Predicción de Energía Fotovoltaica a partir de Ensembles NWP

Abstract

En el mundo actual se están estudiando nuevas formas para rentabilizar el uso de las energías renovables de forma que puedan llegar a ser tan fiables como los combustibles fósiles. En el caso de España, donde una de las energías renovables más prolíferas es la energía solar debido a la favorable situación geográfica en la que se encuentra el país, las centrales solares han descubierto su necesidad de conocer con anticipación la producción que se va a obtener a la hora de gestionar los recursos de la central. Sin embargo, hacer esas predicciones no es tarea fácil, ya que la energía solar posee una alta inestabilidad generada en su mayor parte por factores externos, como pueden ser las nubes. Con esta motivación, este Trabajo de Fin de Máster (TFM) intenta dar una posible solución a esta problemática usando los ensembles meteorológicos del Centro Europeo para alcanzar una mejora en las predicciones. Para ello, además de los datos de modelo de ensembles se ha utilizado el algoritmo Support Vector Regression (SVR) en los modelos.

In the current world, new ways are being studied to make the use of renewable energies profitable so that they can become as reliable as fossil fuels. In the case of Spain, where one of the most prolific renewable energies is solar energy due to the favorable geographical situation in which the country is located, solar power plants have discovered their need to know in advance the production that is going to be obtained when managing the resources of the plant. However, making those predictions is not an easy task, since solar energy has a high instability generated mostly by external factors, such as clouds. With this motivation, this Final Master's Project tries to give a possible solution to this problem using the meteorological ensembles of the European Center to reach an improvement in the predictions. To do this, in addition to the model data of the ensembles, the Support Vector Regression (SVR) algorithm has been used in the models.