¿es hora de un cambio en el modelado de series temporales?
La complejidad cada vez mayor de los proyectos de energía renovable y sus marcos tecnológicos y financieros de apoyo está acelerando la necesidad de tener una comprensión sofisticada de la energía producida.
En el pasado, la cantidad total de energía generada era la única consideración real para muchos propietarios y operadores. Sin embargo, en el mercado actual, los proyectos renovables tienen que considerar cada vez más el perfil de entrega de esa energía.
Históricamente, cuando los proyectos podían depender de un precio fijo para su energía, como a través de un mecanismo de apoyo del gobierno, los propietarios no se preocupaban tanto por el precio de mercado variable. Sin embargo, a medida que la penetración de la energía renovable ha ido creciendo en los mercados de todo el mundo, los proyectos están cada vez más expuestos a los precios del mercado (por ejemplo, actuando como proyectos comerciales) y el perfil de generación es ahora tan importante como la cantidad producida. Además, el desarrollo de centrales eléctricas híbridas impulsadas por energías renovables significa que se necesita claridad adicional en el perfil y la certeza del suministro. Esto es cierto cuando se intenta combinar de manera eficiente la generación de energía eólica y solar con los requisitos de las unidades de almacenamiento o con electrolizadores que produzcan hidrógeno “verde”.
Para una fuente de producción de energía naturalmente variable como las energías renovables, todos los desarrollos de mercado anteriores representan un desafío. En DNV, hemos estado desarrollando metodologías cada vez más avanzadas para entender la producción de proyectos renovables en momentos específicos. Esto proporciona información valiosa para quienes asumen el riesgo de la generación variable en un mundo de precios variables.
La forma más sencilla de evaluar la producción es mirar mensualmente. El análisis mensual está lo suficientemente seguido para ser fácil de modelar y de bajo riesgo de usar. También se puede ampliar para considerar las variaciones diarias en la producción mensual. No obstante, esta resolución se está volviendo más burda en relación con la resolución de los ingresos generados, por lo que la siguiente etapa es pasar al dominio del análisis de producción por horas. ¿Con qué frecuencia producirá el activo por encima o por debajo de ciertos umbrales? ¿Cuánto producirá cuando los precios de la energía sean altos o bajos? ¿Qué tan bien un sistema de almacenamiento o suministro de energía de respaldo hará frente a los niveles variables de demanda y generación?
Vale la pena destacar que el modelado preciso de la producción por horas no es trivial. En particular, los factores de pérdida de energía ya no pueden aplicarse como promedios anuales, sino que deben agregarse como una serie de tiempo realista. Además, cada factor de pérdida tiene una característica horaria diferente y plantea un problema diferente. Tenerlos en cuenta incorrectamente puede desviar fácilmente cualquier análisis resultante. Por ejemplo, ¿el tiempo de inactividad de la turbina afecta a todas las horas del año por igual? ¿Se incluyen las pérdidas por hielo en los meses de verano?
Además, queda un último problema una vez que haya identificado una serie de tiempo de potencia realista: su serie de tiempo se basa en un año histórico (o más) de datos meteorológicos y no representa lo que su activo producirá realmente en el futuro. No podemos predecir la producción por hora más allá de unas pocas semanas en el futuro, por lo que la historia es nuestra mejor y única guía. Sin embargo, representa uno de un número infinito de futuros posibles, no el único. ¿Debería realmente cubrir su apuesta en un solo conjunto de números que sabe que no se repetirán?
Afortunadamente, los últimos desarrollos que hemos realizado en el modelado de series de tiempo ofrecen una solución y todo depende del motor estocástico. El motor estocástico analiza un conjunto de datos concurrentes (velocidad del viento, irradiancia, temperatura, precio, demanda, etc.), comprende las interdependencias estadísticas y luego genera infinitos conjuntos nuevos de variables que conservan las mismas características estadísticas. En otras palabras, el motor estocástico nos permite crear miles de series de tiempo de energía, carga o ingresos plausibles para analizar los problemas de las series de tiempo con big data. ¿Quieres saber la producción del P90 en cualquier hora? ¿Quiere ver los ingresos de P99 durante un año? Estos son los tipos de preguntas que ahora podemos responder con el motor estocástico, dando a los proyectos renovables las herramientas necesarias para modelar de manera realista escenarios futuros.
Los compradores ya valoran la capacidad de saber cómo será su producción operativa y pronto también lo harán los inversores inteligentes. Una mejor comprensión significa mejores acuerdos de financiación y una mayor credibilidad para la industria de las energías renovables. ¡Eso es algo que vale la pena modelar!