Abstract
Lo primero que debemos tener claro antes de empezar, es qué son realmente las Smart Grids. En un contexto global, la idea detrás de las Smart Grids es la integración dinámica de los conocimientos tradicionales sobre ingeniería eléctrica y los últimos avances en el mundo de la tecnología, con el principal objetivo de conseguir un uso más eficiente y racional de la energía.
Al fin y al cabo, es lógico que los últimos avances en computación y software sean aplicados para mejorar y optimizar los procesos de un sector tan importante como es el energético. Esto, combinado con el carácter liberal de los mercados energéticos occidentales, hacen que, una vez que los individuos son dotados de las herramientas necesarias para controlar y comprender sus hábitos de consumo, la situación se convierta en un gran “juego”, donde la perfección no sólo reside en optimizar los procesos internos, sino también en comprender los efectos del resto.
Por lo tanto, es aquí donde entra la Teoría de Juegos: para tomar la mejor decisión como agente dentro de una red determinada, no sólo debo tener en cuenta mis propias características internas sino también las características de los demás jugadores de la red, ya que el precio de la electricidad depende del conjunto de decisiones tomadas por todos los jugadores. Esta información no está disponible para cualquiera, por lo que el camino hacia el éxito pasa por comprender los razonamientos de los demás para predecir sus decisiones. Entender esto, es comprender la razón de la importancia que ha cobrado la Teoría de Juegos en los últimos avances en Smart Grid.
Sin embargo, para llegar a esta situación, primero debemos dotar a cada jugador de nuestra red de un razonamiento que le lleve hacia un objetivo claro. Ese razonamiento sale de un método de optimización aplicado al problema energético conocido como Unit Commitment. Si imaginamos a los jugadores como si fuesen urbanizaciones, donde varias actividades consumen energía a distintos ritmos y donde esa demanda de energía puede ser cubierta por autoconsumo, por compra de la red o por una combinación de ambas, la función objetivo tendería a buscar un valor mínimo para la factura eléctrica al final del día.
Llegar hasta este punto acaparará la primera parte de nuestro trabajo. Para poder empezar simular un caso real de interacción entre jugadores en una Smart Grid, primero debemos desarrollar las partes que definen el problema de optimización de cada jugador. Aquí entran la demanda de energía y la producción, principalmente. Si asumimos que cada turno o iteración del juego dura un día, para poder desarrollar la estrategia que voy a seguir el día siguiente como jugador, debo ser capaz de predecir en cierta medida cómo va a ser mi demanda y producción a lo largo del día siguiente.
Generalmente, en este tipo de problemas se trabaja con fórmulas analíticas, ya que optimizar suele acarrear derivar en algún momento, sin embargo, a la hora de desarrollar los algoritmos de predicción para producción y demanda, nos hemos decantado por usar valores discretos. Esto se debe a que Red Eléctrica Española (Red Eléctrica Española, n.d.) ofrece en su base de datos información actualizada de la demanda y producción en la península para cada intervalo de 10 minutos. Este hecho, junto con el uso de una hoja de cálculo como Excel, hace que podamos trabajar con 144 intervalos de tiempo diarios que nos hagan olvidar que estamos trabajando con valores discretos.
