A continuación encontrará las páginas asociadas a “energia_inteligente”
Automatización desatendida de descarga de datos mediante RPA para nutrir data lake
Héctor Martín Gutiérrez
Escuela de Ingeniería Informática, Oviedo
El primer paso que hay que realizar en analitica de datos es la obtención de información, para posteriormente, estructurarla y tratarla. En este trabajo se ha estudiado el desarollo de un automatismo para la descarga masiva de datos, con los que, alimentar un lago de datos donde tener centralizada toda la información.
En este contexto, todas las distribuidoras publican cada día, alojadas en sus servidores, los datos horarios de energía bruta validada. Se trata de una cantidad grande de ficheros, por lo que, sería interesante que se pudiesen descargar de manera desatendida y que se ordenarsen por distribuidora para, poder nutrir un lago de datos.
Inteligencia artificial aplicada a la predicción de precios en el mercado mayorista de energía eléctrica considerando cambios regulativos
Víctor Uría Valle
CERN
Los precios en el mercado mayorista de energía eléctrica se determinan mediante subastas periódicas.
Los ofertantes venden bloques de energía a diferentes precios en este mercado, y el precio de casación es el del bloque más caro que se haya vendido en la subasta. De forma agregada, cada uno de los agentes (ofertantes y demandantes de energía) puede caracterizarse mediante una curva que determine cuánta energía vende o compra a cada precio.
El precio de casación se determina mediante la intersección de las sumas de las curvas de oferta y demanda.
El objetivo principal del estudio fue evaluar la posibilidad de ajustar a los datos disponibles del mercado mayorista eléctrico español un modelo informado con el uso de una curva de oferta invariante, una curva de demanda que solo cambia en su precio, pero no en su forma y que los precios por tecnología y agente son invariantes.
Modelo inteligente para la predicción de datos a dos años vista
Nerea Solís Castrillón
Ciencia e Ingeniería de Datos
En el sistema eléctrico español, cada vivienda está identificada mediante un código conocido como CUPS (Código Universal de Punto de Suministro), por lo que en la base de datos de la empresa la cantidad de CUPS es equivalente a la cantidad de clientes.
Otro concepto importante en el sistema es el de comercializadora, siendo esta la encargada de vender la electricidad y/o gas a los clientes finales. Su responsabilidad se basa en comprar la suficiente energía para abastecer a todos sus clientes y pagar el servicio de transporte realizado por la empresa de distribución; la factura que engloba los cobros relacionados con los servicios prestados por la distribuidora se conoce como peaje.
Cabe destacar la diferencia entre el importe de activa (generación de la energía), el importe de potencia (relacionado con la potencia contratada) y el importe total.
Se busca prever, con el menor error posible, la cantidad de CUPS, el consumo y el importe total, activa y de potencia para los veinticuatro meses siguientes en base a la información de los meses anteriores.
Modelo inteligente para la predicción de la demanda de energía
Javier Santos
Escuela de Ingeniería Informática, Gijón
Todos los días a las 12h de la mañana todas las comercializadoras deben mandar sus ofertas para comprar la energía que utilizaremos todos los usuarios de la red eléctrica al día siguiente. Si se compra más o menos energía de la necesaria, las empresas pagan una especie de multas, llamadas desvíos. Por lo tanto, conocer con la mayor precisión posible cual va a ser la cantidad de energía que se va a consumir es beneficioso desde un punto de vista económico y medioambiental.
Una fuente de datos importante son los contadores telemedidos, los cuales envían sus consumos, de forma que podemos utilizarlos para elaborar modelos, entender cuales son las variables que influyen en el comportamiento de la demanda e intentar predecir su comportamiento.
Modelo inteligente para la predicción de la demanda doméstica de energía en clientes sin telemedida
Oscar Poncelas Villabrille
Empleado en Indra Sistemas
En el sistema eléctrico español, las comercializadoras ofertan un precio de la energía eléctrica a los clientes domésticos que debe ser competitivo en el mercado y a la vez rentable para la empresa.
El precio final ofertado depende de diversos factores que, además del coste de la propia energia consumida, incluyen peajes y otros cargos que emite el distribuidor.
En este contexto, la predicción del consumo de los clientes en cada franja horaria es esencial, pues permite anticiparse a los costes asociados a cada cliente y ajustar de forma eficaz el precio ofertado por la comercializadora.
Modelo predictivo para el precio de peajes en la comercializadora
Pedro Cueli Rodríguez
Ingeniería Informática en tecnologías de la información
En el sistema eléctrico español, las comercializadoras no son las encargadas de leer el consumo de las CUPS (Código Universal de Punto de Suministro) de los clientes, son las distribuidoras las que cuando tienen la lectura envían los datos a las comercializadoras.
Y es la comercializadora la que con estos datos realiza la factura final al cliente incluyendo además del precio por la energía consumida los peajes de la distribuidora y todos los impuestos relacionados.
En este contexto, la predicción del consume y el importe total de los clientes en cada provincial y con las diferentes tarifas y agrupaciones de distribuidoras es importante porque permite anticiparse a los costes ya que los datos de la distribuidora llegan con por lo menos un mes de retraso.
Prototipo de aplicación flexible para la gestión y almacenamiento de ficheros P48cierre
Diego González Suárez
Grado en Ingeniería Informática del Software
La cantidad ingente de datos que pone a nuestra disposición el mercado eléctrico de nuestro país, necesita de herramientas tanto para su manejo como su estudio. Es por ello que el Sistema de ESIOS ofrece miles de ficheros de datos que pueden ser manejados y procesados fácilmente.
Unos ficheros de gran utilidad son los ficheros P48Cierre los cuales ofrecen datos diarios sobre la producción eléctrica de diferentes ciclos combinados de nuestro país. Es por ello que mi práctica en TotalEnergies la he centrado en el desarrollo de un software a medida para el manejo de estos datos y posterior análisis.
En este ámbito, el objetivo era procesar estos ficheros, hacer un histórico y conseguir así obtener conclusiones sobre que ciclos ofrecían una mayor productividad. Asimismo, también tener un acceso rápido a una base de datos con todos los datos son necesidad de descargar cada fichero. Básicamente me centré en uno de los primeros pasos del proceso de extracción de conocimiento que es la selección de los datos.
Portfolio de proyectos: energía inteligente
Portfolio de proyectos en energía inteligente: