Fiabilitat de les dades en els smartgrids.

A mesura que augmenten els recursos energètics distribuïts (DER) que es connecten behind the meter (BTM), destaca la necessitat de gestionar acuradament tant l'equilibri demanda-oferta com l'augment de la utilització de les escomeses, línies i transformadors dels centres de transformació. Tota aquesta gestió requereix informació precisa i oportuna. 

Els problemes de fiabilitat de les dades de la xarxa podrien degradar aquesta informació i donar lloc a la propagació d'incorreccions, inclòs el control de la xarxa intel·ligent. La mala qualitat de les dades o les previsions inexactes podrien contribuir a emissions innecessàries de gasos d'efecte hivernacle (GEH) i despeses financeres, així com produir incidències a la xarxa.

És essencial aprofitar correctament la informació en temps real, així com les previsions de com fluctuen tant la càrrega com el subministrament DER. La fiabilitat d'aquesta informació i el seu ús depèn de molts components de la xarxa intel·ligent, inclosos els sistemes de sensors, les xarxes de comunicació i els processos de qualitat de dades.

Sota les hipòtesis en què es basa la manca de dades no es compleixen, els biaixos poden donar lloc a inferències que utilitzen aquestes imputacions. Per exemple, si les dades que s'utilitzen per predir la càrrega falten d'algunes ubicacions a causa de problemes de comunicacions de xarxa, i les dades que falten s'imputen o s'estimen des d'ubicacions sense problemes de comunicació, les inferències fetes amb aquestes imputacions poden estar esbiaixades si les ubicacions amb i sense problemes de comunicació difereixen en les seves associacions del perfil de càrrega. 

Les previsions de càrrega o DER derivades de les dades que no inclouen factors clau, com ara tipus de clients o condicions locals, poden donar prediccions pobres. A més, els models i les previsions poden quedar obsolets si no incorporen l'evolució dels factors clau, per exemple, l'arribada dels vehicles elèctrics o canvis en diversos sistemes de gestió energètica.

Si les dades o els models desenvolupats a partir dels primers clients que adopten  fonts renovables BTM s'utilitzen per predir la càrrega de nous clients amb dades insuficients, aquest ús pot crear biaixos si els clients més nous difereixen dels primers. De la mateixa manera, els conjunts de dades predeterminats també poden introduir biaixos, ja que poden no ser representatius de les condicions futures, com ara l'ús de senyals de preus en temps real.

Així mateix, l'avaluació de qualsevol component de la xarxa intel·ligent, com ara un sistema de gestió DER o un sistema de comunicació, és un repte perquè les dades recollides depenen de nombroses condicions. 

Les previsions de les DER i les càrregues de la distribució local, especialment BTM, són difícils a causa de la manca de dades del BTM, les grans fluctuacions de la càrrega i les extremes variacions meteorològiques. 

Al seu torn, les previsions de càrrega que depenen del les font renovables BTM es poden utilitzar com a inputs per als sistemes de gestió d'energia, preus, planificació i altres aplicacions de xarxes intel·ligents. Els impactes resultants dels errors i les incerteses en les previsions de càrrega sobre les emissions de GEH, la fiabilitat de la xarxa, la resiliència i el cost, són en gran part desconeguts.

L'avaluació de les previsions de càrrega sovint es basa en mitjanes com ara l'error percentual absolut mitjà, que reflecteixen malament els pics en les dades fluctuants, i fins i tot l'avaluació de les previsions màximes, sovint no és fiable. La regressió quantil, un mètode de pronòstic probabilístic que pot expressar incertesa en les previsions, s'utilitza fins a cert punt en la previsió de càrrega. Tanmateix, falta una avaluació robusta generalitzada de la regressió quantil i altres mètodes de previsió probabilística.

La ràpida  i fiable comunicació de dades, previsions i informació de control és essencial per al funcionament de la xarxa intel·ligent. Atès que els vehicles elèctrics poden fer de DER flexible BTM, hi ha una creixent necessitat de comunicació amb els vehicles elèctrics, fins i tot quan els vehicles elèctrics no es troben a les estacions de recàrrega. 

Els reptes per a la comunicació de la xarxa intel·ligent inclouen un ample de banda limitar, el cost i, per a alguns sistemes sense fil: interferències espectrals, degradació del senyal pel temps i problemes de cobertura, com ara obstruccions, inclosos els interiors dels aparcaments, que poden contenir estacions de càrrega. Les comunicacions també es poden interrompre per danys a la infraestructura de comunicacions o talls d'electricitat; aquesta interrupció pot dificultar l'intercanvi d'informació fiable amb els vehicles elèctrics en moments crítics.

La informació també es pot corrompre per atacs de ciberseguretat a les xarxes de comunicació, dades emmagatzemades o a l'entrenament i l'ús d'algoritmes d'intel·ligència artificial (IA).

Per gestionar els possibles errors introduïts per l'ús de valors imputats o estimats per a les dades que falten, s'ha de determinar si la manca de dades és aleatòria: si ho és, la incertesa associada a la imputació s'ha d'incorporar als usos de les dades. En cas contrari, s'hauria d'utilitzar la informació del patró que les fa desaparèixer.

S'han de dissenyar mètriques addicionals per quantificar les dades i la qualitat de la previsió, incorporar-les de manera eficient als estàndards de les xarxes intel·ligents i introduir algorismes que utilitzen les dades i les previsions. Aquestes mètriques haurien de quantificar les possibles incerteses, per exemple, mitjançant l'ús d'intervals de predicció per a les previsions. Les mètriques també haurien de quantificar els biaixos i incloure no només el rendiment mitjà de la previsió, sinó també el rendiment de la previsió en condicions que posin a la xarxa en estrès. S'ha de realitzar una avaluació de l'impacte de les imprecisions de les previsions. Per exemple, es podria fer una comparació de com funciona un sistema utilitzant la càrrega prevista en un centre d'interval de predicció quan la càrrega real es troba a un extrem de l'interval. La fiabilitat dels mateixos intervals de predicció s'hauria de validar sòlidament amb dades reals,

L'ús de múltiples xarxes de comunicació com ara, Wi-Fi, 4G, 5G, ràdio FM i comunicacions per satèl·lit, poden augmentar la resiliència. La càrrega i descàrrega proactiva i oportunista dels vehicles elèctrics no només al llarg del temps, sinó també a l'espai, podria mitigar la interrupció posterior de la informació i el poder. Per exemple, abans d'una incidència, la xarxa intel·ligent hauria d'iniciar la comunicació amb els vehicles elèctrics per incentivar la càrrega anticipada en llocs favorables i la descàrrega per a possibles interrupcions potencials. Finalment, la demanda de comunicació es pot reduir emmagatzemant i processant més dades localment.

Es necessiten més dades reals o sintetitzades, especialment de condicions meteorològiques extremes i altres condicions inusuals. A més, es pot obtenir informació addicional a partir de l'ús de restriccions físiques, així com de sistemes de sensors externs. Els models de previsió s'han de controlar i actualitzar a mesura que evolucionen les condicions de la xarxa. La defensa contra les diferents amenaces de ciberseguretat, s'hauria de tenir en compte des de l'inici de la planificació.

Ramon Gallart