Nueva metodología de desagregación cuantifica la incertidumbre en la generación fotovoltaica detrás del medidor

La rápida adopción de recursos energéticos distribuidos detrás del medidor (BTM, por sus iniciales en inglés), como los sistemas fotovoltaicos (FV) y las bombas de calor, plantea nuevos desafíos para los operadores de sistemas de distribución (DSO). Dado que estos activos se encuentran detrás de los medidores de los clientes, sus perfiles individuales de generación y consumo no pueden observarse directamente mediante las mediciones convencionales de los medidores inteligentes. Esta falta de visibilidad limita la capacidad de los DSO para evaluar con precisión las condiciones de la red, pronosticar la demanda y gestionar las nuevas oportunidades de flexibilidad.

Para abordar este desafío, un equipo de investigación de la Universitat Politècnica de Catalunya (UPC), en España, presentó una metodología generativa basada en difusión para la desagregación probabilística de la generación fotovoltaica detrás del medidor. El método extrae las características probabilísticas de la generación fotovoltaica a partir de datos de medidores inteligentes de baja resolución, lo que permite reconstruir los perfiles de producción solar mediante mediciones disponibles en intervalos de 30 minutos.

«Nuestro trabajo surgió a partir de una solicitud real», declaró a pv magazine el autor correspondiente, Marc Jené Vinuesa. «Un DSO español nos pidió un servicio para estimar la volatilidad de la tensión en su red, pero no tenía información sobre qué sistemas fotovoltaicos estaban instalados detrás de los medidores de su red, que es precisamente el dato de entrada que necesita un servicio de este tipo. Ese vacío es el que aborda el método: primero, el DSO obtiene visibilidad sobre lo que está instalado y, a partir de allí, se hacen posibles varios servicios basados en datos. Nos gusta decir que el método funciona como un habilitador de servicios».

Denominado modelo probabilístico de difusión condicional con eliminación de ruido (cDDPM), el método propuesto aprende la distribución de los perfiles diarios de generación fotovoltaica mediante datos de medidores inteligentes de baja resolución, el consumo neto e información sobre la irradiancia local. Durante la inferencia, el modelo genera múltiples perfiles fotovoltaicos plausibles, lo que permite obtener estimaciones probabilísticas con intervalos de incertidumbre. Estas muestras generadas permiten obtener tanto estimaciones puntuales como una cuantificación de la incertidumbre mediante intervalos probabilísticos.

El modelo está condicionado por la información disponible, como el consumo neto, la irradiancia y las variables relacionadas con la ubicación, para mejorar la precisión de la reconstrucción. Durante la inferencia, el modelo de difusión genera perfiles fotovoltaicos eliminando progresivamente el ruido aleatorio, al tiempo que preserva las características temporales de los patrones diarios de generación. Se emplea una arquitectura U-Net unidimensional como red de predicción de ruido, que incorpora representaciones temporales y señales condicionantes para captar dependencias temporales complejas.

El nuevo método se entrenó y evaluó mediante dos conjuntos de datos residenciales reales de Australia y los Países Bajos. El conjunto de datos australiano incluye 257 hogares equipados con sistemas fotovoltaicos y un año de datos de medidores inteligentes y generación fotovoltaica registrados cada media hora, mientras que el conjunto de datos neerlandés se utiliza para evaluar la generalización entre regiones. El rendimiento del modelo se evalúa mediante métricas deterministas, como RMSE, MASE, MAPE y SMAPE, y métricas probabilísticas, entre ellas la cobertura de los intervalos de predicción, la precisión de los intervalos y la exactitud de los cuantiles.

Se consideran varios métodos de referencia, incluidos enfoques basados en la física, en indicadores sustitutos, en conjuntos de modelos, en regresión cuantílica y en autocodificadores variacionales condicionales. El modelo cDDPM propuesto se entrena mediante una arquitectura U-Net unidimensional y se optimiza a través de un amplio ajuste de hiperparámetros. Los experimentos se realizan en una infraestructura informática de alto rendimiento para garantizar un entrenamiento y una evaluación confiables. La metodología se prueba con múltiples divisiones de los conjuntos de entrenamiento y prueba para evaluar su solidez y la variabilidad estacional. La evaluación se centra tanto en la precisión de la reconstrucción de la generación fotovoltaica como en la confiabilidad de las estimaciones de incertidumbre. En conjunto, el marco experimental proporciona una comparación exhaustiva entre el enfoque basado en difusión y las técnicas deterministas y probabilísticas de desagregación existentes.

El rendimiento del modelo se evalúa mediante métricas deterministas, como el error cuadrático medio (RMSE), el error absoluto medio escalado (MASE), el error porcentual absoluto medio (MAPE) y el error porcentual absoluto medio simétrico (SMAPE), así como mediante métricas probabilísticas, entre ellas la probabilidad de cobertura del intervalo de predicción (PICP), el ancho promedio normalizado del intervalo de predicción (PINAW) para medir la precisión de la incertidumbre y la función de pérdida pinball (PL) para evaluar la exactitud de los cuantiles.

Los experimentos se realizaron en una infraestructura informática de alto rendimiento para garantizar un entrenamiento y una evaluación confiables, y la metodología se probó con múltiples divisiones de los conjuntos de entrenamiento y prueba para evaluar su solidez y la variabilidad estacional.

El análisis mostró que el cDDPM ofrece un rendimiento superior para la desagregación de la generación fotovoltaica detrás del medidor (BTM) en comparación con los métodos de referencia deterministas y probabilísticos. El análisis de calibración confirmó que las estimaciones de incertidumbre siguen siendo confiables, especialmente durante los períodos de generación fotovoltaica activa. Otro análisis mostró que combinar la irradiancia con el consumo neto del día actual y del día anterior mejora tanto la precisión como la estimación de la incertidumbre.

Vinuesa explicó que el modelo también podría utilizarse en viviendas con sistemas fotovoltaicos que incluyan baterías y vehículos eléctricos. «Una desagregación precisa de la generación fotovoltaica en viviendas con sistemas fotovoltaicos y baterías requeriría entrenar el modelo con conjuntos de datos representativos que incluyan hogares equipados con baterías», continuó. «Nuestro trabajo anterior demostró que condicionar el modelo únicamente mediante la irradiancia aún puede proporcionar un rendimiento competitivo en la desagregación de la generación fotovoltaica, lo que podría adquirir especial relevancia en situaciones en las que el funcionamiento de las baterías dificulta determinar la relación entre la generación fotovoltaica y el consumo neto».

También afirmó que, en comparación con las baterías, se espera que la recarga de vehículos eléctricos tenga un impacto menor sobre la desagregación de la generación fotovoltaica, porque la mayor parte de la recarga residencial se produce durante la tarde y la noche, cuando la generación fotovoltaica es insignificante. «Sin embargo, la interacción se vuelve más compleja a medida que las estrategias de recarga inteligente sincronizan cada vez más la recarga de los vehículos eléctricos con los períodos de alta disponibilidad solar», añadió. «En esos casos, podría ser necesaria información adicional, como los precios de la electricidad, los hábitos de recarga o las preferencias de los usuarios. Además, si el objetivo deja de ser únicamente la desagregación de la generación fotovoltaica y pasa a ser la identificación simultánea de múltiples recursos flexibles —incluidos el consumo de los vehículos eléctricos, la carga y descarga de las baterías y el funcionamiento de las bombas de calor—, el modelo tendría que incorporar variables exógenas adicionales y entrenarse con conjuntos de datos más diversos que incluyan múltiples recursos».

La nueva metodología se presentó en el estudio «Conditional diffusion modeling for probabilistic behind-the-meter PV disaggregation» (Modelado de difusión condicional para la desagregación probabilística de la generación fotovoltaica detrás del medidor), publicado en Energy and AI.