Gas Natural Fenosa (ahora Grupo Naturgy Energy S.A.) pronostica el suministro y la demanda de energía

“Porque necesitamos respuestas rápidas a los cambios y restricciones en la producción y a los cambios en la demanda, no podemos depender de soluciones cerradas o patentadas. Con las herramientas de MathWorks hemos conseguido resultados más precisos y tenemos la flexibilidad para desarrollar, actualizar y mejorar nuestros modelos en respuesta a las necesidades cambiantes.”

El reto

Maximizar los márgenes del comercio energético mediante la previsión del suministro disponible y los picos de demanda.

La solución

Utilizar las herramientas de MathWorks para construir y mejorar modelos que incorporen datos históricos, previsiones meteorológicas y normas reguladoras.

Los resultados

  • Reducción del tiempo de respuesta en meses
  • Productividad duplicada
  • Mantenimiento simplificado de los programas

Central hidroeléctrica de Portomouros.

Gas Natural Fenosa (actualmente Grupo Naturgy Energy S.A.), la mayor empresa integrada de gas y electricidad de España y Latinoamérica, tiene una capacidad de generación eléctrica superior a los 13.000 megavatios. La cartera de la empresa cuenta con una amplia gama de recursos, que incluye carbón, gas de ciclo combinado y energías nuclear, eólica e hidroeléctrica. Para determinar la mejor forma de vender electricidad en el mercado a gran escala, la compañía debe pronosticar con precisión los precios del día siguiente y la demanda de energía eléctrica tanto como la disponibilidad.

Gas Natural Fenosa utiliza herramientas de MathWorks para desarrollar modelos de mejora y previsión que incorporan patrones de uso históricos, previsiones meteorológicas, costes de producción y otros factores. Los modelos proyectan la capacidad y la demanda y mejoran la generación de carteras de recursos.

“Porque no podemos almacenar la electricidad que producimos, debemos prepararnos para venderla al día siguiente”, dice Ángel Caballero, director de planificación y modelos de Gas Natural Fenosa. “Los modelos que hemos desarrollado utilizando herramientas de MathWorks nos ayudan a mejorar nuestros recursos de producción. También nos permiten predecir picos en la demanda y vender energía en el mercado cuando los precios suben.”

El reto

Para un buen uso de su capacidad de generación y conseguir el máximo de beneficios, Gas Natural Fenosa necesitaba conocer los factores que hay detrás del consumo de electricidad y de su producción. Estos factores incluyen los costes relativos y la capacidad de generar recursos, los picos de ventas de potencia, los patrones de uso de energía, las previsiones de temperaturas, viento y lluvia, el valor de los créditos de carbono y el transporte. Determinar la mejor forma de distribuir la demanda implicaba resolver un problema de mejora complejo, por encima de las posibilidades del software comercial disponible. Además, resultaba difícil adaptar comercialmente los modelos disponibles a los cambios en la regulación sobre medio ambiente del mercado energético español.

“Nuestro mercado cambia muy rápidamente, por lo que debemos saber responder con rapidez a cambios en la regulación, en la capacidad de producción y en los patrones de la demanda”, explica Caballero. “Intentamos utilizar un paquete de software comercial, pero no podía ofrecernos las numerosas respuestas que buscábamos. En nuestra situación, los sistemas cerrados no funcionan. Necesitábamos una plataforma de desarrollo abierto que nos permitiera desarrollar nuestros propios algoritmos y cálculos.”

La solución

Los ingenieros de Gas Natural Fenosa utilizaron las herramientas de MathWorks para desarrollar modelos que predijeran la demanda, redujeran los costes de producción y verificaran la capacidad de la infraestructura.

El equipo utilizó MATLAB® para desarrollar un conjunto de modelos centrales que analizan los datos disponibles y los resultados de las previsiones y mejoran los planes de generación. Cada modelo MATLAB accede a una base de datos central sobre consumo histórico de potencia y precios, previsiones meteorológicas y parámetros de cada planta generadora, que incluyen la transferencia de máxima potencia, eficacia, costes y todas las restricciones de funcionamiento que afectan a la producción de una planta. El modelo procesa los datos utilizando algoritmos que Caballero y su equipo desarrollaron y optimizaron. Los resultados retroalimentan la base de datos, a los que pueden acceder los comerciales u otros modelos para su procesamiento posterior.

Para el desarrollo de un modelo de parque eólico, Caballero utilizó MATLAB con el fin de correlacionar las mediciones de la velocidad del viento con la producción de energía eólica. Empezando por una simple correlación lineal, mejoró el modelo gracias al conocimiento de la tecnología subyacente.

El equipo utilizó Optimization Toolbox™ para resolver problemas de programación lineal: por ejemplo, reducir los costes de producción entre varias plantas de producción dado un conjunto de restricciones que incluían las emisiones de carbono y la máxima capacidad. Utilizaron Statistics and Machine Learning Toolbox™ para desarrollar y evaluar escenarios de simulación de precios y para producir informes sobre el valor de riesgo (VaR) que utilizan los comerciales al día siguiente.

Mediante MATLAB Compiler™, el equipo creó programas autónomos para cada modelo. Estos programas, que funcionan automáticamente día y noche, permiten al equipo de desarrollo mejorar la actualización de datos y controlar el acceso a los modelos.

El equipo utilizó Simulink® para crear un modelo de comportamiento de los generadores de la infraestructura de la compañía.

Gas Natural Fenosa está mejorando el modelo de predicción para permitir a los analistas evaluar con mayor precisión la volatilidad del mercado. Las mejoras incluyen un modelo para definir estrategias de protección en el mercado a largo plazo.

Los resultados

  • Reducción del tiempo de respuesta en meses. “Recientemente, la Comisión Europea volvió a ajustar los límites de emisión de dióxido de carbono. Como nuestro modelo MATLAB se diseñó para ser flexible y escalable, nos resultó muy fácil incorporar las nuevas restricciones en una o dos semanas”, explica Caballero. “Hubiéramos tenido que esperar meses a que un proveedor fabricara un producto comercial con estas limitaciones.”
  • Productividad duplicada. “Desarrollar nuestros modelos en Visual Basic o lenguaje C hubiera sido muy difícil porque estos lenguajes no tienen las características y funciones que necesitamos”, observa Caballero. “Para construir modelos dentro de nuestro margen de tiempo de desarrollo actual sin MATLAB, hubiéramos necesitado el doble de personal.”
  • Mantenimiento simplificado de los programas. “Con MATLAB es fácil el mantenimiento de los programas.  No malgastamos el tiempo en documentos por escrito para explicar qué modelos hacemos”, dice Caballero “El código de MATLAB es fácil de comprender, y se documenta prácticamente a sí mismo, por lo que el programa desarrollado por una persona puede modificarlo otra sin ninguna dificultad.”