Professional Documents
Culture Documents
ELICOS
PROFESOR GUA:
DORIS SEZ HUEICHAPAN
PROFESOR CO-GUA:
MARCOS ORCHARD CONCHA
MIEMBRO DE LA COMISIN:
HCTOR AGUSTO ALEGRA
SANTIAGO DE CHILE
Noviembre de 2010
RESUMEN DE LA MEMORIA PARA OPTAR AL TTULO
DE INGENIERO CIVIL ELECTRICISTA
POR: IGNACIO ERBETTA M.
FECHA: 06/01/2011
PROF. GUA: DORIS SEZ H.
PROF. CO-GUA: MARCOS ORCHARD C.
Tomando en cuenta la reciente incorporacin de varios parques elicos al SIC y la naturaleza estocstica de la
velocidad del viento, se hace imprescindible contar con una herramienta que sea capaz de pronosticar el nivel
de generacin en un parque elico, de manera de facilitar y optimizar la programacin diaria manteniendo la
calidad de suministro por parte del CDEC; organismo encargado de garantizar la operacin de las instalaciones
del sector elctrico en Chile.
El objetivo general de este trabajo es desarrollar un predictor de potencia activa para el Parque Elico Canela
para un horizonte mximo de 36 horas, entregndose los resultados no slo en trminos del valor esperado de
la prediccin, sino tambin a travs de la generacin de intervalos del 95% confianza. Para realizar este trabajo,
se han analizado datos histricos de velocidad de viento y potencia activa del Parque Elico Canela provistos
por ENDESA ECO, as como predicciones diarias de velocidad de viento provistas por la DGAC. Los datos han
sido tomados con un tiempo de muestreo de 1 hora.
Para el desarrollo del modelo predictor se han probado modelos lineales FIR y ARX, que consideran como
variables de entrada la velocidad de viento, la potencia y sus retardos; y un modelo no lineal (red neuronal
MLP), que considera como entrada slo la velocidad del viento. Adems se implement un modelo de
referencia (modelo de referencia de Nielsen). El modelo que mostr mejores resultados es la red neuronal MLP
con una mejora de un 62% en el error cuadrtico medio con respecto al modelo de referencia, superando
ampliamente al modelo ARX, que mostr una mejora del 25% y al modelo FIR, que mostr una mejora del 10%.
Para la calibracin de estos modelos se asume conocida con exactitud la velocidad del viento en el futuro,
condicin que es posteriormente relajada para dar paso a la utilizacin de la prediccin de velocidad de viento
de la DGAC.
Luego, se ha realizado una caracterizacin del error de prediccin de la velocidad del viento entregada por la
DGAC en funcin del horizonte de prediccin y del valor de la prediccin. Como entrada al predictor se ha
utilizado la prediccin de velocidad de viento provista por la DGAC, la cual es perturbada con realizaciones del
proceso estocstico que caracteriza el error de prediccin ejecutndose una simulacin de Monte Carlo. La
salida del predictor es el valor medio de las salidas de cada iteracin de la simulacin. El intervalo de confianza
es calculado como el menor rango de potencia que acumule el 95% de probabilidad de ocurrencia en el
histograma de salida.
El predictor ha logrado un error absoluto medio en torno al 12% en un horizonte de 36 horas, mejorando al
mtodo simple en 2,3 p.p. Este valor es cercano a los obtenidos por los mejores modelos de prediccin
desarrollados por empresas que prestan el servicio de prediccin de potencia para parques elicos. Adems, se
ha realizado una comparacin con una prediccin simple que consiste en calcular la potencia utilizando como
entrada al modelo directamente la prediccin de velocidad de viento. El mtodo implementado mejora en
hasta un 7% al mtodo simple. El nuevo mtodo implementado es muy exacto con un error medio cercano al
0%, a diferencia del mtodo simple que tiene un error medio de un -8%. El mtodo es computacionalmente
eficiente, se requieren menos de 10 segundos para obtener una prediccin de potencia para las prximas 36
horas.
Como lneas de investigacin futuras se propone principalmente estudiar las fuentes de error de la prediccin
de velocidad del viento de la DGAC e incorporarlas al modelo desarrollado con el objetivo de lograr mejores
predicciones de potencia.
2
ndice
RESUMEN .......................................................................................................................................... 2
Captulo 1 .......................................................................................................................................... 6
1.1 Introduccin ....................................................................................................................... 6
1.2 Motivacin y Descripcin del Problema .............................................................................. 7
1.3 Objetivo General ................................................................................................................ 8
1.4 Objetivos Especficos .......................................................................................................... 8
1.5 Metodologa ....................................................................................................................... 8
1.6 Estructura del Trabajo .......................................................................................................10
Captulo 2 .........................................................................................................................................11
2.1 Energas Renovables No Convencionales (ERNC) ................................................................11
2.2 Energa Elica ....................................................................................................................11
2.3 Parque Elico Canela .........................................................................................................14
2.4 Turbina Elicas ..................................................................................................................15
2.5 Modelacin del viento .......................................................................................................18
2.5.1 Modelacin Fenomenolgica Global ..........................................................................18
2.5.2 Distribucin Estadstica de la Velocidad del Viento .....................................................19
2.5.3 Clasificacin de Modelos ............................................................................................21
2.5.3.1 Modelos Fsicos..........................................................................................................22
2.5.3.2 Modelos Estocsticos .................................................................................................23
2.5.3.3 Modelos de Correlacin Espacial ................................................................................23
2.5.3.4 Modelos Basados en Inteligencia Artificial ..................................................................24
2.6 Productos Comerciales ......................................................................................................26
2.7 Integracin de la Energa Elica .........................................................................................27
Captulo 3 .........................................................................................................................................29
3.1 Introduccin ......................................................................................................................29
3.2 Identificacin de Sistemas .................................................................................................29
3.2.1 Obtencin de Datos ...................................................................................................29
3.2.2 Estructuras de Modelos .............................................................................................30
3.2.3 Criterios de Seleccin de Estructura ...........................................................................37
3.2.4 Estimacin de Parmetros..........................................................................................38
Captulo 4 .........................................................................................................................................39
4.1 Planteamiento del Problema .............................................................................................39
3
4.2 Protocolo de Evaluacin de Modelos de Prediccin de Potencia ........................................39
4.2.1 Notacin ....................................................................................................................40
4.2.2 Definicin de Errores de Prediccin ............................................................................40
4.2.3 Definicin de Medidas de Error ..................................................................................41
4.2.4 Comparacin de Modelos ..........................................................................................42
4.2.5 Modelos de Referencia ..............................................................................................42
4.3 Seleccin y Obtencin de Datos .........................................................................................44
4.4 Desarrollo de Modelos Lineales .........................................................................................49
4.4.1 Desarrollo de Modelo FIR ...........................................................................................49
4.4.2 Desarrollo de Modelo ARX .........................................................................................52
4.5 Desarrollo de Red Neuronal MLP .......................................................................................55
4.6 Discusin de Resultados ....................................................................................................58
Captulo 5 .........................................................................................................................................59
5.1 Introduccin ......................................................................................................................59
5.2 Descripcin del Mtodo .....................................................................................................59
5.3 Estudio de Error de Prediccin ...........................................................................................59
5.3.1 Regularizacin de Funcin de Distribucin Acumulada ...................................................62
5.4 Estudio de Prediccin con Intervalo de Confianza ..............................................................64
5.5 Resultados y Validacin de Intervalo de Confianza .............................................................67
5.6 Discusin de Resultados ....................................................................................................69
Captulo 6 .........................................................................................................................................71
6.1 Conclusiones Generales .....................................................................................................71
6.2 Conclusiones Especficas ....................................................................................................71
6.3 Lneas de Investigacin futuras ..........................................................................................72
Referencias .......................................................................................................................................73
Anexo A ............................................................................................................................................75
A.1 Fuerza de Adveccin ..........................................................................................................75
A.2 Fuerza de Gradiente de Presin .........................................................................................75
A.3 Fuerza de Coriolis...............................................................................................................75
A.4 Fuerza de Arrastre Turbulento ...........................................................................................76
A.5 Perfil Vertical .....................................................................................................................76
Anexo B ............................................................................................................................................77
Anexo C ............................................................................................................................................78
Anexo D ............................................................................................................................................79
D.1 Arquitectura de Red Neuronal ...........................................................................................79
4
D.2 Pesos de Red Neuronal ......................................................................................................80
Anexo E.............................................................................................................................................82
Anexo F .............................................................................................................................................85
5
Captulo 1
1.1 Introduccin
La demanda elctrica en Chile ha aumentado a una tasa de 6,7% anual en los ltimos 20 aos y ha
sido satisfecha principalmente mediante energa hidroelctrica y energas no renovables tales como
el carbn, petrleo y gas. El hecho de utilizar combustibles fsiles, y el no contar con la mayora de
ellos en nuestro pas, genera una gran dependencia energtica de Chile con respecto a otros pases,
donde el 63% de la energa que se genera hoy en da en Chile proviene de recursos extranjeros [1].
Por otra parte, se ha hecho reconocida la importancia de minimizar los efectos que las emisiones de
gases invernadero tienen sobre el sistema climtico. Es en este punto en donde las energas
renovables no convencionales toman mayor importancia.
En el ao 2008 se promulg la ley 20.257 [2], que obliga a las empresas generadoras con capacidad
instalada sobre 200 MW, a comercializar un 10% de energa proveniente de fuentes renovables no
convencionales o centrales hidroelctricas. La incorporacin se har gradualmente para llegar a un
5% en el ao 2015 y un 10% en el ao 2020.
En lnea con lo anterior, la empresa ENDESA ECO ha creado el Parque Elica Canela I, y se est
incorporando el Parque Elica Canela II. Entre ambos, generarn ms de 90 MW de potencia
nominal.
Las empresas generadoras deben cumplir con normativas en cuanto al nivel de generacin de
potencia con el objetivo de mantener estable el sistema interconectado. El CDEC (Centro de
Despacho Econmico de Carga) es el organismo encargado de realizar el despacho elctrico y
determinar el nivel de generacin de cada central. As, cada central est sujeta a esta determinacin
y debe acatarla o informar de algn problema tcnico o mantencin que impida alcanzar el nivel de
generacin solicitado.
En un parque elico no es posible determinar con precisin el nivel de generacin que presentar el
parque con antelacin dado que el nivel de generacin depende directamente de la velocidad del
viento, que puede definirse matemticamente como un proceso estocstico. De manera de entregar
una herramienta para predecir el nivel de generacin elica en un parque, el objetivo general de
esta memoria es crear un predictor de potencia activa capaz de generar un intervalo de confianza
para la potencia elctrica para parques elicos en un horizonte de prediccin que establece la
normativa vigente; en donde se especifica que se debe predecir en forma horaria el nivel de
generacin para el da siguiente.
6
1.2 Motivacin y Descripcin del Problema
Entre los beneficios que presenta la energa elica se puede mencionar que no genera emisiones y
que es econmicamente competitiva, por esto, ha sido la forma de generacin ms instalada durante
los ltimos aos en Europa [3].
Junto con los beneficios mencionados, este tipo de energa tiene algunas desventajas. Una de ellas es
que no es capaz de suplir continuamente la demanda energtica de un pas. Esto se debe a que la
naturaleza estocstica de la velocidad del viento para distintos momentos y lugares, produce
problemas en la integracin de este tipo de energa a la red elctrica (ver Captulo 2.7). La
integracin de la energa elica es un problema para los operadores y planificadores de la red
elctrica ya que una vez estimada la demanda diaria, es necesario determinar el nivel de generacin
de cada central, de manera de suplir la demanda total y contar con las reservas que aseguren un
buen funcionamiento del sistema.
El manual de procedimientos MP-12 [4] del CDEC-SIC establece la normativa vigente referente a la
programacin de corto plazo o programa diario, que es el proceso mediante el cual se definen para
el o los das siguientes, segn corresponda, los niveles de generacin de cada una de las centrales del
sistema, con el objeto de obtener una operacin del sistema elctrico segura y econmica.
El CDEC-SIC determina en base a informacin estadstica la demanda de potencia para el o los das
siguientes, segn lo cual procede a establecer el nivel de generacin horario de cada central.
Los parques elicos tienen un costo marginal de generacin igual a cero y, siendo ste un factor
principal dentro de la determinacin del programa diario, es normal que estn despachados los siete
das de la semana a toda hora.
El CDEC-SIC debe mantener un estndar de calidad de suministro para lo cual se utilizan reservas por
sobre la demanda esperada. Al no conocerse con precisin el nivel de generacin en un parque
elico (debido a la naturaleza estocstica del viento), no es posible determinar con exactitud cunto
es el nivel de generacin para cada central de manera tal de cumplir en todos los horarios con un
despacho ptimo, entendindose ste como aquel que minimiza las reservas satisfaciendo la
demanda plenamente. En este sentido, el conocer a priori el nivel de generacin en un parque elico
en forma horaria es de gran ayuda para los operadores de la red puesto que as se puede determinar
de manera ms eficiente el nivel de generacin del resto de las centrales y calcular con mayor
certeza las reservas durante el da.
7
1.3 Objetivo General
El objetivo general de este trabajo es desarrollar un predictor de potencia activa para el Parque
Elico Canela en un horizonte mximo de 36 horas, generando un intervalo de confianza para los
resultados. El intervalo de confianza es un rango estimado en donde existe una alta probabilidad de
ocurrencia una variable aleatoria.
Se espera que este mtodo de prediccin pueda ser incorporado en el Parque Elico Canela.
Establecer el estado del arte de la modelacin de potencia y/o viento utilizadas actualmente
y reconocer sus fortalezas y debilidades.
Implementar distintas estructuras de modelos predictivos y seleccionar el ms apto para el
caso de prediccin de potencia activa en parques elicos.
Implementar un mtodo novedoso de prediccin de potencia utilizando predicciones de
velocidad de viento, que considera la generacin de un intervalo de confianza para las
predicciones de potencia.
1.5 Metodologa
La metodologa de trabajo propuesta es la mostrada en Figura 1.1.
8
u: Velocidad de Viento Real
Data Real : Prediccin de Velocidad de Viento
y: Potencia Activa Real
Pre-Procesamiento
Seleccin de
Estructura de Modelos Lineales
Modelos
ANN
MLP
Estudio del Error
de Prediccin
CAPTULO 3
Desarrollo de
Modelo Predictor
Seleccin e
de Potencia con
Implementacin
Intervalo de
del Mejor Modelo
Confianza
CAPTULO 4
CAPTULO 5
Se han coloreado en verde los pasos ms importantes del mtodo utilizado: la seleccin del mejor
modelo; el estudio del error de prediccin de velocidad del viento; y el desarrollo del modelo
predictor de potencia con intervalo de confianza.
9
1.6 Estructura del Trabajo
El Captulo 1 muestra la introduccin a la memoria, presenta sus objetivos generales y especficos y
se muestra la motivacin y descripcin del problema a resolver.
El Captulo 2 muestra una visin general del panorama energtico mundial y en especial del uso de la
energa elica en el planeta. Da una descripcin del Parque Elico Canela y de las turbinas que ah se
encuentran. Se describen los tipos de modelos que se implementan en la actualidad y sus problemas
con la integracin a la red elctrica.
El Captulo 3 es una descripcin de los pasos de una identificacin de sistemas. Se presentan las
estructuras de modelos que se implementarn. Se definen qu criterios se utilizarn para
seleccionar estructuras de modelos y cmo se estimarn los parmetros de stos.
El Captulo 4 comienza con una descripcin del problema que se enfrenta. Se presenta un protocolo
de evaluacin de resultados y se implementan y discuten resultados de los modelos descritos en el
Captulo 3.
El Captulo 5 presenta el mtodo que se utilizar para desarrollar el modelo predictor de potencia
con intervalo de confianza y se detallan todos los pasos que este mtodo contiene. Se presentan los
resultados obtenidos y se comparan con los resultados esperados de modelos de empresas que
prestan el servicio de prediccin de potencia para parques elicos.
El Captulo 6 muestra las principales conclusiones del trabajo y las lneas de investigacin futuras.
10
Captulo 2
El viento es un fenmeno que se presenta en casi todo el planeta Tierra con intensidad y regularidad
variable, siendo algunos lugares ms aptos que otros para efectos de la instalacin de un parque
elico. La generacin de energa elctrica con una turbina elica es directamente dependiente de la
velocidad del viento que sople perpendicular al plano de giro de las aspas de la turbina; sin embargo,
sta es una variable estocstica dependiente de muchos factores tales como la presin, temperatura,
densidad del aire, entre otras.
En los ltimos aos, la energa elica ha tenido un aumento explosivo, principalmente en Europa y
Amrica de Norte. En la Figura 2.1, se puede observar la evolucin que ha tenido la generacin de
energa elica desde la dcada anterior en Europa y el resto del mundo.
11
Figura 2.1: Evolucin de la potencia instalada de energa elica en Europa y el resto del mundo [3]
Figura 2.2: Nueva potencia instalada en el mundo segn su fuente durante el ao 2008 [3]
12
En Sudamrica, el panorama es diametralmente opuesto. A pesar de contar con enormes recursos
elicos, los niveles de generacin a partir de esta fuente no son comparables con Europa y Amrica
del Norte. En la Figura 2.3, se muestra una comparacin de la potencia instalada de energa elica
durante los ltimos aos en todos los continentes.
Figura 2.3: Potencia instalada de energa elica en todos los continentes [3]
En Amrica latina, Brasil es el pas con mayor nivel de generacin elica con cerca de la mitad de la
potencia instalada [3].
Segn GWEC (Global Wind Ernergy Council) en su reporte anual del ao 2008 [3], se espera que en
los prximos cinco aos Sudamrica aumente su generacin de energa elica a una tasa de 1000
[MW] por ao y ste crecimiento estar dado de la mano de, principalmente, Brasil, Mxico y Chile.
Se espera que para el ao 2013 haya una potencia instalada de unos 5700 [MW] de energa elica. En
la Figura 2.4, se muestra una tabla en la que se observa la distribucin de energa elica generada
por los distintos pases de Amrica Latina.
Figura 2.4: Potencia instalada de energa elica por pases en Amrica latina [3]
13
En Chile, uno de los principales parques elicos es Canela, del cual es dueo el grupo ENDESA. Las
caractersticas de este parque elico se detallan en la Seccin 2.3.
Dado la naturaleza elica del proyecto, su operacin desplaza en el despacho a centrales trmicas, lo
que contribuye a reducir la emisin de gases contaminantes que producen el efecto invernadero.
Adems, este proyecto contribuye a reducir la dependencia energtica de Chile en cuanto a
combustibles fsiles y otros.
La energa generada se conecta al SIC mediante un Tap Off a la lnea de transmisin de Los Vilos
Pan de Azcar, de 2x220 [kV]. Esta lnea est ubicada a 600 [m] del parque.
Segn mediciones de viento tomadas desde 2004 hasta la fecha cada 10 minutos mediante una
estacin meteorolgica instalada en el lugar, se tiene una velocidad promedio del viento de 6,3 [m/s]
a 60 [m] de altura, lo que est dentro de los rangos usuales de viento aceptables para la generacin
elica [7].
En noviembre de 2009 entr en operacin el Parque Elico Canela II, el cual aumenta la generacin
del parque de 18,15 a cerca de 78,15 [MW] mediante la adicin de 46 nuevas turbinas. Se estima que
la generacin de energa media anual aumente de 47.140 a 202.974 [MWh].
Aerogenerador: VESTAS 82
Potencia nominal: 1,65 [MW]
Altura de torre: 79 [m]
Dimetro mximo de rotor: 82 [m]
Velocidad mnima de giro del rotor: 12 [rpm]
Velocidad mxima de giro del rotor: 18 [rpm]
Velocidad promedio de giro del rotor: 15 [rpm]
En la Figura 2.5, se muestra un diagrama de produccin de energa del Parque Elico Canela.
14
Figura 2.5: Diagrama de produccin de energa del Parque Elico Canela [6]
Cuando las turbinas de velocidad fija se encuentran detenidas, esto es, cuando la velocidad del
viento es menor a 3,5 m/s, se les debe llevar a velocidad nominal. Luego, cuando la velocidad del
viento aumenta por sobre los 3,5 m/s y la turbina ha alcanzado su velocidad nominal, se conecta a la
red elctrica y posteriormente es la red la que mantiene la velocidad de la turbina constante.
La Figura 2.6 muestra un esquema en el cual est contenido la informacin acerca de las partes
tpicas de una turbina de velocidad fija [8].
15
Figura 2.6: Esquema de las partes de la turbina Vestas V82, utilizadas en Canela [8]
1. Enfriador
2. Generador
3. Controlador
4. Anemmetro
5. Acoplador
6. Freno mecnico
7. Caja de transmisin
8. Eje principal
9. Reductora de giro
10. Fundacin
11. Rodamiento principal
12. Controlador de Centro de aspas
13. Sistema de ngulo de aspas
14. Aspas
La Figura 2.7 muestra la curva de velocidad de viento versus la potencia generada por una turbina.
Un aspecto importante que es que esta curva es no lineal y que posee una saturacin la velocidades
de viento superiores a los 20 m/s. A pesar que la Figura 2.7 no lo muestra, las turbinas Vestas V82
tienen una velocidad de corte de cerca de los 25 m/s. Por sobre esa velocidad, la turbina interrumpe
su generacin por medidas de seguridad [8].
16
Figura 2.7: Curva de velocidad de viento potencia de turbina Vestas V82 [8]
La potencia elctrica extrable del viento en una turbina est dada por (2.1):
(2.1)
= ( , )
2
En donde es la potencia generada, la densidad del aire, el rea de barrido de las aspas,
( , ) es el coeficiente de potencia y la velocidad del viento.
17
Figura 2.8: Curva velocidad de viento Coeficiente de potencia [8]
La velocidad del viento depende fuertemente del lugar y altura en donde se le est midiendo y de
otras variables meteorolgicas tales como la presin, humedad, temperatura y la densidad del aire. A
su vez, las montaas, edificios y rboles afectan tambin de manera importante el perfil de velocidad
del viento. Otro factor importante es el hemisferio y las coordenadas geogrficas en donde se le est
midiendo.
Para realizar modelos predictivos de la velocidad del viento, se pueden utilizar dos tipos de mtodos
(o una mezcla de ellos), el primer mtodo corresponde a la modelacin fenomenolgica, en la cual se
toman en consideracin todos los factores y leyes fsicas que gobiernan el proceso. El segundo
mtodo corresponde a los modelos empricos, en los cuales tras tomar medidas de distintas variables
fsicas, se ajusta un modelo de caja negra en donde las relaciones entre las variables no
necesariamente cumplen alguna ley de la fsica, sino que simplemente reproducen los datos.
18
Segn Stull [9], para predecir la velocidad del viento en un lugar pequeo tal como un pueblo, se
debe escoger un sistema de coordenadas tal que el eje x apunte hacia el este, el eje y hacia el norte y
el eje z hacia el cielo. Utilizando las leyes de movimiento de Newton:
(2.2)
En donde es la velocidad del viento, la sumatoria de fuerzas que acta sobre una parcela de
aire de masa .
Para resolver la ecuacin de movimiento (en las coordenadas x-y, paralelas a la superficie de la
Tierra), se debe tener en cuenta que existen, principalmente, cuatro fuerzas a considerar: la fuerza
de adveccin (AD), la fuerza de gradiente de presin (PG), la fuerza de Coriolis (CF) y la fuerza de
arrastre turbulento (TD).
(2.3)
( )= exp
La estimacin de estos parmetros se hace, generalmente, mediante MLE (estimacin por mtodo de
mxima verosimilitud, por sus siglas en ingls). Utilizando este mtodo, los valores de k y c pueden
ser estimados mediante las siguientes ecuaciones:
19
(2.4)
(2.5)
La Figura 2.9 muestra cmo vara la distribucin de Weibull, con factor de escala c 1 fijo, al variar
el parmetro k .
Figura 2.9: Variacin de parmetro de forma k con parmetro escala constante en distribucin Weibull [10]
De la Figura 2.9 se comprueba que un mayor valor de k implica una mayor estabilidad de la
velocidad del viento.
La Figura 2.10 muestra cmo vara la forma de la distribucin de Weibull para un factor de forma k
fijo e igual a 3, al variar el parmetro de escala.
20
Figura 2.10: Variacin de parmetro de escala con parmetro forma constante en distribucin Weibull [10]
De la Figura 2.10 se comprueba que un mayor valor de c indica una velocidad media de viento ms
alta.
De manera especfica, los pasos que se siguen en un modelamiento fsico de la velocidad del viento
son los siguientes:
1. La direccin y velocidad del viento calculadas a partir del NWP son llevadas a la altura de
turbina (normalmente, los pronsticos son realizados para 10 metros sobre el nivel del mar);
2. El siguiente paso consiste en un downscaling estadstico, que consiste en un refinamiento de
la informacin entregada por el NWP. Un ejemplo de aplicacin de este paso es cuando el
NWP entrega informacin meteorolgica para distintos puntos alrededor de rea deseada
(no especficamente sobre ella);
3. Luego, se procede a convertir la velocidad y direccin del viento en potencia utilizando la
curva caracterstica de la turbina;
4. Si se desea realizar la prediccin para varios parques, entonces se debe agregar las
predicciones de todos ellos.
Los modelos fsicos tienen un pobre desempeo en plazos muy cortos de prediccin, esto es, desde
segundos hasta aproximadamente 6 horas. Por lo general, son utilizados en combinacin con
modelos estadsticos en predicciones desde las 6 horas hasta 1 semana. Logrando un desempeo
bastante aceptable hasta las 42 horas aproximadamente.
Para lograr un buen modelo fsico, se consideran necesarias tres condiciones bsicas:
Un buen procedimiento que sea capaz de refinar los pronsticos entregados por los NWP;
Buenas mediciones que sirvan de condiciones iniciales para el modelo;
Computadores lo suficientemente potentes para manejar el gran nmero de ecuaciones y
variables involucradas. En modelos avanzados pueden existir ms de 100,000 variables y
8,000,000 de mediciones.
Landberg [12] realiz una modelacin fsica simple para predecir la potencia de un parque. Uno de
los objetivos principales de este estudio es dar una orientacin sobre las simplificaciones que se le
pueden hacer a los modelos meteorolgicos para lograr ecuaciones simples y que logren explicar el
comportamiento del viento. La entrada del modelo es una prediccin del viento geostrfico, tomada
22
de un NWP. Luego se escala a la altura de una turbina para posteriormente proyectarla en la curva de
potencia de una turbina. Resaltan la simpleza de las ecuaciones.
Lo manera ms comn de enfrentar este problema es utilizando mtodo recursivos. De acuerdo con
los mtodos propuestos por Jenkins, en la literatura se han estudiado modelos ARMA (autoregressive
moving average), ARIMA (autoregressive integrated moving average) y modelos con variable
exgena (X), en general mediciones de NWP. Otro mtodo estadstico utilizado el filtro de Kalman, en
donde se toma la velocidad del viento como variable de estado.
Kavasseri y Seetharaman [13] realizaron una prediccin de velocidad del viento mediante el modelo
ARIMA fraccionario, o f-ARIMA. El tiempo de muestreo de 1 hora y un horizonte de prediccin de 24
y 48 horas. El modelo utiliza como entrada la velocidad de viento retardada y no incluye variables
exgenas. El mtodo f-ARIMA es una variante de ARIMA(p, d, q), en la cual el valor d asume valores
continuos entre (-0,5 0,5). La caracterstica de este mtodo es un lento decaimiento en la funcin
de autocorrelacin. El mtodo, en la prediccin a 24 horas logr un error de 47%, mientras que el del
mtodo persistente fue de un 79%.
En [14] se estudia la aplicacin del Filtro de Kalman en la prediccin de la velocidad del viento en un
horizonte de 24-120 horas con datos obtenidos de los NWPs SKIRON y RAMS. Los datos obtenidos
son la prediccin de los NWPs de velocidad del viento y direccin, temperatura del aire y presin a
nivel del mar. Los errores de prediccin estn medidos en la desviacin media absoluta de los datos.
Se define desviacin media absoluta como la promedio del error absoluto. El Filtro de Kalman
presenta una desviacin media absoluta de entre 1,75 y 2 [m/s] en un horizonte de prediccin de 24
a 72 horas respectivamente.
ztopal [15] estudi un mtodo para estimar la velocidad del viento en una regin basado en
mediciones de sta en lugares vecinos y proces esta informacin con el uso de redes neuronales.
Las redes son del tipo MLP (Multi Layer Perceptron) con variables de entrada las mediciones de
velocidad de viento en sitios vecinos y con variable de salida la velocidad del viento en el sitio
estudiado. Se compar la salida del modelo con mediciones reales en el sitio de estudio usando como
ndice de desempeo la correlacin R, con valores entre 0,83 y 0,97 dependiendo de lugar en donde
se realice la estimacin y el mes del ao.
Las redes neuronales son sido el tipo de modelo ms utilizado para la prediccin de viento y/o
potencia los ltimo aos [11]. stas tienen la capacidad de aprender comportamientos no-lineales
complejos tales como los que se dan en la capa lmite de nuestra atmsfera.
Gong Li [16] compar tres distintos modelos basados en redes neuronales para la prediccin de la
velocidad del viento. La diferencia central entre estos modelos es la topologa de las redes
neuronales utilizadas; en el primer caso, se utiliza tangente sigmoidal como funcin de activacin en
la capa oculta y una funcin lineal en la capa de salida. En la segunda red, como funcin de activacin
se usan RBF (Radial Basis Function) y capa de salida funcin lineal. El tercer modelo es una red
ADALINE (Adaptive Linear Element). Las entradas del sistema son retardos de la velocidad del viento
en todos los casos y fueron elegidas a travs de un anlisis de autocorrelacin. Los tres modelos
trabajan con un tiempo de muestreo de 1 hora para predecir la velocidad del viento en un horizonte
24
de una 1 hora. La mtrica del desempeo de las redes es el MSE entre la prediccin y el valor real.
Datos de dos sitios fueron probados, logrando mejores resultados en uno con la que utiliza tangente
sigmoidal en su capa oculta; mientras que en el otro sitio logr un mejor desempeo la red RBF. Una
conclusin de esto es que deben utilizar distintos tipos de redes para una aplicacin real, ya que no
necesariamente que un modelo haya funcionado en un lugar implica necesariamente que sea la
mejor opcin en otro sitio.
Ramrez Rozado [17] compararon dos mtodos de prediccin de la potencia utilizando un modelo
basado en redes neuronales. El tiempo de muestreo es de 0.5 horas y el horizonte de prediccin es
de hasta 72 horas. Ambos modelos tienen como entrada pronsticos de NWP (velocidad y direccin
del viento) y mediciones en lnea de potencia. En el sistema FORECAS se ajust una red neuronal para
emular la curva de potencia de cada turbina presente en el parque en base a pronsticos de NWP,
esta es una de las entradas del sistema que es, a su vez, otra red neuronal. Adems el modelo
general incorpora como entrada un modelo la prediccin de potencia de un modelo AR, que tiene
como entrada la potencia medida en lnea. El sistema SGP est compuesto por un selector de
submodelos, cada uno de ellos est hecho en base a redes neuronales aunque con distintas
configuraciones, redes de Elman, MLP, FFBP (Feed Forward BackPropagation). Cada uno de estos
submodelos est enfocado en un horizonte de tiempo en particular. Ambos modelos se
desempearon de forma similar, con una leve mejora del sistema SGP. Los modelos tuvieron un
error de 14% en una prediccin a 24 horas y cerca de 17% a 48. Esto es cerca de la mitad del error
que se obtuvo mediante la prediccin persistente: 31,2% a 24 horas y 35,5% a 48 horas.
En el estudio realizado por Mabel y Fernndez [18] se analiza el uso de redes neuronales para la
prediccin mensual de un conjunto de parques en India, se utiliza una red neuronal con tres
entradas, la velocidad del viento, la densidad del aire y el nmero de horas de generacin. El
horizonte de prediccin es de un mes y los errores son menores al 4% (utilizando MSE).
25
Tabla 2.1: Resumen con caractersticas de los tipos de modelos
En el caso de Espaa y el resto de los pases europeos que cuentan con energa elica, los software
predicen el nivel de generacin de energa elica para un grupo de parques con ubicacin distribuida.
Se ha demostrado empricamente que se obtienen mejores resultados al hacer la prediccin de
potencia de un grupo de parques (prediccin agregada) que a un parque especfico [19].
Los modelos predictores en lnea aprenden con el tiempo, es decir, mejoran sus predicciones a
medida que van retroalimentando informacin.
26
Figura 2.12: Arquitectura Software ALEASOFT [19]
El software ALEASOFT utiliza datos meteorolgicos y de produccin histrica en una red neuronal
que entrega velocidades de viento que han ocurrido con condiciones meteorolgicas parecidas.
Variaciones de Frecuencia: son causadas por desbalances en la potencia activa entre la demanda y la
generacin. En el caso de una baja en el valor de la frecuencia, se pueden producir altas corrientes de
excitacin en transformadores y mquinas de induccin; variacin del flujo magntico y daar
entrehierros y sobrecalentamientos. Para frecuencias altas, se pueden producir aceleraciones en
mquinas sincrnicas; desaceleraciones en mquinas de induccin; y torsiones electromecnicas.
27
Armnicas: son generadas en por la saturacin del ncleo de hierro en las mquinas sincrnicas y
por los rectificadores e inversores y, dependiendo si son de voltaje o corriente, son capaces de
producir sobretensiones que daan las aislaciones de los equipos en el primer caso y sobrecorrientes
que pueden quemar equipos y hacer operar innecesariamente protecciones. Un generador elico
puede producir armnicas ya que muchas tecnologas de generacin utilizan conversores e
inversores.
Variaciones de Tensin: se produce efecto flicker debido a la gran variabilidad del viento, lo que
implica una gran variabilidad de generacin de potencia activa; otro factor que crea efecto flicker es
la puesta en marcha y desconexin de las turbinas. El efecto flicker puede provocar altas corrientes
de partida en motores.
La Tabla 2.2 muestra un resumen de los efectos que tiene la integracin de la energa elica para
distintas escalas temporales [20].
28
Captulo 3
3.1 Introduccin
Este captulo muestra los pasos fundamentales de la identificacin de sistemas. Adems, se
presentan los modelos que se implementarn en el prximo captulo y se establece la notacin a
utilizar para describir los modelos.
El desarrollo de un modelo tiene diversas aplicaciones entre las que se pueden mencionar el control
de sistemas, deteccin de fallas y la que motiva este trabajo, la prediccin. Un modelo con un buen
desempeo debe lograr, principalmente, dos cosas: capacidad de explicar; y capacidad de predecir.
Segn el grado de conocimiento que se tenga del sistema dinmico que se modela, la modelacin se
divide en dos tipos: modelacin de caja blanca o fenomenolgica, en la cual se tiene conocimiento de
las ecuaciones que rigen el comportamiento del sistema; y modelacin de caja negra o emprica, en
donde no se usa ninguna informacin sobre la fsica del sistema y se dispone de data experimental.
Se agrega adems un tercer tipo de modelo llamado de caja gris, en donde la informacin
fenomenolgica que se tiene del sistema es parcial.
En este captulo se tratar la modelacin de caja negra considerando el siguiente procedimiento [22]:
Es normal comenzar la modelacin de un sistema utilizando modelos lineales y, una vez determinado
que el modelo no es suficiente, se pasa a una modelacin no-lineal, en donde se pueden encontrar
variados mtodos.
Considrese la notacin de las variables entrada y salida y las perturbaciones mostrada en la Figura
3.1.
En esta seccin se describirn las estructuras lineales y no-lineales que se implementarn en este
trabajo. Dentro de los modelos lineales, se vern las estructuras AR, FIR y ARX.
No se implementarn estructuras que incorporan como entrada el error tales como ARMAX y
ARIMAX, ya que el objetivo es utilizar los modelos para una prediccin del tipo sensor virtual, en
donde no se conocen las salidas posteriores del sistema y por lo tanto no se conoce el error del
modelo en el futuro. Dentro de los modelos no lineales, slo se estudiar la red neuronal MLP.
3.2.2.1 Modelo AR
Los modelos de estructura lineal polinomial se pueden representar por:
(3.1)
( ) ( )
( ) ( )= ( )+ ()
( ) ( )
30
En donde los polinomios , , , y contienen el operador de retardo , es la entrada , es
el nmero total de entradas. Se asume que el error ( ) es ruido blanco de media cero y varianza
[23].
Los modelos lineales presentados se han desarrollado considerando slo una entrada, la velocidad
del viento ( ). Con esto, se puede asumir que los polinomios = , = y el nmero de
entradas = 1.
(3.2)
( ) = ( 1)
(3.3)
( ) ( )= ( )
(3.4)
( )= ( 1). . . ( )+ ( )
El modelo AR es el ms simple dentro de las estructuras lineales y en este caso se utilizar como
parte del modelo de referencia de Nielsen [24].
(3.5)
( ) =1
(3.6)
( ) = ( 1) + ( )
31
3.2.2.2 Modelo FIR
El modelo FIR (Finite Impulse Response) considera que la salida del sistema puede ser representada
por una combinacin lineal de la entrada y sus retardos. No toma en consideracin la salida del
sistema retardada.
El modelo FIR considera que el sistema se puede describir, en formato polinomial, por (3.7):
(3.7)
( )= ( ) ( )+ ( )
(3.8)
( )= + +. . . +
(3.9)
( )= ( )+. . . + ( + 1) + ( )
Es conveniente introducir el formato theta de manera de aislar el vector de parmetros que se deben
estimar. El formato theta del modelo es:
(3.10)
= +
(3.11)
=[ ( ) ( + 1)]
(3.12)
32
De forma grfica, el modelo es el mostrado en la Figura 3.2:
(3.13)
(3.14)
(3.15)
33
T
El vector de regresores del sistema es:
(3.16)
(3.17)
Los pasos para determinar un modelo ARX son: primero, la determinacin del nmero de retardos de
la salida, el retardo inicial de la entrada y el nmero de parmetros de la entrada, na , nk y nb ; el
segundo paso es la estimacin de los parmetros.
34
3.2.2.4 Modelo Red Neuronal MLP
Una red neuronal es un procesador masivamente paralelo y distribuido compuesto por unidades
procesadoras elementales (neuronas). sta tiene una tendencia natural a almacenar conocimiento
experimental y a dejarlo disponible para su uso [25].
La red neuronal MLP (Multi Layer Perceptron) es un tipo de modelo no-lineal. Las entrada del modelo
pueden ser variables exgenas o auto regresivas.
Es posible modificar la topologa de la red, esto es, nmero de neuronas y sus interconexiones. La red
neuronal aprende a partir de ejemplos, construyendo un mapa de entrada salida.
En donde:
Seales de entrada
Pesos sinpticos
Sumador o combinador lineal =
Funcin de activacin = ( + ), en donde es una constante (bias)
Una red neuronal se compone de varias neuronas, como muestra la Figura 3.5.
35
Figura 3.5 [26]: Red neuronal MLP de mltiples entradas y una salida
La salida del modelo de red neuronal MLP est descrito por (3.18), en donde el vector de pesos est
representado por , la funcin () es una funcin no-lineal que representa la relacin entrada
salida en su totalidad:
(3.18)
( ) = [ ( ), ] + ( )
(3.19)
36
3.2.3 Criterios de Seleccin de Estructura
La determinacin de la estructura de un modelo consiste en la minimizacin de algn criterio de
comparacin entre el modelo determinado y el sistema real. Se debe hacer con respecto a al vector
de parmetros y a los parmetros que determinan la estructura ( , y ) [27].
Existen varios criterios cuantitativos de comparacin de modelos, entre ellos se pueden mencionar
FPE (Final PredictionError) de Akaike y AIC (Akaikes Information Criterion).
(3.20)
1+
=
1
(3.21)
2
= log( ) +
37
3.2.4 Estimacin de Parmetros
La estimacin de parmetros corresponde a seleccionar el vector de parmetros que optimice
algn funcional en particular. En este trabajo se utilizar el mtodo LSE (Least Square Error) para
calcular parmetros constantes. LSE minimiza la suma de los errores al cuadrado entre la respuesta
real de un sistema y su prediccin ajustando los parmetros del modelo. Este mtodo se utilizar
para los modelos lineales y la red neuronal (se utiliza como funcin objetivo en el mtodo de
Levenberg-Marquardt, ver Anexo C).
(3.22)
( , )= ( ) ( )
(3.23)
1
( )= [ ( , )]
EL vector de parmetros ptimos ser:
(3.24)
( ))
= (
En el Captulo 4 se implementarn los modelos vistos en este captulo y se utilizarn los mtodos
presentados para seleccionar estructura y escoger los parmetros de los modelos.
38
Captulo 4
En el Parque Elico Canela no se cuenta an con un sistema predictor de potencia. En el futuro este
parque deber contar con sistema de este tipo como exigencia de parte del CDEC; organismo
encargado de la coordinacin de la operacin de las instalaciones elctricas de los concesionarios
que operen interconectados entre s; con el objetivo de realizar una planificacin de corto plazo del
sistema elctrico de mayor precisin.
El problema que se plantea en este trabajo es el desarrollo de un predictor de potencia para este
parque en un rango estimado en donde existe una probabilidad pre asignada del valor de la salida del
predictor, en adelante intervalo de confianza, de las predicciones entregadas por el modelo.
Este protocolo define la notacin que se debe utilizar en la presentacin de resultados, los modelos
de referencia con los cuales se deben comparar los resultados, las unidades de medidas de error que
se deben presentar y recomendaciones generales para las empresas e investigadores que desarrollen
modelos de prediccin de potencia.
En los subcaptulos siguientes se detallarn los puntos ms importantes de este protocolo [24] para
utilizarlos en la evaluacin de los modelos que se han desarrollado.
39
4.2.1 Notacin
El protocolo establece la siguiente notacin:
Error de Prediccin:
(4.1)
( + | ) = ( + ) ( + | )
(4.2)
1
( + | )= ( + ) ( + | )
40
El error puede descomponerse entre el error sistemtico (constante) y error aleatorio (media
cero).
(4.3)
= +
(4.4)
1 1
( )= ( + | )
(4.5)
1 1
( )= | ( + | )|
(4.6)
1 ( ( + | ))
( )=
(4.7)
1 ( + | ) ( )
( )=
( + 1)
41
Notar que para el conjunto de test = 0. Esta medida de error se puede utilizar como alternativa al
. En este sentido, se utilizar el .
(4.8)
( ) ( )
, ( )=
( )
(4.9)
( + | )= ( )
Este modelo de referencia presenta muy mal desempeo en las primeras horas de prediccin, pero
tiene mejores resultados que el modelo persistente en el largo plazo.
42
(4.10)
( + | )= ( )
Se han analizado estos modelos de referencia por Nielsen et al. [28] y se ha propuesto unir estos dos
enfoques para crear un mtodo que obtenga mejores resultados que cada uno independientemente.
Esto lleva a un nuevo modelo de referencia (Modelo de referencia de Nielsen) que es el que se
utilizar para comparar los resultados obtenidos en este trabajo.
(4.11)
( + | )= ( ) + (1 ) ( )
Todas las cantidades estadsticas importantes: ( ) y (ver coeficiente de correlacin en Anexo B),
se calculan con el conjunto de entrenamiento y la prediccin se hace en el conjunto de test.
En la Figura 4.1 se muestra una comparacin entre la potencia activa real y la prediccin del modelo
de referencia en un horizonte de 36 pasos.
Figura 4.1: Comparacin de prediccin mediante modelo persistente con potencia real en Canela
43
En la Tabla 4.1 se muestran las principales medidas de error del modelo de referencia de Nielsen.
Entrenamiento (40%): estos datos son utilizados para calcular los parmetros del modelo. No debe
usarse para evaluar el desempeo del modelo ya que el error de entrenamiento baja a medida que
se aumenta la complejidad de ste y pierde capacidad de prediccin en un set de datos distinto.
Validacin (40%): conjunto de datos utilizados para seleccionar la estructura del modelo.
44
Test (20%): este conjunto de datos es utilizado para evaluar el desempeo del modelo propuesto.
Slo debe utilizarse para evaluar y en ningn caso para ajustar parmetros o seleccionar la estructura
de la red.
Los datos de entrada y salida del sistema son series de tiempo, es decir, son variables que son
funcin del tiempo. Se deben separar en partes continuas, tal como se muestra en la Figura 4.3 (para
la velocidad de viento). La presentacin de los datos de potencia es similar.
Estrategia de Muestreo: todos los datos han sido tomados con un paso de muestreo de 1 hora,
tomando el promedio sobre mediciones cada 1 segundo.
Variable de Entrada: La entrada del modelo es la velocidad del viento medida en una estacin de
monitoreo ubicada al interior del parque, a 80 m de altura sobre la superficie, al igual que la altura de
las turbinas.
45
En la Figura 4.4 se muestra el grfico de velocidad de viento medida en la estacin de monitoreo
versus el tiempo, en una ventana de tiempo de dos meses, correspondientes a los meses de
septiembre y octubre del ao 2009.
En la Figura 4.5 se muestra la distribucin estadstica de la velocidad del viento, y una ajuste de
Weibull de los datos (ver Captulo 2.5).
46
Figura 4.5: Ajuste Weibull de distribucin estadstica de la velocidad del viento
En la Tabla 4.2 se muestran las estadsticas principales de la velocidad del viento y los parmetros del
ajuste Weibull.
47
Figura 4.6: Media horaria y desviacin estndar de la velocidad del viento
Variable de Salida: La salida del modelo es la potencia activa medida en la conexin del parque con
la red.
En la Figura 4.7 se muestra el grfico de potencia versus el tiempo, en una ventana de tiempo de dos
meses, correspondientes a los meses de septiembre y octubre del ao 2009. Los conjuntos de test,
validacin y entrenamiento corresponden exactamente a los mismos que se han utilizado para la
velocidad de viento.
Caractersticas de NWP: las predicciones de velocidad del viento son entregadas por la DGAC
(Direccin General de Aeronutica Civil). Los pronsticos son entregados para el punto central de una
48
grilla de 144 Km2. El primer pronstico diario es entregado a las 3:00 horas y actualiza cada 6 horas.
En la Tabla 4.3 se muestran las caractersticas del NWP.
Se har primero una seleccin de estructura para cada modelo, se estimarn los parmetros del
mejor obtenido y sern mostradas las predicciones. Al final se presenta una tabla de errores que
cumple el objetivo de comparar el resultado de los modelos propuestos con el modelo de referencia.
49
Figura 4.8: ndice de Akaike para estructuras de modelo FIR
A partir de la Figura 4.8, se desprende que el modelo 5 es el que presenta un menor ndice de Akaike
y es , por lo tanto, el que se seleccionar.
(4.12)
= 0; = 3; =0
(4.13)
( )= ( )+ ( 1) + ( 2)
Los parmetros del modelo obtenido a travs de mnimos cuadrados se muestra en la Tabla 4.4:
En Figura 4.9, se muestra una comparacin entre la potencia activa real y la prediccin del modelo
FIR. Notar que la prediccin es a infinitos pasos (asumiendo que se conoce ( ) en cada uno de esos
pasos), ya que el modelo FIR no incluye retardos de salida.
50
Figura 4.9: Comparacin de prediccin mediante modelo FIR con potencia real en Canela
En la Tabla 4.5 se muestran las principales medidas de error del modelo FIR.
51
Figura 4.10: Histograma de error de modelo FIR
La Figura 4.9 muestra que el modelo FIR modela mejor en potencias medias que en las potencias
bajas (cercanas a cero). Lo que hace que el comportamiento del modelo sea mejor para potencias
medias, es que en el comportamiento del sistema real se puede asumir que para potencias medias el
comportamiento del sistema es lineal, mientras que las no linealidades se encuentran en las
potencias de viento bajas, en donde hay una saturacin a cero, y en las potencia altas, donde
tambin existe una saturacin.
52
Figura 4.11: ndice de Akaike para estructuras de modelo ARX
Tomando en cuenta la simplicidad del modelo (el nmero de parmetros es creciente segn aumenta
el nmero que identifica al modelo) y la minimizacin del ndice de Akaike se concluye que el mejor
modelo es el nmero 5.
(4.14)
= 1; = 2; =0
(4.15)
( )= ( 1) + ( )+ ( 1)
Los parmetros del modelo obtenido a travs de la minimizacin de mnimos cuadrados se muestra
en la Tabla 4.6:
53
En la Figura 4.12, se muestra una comparacin entre la potencia activa real y la prediccin del
modelo ARX. La prediccin de potencia es realizada cada 36 horas, es decir, una prediccin a 36
pasos (esto cobra importancia slo cuando el modelo incorpora retardos en la salida).
Figura 4.12: Comparacin de prediccin a 36 horas mediante modelo ARX con potencia real en Canela
En la Tabla 4.7 se muestran las principales medidas de error del modelo ARX.
54
Figura 4.13: Histograma de error modelo ARX
El modelo ARX presenta un mejoramiento en todas las medidas de error de inters con respecto al
modelo de referencia y al modelo FIR. Sin embargo, an tiene problemas para predecir las potencias
bajas, lo que se explica, al igual que para el modelo FIR, por la saturacin que existe en ese punto. Las
saturaciones son por esencia no lineales y, obviamente, un modelo lineal no las podr predecir.
La red neuronal utilizada ser del tipo MLP con una sola entrada, la velocidad del viento instantnea.
En 4.16 se muestra la estructura de la red neuronal utilizada.
(4.16)
( ) = ( ( ))
La figura 4.14 muestra el error cuadrtico medio, calculado en el conjunto de test, para los nmero
de neuronas probadas.
55
Figura 4.14: Seleccin de nmero de neuronas de capa oculta
De la figura anterior se desprende que estructura que presenta un error cuadrtico medio menor es
una red neuronal con 5 neuronas en la capa oculta.
En la Figura 4.15, se muestra una comparacin entre la potencia activa real y la prediccin del
modelo MLP. Notar que es una prediccin a infinitos pasos ya que no se incluyen retardos de la
variable de salida.
56
Figura 4.15: Comparacin de prediccin mediante modelo MLP con potencia real en Canela
En la Tabla 4.9 se muestran las principales medidas de error del modelo MLP.
57
El modelo MLP es que muestra mejores resultados, el error medio est centro en slo un 2% del
error y tiene el menor error cuadrtico medio de todos los modelos. La figura 4.51 muestra que el
modelo predice correctamente tanto en periodos de potencia baja como en potencia media y alta.
En cerca del 60% de los instantes el error de la prediccin est en las cercanas de 0 MW, como se
puede observar en la Figura 4.16.
La Tabla 4.10 muestra un resumen de las medidas de error utilizadas. El mejor modelo, la red MLP, se
muestra marcada en color verde.
Los modelos lineales presentan un gran error cuando el factor de carga es bajo y alto y mejoran para
factores de carga medio. La red MLP es capaz de predecir con mayor exactitud que los modelos
lineales para los factores de carga bajos, medios y altos.
La ausencia de retardos en la salida y entrada para la red neuronal MLP hacen que este modelo sea
muy robusto. La justificacin de esta ausencia la valida los resultados obtenidos en la Tesis de G.
Bustos [29], que muestra que el tiempo que demora en responder la potencia frente a un escaln de
velocidad de viento es cercano a los 12 segundos. Dado que el tiempo de muestreo del modelo MLP
es de 1 hora, se puede asumir despreciable la dinmica del sistema pudindose modelar
perfectamente como un sistema esttico.
58
Captulo 5
5.1 Introduccin
En el Captulo 4 se han estudiado una variedad de modelos lineales y el modelo de red neuronal MLP.
Como entrada de los modelos se ha utilizado la velocidad de viento real medida en una estacin de
monitoreo ubicada al interior del parque elico y los resultados, mostrados en el resumen de
resultados de la Tabla 4.10, se han calculado suponiendo que se conoce con exactitud la velocidad de
viento para cualquier horizonte de tiempo. Este supuesto es slo vlido para calibrar el modelo de
entrada salida ya que en la realidad no es posible saber la velocidad del viento con exactitud. Para
utilizar el modelo para prediccin de potencia se utiliza como entrada del modelo la prediccin de
velocidad de viento provista por la DGAC junto a un mtodo novedoso descrito en el Captulo 6.2.
El error de la prediccin es una variable aleatoria que se asume dependiente del valor de la
prediccin y del horizonte de tiempo para el cual se realiza la prediccin. En la mayora de los casos,
este error no se ajusta a alguna distribucin estadstica conocida, por lo que se utilizar un mtodo
emprico basado en kernel para el ajuste.
Las predicciones que realiza el modelo seleccionado en el Captulo 4 (red MLP) no se hacen
directamente de las predicciones que entrega la DGAC, sino que son el producto de simulaciones de
Monte Carlo, en donde la entrada del modelo (la prediccin de la DGAC) es perturbada con
realizaciones del error de prediccin. La prediccin de potencia se calcular como el valor esperado
de la salida de la red producto de las simulaciones.
En los sub captulos siguientes se detallarn el estudio de error, la prediccin con intervalo de
confianza y se har un anlisis de los resultados obtenidos.
Las mediciones de velocidad del viento medidas en la estacin de monitoreo del parque no son
representativas en un ciento por ciento de la velocidad del viento que recibe cada turbina, como
ejemplo de perturbaciones que se presentan en las mediciones de velocidad de viento en cada
59
turbina est el efecto estela que produce una turbina sobre otra ubicada ms atrs y los efectos
producidos por la orografa del terreno. Sin embargo, se asumir que la velocidad del viento medida
en la torre de monitoreo representa al parque en su totalidad. En general, ninguna turbina genera
exactamente la misma potencia que otra en distinta ubicacin espacial al interior del parque, bajo las
mismas condiciones climticas.
El error en las predicciones, comparado con la velocidad real del viento en la estacin de monitoreo,
se muestra en 5.1:
(5.1)
Se asume que el error se distribuye como una variable aleatoria cuyos parmetros dependen del
valor de la prediccin y el horizonte de tiempo para el cual est hecha la prediccin :
(5.2)
~ ( , )
Se han creado rangos tanto para la prediccin de la velocidad del viento como para el horizonte de
prediccin.
(5.3)
[0 1[ ; [1 2[ ; .
(5.4)
[1 6 ] ; = [7 12 ] ;; = [31 36] ;
El estudio del error de prediccin de velocidad de viento de la DGAC tiene por objetivo crear
histogramas en funcin del horizonte y del valor de la prediccin . La seleccin de rangos tiene
como motivacin el obtener una mayor cantidad de datos para cada par ( , ) y as lograr
histogramas ms representativos y de mejor calidad, en especial cuando las predicciones de
velocidad de viento se ubican en los extremos (velocidades muy altas o cercanas a cero) y existe poca
cantidad de datos. A modo de ejemplo, en la Figura 5.1 se muestra el histograma del error para las
predicciones de velocidad de viento que estn entre 1 y 2 m/s en un horizonte de entre 7 y 12 horas.
En el Anexo E es posible ver otros ejemplos de histogramas del error de prediccin.
60
Figura 5.1: Histograma de error de prediccin de velocidad entre 1 y 2 m/s, en horizonte de entre 7 y 12 horas
El error medio de la prediccin mostrada en la Figura 5.1 es de 2,21 m/s. Esto est bastante alejado
del error nulo que tericamente debiese existir en el caso de que las predicciones fuesen similares a
la velocidad real del viento en la estacin de monitoreo.
En la Figura 5.2 se muestra la funcin de distribucin acumulada emprica para el mismo caso de
prediccin de la Figura 5.1:
Figura 5.2: Funcin de distribucin acumulada para prediccin de viento de entre 1 y 2 m/s, en horizonte de entre 7 y 12
horas
61
La Figura 5.2 muestra una curva que no es suave; dicho efecto aumenta cuando las muestras son
pocas o de mala calidad, como por ejemplo outliers. Al mirar la distribucin estadstica del viento en
la Figura 3.2 se observa que las velocidades de viento en los extremos tienen una menor probabilidad
de ocurrencia que las velocidades medias. Por esto es natural que se tengan pocas muestras del error
en los extremos, lo que genera histogramas y funciones de densidad acumulada emprica que no son
suaves o estn degeneradas. Esto sucede porque las muestras han sido tomadas desde un muestreo
discreto y no a partir de la distribucin continua [30]. Para suavizar la funcin de densidad acumulada
se utiliza el mtodo de regularizacin basado en el kernel de Epanechnikov que se estudia en la
Seccin 5.3.1.
Para la regularizacin su utiliza un kernel con funcin de densidad de probabilidad simtrica, tal
que [30]:
(5.5)
0; ( ) = 1; ( ) = 0; ( ) <
(5.6)
1
( )=
donde es el ancho del kernel. Considerando muestras que tienen el mismo peso, El kernel
ptimo es el de Epanechnikov.
(5.7)
+2
(1 ), <1
( )= 2
0,
62
donde es el volumen de un esfera unitaria en . Ms an, si la densidad es gaussiana con
matriz de covarianza unitaria, el ancho ptimo del kernel es [30]:
(5.8)
(5.9)
= 8 ( + 4) 2
63
Figura 5.4: Regularizacin de funcin de distribucin acumulada de Figura 5.1
En la Figura 5.4 se puede observar que la funcin de distribucin acumulada regularizada aproxima
bastante bien a la funcin de distribucin acumulada emprica. Esto asegura que las muestras que se
tomen posteriormente para crear las realizaciones de la prediccin de velocidad del viento se ajusten
a la distribucin estadstica del error de la prediccin real.
En este sub captulo se estudiar en detalle el mtodo utilizado para calcular el intervalo de confianza
de la prediccin de potencia.
64
La primera fase consiste en crear realizaciones de la entrada del modelo. Estas realizaciones se hacen
sumndole a la prediccin de velocidad de viento de la DGAC una realizacin del error. La ecuacin
(5.9) muestra cmo se genera cada realizacin:
(5.10)
( ) = ( )+ ( )
( )~ ( ( ), ( ))
Figura 5.5: Comparacin entre prediccin de velocidad de viento y una realizacin de la prediccin
Cabe notar que el proceso de regularizacin es de vital importancia para la creacin de las distintas
realizaciones. En el caso particular de predicciones de viento muy altas existen pocos datos asociados
que permitan crear histogramas de calidad, as, est el caso en que hay menos de diez muestras para
alguna combinacin de y . A travs de la regularizacin, es posible distribuir uniformemente las
muestras de la distribucin estadstica y re muestrear a un nmero distinto de muestras. De esta
manera, de todas las funciones de probabilidad acumulada del error se pueden extraer el mismo
nmero de muestras.
La segunda fase del mtodo consiste en simular la relacin entrada salida para cada una de las
realizaciones de la entrada. Esto es bsicamente una simulacin de Monte Carlo.
La tercera fase consiste en calcular la prediccin de potencia. Para cada horizonte de prediccin se
podrn formar histogramas en donde su valor esperado ser la prediccin de potencia para ese
instante.
La cuarta fase del mtodo consiste en calcular el intervalo de confianza. Esto se calcula situndose en
el valor esperado del histograma de salida, y calcular menor rango que acumule el 95% (u otro nivel)
de la probabilidad.
66
5.5 Resultados y Validacin de Intervalo de Confianza
En este captulo se mostrarn las fases del clculo del intervalo de confianza y el predictor de
potencia. Con relacin al intervalo de confianza, se darn a conocer los parmetros seleccionados: el
nmero de realizaciones de la entrada; el valor estimado del intervalo de confianza; y el ancho del
kernel utilizado. Para validar el resultado de la prediccin con intervalo de confianza se har una
comparacin con el mtodo simple, que consiste en ingresar como entrada al modelo MLP
directamente las predicciones de velocidad del viento provistas por la DGAC.
Se define el valor estimado del intervalo de confianza como el porcentaje esperado de predicciones
que caen al interior de los lmites inferior y superior del intervalo de confianza.
Los histogramas de error de prediccin se han calculado utilizando las predicciones entregadas por la
DGAC de los meses de diciembre de 2009 y enero de 2010 y las predicciones se han hecho para los
meses de febrero de 2010 hasta el 6 de abril de 2010. Es decir, el conjunto de datos con los cuales se
calcula el histograma es distinto al con el cual se hacen las predicciones.
67
Figura 5.8: Ejemplo de prediccin con mtodo de regularizacin con intervalo de confianza
En la figura 5.9 se muestra un grfico que compara el error medio absoluto para cada horizonte de
prediccin utilizando el mtodo simple y el mtodo de prediccin basado en regularizacin.
Figura 5.9: Comparacin de MAE para mtodo simple y mtodo de prediccin basado en regularizacin
La Tabla 5.2 muestra las principales medidas de error para ambos mtodos.
68
Tabla 5.2: Medidas de Error Mtodos de Prediccin
NBIAS [% de Pinst] NMAE [% de Pinst] NMRSE [% de Pinst]
Mtodo Simple -7,55 14,00 19,52
Mtodo basado en Regularizacin -0,03 11,68 15,43
A modo de comparacin, la Figura 5.10 muestra el NMAE esperado para los modelos propuestos por
las empresas que prestan servicios de prediccin de potencia.
Figura 5.10: NMAE esperado para modelos propuestos por empresas que prestan servicio de prediccin de potencia [33]
Llama la atencin que la prediccin de un paso no es la que obtiene el MAE mnimo, esto se debe
probablemente a que el modelo de prediccin de velocidad de viento de la DGAC no est optimizado
para entregar predicciones a muy corto plazo.
69
La Tabla 5.2 muestra que la prediccin utilizando el mtodo basado en regularizacin mejora todos
los ndices de error, con lo que queda claro que este mtodo tiene mejor desempeo que el mtodo
simple.
La Figura 5.9 muestra, para mtodo de prediccin basado en regularizacin, que hay una
periodicidad en el MAE. El periodo es de seis horas y corresponde a la frecuencia con que la DGAC
entrega sus predicciones. Esto sugiere que si las predicciones fuesen entregadas con mayor
frecuencia, el MAE podra situarse en los mnimos locales, cerca del 11%. Otra conclusin que se
puede extraer de esta figura es que el error de prediccin no tiene un crecimiento sostenido a
medida que crece el horizonte de prediccin sino que mantiene una media relativamente constante.
Al comparar los resultados obtenidos para el NMAE en la Figura 5.9 y el rendimiento de los modelos
de empresas que prestan el servicio de prediccin, se observa que el mtodo presentado en esta
memoria est a la par de los mejores modelos, situando los resultados en la parte baja de la banda
gris. Esto valida que el mtodo utilizado puede ser implementada a lo menos en el Parque Elico
Canela. Se sugiere hacer pruebas con un mayor nmero de datos y tambin utilizar el mtodo en
otro parque elico e incluso en una agregacin de parques.
70
Captulo 6
En el horizonte tiempo estudiado no se detecta que haya un crecimiento sostenido del error de
prediccin, por el contrario, ste se mantiene constante.
De los modelos lineales que se han presentado, el que ha obtenido un mejor desempeo es el del
tipo ARX con 3 parmetros. El error cuadrtico medio de este modelo es de un 12%. Los modelos
lineales en general, presentan problemas cuando la velocidad del viento es baja y alta, mientras que
funcionan mejor cuando las velocidad son medias, en donde es posible aproximar la curva de viento-
potencia por una recta. La mejora de este modelo con respecto al modelo de referencia es de un 25%
para el error cuadrtico medio.
71
El modelo no lineal MLP es que presenta mejores resultados dentro de todos los modelos, su error
cuadrtico medio es de un 7%. Adems, presenta mejores sustanciales en todas las otras medidas de
error. El modelo es capaz de predecir con bastante precisin para velocidades de viento en todos los
rangos. La mejora con respecto al modelo de referencia es de un 62% para el error cuadrtico medio.
Se ha hecho un estudio de error de prediccin entregado por la DGAC. Se han calculado histogramas
del error dependiente de la velocidad de viento predicha y el horizonte de tiempo para el cual se hizo
la prediccin. Utilizando tcnicas estadsticas basadas en kernels, se ha logrado regularizar la funcin
de distribucin acumulada necesaria para incorporar el error a las predicciones de velocidad de
viento. Con esto, se han hecho simulaciones de Monte Carlo en donde la prediccin de la potencia es
el valor esperado de las salidas producto de las simulaciones.
El intervalo de confianza creado en las predicciones ha sido validado con los datos de potencia real
que caen al interior del intervalo. Para un intervalo de confianza terico de un 95%, se logr un
porcentaje de aciertos de ms de un 93%.
Desarrollo de modelo de prediccin que incorpore otras variables de entrada tales como la
densidad del aire, la temperatura, presin, etc.
Estudiar cmo se comporta el modelo cuando hay eventos climticos tales como la lluvia.
Con esto se pueden hacer correcciones al valor esperado de la velocidad del viento.
Adems del parque Canela I, aplicar la metodologa presentada en el parque Canela II y
evaluar el resultado de los parques agregados. Es interesante tambin, agregar los dems
parques en la zona.
Crear realizaciones de la prediccin de velocidad del viento que tengan una distribucin
estadstica similar a la velocidad del viento real. Con esto es posible utilizar modelos ms
complejos que incorporen retardos en las variables de entrada y salida.
Generalizar la metodologa para casos de ms variables, en donde se reciba como entrada
predicciones.
72
Referencias
73
[26] http://es.wikipedia.org/wiki/Red_neuronal_artificial
[27] G. Gonzlez, EM717, Apuntes Identificacin de Sistemas, Dpto. Ing. Elctrica, U. de Chile,
2008.
[28] T.S. Nielsen, A. Joensen, H. Madsen, L. Landberg, and G. Giebel. A new reference model for
wind power forecasting. Wind Energy. 1:29-34, 1998.
[29] G. Bustos, Caracterizacin, Modelacin y Simulacin de un Generador Elico de Velocidad
Fija, Tesis de Magster, Dpto. Ing. Elctrica, U. de Chile, 2009.
[30] M. Orchard, On-line Fault Diagnosis and Failure Prognosis Using Particle Filters. Theoretical
Framework and Case Studies, Publisher: VDM Verlag Dr. Mller Aktiengesellschaft & Co. KG,
Saarbrcken, Germany, April 2009, 108 pages.
[31]C. Musso, N. Oudjane, F. Le Gland, Improving Regularised Particle Filters, in Sequencial
Monte Carlo Methods in Practice, A. Doucet, N. de Freitas, and N. Gordon, Eds. New York:
Springer-Verlag, 2001.
[32] P. Pinson, Estimation of the uncertainty in wind power forecasting, 2006, pp. 73-74.
[33] P. Gardner et al, Wind Energy- The Facts, Technology, Part I.
[34] H. Demuth, M. Beale, M. Hagan, Neural Network Toolbox 6, Users Guide, MathWorks,
Inc., 2009.
74
Anexo A
Este anexo describe las principales fuerzas que modelan el comportamiento atmosfrico global,
siendo por tanto una extensin del Captulo 2.5.1. Adems se muestra el perfil vertical de la
velocidad del viento.
1
=
= (2 sin( ))
75
En donde s=1 para y s=-1 para , 2 = 1,458 10 [s ], y es la latitud.
= 1,83 10
(A.1)
( )
=
( )
76
Anexo B
Este anexo muestra el coeficiente de correlacin entre la potencia y la potencia retardada. Este
coeficiente se muestra en la Figura B.1.
Figura B.1
77
Anexo C
(C.1)
= [ + ]
El parmetro adaptivo en este tipo de entrenamiento es . Cuando este valor es cercano a cero,
entonces el mtodo es bastante rpido cuando se est cerca de un ptimo. Cuando es grande
tiende a parecerse al algoritmo de gradiente descendente con un paso pequeo. El algoritmo se usa
primero utilizando un grande y ste luego se disminuye. Lo anterior para buscar primero dnde
estn los ptimos y luego acercrseles de manera rpida.
78
Anexo D
Este anexo muestra la configuracin y los pesos de la red neuronal MLP desarrollada en el Captulo 5
e implementada en el Captulo 6.
net_b =
architecture:
numInputs: 1
numLayers: 2
biasConnect: [1; 1]
inputConnect: [1; 0]
layerConnect: [0 0; 1 0]
outputConnect: [0 1]
numOutputs: 1 (read-only)
numInputDelays: 0 (read-only)
numLayerDelays: 0 (read-only)
subobject structures:
functions:
adaptFcn: 'trains'
divideFcn: 'dividerand'
gradientFcn: 'calcjx'
initFcn: 'initlay'
performFcn: 'mse'
trainFcn: 'trainlm'
parameters:
adaptParam: .passes
divideParam: .trainRatio, .valRatio, .testRatio
gradientParam: (none)
initParam: (none)
performParam: (none)
79
trainParam: .epochs, .goal, .max_fail, .mem_reduc,
.min_grad, .mu, .mu_dec, .mu_inc,
.mu_max, .show, .time
other:
Tabla D.1
IW
5,11
-4,18
3,19
-3,71
3,69
Tabla D.2
Tabla D.3
b{1,1} -2,54
2,65
80
-0,45
-0,80
4,66
Tabla D.4
b{2,1} 0,82
81
Anexo E
La Figura E.1 muestra el histograma del error para las predicciones de velocidad de viento que estn
entre 10 y 11 m/s en un horizonte de entre 13 y 18 horas.
Figura E.1
La Figura E.2 muestra el histograma del error para las predicciones de velocidad de viento que estn
entre 10 y 11 m/s en un horizonte de entre 31 y 36 horas.
82
Figura E.2
La Figura E.3 muestra el histograma del error para las predicciones de velocidad de viento que estn
entre 8 y 9 m/s en un horizonte de entre 13 y 18 horas.
Figura E.3
La Figura E.3 muestra el histograma del error para las predicciones de velocidad de viento que estn
entre 8 y 9 m/s en un horizonte de entre 31 y 36 horas.
83
Figura E.4
84
Anexo F
La Figura F.1 muestra una comparacin de FDA para una prediccin de velocidad del viento de entre
7 y 8 m/s para un horizonte de prediccin de entre 13 y 18 horas.
Figura F.1
La Figura F.2 muestra una comparacin de FDA para una prediccin de velocidad del viento de entre
14 y 15 m/s para un horizonte de prediccin de entre 13 y 18 horas.
85
Figura F.2
86