the current capacity and quality of the technique and, consequently, its viability.