Importance of Aggregated DER Installed Capacity in Distribution Networks

1. El Problema

La creciente penetración de Recursos de Energía Distribuida (DER), como vehículos eléctricos (VE), bombas de calor (BC) y sistemas fotovoltaicos (FV), está transformando fundamentalmente los flujos de potencia en las redes de distribución de Baja Tensión (BT). Sin embargo, los Operadores del Sistema de Distribución (DSO) enfrentan un desafío crítico: la falta de visibilidad y datos actualizados sobre la capacidad de DER conectada aguas abajo de las subestaciones.

• Limitaciones actuales: Los modelos de topología de BT suelen estar incompletos, la conectividad de los alimentadores es incierta y la asignación de fases es desconocida.
• Privacidad y acceso: Las restricciones regulatorias y de privacidad impiden el acceso a datos a nivel de cliente individual.
• Consecuencias: La falta de registros precisos de DER genera incertidumbre en los procesos operativos y de planificación. Las herramientas de planificación actuales a menudo asumen escenarios "de campo verde" (sin DER existentes) o niveles de penetración máximos hipotéticos, lo que lleva a inversiones subóptimas (sobredimensionamiento o riesgos de congestión no detectados).

2. Metodología

El artículo propone estimar la capacidad instalada agregada de DER en puntos de agregación de BT (como cabezales de alimentadores o subestaciones secundarias) utilizando mediciones ya disponibles, sin necesidad de monitoreo a nivel de cliente.

• Enfoque de Estimación: Se trata de un problema de desagregación de carga (similar a la monitorización de carga no intrusiva - NILM), pero aplicado a la capacidad instalada en lugar de al consumo instantáneo de dispositivos individuales.
• Modelado Matemático:
  • Se define la carga neta medida ($P_{Net}$) como la diferencia entre la carga total ($P_{Load}$) y la generación total ($P_{Gen}$).
  • La carga y la generación se modelan como funciones de las capacidades instaladas de tecnologías específicas ($C_{V1G}$, $C_{HP}$, $C_{BESS}$, $C_{PV}$, etc.) y parámetros exógenos (como el clima).
  • Fórmula conceptual: $P_{Net} = P_{NonDER} + f(C_{DER}, \alpha) - g(C_{DER}, \beta)$.
• Técnicas de Estimación: Se pueden utilizar enfoques basados en modelos (físicos) o basados en datos (Machine Learning, redes neuronales, optimización). La premisa es que diferentes tecnologías de DER tienen "firmas temporales" características en las mediciones agregadas que correlacionan con datos externos (ej. irradiación solar para FV, temperatura para BC).
• Frecuencia: Dado que la capacidad instalada evoluciona lentamente (meses/años), la estimación periódica utilizando datos históricos es suficiente para apoyar la toma de decisiones.

3. Contribuciones Clave

El artículo no solo propone un método de estimación, sino que define un marco de uso para esta metadata agregada:

1. Definición de Metadata Agregada: Establece la capacidad instalada agregada como un activo de información práctico y escalable que transforma mediciones operativas en conocimiento sistémico accionable.
2. Mapa de Casos de Uso: Identifica cómo esta información mejora directamente seis áreas críticas:
   • Pronóstico de carga/generación.
   • Gestión de la congestión (CM).
   • Cuantificación y despacho de flexibilidad (FQ).
   • Evaluación de capacidad de acogida (HCA).
   • Monitoreo del crecimiento de DER.
   • Mejora en el diseño de mercados y políticas.
3. Independencia de Datos de Cliente: Demuestra que es posible mejorar la observabilidad de la red sin violar la privacidad de los clientes ni requerir infraestructura de medición costosa en cada hogar.

4. Resultados y Evidencia

El artículo revisa literatura y estudios de caso que validan la eficacia de este enfoque:

• Mejora en Pronósticos:
  • La inclusión de datos de capacidad de FV en modelos de pronóstico redujo el error de pronóstico de carga neta en un 11% (comparado con estimaciones directas).
  • El uso de redes neuronales independientes para predecir generación y carga por separado (utilizando datos de capacidad) logró reducciones del 13% al 16% en el Error Cuadrático Medio (RMSE) frente a modelos que pronostican la carga neta directamente.
  • Modelos CNN-LSTM con conocimiento de DER mostraron una precisión del 93.70% frente al 89.32% de modelos agnósticos a DER.
• Gestión de Congestión: Conocer la penetración local permite anticipar picos de corriente y riesgos de voltaje (ej. olas de frío para bombas de calor), reduciendo los costos de gestión de congestión en un 97% en ciertos escenarios de pronóstico nodal preciso.
• Cuantificación de Flexibilidad: La capacidad instalada es el parámetro más sensible para calcular los límites de flexibilidad (ej. para VE). Conocer la distribución real de activos permite un despacho de flexibilidad más dirigido y eficiente.
• Evaluación de Capacidad de Acogida (HCA): Pasar de modelos "de campo verde" a modelos que incluyen la capacidad instalada real cambia la HCA de una evaluación hipotética a una basada en condiciones reales, evitando sobrestimar o subestimar la capacidad de la red.
• Monitoreo de Crecimiento: Permite a los DSOs identificar patrones geográficos desiguales de adopción de electrificación, facilitando políticas de incentivos más equitativas y una planificación de refuerzo de infraestructura más precisa.

5. Significado e Impacto

Este trabajo es fundamental para la transición energética en redes de distribución por las siguientes razones:

• Viabilidad Operativa: Ofrece una solución práctica a la "ceguera" de los DSOs en la red de baja tensión, permitiendo una operación más segura y eficiente sin esperar a la instalación masiva de sensores en cada nodo.
• Optimización de Inversiones: Al proporcionar una visión realista de la penetración actual de DER, los DSOs pueden priorizar inversiones en refuerzos de red (transformadores, alimentadores) solo donde son realmente necesarias, evitando gastos innecesarios.
• Facilitador de Mercados: Mejora la capacidad de los agregadores y operadores de mercado para cuantificar y activar flexibilidad, lo cual es esencial para el equilibrio del sistema con altas tasas de renovables.
• Escalabilidad: El enfoque de estimación agregada es escalable y adaptable a diferentes regiones, superando la falta de transferibilidad de modelos entre diferentes zonas geográficas.

En conclusión, el artículo argumenta que la metadata de capacidad instalada agregada es un componente indispensable para la planificación y operación moderna de redes de distribución, actuando como un puente entre las mediciones disponibles y la toma de decisiones informadas sobre la integración de recursos energéticos distribuidos.