Can occupant behaviors affect urban energy planning? Distributed stochastic optimization for energy communities

Resumen Técnico: Optimización Estocástica Distribuida para Comunidades Energéticas

Título original: Distributed stochastic optimization for energy communities
Autores: Julien Leprince, et al. (2023)

1. El Problema

La planificación de sistemas energéticos urbanos resilientes y sostenibles enfrenta un desafío de escala: existe una desconexión entre el nivel micro (el comportamiento de los ocupantes de los edificios) y el nivel macro (las redes de energía de la ciudad inteligente).

Tradicionalmente, la planificación urbana simplifica los modelos para hacerlos computacionalmente manejables, lo que ignora la flexibilidad energética que los ocupantes pueden aportar. El problema central es cómo integrar la incertidumbre estocástica —específicamente la variabilidad del comportamiento humano, las condiciones climáticas y las fluctuaciones económicas— en el diseño estratégico de comunidades energéticas para asegurar que la infraestructura sea robusta y eficiente.

2. Metodología

Los autores proponen un enfoque holístico basado en la optimización de una comunidad energética compuesta por 41 edificios residenciales en los Países Bajos. La metodología se divide en cuatro pilares:

• Modelado Multiescala: Se utilizan modelos de dinámica térmica de edificios (basados en ecuaciones diferenciales estocásticas de orden superior) acoplados con modelos de red de baja y media tensión, y sistemas de servicios comunitarios (como almacenamiento estacional de hidrógeno).
• Programación Estocástica de Dos Etapas: El problema se formula para decidir primero las variables de diseño (inversión en equipos como calderas, bombas de calor, baterías, etc.) y, en una segunda etapa, las variables de operación (control de flujos de energía) ante diversos escenarios de incertidumbre.
• Generación y Reducción de Escenarios: Para manejar la complejidad, se utilizó la técnica de seasonal block bootstrapping para generar 1,000 años sintéticos de datos, los cuales se redujeron a 10 escenarios representativos mediante el algoritmo de agrupamiento k-medoids.
• Optimización Distribuida: Para garantizar la escalabilidad y la privacidad, se implementó un esquema de resolución secuencial donde cada edificio actúa como un subproblema, comunicándose con la comunidad solo a través de flujos de energía agregados, evitando la necesidad de compartir datos privados de consumo.

3. Contribuciones Clave

1. Puente de Escalas: Conecta el comportamiento granular del ocupante (ajustes de termostato y cargas base) con la planificación de infraestructura urbana.
2. Marco de Incertidumbre Triple: Identifica y cuantifica el impacto de tres fuentes de incertidumbre: el comportamiento del usuario, el clima y la economía.
3. Algoritmo Distribuido: Propone una formulación de optimización que es computacionalmente tratable y apta para su implementación en sistemas de gestión de energía descentralizados en el mundo real.
4. Análisis de Sensibilidad Local: Proporciona una herramienta para evaluar qué factor de incertidumbre tiene mayor peso en la decisión de diseño de la infraestructura.

4. Resultados Principales

• Dominio de las Calderas: En el contexto actual de los Países Bajos, las calderas de gas resultaron ser la opción más rentable para la calefacción, mientras que las bombas de calor y los sistemas de almacenamiento renovable (PV, baterías, hidrógeno) se identificaron como poco rentables debido a los precios actuales de la electricidad y el gas.
• Impacto del Comportamiento Humano: El hallazgo más significativo es que el comportamiento de los ocupantes es el factor de incertidumbre que más afecta la planificación energética, superando tanto a las variaciones climáticas como a las económicas. La dispersión en el diseño de las capacidades de los equipos (como la capacidad de las calderas) es máxima cuando se consideran las variaciones en los hábitos de los usuarios.
• Convergencia del Modelo: La prueba de concepto demostró que el método de optimización distribuida converge rápidamente al mismo valor óptimo que un método centralizado, validando su eficiencia.

5. Significancia

Este estudio demuestra que la planificación urbana de energía no puede ser efectiva si ignora la dimensión humana. Al integrar el comportamiento del usuario en las fases de diseño estratégico, los planificadores pueden crear comunidades energéticas mucho más resilientes. El trabajo subraya que la transición hacia sistemas descarbonizados (como el reemplazo de calderas por bombas de calor) requiere no solo tecnología, sino también políticas de precios que incentiven la adopción de estas tecnologías frente a la flexibilidad que ofrecen los hábitos de consumo.