Modelo matemático-financiero para asesorar en la adopción de medidas para potenciar el autoconsumo en España

Abstract

El contexto energético actual, la extraordinaria volatilidad de los mercados energéticos, unida a los exigentes objetivos de descarbonización, ha provocado un creciente interés público y privado por adoptar una postura proactiva en la transición energética. Esta transición se ve impulsada por la necesidad de mitigar el cambio climático reduciendo las emisiones de gases de efecto invernadero. En este sentido, las Comunidades Energéticas Locales (CCEE) surgen como un instrumento atractivo para fomentar la participación ciudadana en el reparto de energía limpia, fomentando la producción, distribución y consumo de energía renovable. Con la figura de la Comunidad Energética se permite a los integrantes de esta compartir los recursos de generación, típicamente constituido por una instalación fotovoltaica, y beneficiarse de la generación y consumo local de energía limpia. En última instancia, las CCEEs ofrecen una oportunidad para fomentar la participación ciudadana en la transición energética promoviendo la generación descentralizada, distribución y consumo de energía electica limpia a nivel local. Dichas CCEEs tienen un importante beneficio económico sin embargo es importante analizar los aspectos económicos, técnicos y regulatorios de la cuestión antes de tomar ninguna decisión ante una inversión en este ámbito. Este Proyecto tiene como objetivo aportar una herramienta que determine de forma automática e independiente la solución óptima, en cuestión de retorno esperado de la inversión, a instalar en una determinada vivienda dados parámetros de localización y demanda eléctrica, ayudando a complementar al actual Estado del Arte ante la falta de herramientas neutrales y formativas en el mercado. El modelo planteado se basa en técnicas enraizadas en la investigación operativa y ha sido implementado en Python, automatizando la descarga de datos de radiación y obteniéndose de esta manera la instalación óptima estimada para los parámetros introducidos. El proceso de modelado es transparente, tanto la formulación como la metodología de obtención de los datos de entrada. La función objetivo del modelo propuesto consiste en la maximización de la suma de los siguientes términos : i) el ahorro generado en la vida de la instalación descontado anualmente en el cual se consideran dos términos: la energía suministrada desde la red, considerado como una compra de energía generando un flujo de caja negativo; y el excedente vertido a la red de distribución, considerando como una venta de energía generando un flujo de caja positivo, y ii) el coste neto de la instalación, realizándose dicho desembolso al inicio del proyecto o en el año 0. Por tanto, las inversiones propuestas las realizaría el usuario con la finalidad de maximizar el ahorro a lo largo de la vida de la instalación. Entre las conclusiones más relevantes se destaca que: • Las herramientas de dimensionamiento de soluciones de autoconsumo disponibles en el mercado y al alcance de los usuarios son aquellas que ofrecen las comercializadoras de este tipo de soluciones por ello surge la necesidad de una herramienta independiente para analizar la solución óptima en cada uno de los casos. • En las distintas Comunidades Autónomas existen distintos valores totales de radiación anual, debido a esto el modelo ofrece diferentes dimensiones para instalación optima a realizar. Pese a ello, las instalaciones optimizadas tienen un retorno de inversión similar con una TIR de entre un 10.8% y un 12%. • La sensibilidad del modelo de programación lineal a los datos de entrada es muy significativa, variando la instalación optima entre un caso pesimista y optimista en +/-60% con respecto del caso base. • Se considera el caso base adecuado dado que los escenarios favorables y desfavorables anuales de radiación en los años de amortización de las instalaciones se van compensando, se muestra en el análisis estadístico de los conjuntos de¬¬¬ las radiaciones anuales por comunidad autónoma dado que el valor promedio y de la mediana prácticamente coinciden y no hay asimetrías relevantes en la distribución. • La curva de demanda es un parámetro de importancia para este tipo de instalaciones, por ello la completa optimización de las soluciones de autoconsumo pasa por la adaptación de la demanda. Otra opción que aparecerá en la sección de futuros desarrollos pasa por la adopción de soluciones de almacenamiento.The current energy context, the extraordinary volatility of energy markets, coupled with the demanding decarbonization objectives, have sparked a growing public and private interest in taking a proactive stance in the energy transition. This transition is driven by the need to mitigate climate change by reducing greenhouse gas emissions.

In this regard, Local Energy Communities emerge as an attractive instrument to promote citizen participation in the distribution of clean energy, fostering the production, distribution, and consumption of renewable energy. Through the concept of an Energy Community, its members are allowed to share generation resources, typically constituted by a photovoltaic installation, and benefit from local generation and consumption of clean energy.

Ultimately, Local Energy Communities offer an opportunity to promote citizen participation in the energy transition by fostering decentralized generation, distribution, and consumption of clean electricity at the local level. These Local Energy Communities have significant economic benefits, but it is important to analyze the economic, technical, and regulatory aspects of the issue before making any investment decisions in this area.

This project aims to provide a tool that automatically and independently determines the optimal solution, in terms of expected return on investment, for installing a specific energy system in a given household, considering location and electricity demand parameters. It aims to complement the current state of the art by addressing the lack of neutral and educational tools in the market. The proposed model is based on techniques rooted in operations research and has been implemented in Python, automating the data retrieval process for radiation data. As a result, the estimated optimal installation for the input parameters can be obtained.

The modeling process is transparent, both in terms of formulation and the methodology for obtaining input data. The objective function of the proposed model consists of maximizing the sum of the following terms: i) The savings generated over the lifetime of the installation, discounted annually. This term takes into account two components: the energy supplied from the grid, considered as a purchase of energy and generating a negative cash flow; and the surplus energy injected into the distribution grid, considered as a sale of energy and generating a positive cash flow and ii) The net cost of the installation, which is incurred either at the beginning of the project or in year 0. Therefore, the proposed investments are made by the user with the aim of maximizing savings over the lifetime of the installation. Among the most relevant conclusions, the following stand out: • The available self-consumption sizing tools in the market, provided by energy suppliers offering such solutions, are not independent. This highlights the need for an independent tool to analyze the optimal solution in each case. • Different autonomous communities have varying annual total radiation values, which is reflected in the dimensioning of the optimal installation. However, despite these differences, the optimized installations show similar return on investment. • The sensitivity of the linear programming model to input data is significant. The optimal installation can vary almost threefold between pessimistic and optimistic scenarios, primarily driven by variations in radiation and installation prices. • The chosen base case is considered appropriate since the favorable and unfavorable annual radiation scenarios during the installation's amortization years tend to balance out. This is supported by the statistical analysis of the annual radiation datasets for each autonomous community, where the average and median values practically coincide. • The demand curve is a crucial parameter for this type of installation. Therefore, the complete optimization of self-consumption solutions requires adapting the demand accordingly.