Uso de ensembles de meteorología para predicción de energía eólica

Abstract

Desde comienzos de siglo ha tenido lugar un enorme desarrollo de la energía renovable, la cual supuso en 2016 el 40,8% del total de la energía producida en España, y todo hace indicar que seguirá siendo así en el futuro. No obstante, las energías de este tipo, precisamente por su carácter renovable, se basan en fuentes poco fiables e irregulares, como el viento o el sol. Es por ello que se ha vuelto de vital importancia para el sector eléctrico conocer de antemano la producción de energía proveniente de estas fuentes, a fín de poder ajustar lo mejor posible la producción total a la demanda. En este trabajo nos hemos fijado exclusivamente en la energía eólica, partiendo de lo que ya se había realizado previamente en el IIC - Instituto de Ingeniería del Conocimiento. El proceso de predicción de la producción de este tipo de energía requiere de datos meteorológicos sobre los que aplicar los métodos de aprendizaje automático. No obstante estos datos son ya de por sí predicciones meteorológicas, lo cual añade una dificultad extra al problema al no ser totalmente exactas. Una posible solución a este problema ha sido la utilización de varios pronósticos meteorológicos diferentes, en lugar de uno solo, lo cual se conoce como Ensemble Forecasting. Para ello nos hemos basado en los datos del European Centre for Medium-Range Weather Forecasts (ECMWF) el cual, además de la predicción meteorológica de siempre, nos ofrece un servicio conocido como Ensemble Prediction System (EPS) formado por un total de 51 predicciones con las que trabajar. El objetivo de este TFG ha sido pues el desarrollo de un sistema de predicción de la energía eólica basado en dicho EPS, en lugar de en una única predicción meteorológica como hasta ahora. Este nuevo enfoque nos ha permitido mejorar los resultados respecto a grandes errores, si bien no son tan buenos como los que obteníamos con una sola predicción meteorológica. Como algoritmos de aprendizaje automático hemos seleccionado Support Vector Machines y Multilayer Perceptron, lo cual no quita que quizá pudiéramos haber obtenido mejores resultados mediante la aplicación de otros modelos como Random Forest o Gradient Boosting

Since the beginnings of the century there has been a huge growth of the renewable energies, which in 2016 reached a 40.8% of the total energy produced in Spain, and everything indicates that it will keep being like that in the future. Nevertheless, the energies of this kind, precisely because of their renewable character, are based on unreliable and irregular sources such as the wind or sun. So that, it has become vitally important for the electricity sector to know in advance what the production of energy from these sources will be, in order to adjust the total production to the demand in the best way. In this work we have focused on the production of wind energy, starting from what had been previously done in the IIC - Institute of Knowledge Engineering. The process for predicting the generation of this type of energy requires meteorological data in order to apply machine learning methods. However, these data are predictions by themselves, which adds an extra di culty to the problem since they are not totally accurate. A possible solution to this problem has been the use of several di erent forecasts instead of only one, what it is known as Ensemble Forecasting. For that we have used the data from the European Center for Medium-Range Weather Forecasts (ECMWF) which o ers us, in addition to the usual weather forecast, a service known as Ensemble Prediction System (EPS), consisting of a total of 51 predictions with which to work. The objective of this TFG has been the development of a wind power prediction system based on this EPS, instead of on a single meteorological forecast as before. This new approach has allowed us to obtain more robust results against large deviations, although these are not as good as the ones we already had. The machine learning algorithms chosen for this work have been Support Vector Machines and Multilayer Perceptron, even though we could have achieved better results by applying other models such as Random Forest or Gradient Boosting.