Diseño de mecanismos y control óptimo de portafolios para agregadores de respuesta de la demanda en mercados eléctricos.

La práctica tradicional en un mercado eléctrico es la de balancear la oferta de energía con la demanda del sistema. Esta operación es llevada a cabo, usualmente, por un operador centralizado del sistema, quién se encarga de efectuar el proceso de optimización. Este propósito comprende un desafío, debido a la aparición de nuevas tecnologías de recursos distribuidos de energía, puesto que plantea la inclusión de un comportamiento estocástico e intermitente dentro de la red (Ochoa, Padilha-Feltrin, & Harrison, 2008). El sistema eléctrico requiere provisionar la generación necesaria y la infraestructura suficiente para suplir la demanda pico y no su promedio. Esto ha llevado a que el sistema sea subutilizado la mayor parte del tiempo, resultando en una alta inversión y volatilidad en los precios de energía (Marwan & Kamel, 2010). Consecuentemente al adaptar la demanda para reducir el pico de consumo y suavizar su variación mejora la operación del sistema (Parvania, Fotuhi-Firuzabad, & Shahidehpour, 2013). Para adaptar la demanda se han explorado varias alternativas, entre ellas se encuentra la respuesta de la demanda (RD), en este concepto, el consumidor se convierte en un participante activo dentro del mercado eléctrico, que tiene la capacidad de desconectar parcialmente su demanda, desplazarla o, inclusive, incrementarla como respuesta o reacción a señales que emita el mercado. Por lo tanto, la RD reduce los costos de operación del sistema eléctrico, particularmente en las redes con alta penetración de fuentes renovables de energía, donde se requiere enfrentar la alta variabilidad de estos recursos (Parvania et al., 2013). En general, la activación de la RD se puede efectuar de dos maneras: control directo y gestión indirecta. En el primer caso, el agregador ajusta la referencia o la desconexión remota de equipos, dependiendo del contrato firmado por los usuarios (Albadi & El-Saadany, 2008). En el segundo caso el control de la demanda energética se efectúa a través de cambios de precios en la energía u ofreciendo un pago de incentivos a los consumidores participantes (José Vuelvas, Ruiz, & Gruosso, 2018). Estos programas de gestión indirecta se clasifican en dos categorías básicas: RD basadas en precios y RD basada en incentivos, como se ilustra en la Figura 1. Adicionalmente, en esta Figura se muestra la jerarquía de la RD y algunos de los programas más utilizados (Vardakas, Zorba, & Verikoukis, 2015). Figura 1. Jerarquía y tipos de programas de respuesta de la demanda La RD ha sido ampliamente estudiada en la literatura. (Albadi & El-Saadany, 2008) presenta una clasificación de la RD, mientras que (Vardakas et al., 2015) y (Deng, Yang, Chow, & Chen, 2015) muestra un resumen del estado del arte de la RD. Así mismo, (Mahmoudi, Saha, & Eghbal, 2015) presenta un esquema de RD empleando contratos bilaterales y de participación en los mercados del día anterior y tiempo real, pero no considera una participación estratégica en el mercado en tiempo real. Más recientemente, (Henriquez, Wenzel, Olivares, & Negrete-Pincetic, 2017) desarrolla un modelo de optimización para determinar la operación óptima de un agregador de RD que gestiona un portafolio de programas de RD en los mercados mayorista de electricidad. Sin embargo, no considera la participación estratégica por parte de los consumidores, esto significa en términos de la teoría de juego, que los usuarios que participan en programas de RD basados en incentivos pueden alterar su comportamiento para maximizar sus beneficios. En los programas de RD basados en incentivos se requieren establecer una línea base, sobre la cual la disminución de la demanda de los consumidores pueda ser medida (Muthirayan, Baeyens, Chakraborty, Poolla, & Khargonekar, 2019), la cual corresponde a la estimación del consumo cuando el usuario no está participando en un programa de RD, como se muestra en la Figura 2. Sobre métodos para estimar la línea base, la literatura presenta diferentes alternativas en su cálculo, por ejemplo, el Operador de California (CAISO) emplea el promedio del consumo en los diez días previos, en los cuales no haya existido algún evento (CAISO, 2019; Makarov et al., 2010), este tipo de enfoque, contiene varios problemas, por ejemplo, el incentivo del consumidor de adoptar la estrategia de incrementar artificialmente su línea base, con el fin de incrementar su beneficio durante el desarrollo de un evento de RD como ha sido demostrado en (J. Vuelvas & Ruiz, 2017). Con el objetivo de contrarrestar este problema de consumidores estratégicos, (José Vuelvas et al., 2018) presenta un contrato de RD entre un consumidor y un agregador que induce, por racionalidad individual, a participar en el programa y a reportar su real línea base de consumo, mediante la probabilidad de ser llamado a su activación como obligación contractual. Así mismo, (Muthirayan et al., 2019) desarrolla una formulación similar al trabajo anterior, sin considerar la figura del agregador, sino a conjuntos de consumidores, direccionando sobre cómo definir el precio de recompensa. Estas investigaciones se enfocan en el control con los consumidores, sin abordar el tema de su gestión con el mercado mayorista. Figura 2. Medida de la reducción del consumo con respecto a la línea base (J. Vuelvas & Ruiz, 2017) De acuerdo con la literatura, surge la necesidad de desarrollar un modelo que concatene la gestión óptima del agregador de RD para controlar la disponibilidad de sus consumidores flexibles, abordando el problema de la alteración de la línea base de estos usuarios, con la gestión óptima ante el mercado mayorista, de forma que se logre la solución óptima de todo el proceso de intermediación de este nuevo agente del mercado: el agregador de RD. Este proyecto de investigación se enfoca en el desarrollo de un agregador de RD que participa en el mercado mayorista y que suministra energía a sus clientes mediante un portafolio de contratos bilaterales. La Figura 3. muestra las diferentes interacciones del agregador que serán consideradas en esta propuesta: En el nivel superior, el agregador interactúa con el operador del sistema, mientras que en el nivel inferior el agregador despliega un conjunto de contratos para gestionar una activación directa e indirecta de la energía. Para esto, el agregador debe considerar las condiciones o restricciones específicas planteadas por el mercado, la capacidad de compensación para las fuentes de energías renovables no convencionales y los contratos de RD que componen su portafolio, tales como la incertidumbre de los precios en el mercado mayorista, y la posibilidad del agregador para ejercer poder de mercado. Dentro del despacho de los contratos de RD que conforman su portafolio, es requerido desarrollar mecanismos de RD que evite la inflación artificial de la línea base de consumo, incentivando a los consumidores a no mentir sobre esta información, garantizando una operación eficiente. Figura 3. Estructura e interacción de los agentes del mercado. Albadi, M. H., & El-Saadany, E. F. (2008). A summary of demand response in electricity markets. Electric Power Systems Research, 78(11), 1989–1996. https://doi.org/10.1016/j.epsr.2008.04.002 CAISO. (2019). Demand Response Registration User Guide Version 4.7 November 7, 2019. Deng, R., Yang, Z., Chow, M.-Y., & Chen, J. (2015). A Survey on Demand Response in Smart Grids: Mathematical Models and Approaches. IEEE Transactions on Industrial Informatics, 11(3), 1–1. https://doi.org/10.1109/TII.2015.2414719 Henriquez, R., Wenzel, G., Olivares, D., & Negrete-Pincetic, M. (2017). Participation of Demand Response Aggregators in Electricity Markets: Optimal Portfolio Management. IEEE Transactions on Smart Grid, 3053(c), 1–1. https://doi.org/10.1109/TSG.2017.2673783 Mahmoudi, N., Saha, T. K., & Eghbal, M. (2015). Wind Power Offering Strategy in Day-Ahead Markets: Employing Demand Response in a Two-Stage Plan. IEEE Transactions on Power Systems, 30(4), 1888–1896. https://doi.org/10.1109/TPWRS.2014.2354571 Makarov, Y. V., Etingov, P. V., Huang, Z., Ma, J., Chakrabarti, B. B., Subbarao, K., … Guttromson, R. T. (2010). Integration of wind generation and load forecast uncertainties into power grid operations. 2010 IEEE PES Transmission and Distribution Conference and Exposition: Smart Solutions for a Changing World, (January). https://doi.org/10.1109/TDC.2010.5484201 Marwan, M., & Kamel, F. (2010). Demand-Side Response Load Management Modeling Encountering Electrical Peak Demands in Eastern and Southern Australia - Smart Grid Tools. 20th Australasian Universities Power Engineering Conference: Power Quality for the 21st Century (AUPEC 2010), 1–6. Retrieved from http://eprints.usq.edu.au/8933/1/Marwan_Kamel_AUPEC2010_PV.pdf Muthirayan, D., Baeyens, E., Chakraborty, P., Poolla, K., & Khargonekar, P. P. (2019). A Minimal Incentive-based Demand Response Program With Self Reported Baseline Mechanism. IEEE Transactions on Smart Grid, 3053(c), 1–1. https://doi.org/10.1109/tsg.2019.2949263 Ochoa, L. F., Padilha-Feltrin, A., & Harrison, G. P. (2008). Evaluating distributed time-varying generation through a multiobjective index. IEEE Transactions on Power Delivery, 23(2), 1132–1138. https://doi.org/10.1109/TPWRD.2008.915791 Parvania, M., Fotuhi-Firuzabad, M., & Shahidehpour, M. (2013). Optimal demand response aggregation in wholesale electricity markets. IEEE Transactions on Smart Grid, 4(4), 1957–1965. https://doi.org/10.1109/TSG.2013.2257894 Vardakas, J. S., Zorba, N., & Verikoukis, C. V. (2015). A Survey on Demand Response Programs in Smart Grids: Pricing Methods and Optimization Algorithms. IEEE Communications Surveys & Tutorials, 17(1), 152–178. Vuelvas, J., & Ruiz, F. (2017). Rational consumer decisions in a peak time rebate program. Electric Power Systems Research, 143. https://doi.org/10.1016/j.epsr.2016.11.001 Vuelvas, José, Ruiz, F., & Gruosso, G. (2018). Limiting gaming opportunities on incentive-based demand response programs. Applied Energy, 225, 668–681. https://doi.org/10.1016/j.apenergy.2018.05.050 v\:* {behavior:url(#default#VML);} o\:* {behavior:url(#default#VML);} w\:* {behavior:url(#default#VML);} .shape {behavior:url(#default#VML);} table.MsoNormalTable {mso-style-name:"Tabla normal"; mso-tstyle-rowband-size:0; mso-tstyle-colband-size:0; mso-style-noshow:yes; mso-style-priority:99; mso-style-parent:""; mso-padding-alt:0cm 5.4pt 0cm 5.4pt; mso-para-margin-top:0cm; mso-para-margin-right:0cm; mso-para-margin-bottom:8.0pt; mso-para-margin-left:0cm; line-height:107%; mso-pagination:widow-orphan; font-size:11.0pt; font-family:"Calibri",sans-serif; mso-ascii-font-family:Calibri; mso-ascii-theme-font:minor-latin; mso-hansi-font-family:Calibri; mso-hansi-theme-font:minor-latin; mso-bidi-font-family:"Times New Roman"; mso-bidi-theme-font:minor-bidi; mso-fareast-language:EN-US;} table.MsoNormalTable {mso-style-name:"Tabla normal"; mso-tstyle-rowband-size:0; mso-tstyle-colband-size:0; mso-style-noshow:yes; mso-style-priority:99; mso-style-parent:""; mso-padding-alt:0cm 5.4pt 0cm 5.4pt; mso-para-margin-top:0cm; mso-para-margin-right:0cm; mso-para-margin-bottom:8.0pt; mso-para-margin-left:0cm; line-height:107%; mso-pagination:widow-orphan; font-size:11.0pt; font-family:"Calibri",sans-serif; mso-ascii-font-family:Calibri; mso-ascii-theme-font:minor-latin; mso-hansi-font-family:Calibri; mso-hansi-theme-font:minor-latin; mso-bidi-font-family:"Times New Roman"; mso-bidi-theme-font:minor-bidi; mso-fareast-language:EN-US;}