En la búsqueda de una transición hacia fuentes de energía más sostenibles, la inversión en baterías a escala de red se ha convertido en un pilar fundamental. Sin embargo, los desafíos al modelar y pronosticar casos de inversión en este ámbito han aumentado en los últimos años. Aurora Energy Research ha publicado un informe de sus investigadores, Hugo Batten, director general para APAC, y Raheel Raniga, investigador asociado para Australia, en el que comparten algunas lecciones aprendidas después de casi una década de modelado de baterías con Aurora. También proporcionan una guía de alto nivel para fortalecer los casos de inversión en baterías.

Lecciones aprendidas y desafíos metodológicos comunes

El modelado de la economía de las baterías a escala de red en diferentes regiones, como Europa, EE. UU., LATAM y APAC, ha revelado una serie de desafíos metodológicos comunes. Uno de los problemas destacados es la "complejidad multiplicativa", donde diversos factores como parámetros de mercado, activos, financiamiento y operación se ajustan individualmente, generando una multitud de escenarios difíciles de evaluar exhaustivamente.

Desafíos en mercados emergentes

Dos tipos de mercados muestran un rápido crecimiento en la penetración de las baterías:

1. Mercados mayoristas volátiles: Destacan aquellos con alta penetración solar, como Australia y ERCOT, donde las baterías pueden aprovechar la volatilidad y arbitrar curvas de pato.

2. Mecanismos de capacidad: Mercados como el Reino Unido y Japón, con fuertes palancas de descarbonización, requieren baterías para reemplazar la generación térmica saliente.

Teniendo en cuenta que los diseños de mercado varían, existen desafíos metodológicos comunes al establecer límites sensatos en los rendimientos futuros de las baterías.

Aurora por ejemplo, ofrece soluciones de software como Origin (modelo de mercado de energía) y Chronos (despacho de activos de baterías), que abordan todos los problemas descritos, y al permitirle a los clientes crear escenarios de mercado y configurar algoritmos de despacho ellos mismos. 

Dentro de los errores más comunes en el modelado se encuentran:

Modelado de mercado (Origin):

1. Consistencia en resultados del mercado: La optimización del despacho algorítmico entre flujos de ingresos disponibles aumenta la complejidad. Se destaca la importancia de capturar correlaciones entre mercados, especialmente en regiones como California y Australia.

Por ejemplo, los precios elevados del FCAS regulatorio generalmente están correlacionados con los precios mayoristas, debido al costo de oportunidad de brindar este servicio, más allá de un cierto precio.

Source: Aurora Energy Research

2. Suposiciones sobre el futuro: El cambio en la combinación de generación eléctrica y la transición desigual requieren que los modelos eviten suponer que el futuro será similar al pasado.

El cambio radical en la generación eléctrica, con la transición hacia fuentes más sostenibles, está afectando significativamente la combinación de tecnologías. Este cambio, particularmente en mercados auxiliares más propensos a la saturación, desafía las extrapolaciones lineales basadas en la historia reciente. La previsible transición de 20 a 30 años hacia energías más sostenibles podría generar dislocaciones y una volatilidad máxima de precios, especialmente debido a desafíos como la adaptación de plantas de carbón envejecidas a nuevas dinámicas. La omisión de esta volatilidad impulsada por la transición podría subestimar los rendimientos de las baterías en este escenario cambiante.

3. Pronóstico de precios negativos: Ante la creciente importancia de los precios negativos, modelar correctamente el alcance y volumen de estos es esencial para la economía de las baterías.

Los precios negativos han aumentado en los últimos cinco años, particularmente en Sudáfrica, QLD y VIC.

Source: Aurora Energy Research

4. Escenarios positivos y negativos: Diseñar escenarios que abarquen desde negativos hasta positivos es crucial para evaluar de manera significativa el rendimiento de las baterías.

La consideración de escenarios negativos y positivos en la inversión en baterías revela una dinámica interesante. En situaciones negativas, como la baja generación solar, se destacan oportunidades para las baterías al cargar a precios bajos o incluso negativas durante el día. Además, las pruebas de tensión en estos escenarios suelen tener impactos menores en los precios mayoristas. En contraste, los escenarios positivos, que incluyen fluctuaciones en los mercados energéticos debido a la salida de plantas de carbón o retrasos en la construcción de infraestructuras, reflejan la complejidad de gestionar la transición hacia nuevas generaciones y almacenamiento. Estos escenarios fuera de equilibrio se presentan como casos significativos que benefician las inversiones en baterías, destacando la importancia de considerar diversas situaciones para una evaluación más completa y precisa.

5. Capturar la volatilidad de eventos específicos: Esta captura de eventos como tormentas extremas o problemas de infraestructura, es esencial en mercados mayoristas con precios máximos elevados. En Australia, estos eventos han permitido que las baterías obtengan hasta el 30% de su CAPEX en periodos de dos semanas, aunque no se incorporan en los casos base. Asistimos a los clientes en analizar la frecuencia de estos eventos en los últimos 5 años, proporcionando una visión de posibles beneficios adicionales, especialmente en regiones con redes extensas y condiciones climáticas extremas.

Modelado de despacho de activos de batería (Chronos):

1. Reflejar capacidad real: Asegurar que los algoritmos de despacho reflejen la capacidad real de los operadores para capturar valor en mercados dinámicos es esencial para resultados realistas.

El rendimiento BESS imperfecto modelado de Aurora sigue de cerca el de un BESS operativo y está ~15% por debajo de un activo con previsión perfecta.

Source: Aurora Energy Research

2. Confiar en las cajas negras o en la transparencia limitada: La transparencia en precios y envíos es vital para que los inversores realicen pruebas de estrés y verifiquen métricas de "porcentaje de perfección".

3. Garantías de batería y limitaciones operativas: Cambios en las garantías de batería y limitaciones operativas deben integrarse en los modelos para reflejar las condiciones reales. Los inversores en baterías deben asegurarse de que el motor de despacho que utilizan refleje las condiciones detalladas de la garantía (por ejemplo, límites de ciclo diario o anual, perfiles de degradación no lineal), ya que estos parámetros sí importan durante la vida útil de una batería.
Complejidad del mercado y competencia: Advierte contra la simplificación excesiva al pronosticar precios de mercado, enfatizando la importancia de considerar la competencia y tasas de ganancia, especialmente en mercados saturados.

4. Términos contractuales y complejidad de compra: Destaca la creciente complejidad en las solicitudes de compra de baterías, como reservar capacidad en momentos específicos. Se subraya la necesidad de integrar estos términos de manera consistente en los pronósticos y contar con algoritmos de envío flexibles.

5. Limitaciones de la red en el despacho: Advierte sobre la falta de consideración de las limitaciones de la red al despachar activos, haciendo hincapié en la importancia de actualizar modelos y utilizar resultados de flujo de energía para optimizar sistemas híbridos.

6. En un escenario donde la economía de las baterías implica numerosas variables complejas, un diseño de escenarios bien pensado junto con herramientas transparentes y configurables se presenta como la clave para una modelación exitosa. A medida que la inversión en baterías a escala de red continúa evolucionando, es imperativo que los enfoques de modelización se adapten para garantizar la toma de decisiones informada y sólida.