José Miguel Leiva, Data Scientist & Quantitative Analyst en Expert Timing Systems, impartió el seminario organizado por la Cátedra de Ciencia de datos y aprendizaje UAM-IIC titulado «A Big-Data-based assessment of the forthcoming revolution in domestic energy». Dirigido a científicos, tecnólogos y profesionales involucrados en el análisis de datos, el uso de energía fotovoltaica para consumo doméstico y la explotación de predicciones de energía solar.
Leiva comenzó su exposición analizando en detalle nuestra factura de la luz en términos de potencia contratada, energía consumida, precio del kilowatio por hora e impuestos aplicables para pasar a explicar el destino del importe de esa factura y plantear si es posible una reducción del importe favoreciendo la optimización de los costes de operación utilizando recursos energéticos renovables como la energía solar.
Big Data y paneles solares
En esta ocasión el seminario expuso a los asistentes además una propuesta interesante: ¿Podemos vivir sin estar conectados a la red?, ¿es viable? ¿Podemos instalar en nuestras casas paneles solares y baterías de almacenamiento con suficiente capacidad para hacer la autogeneración económicamente viable?, ¿sería sostenible? Leiva aplicó técnicas matemáticas específicas de Big Data para analizar los datos y resolver la cuestión.
En 2018 será obligatorio por ley que todos tengamos contadores inteligentes y entonces todos podremos consultar nuestros datos de consumo en la web de nuestro proveedor, pero mientras tanto, un paquete de python, una base de datos con domicilios georreferenciados y datos de Endesa le sirvieron a Leiva de punto de partida para su análisis. Estimar la radiación solar es un problema complejo, tanto como estimar el rendimiento del módulo o panel fotovoltaico. Los análisis realizados estiman el coste de almacenar energía solar en una batería de litio en unos 15 cts/kWh.
Partiendo de esta estimación se hicieron el resto de cálculos. Un hogar inteligente podría explotar que hay días de más luz y otros de menos (con una buena predicción de radiación solar, condiciones de nubosidad y demás componentes meteorológicas), tendría en cuanta las horas punta en las que la energía resulta más cara (las últimas horas de la tarde) y aprovecharía las horas valle, más baratas, para cargar las baterías.
Un hogar inteligente, con unas baterías de almacenamiento adecuadas, podría además contratar menos potencia al proveedor y jugar con la potencia contratada, la energía consumida, el precio de la energía y las horas valle para optimizar el rendimiento de su instalación fotovoltaica en función de su tamaño de cara a conseguir reducir el gasto. En este caso, el margen de ahorro potencial para cada usuario sería más sensible al precio de la instalación casi que al precio de la energía.
Según los cálculos, teóricamente podría reducirse la factura anual entre un 10 y un 15%, pero para ello habría que jugar mejor con la predicción, ya que convertir la radiación en potencia es complicado. Igualmente, tendríamos que tener en cuenta que la interconexión de sistemas disminuye y abarata el gasto durante más horas, y que además es necesario regular jurídica y económicamente todo lo relacionado con la generación, comercialización, distribución y consumo de energía.
Asimismo, haría falta una base de datos de radiación solar horaria de todos los puntos georreferenciados a nivel nacional para poder afinar el estudio. Mientras eso llega, las conclusiones del estudio aconsejan seguir conectados a la red como la elección más óptima, porque, además, si no se es un «autogenerador» declarado, no es posible revertir la energía no utilizada. Visto lo cual, parece que aún faltan décadas para que el autoconsumo sea pleno; mientras, dado que traer energía de fuera no sale barato, de cara a mejorar la sostenibilidad del sistema y reducir el gasto, lo más eficaz es hacer un uso inteligente de la energía y aumentar la generación de renovables.
Si quieres más información puedes contactar con nuestros expertos en Big Data en energía y descargar la presentación «A Big-Data-based assessment of the forthcoming revolution in domestic energy» (PDF).