⚡ electrical engineering

Data-Driven Sequential Market Optimization for Front-of-the-Meter Battery Energy Storage Systems

Este artículo introduce un marco de optimización secuencial basado en datos para Sistemas de Almacenamiento de Energía con Baterías en el Frente del Medidor que modela de manera realista los cierres de mercado y los pronósticos móviles para derivar estrategias de licitación basadas en el costo de oportunidad, mejorando así la viabilidad operativa y la rentabilidad en múltiples mercados eléctricos.

Autores originales: Steffen Kortmann, Hannah Sanders, Andreas Ulbig

Publicado 2026-07-28

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Steffen Kortmann, Hannah Sanders, Andreas Ulbig

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina la red eléctrica como un gigantesco y de alto riesgo juego de las sillas musicales, pero en lugar de personas, son electrones bailando entre las centrales eléctricas y tu tostadora. El objetivo es mantener la música sonando perfectamente en sintonía; si hay demasiados electrones, la frecuencia aumenta, y si hay muy pocos, se desploma. Para mantener el ritmo constante, necesitamos ayudantes "flexibles" que puedan tomar instantáneamente el exceso de energía o soltar algo cuando la música se vuelve caótica. Entra en escena el Sistema de Almacenamiento de Energía mediante Baterías (BESS, por sus siglas en inglés), una enorme batería digital que actúa como un superatleta, listo para esprintar hacia adentro o hacia afuera en el momento en que se le requiera. Pero aquí está la parte difícil: este atleta no solo juega un juego. Tiene que hacer malabares con múltiples mercados simultáneamente: vender energía cuando es barata, retenerla para ayudar a estabilizar la red y volver a comercializarla más tarde. El problema es que las reglas de estos mercados cambian en diferentes momentos, y los precios son como los pronósticos del tiempo: cambian a medida que te acercas al evento. Si planeas toda la estrategia del día a las 6:00 AM basándote en una suposición, podrías perderte una tormenta repentina (o un aumento repentino de precios) que ocurre al mediodía.

Este artículo aborda el dolor de cabeza de cómo gestionar estas baterías gigantes sin caer en la trampa de las malas suposiciones. Los autores, Steffen Kortmann, Hannah Sanders y Andreas Ulbig, se dieron cuenta de que la mayoría de los métodos existentes son como intentar planificar todo un viaje por carretera de una sola vez, ignorando que las actualizaciones de tráfico llegan cada hora. Argumentan que, para ganar dinero y mantener la red segura, se necesita un enfoque "secuencial": una estrategia paso a paso que actualice su plan cada vez que un mercado cierra sus puertas. Construyeron un marco inteligente y basado en datos que actúa como un entrenador experimentado, reevaluando constantemente los movimientos de la batería a medida que llegan los nuevos pronósticos de precios, asegurando que la batería no se comprometa de más o se quede sin energía en el momento equivocado.

El Juego del "Costo de Oportunidad"

Piensa en la energía de la batería como una mochila llena de monedas de oro. Tienes un número limitado de monedas y quieres gastarlas donde te compren la mayor felicidad (o beneficio). Pero no puedes gastar la misma moneda dos veces. Si usas una moneda para comprar una entrada para un concierto (vender energía ahora), no puedes usar esa misma moneda para comprar una entrada para una fiesta VIP más tarde (proporcionar energía de emergencia). El "Costo de Oportunidad" es el valor de la entrada para la fiesta que no compraste porque gastaste la moneda en el concierto.

El artículo introduce una forma ingeniosa de calcular este costo. En lugar de solo adivinar, el marco pregunta: "Si comprometo esta potencia de la batería al Mercado A ahora mismo, ¿cuánto beneficio potencial estoy perdiendo de los Mercados B, C y D que aún no han ocurrido?". Luego utiliza este cálculo para establecer un "precio mínimo" para la oferta. Si el mercado no ofrece suficiente dinero para cubrir la pérdida de oportunidad de los otros mercados, la batería simplemente dice: "No, gracias", y guarda su energía para un mejor trato. Esto asegura que la batería nunca haga un trato que parezca bueno de forma aislada, pero que sea en realidad un mal movimiento para el resto del día.

La Estrategia Paso a Paso

Los autores diseñaron un sistema que imita la línea de tiempo real de los mercados eléctricos en Alemania. Imagina una serie de puertas cerrándose una por una:

Reserva de Contención de Frecuencia (FCR): La primera puerta se cierra temprano. Esto es para ayuda de emergencia inmediata. La batería asegura un plan aquí.
Reserva de Restauración Automática de la Frecuencia (aFRR): La siguiente puerta se cierra. Esto es para un equilibrio de red ligeramente más lento, pero aún urgente.
Subasta de Día Adelantado (DAA): La gran puerta para vender energía al día siguiente.
Subasta Intradía (IDA): Las puertas finales, que se abren más cerca del tiempo real para ajustes de último minuto.

La magia de su marco es que no solo planifica para la primera puerta y olvida el resto. Resuelve el rompecabezas para la puerta actual y luego vuelve a resolver inmediatamente el rompecabezas para todas las puertas restantes, utilizando los últimos pronósticos de precios. Es como jugar un videojuego donde el mapa se actualiza cada vez que subes de nivel. Si el precio de la electricidad aumenta por la tarde, el sistema lo nota, recalcula el "costo de oportunidad" y podría decidir reservar algo de energía para el mercado Intradía en lugar de venderlo todo en el mercado de Día Adelantado.

Lo Que Encontraron (y Lo Que No)

Los investigadores probaron su idea utilizando una simulación de un solo día (1 de abril de 2024) con una batería con una capacidad de 3.65 MW y 7.3 MWh. No solo adivinaron; pasaron los números a través de un modelo matemático complejo que respeta los límites físicos de la batería (no puede cargar y descargar al mismo tiempo, y no puede bajar del 0% ni subir del 100% de carga).

Los resultados mostraron que su enfoque paso a paso y basado en datos funciona. Cuando compararon el plan de "Día Adelantado" (hecho temprano en la mañana) con el plan "Intradía" (hecho más tarde con mejor información), vieron que el plan posterior era mucho más cercano a lo que realmente sucedió. El marco se adaptó con éxito a los pronósticos actualizados, reduciendo la brecha entre lo que se planeó y lo que realmente se hizo. Esto significa que el operador de la batería puede ganar más dinero y evitar el riesgo de romper las reglas o quedarse sin energía.

Sin embargo, es importante notar que esto es una simulación. El artículo demuestra que las matemáticas funcionan y la lógica se mantiene bajo condiciones realistas, pero aún no ha sido probada en una batería real en un mercado vivo y caótico. Los autores sugieren que su método es una base sólida, pero el trabajo futuro necesitará añadir incluso más complejidad, como el uso de Inteligencia Artificial para operar en el mercado "continuo" final (Intraday Continuous) donde los precios cambian cada segundo.

Por Qué Esto Importa

Para cualquiera que se preocupe por la energía limpia, esto es algo importante. A medida que cambiamos hacia la energía eólica y solar, la red se vuelve más impredecible. Necesitamos baterías que sean los amortiguadores del sistema. Pero si los operadores de baterías están usando herramientas de planificación rígidas y obsoletas, podrían perder oportunidades de ganancias o, peor aún, fallar en ayudar a la red cuando más se necesita. Este artículo ofrece un nuevo manual de estrategia: una forma de ser flexible, inteligente y basado en datos. Convierte a la batería de una unidad de almacenamiento estática en un jugador dinámico que puede navegar el paisaje complejo y cambiante de los mercados energéticos modernos, asegurando que las luces permanezcan encendidas y la billetera se mantenga llena.

Resumen Técnico: Optimización de Mercado Secuencial Basada en Datos para BESS Front-of-the-Meter

Planteamiento del Problema

La integración de los Sistemas de Almacenamiento de Energía mediante Baterías (BESS) en los mercados eléctricos ha incrementado la necesidad de una participación coordinada en servicios de energía y de equilibrio para maximizar la flexibilidad operativa. Sin embargo, los modelos actuales de acumulación de ingresos (revenue-stacking) frecuentemente dependen de supuestos simplificados, tales como la oferta simultánea en múltiples mercados y la negligencia de los impactos de los pronósticos móviles (rolling forecasts). Estas simplificaciones conducen a programaciones poco realistas, planes operativos inalcanzables y proyecciones de ingresos sobreestimadas. Los operadores carecen actualmente de métodos transparentes para determinar cantidades de oferta y precios factibles que se alineen con la naturaleza secuencial de las operaciones de mercado, los tiempos específicos de cierre de ventana (Gate Closure Times, GCT) y los pronósticos de precios actualizados.

Metodología

El artículo propone un marco de optimización secuencial y basado en datos diseñado para reflejar las operaciones reales de mercado para BESS Front-of-the-Meter (FTM). La metodología estructura el proceso de programación en etapas de mercado consecutivas, actualizando las decisiones en cada Tiempo de Cierre de Ventana (GCT) basándose en los resultados de mercado más recientes y las revisiones de los pronósticos.

1. Marco de Optimización Secuencial

El marco modela la secuencia cronológica de los mercados: Reserva de Contención de Frecuencia (FCR), Reserva de Restauración de Frecuencia Automática (aFRR), Subasta de Día Adelante (DAA) y Subasta Intradía (IDA).

Propagación de Estado: El Estado de Carga (SoC) resultante de un mercado liquidado se convierte en una condición de contorno fija para la etapa de optimización subsiguiente.
Pronósticos Móviles: Los pronósticos de precios se actualizan en cada etapa, incorporando información de los mercados ya liquidados para refinar la optimización de los mercados restantes.
Restricciones: El modelo impone restricciones técnicas y regulatorias rigurosas, incluyendo:
- Física de la Batería: Ecuaciones de balance de energía, límites de potencia, pérdidas de eficiencia y exclusividad mutua de carga/descarga.
- Reglas de Mercado: Incrementos fijos de oferta (p. ej., 1 MW para reservas, 0.1 MW para energía), consistencia de bloques y factores específicos de relación energía-potencia ( $\gamma$ ) y factores de potencia bloqueada ( $\phi$ ) requeridos para productos de reserva (p. ej., el FCR requiere 1.25 MW de capacidad de potencia por cada 1 MW de reserva en las etapas de intradía).
- Bloqueo de Capacidad: Las restricciones aseguran que la capacidad de reserva de equilibrio bloquee la porción necesaria de la capacidad de almacenamiento utilizable para el comercio de energía subsiguiente.

2. Estrategia de Oferta Basada en el Costo de Oportunidad

Un componente central de la metodología es la derivación de volúmenes de oferta y precios mínimos basados en el costo de oportunidad (OC).

Optimización de Capacidad Residual: Para una etapa de mercado específica, el marco resuelve un problema de optimización "residual" para todos los mercados futuros. Esto determina la cantidad de oferta máxima factible ( $L_b$ ) y el valor ( $V_b$ ) de los mercados restantes si no se participa en el mercado actual.
Cálculo del OC: El costo de oportunidad se calcula como el beneficio dejado de percibir de los mercados futuros causado por reservar capacidad para el mercado actual. Esto contabiliza el efecto de "bloqueo" de los compromisos de reserva sobre las capacidades de comercio futuras.
Formulación del Precio de Oferta: El precio mínimo de oferta se deriva distribuyendo el costo de oportunidad sobre la cantidad ofrecida y la duración del tiempo.
- FCR: Utiliza un precio único que cubre el OC del bloque (pay-as-cleared).
- aFRR: Emplea una estrategia de oferta de "escalera" (ladder), dividiendo la capacidad en múltiples ofertas con precios que van desde un suelo conservador (ajustado por un factor de riesgo $\theta$ ) hasta precios agresivos basados en pronósticos de precios, para equilibrar la probabilidad de aceptación y el margen.
- DAA e IDA: Determina la dirección del comercio (compra/venta) y establece precios basados en el suelo del costo de oportunidad, ajustado por la granularidad del mercado y las reglas de liquidación (pay-as-bid vs. pay-as-cleared).

3. Liquidación y Asentamiento de Mercado

El marco simula la liquidación del mercado donde las ofertas son aceptadas o rechazadas según el Precio de Liquidación de Mercado (MCP).

Asignación: Las ofertas aceptadas se convierten en parámetros fijos para las etapas de optimización posteriores.
Re-optimización: Si las asignaciones resultan en posiciones abiertas o infactibilidades (p. ej., debido a requisitos de energía de desequilibrio), el modelo re-optimiza con variables de holgura para derivar un programa objetivo factible para la siguiente etapa (p. ej., intradía).

Principales Contribuciones

El artículo identifica cuatro contribuciones primarias:

Formulación Multimercado Secuencial: Un marco unificado que modela explícitamente la secuencia cronológica de los GCT y las duraciones de los productos para FCR, aFRR y mercados de energía, yendo más allá de los supuestos de optimización simultánea.
Acoplamiento de Mercado Basado en Datos: La integración de pronósticos de precios móviles permite una re-optimización adaptativa en cada etapa, utilizando información en tiempo real de los mercados liquidados.
Oferta Basada en el Costo de Oportunidad: La derivación de volúmenes de oferta y precios mínimos de oferta a partir de la optimización de la capacidad residual, asegurando la consistencia económica y evitando compromisos infactibles.
Validación Realista: Demostración de la consistencia y factibilidad del marco a través de un estudio de caso de un solo día, confirmando la alineación entre los planes del día anterior y el despacho realizado.

Resultados y Validación

El marco fue validado utilizando un día operativo representativo (1 de abril de 2024) para un BESS con 3.65 MW de potencia y 7.3 MWh de capacidad.

Evolución del Programa: El estudio mostró que los programas evolucionan significativamente entre las etapas de optimización (p. ej., 8:00, 9:00, 12:00, 15:00) a medida que los pronósticos se actualizan y los mercados se liquidan.
Factibilidad: El marco generó con éxito programas consistentes y técnicamente factibles. Las trayectorias del Estado de Carga (SoC) se mantuvieron dentro de los límites técnicos requeridos para la provisión de FCR durante toda la simulación.
Reducción de Desviaciones: Las comparaciones entre el despacho planificado y el realizado indicaron que la re-optimización intradía redujo sustancialmente las desviaciones en comparación con los planes del día anterior. Cuanto más cercano estaba el programa al tiempo de despacho real, más preciso se volvía.
Impacto de FCR: Los resultados destacaron cómo la asignación de FCR bloquea rangos específicos de SoC (evitando la operación cerca del 0% o 100% de SoC), algo que el modelo contabilizó correctamente en las ofertas de aFRR y mercados de energía subsiguientes.

Significado

El artículo afirma que su principal significancia radica en abordar la brecha entre los modelos de optimización idealizados y las realidades prácticas de la participación secuencial en el mercado. Al modelar explícitamente los Tiempos de Cierre de Ventana, los pronósticos móviles y los costos de oportunidad, el marco proporciona un método para que los operadores determinen cantidades y precios de oferta factibles que sean consistentes con los tiempos reales del mercado.

Los autores sostienen que este enfoque mejora la realidad y rentabilidad de las operaciones de BESS al minimizar las desviaciones entre el despacho planificado y el realizado, y evitar la sobreestimación de ingresos común en los modelos de una sola etapa o no basados en datos. El trabajo establece una base para la participación coordinada a través de los mercados de equilibrio y de energía sin requerir modelos complejos de aprendizaje profundo que sean sensibles a los cambios de datos, basándose en su lugar en una optimización robusta y en el precio del costo de oportunidad.