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

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.”

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.