Nonparametric Kernel Regression for Coordinated Energy Storage Peak Shaving with Stacked Services

A continuación presento un resumen técnico detallado del artículo "Nonparametric Kernel Regression for Coordinated Energy Storage Peak Shaving with Stacked Services" (Regresión de Kernel No Paramétrica para el Recorte de Picos Coordinado con Almacenamiento de Energía y Servicios Apilados), estructurado según los puntos solicitados.

1. Planteamiento del Problema

El crecimiento de la demanda eléctrica y las limitaciones de la infraestructura de la red han intensificado la necesidad de una gestión de la demanda efectiva. Los grandes consumidores comerciales e industriales enfrentan costos significativos, compuestos por tarifas de energía en tiempo real y, más críticamente, tarifas de demanda máxima mensual (peak demand charges).

El uso de sistemas de almacenamiento de energía detrás del medidor (BESS) es una solución atractiva para reducir estos costos mediante el "recorte de picos" (peak shaving) y la arbitraje de energía. Sin embargo, existen desafíos clave:

• Incertidumbre: La toma de decisiones debe realizarse bajo incertidumbre en horizontes mensuales.
• Complejidad Computacional: Los métodos existentes que dependen de pronósticos de demanda y precios (redes neuronales, modelos estocásticos) son computacionalmente intensivos y difíciles de escalar a horizontes mensuales.
• Coordinación de Servicios: Integrar el recorte de picos con otros servicios apilados (como el arbitraje de energía) requiere un equilibrio delicado entre objetivos competitivos sin incurrir en un costo computacional prohibitivo.

2. Metodología Propuesta

Los autores proponen un marco end-to-end de dos etapas que desacopla la optimización de servicios apilados, evitando la necesidad de pronósticos explícitos de demanda a largo plazo.

A. Descomposición del Problema

El problema original de minimización de costos (que combina recorte de picos y arbitraje) se demuestra ser equivalente a una secuencia de dos subproblemas bajo la condición de que el costo de la penalización por pico ($\kappa$) sea mucho mayor que los costos de energía y degradación:

1. Etapa 1 (Recorte de Picos): Minimizar la demanda máxima y determinar la trayectoria óptima de la reserva de Estado de Carga (SoC) necesaria para cumplir con este objetivo. Se introduce un término de desempate pequeño para mantener los niveles de SoC bajos sin afectar el valor del pico.
2. Etapa 2 (Arbitraje): Maximizar los ingresos por arbitraje de energía utilizando la capacidad de batería restante, sujeto a las restricciones de demanda máxima y la trayectoria de SoC establecidas en la Etapa 1.

B. Algoritmo de Regresión de Kernel No Paramétrico

En lugar de usar modelos de pronóstico, el núcleo del método es un algoritmo de regresión de kernel que aprende directamente de datos históricos:

• Generación de Datos: Se utilizan datos históricos de demanda para resolver el problema de recorte de picos "a posteriori" (hindsight-optimal) y extraer las reservas de SoC y los objetivos de pico óptimos.
• Características de Entrada: Se construyen vectores de características basados en ventanas de demanda pasadas (look-back windows), junto con componentes sinusoidales/cosinusoidales para capturar la periodicidad diaria.
• Predicción: Para cada instante de tiempo actual, se identifican los $K$ vecinos más cercanos (KNN) en el espacio de características históricas.
  • Reserva de SoC: Se calcula utilizando una regresión de kernel con un nivel de confianza ($\alpha$). Esto permite un ajuste conservador, seleccionando un valor de SoC tal que la probabilidad de que la reserva sea suficiente sea mayor que $\alpha$.
  • Objetivo de Pico: Se calcula como un promedio ponderado simple de los objetivos históricos de los vecinos.

C. Control en Tiempo Real

Un controlador en tiempo real utiliza las predicciones de la reserva de SoC y el objetivo de pico para:

1. Priorizar la carga/descarga para mantener la demanda por debajo del objetivo y respetar la reserva de SoC.
2. Utilizar la capacidad de batería sobrante para ejecutar estrategias de arbitraje de energía (comprando barato y vendiendo caro) sin comprometer el objetivo principal de recorte de picos.

3. Contribuciones Clave

1. Formulación Desacoplada: Demostración teórica de que el problema de servicios apilados puede reformularse como una optimización secuencial (primero recorte de picos, luego arbitraje) con garantías de equivalencia bajo ciertas condiciones de costos.
2. Predicción Basada en Kernel: Desarrollo de un algoritmo impulsado por datos que predice directamente las reservas de SoC y los objetivos de pico sin depender de modelos de pronóstico de demanda complejos.
3. Gestión Conjunta: Integración exitosa de la predicción de recorte de picos con un algoritmo de arbitraje, logrando una gestión desacoplada que reduce costos totales y evita ciclos de batería innecesarios.
4. Validación Empírica: Evaluación exhaustiva utilizando 6 años de datos reales de un edificio comercial de 35 pisos en Nueva York, demostrando superioridad frente a métodos basados en pronósticos.

4. Resultados

El estudio de caso se realizó en un edificio comercial de clase A en NYC con datos de 2019-2023 para entrenamiento y 2024 para prueba. Se comparó el método propuesto contra:

• Un caso determinista con "visión perfecta" (perfect foresight).
• Un controlador basado en pronóstico de demanda usando XGBoost.

Hallazgos principales:

• Ahorro de Costos: El método basado en kernel logró un rendimiento 1.3 veces mejor que el método de pronóstico basado en XGBoost.
• Eficiencia Relativa: El modelo de kernel capturó entre el 38.1% y el 58.5% de los ahorros de costos teóricos máximos (caso de visión perfecta), superando consistentemente al modelo de pronóstico (que solo alcanzó entre 33.0% y 39.8%).
• Gestión de Picos: El controlador de kernel redujo efectivamente la demanda máxima mensual, superando al modelo de pronóstico en la mayoría de los meses.
• Ciclos de Batería:
  • El controlador de visión perfecta operó cerca de su límite diario (346-366 ciclos/año).
  • El controlador de kernel mostró un uso más moderado y variable (76-126 ciclos/año), lo que sugiere una menor degradación de la batería en comparación con la optimización agresiva, aunque con un ligero sacrificio en ahorros totales debido a la incertidumbre.
  • El modelo de pronóstico tuvo el menor uso (57-95 ciclos/año), pero con menores ahorros económicos.

5. Significado e Impacto

Este trabajo es significativo por varias razones:

• Viabilidad Práctica: Ofrece una solución computacionalmente ligera y robusta para la gestión de almacenamiento en tiempo real, eliminando la dependencia de pronósticos de alta precisión que son difíciles de obtener a escala mensual.
• Adaptabilidad: El enfoque no paramétrico se adapta bien a los patrones de demanda cambiantes sin necesidad de reentrenar modelos complejos de aprendizaje profundo.
• Beneficio Económico: Demuestra que es posible lograr ahorros sustanciales en costos eléctricos y una gestión efectiva de picos para edificios comerciales, incluso sin acceso a información futura perfecta, haciendo que la tecnología de almacenamiento sea más accesible y rentable para negocios y organizaciones sin fines de lucro.
• Extensibilidad: El marco de dos etapas permite la integración futura de otros servicios de red (como regulación de frecuencia) sin reestructurar completamente el sistema de control.

En resumen, el artículo presenta un avance metodológico que combina la teoría de optimización estocástica con el aprendizaje automático no paramétrico para resolver un problema crítico en la gestión energética moderna: coordinar múltiples servicios de almacenamiento de energía de manera eficiente y económica.