Repositorio Institucional de Documentos

! ! ! ! ! ! Trabajo'Fin'de'Máster' ' ' Mejora'de'la'incertidumbre'en'la'evaluación'de' la'producción'de'parques'eólicos' ' Autor/es' ' Carlos'Pueyo'Rufas' ' Director/es' ' Andrés'Llombart'Estopiñán' Julio'J.'Melero'Estela' ' Escuela'de'Ingeniería'y'Arquitectura' Año'2014' ' ! ! ! ! !! ! ! ! Mejora de la incertidumbre en la evaluación de la producción de parques eólicos ! ! ! Resumen Un consumo energético mundial en continuo crecimiento exige un cambio en la política energética. Este cambio debe favorecer la producción energética a través de fuentes de energías renovables, que sean inagotables, respetuosas con el medio ambiente y que al mismo tiempo reduzcan las emisiones. Entre todas las energías renovables, la energía eólica es la que ha experimentado un mayor crecimiento en este siglo, contando además con una previsión de nuevos proyectos de parques eólicos que duplicará la potencia instalada mundial en los próximos 5 años. El elevado coste económico del proyecto de un nuevo parque eólico exige que, de forma previa a la instalación de un nuevo proyecto eólico, sea necesario realizar estudios para analizar y valorar su viabilidad energética, técnica, económica y medioambiental. Los estudios energéticos deben, además de estimar la producción energética y valorar la viabilidad técnica, acotar e identificar los riesgos asociados al proyecto, con el fin de reducir el riesgo financiero del proyecto. El objetivo del presente proyecto es desarrollar nuevas técnicas, metodologías y herramientas que faciliten la elaboración de evaluaciones energéticas y auditorias de funcionamiento de parques eólicos, asegurando la calidad de los resultados y reduciendo la incertidumbre asociada a los mismos. En primer lugar se han analizado nuevas técnicas, metodologías y herramientas para reducir la incertidumbre, así como los tiempos de trabajo en dos de los puntos críticos durante la realización de una evaluación energética de un futuro parque eólico: el tratamiento de los registros de la campaña de medición y la estimación de la velocidad a largo plazo. Para el tratamiento de los registros de la campaña de medición se propone un filtro dinámico, basado en el filtro de Kalman. Se ha validado el filtro propuesto comparando su funcionamiento con el filtro estático utilizado hasta el momento. Los resultados obtenidos durante el desarrollo de la investigación muestran que, mediante la utilización de este nuevo filtro, se permite reducir el tiempo de revisión por parte del técnico, a la vez que se asegura la detección de todas las incidencias registradas durante la campaña de medidas. Para la estimación a largo plazo de la velocidad, así como para la regeneración de registros de velocidad erróneos, se propone un nuevo método de correlación, basado en el Método de los bines. Mediante la aplicación de este método, se obtienen errores en la predicción de la velocidad mucho menores que con el resto de técnicas analizadas. Por otro lado, se consigue mantener la distribución de frecuencias de la velocidad, obteniendo unos parámetros de la distribución de Weibul similares a las series sin originales. Todo ello permite reducir la incertidumbre asociada a las técnicas MCP de aplicación en las evaluaciones energéticas. Se ha aplicado el filtrado robusto para el tratamiento de la curva de potencia de aerogeneradores, consiguiendo resultados muy similares a los obtenidos a partir del filtrado manual por parte de un técnico especializado. Mediante esta técnica de filtrado se reduce el tiempo dedicado al tratamiento de registros de los SCADA de los parques, a la vez que permite asegurar la calidad de los resultados obtenidos. ! ! ! ! ! ! ! Mejora de la incertidumbre en la evaluación de la producción de parques eólicos ! ! ! Agradecimientos ! ! ! Andrés!y!Julio! Josechu!y!Javi! Jorge,!Roberto!y!Enrique!! Coscu,!! Chafan!y!Dani!! ! ! Gracias!por!vuestro!apoyo,!dedicación!y!trabajo! ! ! ! ! ! ! !! Mejora de la incertidumbre en la evaluación de la producción de parques eólicos ! ! ! INDICE! 1!INTRODUCCIÓN! 1! 1.1!OBJETIVO! 4! 1.2!CONTENIDO!DE!LA!MEMORIA! 4! 2!DESARROLLO!DE!FILTROS!DINÁMICOS!PARA!EL!ASEGURAMIENTO!DE!LA! CALIDAD!DE!REGISTROS!PARA!LA!EVALUACIÓN!ENERGÉTICA!DE!PARQUES!EÓLICOS ! 6! 2.1!INTRODUCCIÓN! 6! 2.2!MODELO!DE!EVOLUCIÓN!DE!LA!VELOCIDAD! 7! 2.3!PARAMETRIZACIÓN!DEL!FILTRO!DE!KALMAN.!INCERTIDUMBRE!ASOCIADA!A!LA!MEDIDA!Y!A!LA! EVOLUCIÓN!DEL!ESTADO!11! 2.4!RESULTADOS!DEL!FILTRO!DINÁMICO!15! 3!EVALUACIÓN!DE!LA!AFECCIÓN!DE!LA!APLICACIÓN!DE!DIFERENTES! METODOLOGÍAS!DE!CORRELACIÓN!PREDICCIÓN!EN!LA!EVALUACIÓN!ENERGÉTICA! DE!UN!PARQUE!EÓLICO!17! 3.1!INTRODUCCIÓN!17! 3.2!INFLUENCIA!DE!LA!LONGITUD!DEL!PERIODO!DE!DATOS!DE!MEDIDA!EN!LA!PRECISIÓN!DE!LA! CORRELACIÓN!19! 3.3!REGENERACIÓN!DE!REGISTROS!ERRÓNEOS!DE!VELOCIDAD!20! 3.4!ESTIMACIÓN!DE!LA!VELOCIDAD!A!LARGO!PLAZO!22! 4!APLICACIÓN!DE!FILTRADO!ROBUSTO!EN!EL!TRATAMIENTO!DE!REGISTROS! SCADA!25! 4.1!INTRODUCCIÓN!25! 4.2!FILTRADO!DE!CURVAS!DE!POTENCIA!DE!AEROGENERADORES!25! 5!CONCLUSIONES!28! 5.1!RESULTADOS!28! 5.2!CONTRIBUCIONES!28! 5.3!LÍNEAS!FUTURAS!29! 6!BIBLIOGRAFÍA!30! ANEXO!I.!CARACTERIZACIÓN!DEL!RECURSO!EÓLICO!EN!UN!EMPLAZAMIENTO! 1! ANEXO!II.!DESCRIPCIÓN!DEL!FILTRO!DE!KALMAN! 6! ANEXO!III.!RESULTADOS!MCP!ENTRE!TORRES! 8! ANEXO!IV.!RESULTADOS!OBTENIDOS!10! Mejora de la incertidumbre en la evaluación de la producción de parques eólicos ! ! ! Figuras Figura 1. Evolución potencia instalada mundial. (Fuente:GWEC) ................................................................................. 1 Figura 2. Previsión de potencia eólica a instalar en el mundo (Fuente: GWEC) ........................................................... 1 Figura 3. Evolución potencia instalada por continente. (Fuente: (IEC 61400-12-1 2005)GWEC) ................................. 2 Figura 4. Evolución potencia instalada en España. (Fuente: AEEOLICA) ..................................................................... 2 Figura 5. Coeficiente R2 del modelo AR con órdenes de autoregresión de 1 a 9. ......................................................... 9 Figura 6. ECM para un modelo AR con órdenes de autoregresión de 1 a 9. ................................................................. 9 Figura 7. Coeficiente R2 de distintos modelos ARMA con órdenes de autoregresión de 1 a 6. Torre1. ...................... 10 Figura 8. ECM de distintos modelos ARMA con órdenes de autoregresión de 1 a 6. Torre 1. .................................... 10 Figura 9. Coeficiente R2 de distintos modelos ARMA con órdenes de autoregresión de 1 a 6. Torre2. ...................... 10 Figura 10. ECM de distintos modelos ARMA con órdenes de autoregresión de 1 a 6. Torre 2. .................................. 10 Figura 11. Coeficiente R2 de distintos modelos ARMA con órdenes de autoregresión de 1 a 6. Torre3. .................... 10 Figura 12. ECM de distintos modelos ARMA con órdenes de autoregresión de 1 a 6. Torre 3. .................................. 10 Figura 13. Esquema de funcionamiento del filtro de Kalman ....................................................................................... 12 Figura 14. Distribución de frecuencia de la intensidad de turbulencia. ........................................................................ 14 Figura 15. Evolución del error en la predicción del estado según la intensidad de turbulencia. .................................. 15 Figura 16. Registros marcados como posibles datos erróneos en ambos filtros. ........................................................ 16 Figura 17. Tasa de exceso en ambos filtros. ................................................................................................................ 16 Figura 18. Rectas de correlación. Método1. ................................................................................................................. 18 Figura 19. Rectas de correlación. Método2. ................................................................................................................. 18 Figura 20. Método de los bines. ................................................................................................................................... 18 Figura 21. Coeficiente R2 en función de los meses incluidos en la correlación. Torre1. .............................................. 19 Figura 22. Coeficiente R2 en función de los meses incluidos en la correlación. Torre2 ............................................... 19 Figura 23. Coeficiente R2 en función de los meses incluidos en la correlación Torre3. ............................................... 19 Figura 24. Coeficiente R2 en función de los meses incluidos en la correlación. Torre4. .............................................. 19 Figura 25. Esquema del funcionamiento del método MCP entre dos niveles de una misma estación. ....................... 20 Figura 26. Errores cometidos en la estimación de los diferentes parámetros según el método de correlación. Torre1. ........................................................................................................................................................................... 22 Figura 27. Errores cometidos en la estimación de los diferentes parámetros según el método de correlación. Torre2 ........................................................................................................................................................................... 22 Figura 28. Esquema del funcionamiento del método MCP entre dos estaciones. ....................................................... 23 Mejora de la incertidumbre en la evaluación de la producción de parques eólicos ! ! ! Figura 29. Error en la estimación de la velocidad según el método de correlación en cada año. Torre1. ................... 24 Figura 30. Error en la estimación del parámetro A de Weibull, según el método de correlación en cada año. Torre124 Figura 31. Error en la estimación del parámetro k de Weibull, según el método de correlación en cada año. Torre1. ........................................................................................................................................................................... 24 Figura 32. Error en la estimación de la producción, según el método de correlación en cada año. Torre1. ............... 24 Figura 33. Curva de potencia de aerogenerador. Registros diezminutales. ................................................................ 26 Figura 34. Curva de potencia filtrada por un técnico especializado considerando las alarmas. .................................. 27 Figura 35. Curva de potencia filtrada con el filtro robusto. ........................................................................................... 27 Mejora de la incertidumbre en la evaluación de la producción de parques eólicos ! ! 6! 2 Desarrollo de filtros dinámicos para el aseguramiento de la calidad de registros para la evaluación energética de parques eólicos 2.1 Introducción+ El estudio del potencial de un emplazamiento eólico requiere, al menos, de una torre meteorológica situada en un punto representativo del terreno, con el fin de registrar las características medias del viento en el emplazamiento. Se deben caracterizar: velocidades y direcciones predominantes, la evolución de la velocidad con la altura, turbulencia o la densidad del aire en esa localización. Para asegurar una elevada calidad de los datos recogidos es necesario diseñar una campaña de medición que atienda a una serie de recomendaciones. Desde hace unos años los estándares de calidad internacionales definidos por MEASNET [6] son tomados como referencia de máxima calidad en el sector eólico. En sus manuales, MEASNET recomienda instalar sensores de calidad en una torre meteorológica en unas posiciones específicas según las características del viento del emplazamiento (Anexo I), así como las correspondientes al modelo de aerogenerador a instalar. Esta campaña debe contar con, al menos, un año de registros de tal forma que recoja la variabilidad estacional del recurso eólico, si bien se valora contar con un mayor periodo, de forma que se pueda recoger incluso la variabilidad anual del viento en el emplazamiento. Según los requerimientos internacionales, los registros se deben tomar como el promedio de medidas cada 1 ó 2 segundos en intervalos de diez minutos, por lo que en una campaña de medición se dispone de 52.560 registros diezminutales para cada una de las variables registradas. Esto hace que, para cada proyecto de parque eólico, se cuente con un importante volumen de información, cuyo tratamiento para el aseguramiento de su calidad es muy costoso. Durante la campaña de medición se pueden producir errores en el registro de las variables, debidos al deterioro de los sensores, problemas con la afección de la propia estructura de la torre meteorológica, fallos en la alimentación, condiciones meteorológicas adversas,… Estos registros erróneos deben ser detectados y eliminados en la fase de Tratamiento de los registros de la campaña de medidas, evitando de esta forma realizar una estimación energética del parque eólico a partir de datos erróneos. La revisión de estos registros la realiza un técnico especialista en recurso eólico. Para ello se apoya en herramientas que detectan posibles incidencias en las series registradas, reduciendo el tiempo dedicado a la revisión de las mismas. Hasta ahora, la herramienta empleada para este filtrado previo está basada en un método estadístico. El filtro estático se ajusta a partir de una pequeña base datos (alrededor de un mes) que ha sido previamente filtrada manualmente y a partir de la cual se calculan los valores medios y de desviación estándar de una serie de parámetros para las variables de velocidad y dirección del viento. Estos parámetros son al menos dos; el primero es la diferencia entre la medida de de la variable en un diezminutal y la registrada en el diezminutal anterior. El segundo es la diferencia entre los datos registrados para un mismo instante en los distintos anemómetros y veletas instalados a diferentes alturas de la torre meteorológica. Posteriormente se analiza la serie con el objetivo de identificar los posibles datos erróneos, comprobando que los valores de los parámetros están dentro de rangos lógicos. Además el filtro estático permite, entre otras cosas, la localización de periodos con ausencia de datos, valores constantes de las variables durante un largo periodo de tiempo, así como la Mejora de la incertidumbre en la evaluación de la producción de parques eólicos ! ! 7! localización de tendencias erróneas. Para concluir el proceso se debe realizar el análisis manual pormenorizado de los datos señalados por el filtro estático. El problema que presenta este método, es que el número de datos señalados como posibles errores es muy elevado y por tanto, el tiempo y el esfuerzo invertidos en la revisión manual es considerable. Se propone aplicar un filtro de Kalman [8], basado en una predicción autorregresiva a corto plazo como solución alternativa para la reducción de la excesiva detección de datos buenos como erróneos de los filtros automáticos y, por tanto, conseguir una reducción del tiempo de revisión por parte del técnico. Esta reducción se debe conseguir sin afectar a la identificación de incidencias que puedan afectar a la evaluación del recurso energético que se llevará a cabo con estos registros. Para ajustar al máximo los datos señalados por el filtro a los datos realmente erróneos, el filtro se debe adaptar a cada emplazamiento. El filtro de Kalman es un método de estimación cuyos parámetros se corrigen en cada iteración dependiendo del error en la predicción en la iteración anterior. En el Anexo II se describen en detalle las ecuaciones y el funcionamiento del filtro de Kalman. ! El filtro de Kalman propuesto se utilizará únicamente para el tratamiento de los datos de velocidad registrados en la campaña de medición, ya que el filtrado de los registros de dirección del viento no supone tanto problema. Tal y como se ha indicado anteriormente, es habitual que en una campaña de medidas se recojan medidas de velocidad en al menos dos niveles, de forma que se pueda recoger la variación de la velocidad del viento con la altura. Si bien lo habitual es que se configure la estructura de la torre con tres niveles, con el fin de asegurar la continuidad de la campaña de medida ante una incidencia en un sensor. Por todo ello, el filtro de Kalman propuesto incluye la evolución de la velocidad en tres niveles de medida, consiguiendo dotar al filtro de una mayor robustez, si bien esto provoca que las ecuaciones consten de vectores y matrices de orden tres. 2.2 Modelo+de+evolución+de+la+velocidad+ Para la aplicación del filtro de Kalman es necesario analizar el modelo de evolución de la variable a caracterizar, en este caso la velocidad del viento. Esta se puede predecir con un modelo dinámico que relaciona el estado actual con los estados pasados. En el trabajo de investigación se analizaron diferentes modelos, como son el modelo auto-regresivo (AR) y varios modelos de media móvil autoregresivos (ARMA) de diferente orden. Estos modelos matemáticos basan su predicción en una combinación de observaciones y errores de predicción pasados. Se define como ARMA (p,q) a un modelo con p términos auto-regresivos y q términos de media móvil. Por tanto, un modelo ARMA con q=0 es equivalente a un modelo AR. La ecuación general para el modelo ARMA es: xt= φ i⋅xt−i i=1 p ∑+ θ j⋅ ε t−j j=1 q ∑ Donde el dato temporal xi es estimado a partir de los p registros previos multiplicados por los parámetros del modelo φ i y de los q errores de ruido previos ε j multiplicados por los parámetros del modelo θ j . Mejora de la incertidumbre en la evaluación de la producción de parques eólicos ! ! 8! Para evaluar los diferentes modelos de evolución de la velocidad de viento, se cuenta con tres estaciones meteorológicas con un periodo de medidas de un año cada una de ellas. Tras el tratamiento de las tres estaciones se tiene una disponibilidad superior en los tres casos al 99%. En este punto, y dada la relevancia de contar con una secuencia consecutiva de registros, se ha procedido a regenerar las series de velocidad a partir de series registradas a otra altura en la misma torre de medida, alcanzando en los 3 casos una serie de registros anual completa. Por motivos de confidencialidad no se puede indicar el nombre de las estaciones, si bien se puede indicar que las torres: Torre1 y Torre 2 están ubicadas en la España (territorio peninsular), mientras que la Torre3 está ubicada en Estados Unidos. En primer lugar se analiza un modelo auto-regresivo, sin medias móviles, para analizar la necesidad de estados anteriores a considerar en el modelo de evolución. A continuación se presentan los parámetros del modelo del modelo auto-regresivo AR, del instante actual (1) hasta el orden 9. En este caso el modelo i implica que se ha considerado la regresión considerando los instantes anteriores, desde el orden p=i-1, hasta el orden p=1, descartando los términos cruzados. A continuación se presentan los resultados para las tres torres analizadas, considerando el año completo de medidas en cada una de las torres de medida. p 1 0,996 2 1,055 -0,060 3 1,060 -0,157 0,093 4 1,057 -0,152 0,057 0,034 5 1,056 -0,153 0,060 0,007 0,026 6 1,055 -0,153 0,059 0,011 -0,006 0,031 7 1,055 -0,153 0,058 0,009 -0,001 -0,005 0,034 8 1,053 -0,153 0,058 0,009 -0,004 0,001 -0,013 0,046 9 1,053 -0,153 0,058 0,009 -0,003 0,002 -0,014 0,053 -0,007 Tabla 1. Parámetros del modelo AR!con órdenes de autoregresión de 1 a 9 para la Torre1. p 1 0,982 2 1,048 -0,067 3 1,053 -0,156 0,085 4 1,050 -0,152 0,056 0,028 5 1,050 -0,153 0,059 0,007 0,020 6 1,049 -0,153 0,058 0,010 -0,006 0,025 7 1,049 -0,153 0,057 0,009 -0,002 -0,005 0,028 8 1,048 -0,153 0,057 0,008 -0,004 0,001 -0,013 0,040 9 1,048 -0,153 0,057 0,008 -0,004 0,001 -0,015 0,053 -0,012 Tabla 2. Parámetros del modelo AR!con órdenes de autoregresión de 1 a 9 para la Torre2. φ i φ i−1 φ i−2 φ i−3 φ i−4 φ i−5 φ i−6 φ i−7 φ i−8 φ i−9 φ i−1 φ i−2 φ i−3 φ i−4 φ i−5 φ i−6 φ i−7 φ i−8 φ i−9 Mejora de la incertidumbre en la evaluación de la producción de parques eólicos ! ! 9! p 1 0,978 - - - - - - - 2 1,045 -0,069 - - - - - - 3 1,050 -0,156 0,084 - - - - - 4 1,048 -0,152 0,056 0,026 - - - - 5 1,048 -0,153 0,059 0,007 0,018 - - - 6 1,047 -0,153 0,058 0,010 -0,006 0,023 - - 7 1,047 -0,153 0,057 0,009 -0,002 -0,005 0,027 - 8 1,046 -0,153 0,057 0,008 -0,004 0,001 -0,013 0,039 9 1,045 -0,152 0,057 0,006 -0,001 0,000 -0,013 0,038 0,002 Tabla 3. Parámetros del modelo AR!con órdenes de autoregresión de 1 a 9 para la Torre3. En las tablas anteriores se puede observar como los parámetros correspondientes al estado justamente anterior, , son de un orden de magnitud superiores a los correspondientes al resto de estados. En las tres torres analizadas, el parámetro correspondiente al estado anterior, es próximo a 1, mientras que el correspondiente a dos términos anteriores es entre un 10 % y un 15 % del anterior, reduciéndose a un 5 % el parámetro correspondiente a tres términos anteriores. Los parámetros correspondientes a términos de orden superior a p=4, están por debajo del 5%, implicando una contribución prácticamente nula de estos términos a la regresión. Adicionalmente, para evaluar los diferentes modelos se estimarán el coeficiente de correlación (R2) de la regresión lineal y el error cuadrático medio (ECM), donde se comparará la estimación, xi , con el estado real, xi , para cada uno de los modelos: ECM =1 N xi−xi ( ) 2 i−1 N ∑ . En la figura 5 se representa el coeficiente de correlación para los modelos auto-regresivo AR, del instante actual (1) hasta el orden 9. En la figura 6 se representa el error cuadrático medio para las mismas estimaciones. Figura 5. Coeficiente R2 del modelo AR con órdenes de autoregresión de 1 a 9. Figura 6. ECM para un modelo AR con órdenes de autoregresión de 1 a 9. Tal y como se puede observar en las figuras anteriores, la correlación muestra una gran dependencia del estado actual, xi , con los estados anteriores, xi−p . Conforme se incluye un mayor φ i−1 φ i−2 φ i−3 φ i−4 φ i−5 φ i−6 φ i−7 φ i−8 φ i−9 φ i−1 0,96% 0,9605% 0,961% 0,9615% 0,962% 0,9625% 0,963% 0,9635% 0,964% 1% 2% 3% 4% 5% 6% 7% 8% 9% R2# p# Torre%1% Torre%2% Torre%3% 0,304% 0,305% 0,306% 0,307% 0,308% 0,309% 0,31% 0,311% 0,312% 0,313% 0,314% 1% 2% 3% 4% 5% 6% 7% 8% 9% ECM$(m/s)$ p$ Torre%1% Torre%2% Torre%3% Mejora de la incertidumbre en la evaluación de la producción de parques eólicos ! ! 10! número de estados anteriores en la regresión, p, mejora la bondad de la correlación; disminuyendo el ECM y aumentando el coeficiente de correlación, R2. Se observa como a partir del orden p=3, y hasta el orden p=6, se mantiene un comportamiento estable en los resultados de la regresión. A continuación se analiza un modelo ARMA, donde se incluye en el modelo de evolución la dependencia con una media móvil. Se analizan dos alternativas para la media móvil; en primer lugar una media horaria de los instantes anteriores, y en segundo lugar una media mensual del mes al que corresponde el estado analizado. En vista a los resultados obtenidos en el ensayo del modelo AR, donde a partir del orden p=6, se estabilizaba la evolución de la bondad de la regresión, se realizan autoregresiones de orden p=1 a p=6 para las tres torres de medida durante todo su periodo disponible. Figura 7. Coeficiente R2 de distintos modelos ARMA con órdenes de autoregresión de 1 a 6. Torre1. Figura 8. ECM de distintos modelos ARMA con órdenes de autoregresión de 1 a 6. Torre 1. Figura 9. Coeficiente R2 de distintos modelos ARMA con órdenes de autoregresión de 1 a 6. Torre2. Figura 10. ECM de distintos modelos ARMA con órdenes de autoregresión de 1 a 6. Torre 2. Figura 11. Coeficiente R2 de distintos modelos ARMA con órdenes de autoregresión de 1 a 6. Torre3. Figura 12. ECM de distintos modelos ARMA con órdenes de autoregresión de 1 a 6. Torre 3. 0,9622& 0,9624& 0,9626& 0,9628& 0,963& 0,9632& 0,9634& 0,9636& 1& 2& 3& 4& 5& 6& R2# p# ARMA&(p,q=0)& ARMA(p,1)& horaria& ARMA(p,1)& mensual& 0,306% 0,307% 0,308% 0,309% 0,31% 0,311% 0,312% 0,313% 0,314% 1% 2% 3% 4% 5% 6% ECM$(m/s)$ p$ ARMA%(p,0)% ARMA%(p,1)%horaria% ARMA%(p,1)%mensual% 0,958& 0,959& 0,96& 0,961& 0,962& 0,963& 0,964& 1& 2& 3& 4& 5& 6& R2# p# ARMA&(p,q=0)& ARMA(p,1)& horaria& ARMA(p,1)& mensual& 0,3$ 0,31$ 0,32$ 0,33$ 0,34$ 0,35$ 0,36$ 0,37$ 0,38$ 1$ 2$ 3$ 4$ 5$ 6$ ECM$(m/s)$ p$ ARMA$(p,0)$ ARMA$(p,1)$horaria$ ARMA$(p,1)$mensual$ 0,9618' 0,962' 0,9622' 0,9624' 0,9626' 0,9628' 0,963' 0,9632' 0,9634' 0,9636' 1' 2' 3' 4' 5' 6' R2# p# ARMA'(p,q=0)' ARMA(p,1)' horaria' ARMA(p,1)' mensual' 0,3$ 0,302$ 0,304$ 0,306$ 0,308$ 0,31$ 0,312$ 0,314$ 0,316$ 0,318$ 0,32$ 0,322$ 1$ 2$ 3$ 4$ 5$ 6$ ECM$(m/s)$ p$ ARMA$(p,0)$ ARMA$(p,1)$horaria$ ARMA$(p,1)$mensual$ Mejora de la incertidumbre en la evaluación de la producción de parques eólicos ! ! 11! Tal y como se puede observar en las gráficas anteriores, la inclusión de una media móvil, ya sea horaria o mensual, únicamente reduce el error en la estimación en el caso de la Torre1, mientras que en las torres Torre2 y Torre3 la estimación empeora. Por esta razón, unido al coste operacional de incluir una media móvil en el modelo de evolución de la velocidad, se decide descartar el uso de un modelo ARMA para caracterizar la evolución de la misma. Considerando los resultados mostrados en el presente apartado, el modelo seleccionado para la caracterización de la evolución de la velocidad es un modelo el modelo auto-regresivo (AR). Adicionalmente, y en vista a los resultados obtenidos con los modelo AR, se puede concluir que la caracterización del estado actual se puede realizar únicamente a partir del estado inmediatamente anterior. La inclusión de un orden mayor en el modelo únicamente consigue reducir un 0,4%, en promedio en las tres torres, del ECM obtenido. De esta forma, además, se obtiene un compromiso entre la complejidad del modelo y la precisión del mismo. En el filtro de Kalman se implementa un modelo AR de primer orden como modelo de evolución de la velocidad del viento. Este modelo establece que la velocidad del viento en un momento dado se puede predecir con el valor de velocidad del instante anterior. Este modelo, conocido como modelo de persistencia, uno de los más utilizados en la marco de predicción del recurso eólico [9] puede escribirse como: xi=F⋅xi−1+ei−1 (2.2) Donde xi es la velocidad de viento estimada en el momento i ei−1 es el ruido de estado F es la matriz de transición de estado 2.3 Parametrización+ del+ filtro+ de+ Kalman.+ Incertidumbre+asociada+ a+ la+ medida+y+a+la+evolución+del+estado+ En el presente apartado se van a analizar las condiciones que caracterizan el comportamiento del viento en el emplazamiento y su afección en el funcionamiento del filtro de Kalman. A través del filtro de Kalman se dispone de un sistema recursivo computacional eficiente para estimar el estado de un proceso dinámico, en este caso la velocidad del viento, minimizando el error en la estimación y reduciendo por lo tanto el marcado de datos como erróneos en las medidas de torre, para reducir la revisión visual posterior. A continuación se muestra un esquema básico de su funcionamiento [8] y [10], donde se puede ver el proceso dinámico del filtro: Mejora de la incertidumbre en la evaluación de la producción de parques eólicos ! ! 12! ! Figura 13. Esquema de funcionamiento del filtro de Kalman Las ecuaciones del filtro de Kalman se dividen en dos grupos: las ecuaciones de predicción y las ecuaciones de actualización de estado. Las primeras predicen el estado y la covarianza del error de estado en un momento dado a partir de los valores previos. Las ecuaciones de actualización obtienen una mejora en la estimación de estado realizando una corrección a partir de la estimación previa y la variable medida, permitiendo al filtro adaptarse a la evolución de la velocidad del viento. Tal y como se puede ver en la figura anterior, mediante el filtro se dispone de dos valores de velocidad del viento en el instante (k): • La suministrada a través de la ecuación de estado, que indica cómo se genera el valor del estado para el instante inmediatamente siguiente, x(k+1) en función de la información actual disponible, x(k). • La obtenida a través de la ecuación de medida, z(k). Esta observación se introduce en la innovación, r(k+1), actualizando el filtro al comparar el estado medido respecto del vector estimado. Tanto la ecuación de estado, como la de medida, tienen una incertidumbre asociada, recogidas respectivamente en las matrices de covarianza del error de predicción del estado, Q, y la matriz de covarianza de la medida, R. En el presente apartado se analizan las fuentes de incertidumbre asociadas a cada una de las matrices. R es la matriz de covarianza del error de medida y representa la incertidumbre asociada al sensor de medida. En esta matriz se recogerán los siguientes errores: • 0 ε σ : error relacionado con la desviación en la medida del propio anemómetro y el que provoca su instalación en la estructura de la torre de medición. Como cualquier equipo de medida, el anemómetro comete un error en la medida de la velocidad del viento. El error asociado a esa medida se puede conocer a partir de la calibración realizada en un túnel de viento acreditado para tal fin. Adicionalmente se debe incluir en este error, el correspondiente a la afección de la estructura de la torre de medición a los registros, tal y como se define en la norma UNE-EN 61400-12-1:2006. Mejora de la incertidumbre en la evaluación de la producción de parques eólicos ! ! 13! Durante la realización de una evaluación energética es posible que no se disponga de los certificados de calibración de los anemómetro, ni de la configuración de los anemómetros en la torre de medida. Por la experiencia acumulada en la realización de numerosas evaluaciones energéticas donde se disponía de esta información se ha cuantificado este error en 0,2 m/s. No obstante se recomienda que este error pueda ajustarse según la información existente. • hHid a σ : error relacionado con la transferencia de la medida entre las diferentes alturas en la torre de medición. La variación de la velocidad de viento con la altura sigue la siguiente relación [10]: vH=vh⋅H h " # $% & ' ahH Donde: vh es la velocidad del viento a la altura h, mientras que vH corresponde a la velocidad a la altura H. Y el factor ahH es el coeficiente del perfil vertical en el sector de dirección d, La evolución de la velocidad con la altura depende en gran manera de la dirección de la velocidad del viento, por lo que para el filtro se hace necesario recoger esta influencia calculando para cada sector de dirección: ahH =1 n ln vHi vhi ! " #$ % & ln Hi hi ! " #$ % & I=1 n ∑ Donde ahH es el coeficiente del perfil de viento medio entre la altura h y H y n es el número de datos en todo el periodo Así, el modelo que permite estimar el dato temporal a la altura H, )(kxH , a partir del dato registrado a la altura h, )(kxh , puede escribirse como xH(k)=ahH ⋅xh(k) Esta relación entre velocidades registradas a diferentes alturas lleva asociada una incertidumbre que se puede estimar con la desviación estándar del coeficiente de perfil de viento, σ ahHi , que se calcula a partir de datos históricos del emplazamiento como: σ ahH 2=1 n ahHi −ahH ( ) 2 i=1 n ∑ Por lo tanto la matriz R, para el filtro aplicado con tres niveles de medida queda de la siguiente forma: Mejora de la incertidumbre en la evaluación de la producción de parques eólicos ! ! 14! R= σε 0 20 0 0 σε 0 2+ σ a12 20 0 0 σε 0 2+ σ a13 2 ! " # # # # $ % & & & & Q es la matriz de covarianza del error de predicción del estado y representa la incertidumbre asociada a la evolución del estado. Las variables o parámetros que ayudan a caracterizar la evolución del estado, son la intensidad de turbulencia y la dirección del viento. En la presente memoria se recogen los resultados obtenidos incluyendo en el filtro la influencia de la intensidad de turbulencia, mientras que en un trabajo posterior [11] se analizará la influencia de la dirección del viento en la parametrización y funcionamiento del filtro. La intensidad de turbulencia (IT) se define como el cociente entre la desviación típica y la velocidad media de cada diezminutal recogidas por la torre. ITi= σ i vi Es un parámetro que marca la variabilidad del viento, una mayor intensidad de turbulencia indica una mayor fluctuación en el comportamiento del viento. En estudios previos [12], se observó una tendencia que indicaba que los errores mayores aparecen para intensidades de turbulencia altas, luego era de gran interés introducirla en el filtro de Kalman, de forma que se pudiera dar un mayor margen al filtro para valores altos de IT. En la siguiente figura se muestra la función de distribución de la intensidad de turbulencia para las tres torres seleccionadas durante todo su periodo de medidas, únicamente para velocidades por encima de 3 m/s, ya que por debajo de esta velocidad existe una gran aleatoriedad en cuanto al comportamiento del viento. ! Figura 14. Distribución de frecuencia de la intensidad de turbulencia. En la figura anterior se puede ver como la mayoría (superior al 98% en las tres estaciones de medida) de los valores de intensidad de turbulencia son menores del 30%. Por lo tanto en el filtro de Kalman se procederá a modelar la relación entre el error de la predicción del estado y la intensidad de turbulencia para rangos de intensidad de turbulencia entre 0 y 30%. A continuación se analiza el error en 0,0%$ 2,0%$ 4,0%$ 6,0%$ 8,0%$ 10,0%$ 12,0%$ 1$ 3$ 5$ 7$ 9$ 11$13$15$17$19$21$23$25$27$29$31$33$35$37$39$41$43$45$ %"datos" IT"(%)" Torre1$ Torre2$ Torre3$ Mejora de la incertidumbre en la evaluación de la producción de parques eólicos ! ! 15! la predicción del estado σε =ABS x(k)−z(k) ( ) frente a la intensidad de turbulencia para cada una de las tres torres ! Figura 15. Evolución del error en la predicción del estado según la intensidad de turbulencia. En la gráfica anterior se puede ver cómo conforme aumenta la turbulencia, mayor es el error en la predicción del estado. En las tres estaciones analizadas se observa un comportamiento similar, llegando a estabilizarse en torno a 0,7 m/s, Torre1 y Torre 2, y 0,8 m/s, en la Torre3. Esta diferencia puede estar justificada por la diferencia en las velocidades medias de las tres estaciones en el periodo analizado; siendo en la Torre1 y el la Torre2 de 6,61 m/s y 7,48 m/s respectivamente, mientras que en la Torre3 la velocidad promedio es 9,02 m/s. Dado que el mayor número de parques eólicos se encuentran en emplazamientos con velocidades medias comprendidas entre 6,5 m/s y 8 m/s, se van a tomar como representativos los resultados obtenidos con las torres Torre1 y Torre2. Por lo tanto se propone modelar la incertidumbre en función de la IT como se indica a continuación Si IT < 12% σε IT =5⋅I +0.15 m/s Si IT > 12% m/s 7.0= IT ε σ Así, cuando se tenga una IT baja habrá que dar un menor margen al filtro debido a que la probabilidad de que exista un error será mayor y cuando la IT sea alta deberá abrirse. Por lo tanto la matriz Q queda de la siguiente forma: Q= σε IT 2.4 Resultados+del+filtro+dinámico+ En el presente apartado se comparan los resultados obtenidos con el filtro dinámico desarrollado en el presente proyecto, con los obtenidos con el filtro estático utilizado hasta el momento para el marcado previo de registros. Ambos filtros se van a comparar con la revisión por parte de un técnico especialista en la revisión de campañas de medidas para la elaboración de evaluaciones energéticas de parques eólicos, siendo ésta la referencia del correcto filtrado de los registros. Los ensayos se realizan en tres nuevas estaciones de medida, diferentes a las anteriores sobre las que se ha validado el modelo de evolución de la velocidad, ya que para este ensayo se requiere la existencia de datos erróneos, mientras que en las pruebas anteriores se requerían series de datos con una continuidad completa y sin errores de registro. A continuación se muestran los parámetros que se utilizan para el análisis de los resultados: 0" 0,1" 0,2" 0,3" 0,4" 0,5" 0,6" 0,7" 0,8" 0,9" 1" 1" 3" 5" 7" 9" 11" 13" 15" 17" 19" 21" 23" 25" 27" 29" σε (m/s)# Intensidad)de)Turbulencia)(%)) Torre1" Torre2" Torre3" Ajuste" Mejora de la incertidumbre en la evaluación de la producción de parques eólicos ! ! 22! Figura 26. Errores cometidos en la estimación de los diferentes parámetros según el método de correlación. Torre1. Figura 27. Errores cometidos en la estimación de los diferentes parámetros según el método de correlación. Torre2 Tal y como se puede observar en los resultados obtenidos en la Torre1, es a partir del método de los bines cuando se obtiene un menor error en la estimación de los diferentes parámetros estimados. El error cometido con los diferentes métodos de correlación en la velocidad, oscila entre el 1,3% del Método1, al 0,3% del Método de los bines. Se observa un comportamiento similar en la Torre4, donde con el Método de los bines se alcanza un error de un 0,5%. Además de conseguir errores mucho menores en la estimación de la velocidad, con el método de los bines se consigue mantener la distribución de frecuencias de la velocidad, tal y como se puede ver en el bajo error cometido en la estimación de los parámetros de la distribución de Weibul. Este último punto tiene una gran importancia, ya que tal y como se ha comentado con anterioridad, es a partir de estos parámetros con los que se caracteriza la totalidad de la serie de medidas para la realización de la evaluación energética. Por último, se puede ver como la producción estimada a partir de la serie de registros regenerada se acerca a la obtenida con la serie de datos original sin regenerar, variando entre el 1% a partir del método de los bines, y el 2,7% con el Método1 en la Torre1. Mientras que en la Torre4 el error cometido con el Método de los bines no supera el 1%. Con la inclusión en la técnica MCP del método de correlación basado en el método de los bines, se consigue reducir la incertidumbre de la evaluación energética asociada a la regeneración de registros de velocidad, frente al uso de otras técnicas de correlación. 3.4 Estimación+de+la+velocidad+a+largo+plazo+ Otra de las fuentes importantes de incertidumbre en la evaluación del potencial eólico de un emplazamiento es la estimación de la velocidad promedio durante los siguientes 10 ó 20 años (velocidad a largo plazo), sobre los cuales se va a realizar la estimación energética del proyecto. Como se ha indicado anteriormente, el recurso eólico de un emplazamiento oscila en gran medida debido a la alta variabilidad anual, estacional y diaria del viento, por lo que la condición óptima para determinar la velocidad a largo plazo, sería disponer de una serie de medidas de 10 ó 20 años en el emplazamiento, de forma que quedasen caracterizados los efectos de la variabilidad del recurso eólico. Esta condición difícilmente se cumple, dado el elevado coste que supone el mantenimiento de una torre meteorológica durante este tiempo, o bien porque el promotor desea agilizar la instalación y operación del proyecto del parque eólico. !1,0%& !0,5%& 0,0%& 0,5%& 1,0%& 1,5%& 2,0%& 2,5%& 3,0%& V&(m/s)& A&(m/s)& k& Prod&(MWh)& Error$(%)$ Método1& Método2& Método&bines& 0,0%$ 0,5%$ 1,0%$ 1,5%$ 2,0%$ 2,5%$ 3,0%$ V$(m/s)$ A$(m/s)$ k$ Prod$(MWh)$ Error$(%)$ Método1$ Método2$ Método$bines$ Mejora de la incertidumbre en la evaluación de la producción de parques eólicos ! ! 23! Para paliar dicha carencia de datos se correlaciona la serie de datos disponibles con los de una estación meteorológica que pueda considerarse representativa del comportamiento de viento en el emplazamiento estudiado, y que además se disponga de una larga serie de años de medida. A continuación se muestra un esquema de la metodología utilizada en la estimación de la velocidad de largo plazo. ! Figura 28. Esquema del funcionamiento del método MCP entre dos estaciones. Tal y como se muestra en la figura anterior, el funcionamiento es similar al descrito en el apartado anterior. La principal diferencia es que la correlación diezminutal en este caso se realiza entre dos torres cercanas, y no sobre la misma estación. En este caso la influencia del método de correlación es mucho más importante, ya que en un mismo instante las estaciones no están midiendo el mismo régimen de viento, al encontrarse alejadas la una de la otra. En el presente proyecto se analiza la influencia de los diferentes métodos de correlación expuestos anteriormente en la estimación de la velocidad a largo plazo. Para ello se va a analizar la velocidad estimada en la Torre1 y la Torre2, a partir de una estación de referencia para cada una de ellas. En el caso de la Torre1, su torre de referencia se ubica a 8 km, mientras que para la Torre2 se encuentra a 10km El periodo de registros disponible en cada emplazamiento se ha dividido en dos intervalos de datos. El primer intervalo, que corresponde a un año completo, se utiliza para estimar las correlaciones que definen los algoritmos de regeneración. Estos algoritmos de regeneración se aplican posteriormente al segundo intervalo de datos del emplazamiento en los que están incluidos los tres años de registros restantes. Al no disponer de un mayor periodo de medidas para la validación, sobre estos tres año se validará la afección de la metodología de correlación a la estimación de la velocidad entre dos estaciones cercanas. Para valorar la afección de los métodos de correlación, se estiman, al igual que en el apartado anterior, la velocidad promedio, los parámetros de la distribución de Weibull y por último, la producción energética (a partir de una curva de potencia de un aerogenerador genérico) con la serie regenerada a partir de las rectas obtenidas con cada uno de los métodos. Estos resultados se comparan con los Mejora de la incertidumbre en la evaluación de la producción de parques eólicos ! ! 24! obtenidos a partir de la serie de registros original. A continuación se muestran los resultados obtenidos para la Torre1: Figura 29. Error en la estimación de la velocidad según el método de correlación en cada año. Torre1. Figura 30. Error en la estimación del parámetro A de Weibull, según el método de correlación en cada año. Torre1 Figura 31. Error en la estimación del parámetro k de Weibull, según el método de correlación en cada año. Torre1. Figura 32. Error en la estimación de la producción, según el método de correlación en cada año. Torre1. Los resultados obtenidos indican que el Método de los bines es más adecuado para su aplicación en la regeneración de una serie de velocidad a partir de una estación de referencia. Tal y como se puede observar en las gráficas anteriores, únicamente en el año 1 del parámetro k de la distribución de Weibul, el error cometido con este método es superior al resto. En todos los casos la estimación de la producción energética, resultado más relevante en una evaluación energética de un parque eólico, el Método de los bines presenta un error inferior al 75% que con el resto de metodologías, alcanzando como máximo un 1,4% en el año 3. Con la inclusión en la técnica MCP del método de correlación basado en el método de los bines, se consigue reducir la incertidumbre de la evaluación energética asociada a la estimación de la velocidad de largo plazo, frente al uso de otras técnicas de correlación. Estos resultados refuerzan los obtenidos en el apartado anterior, donde el método de los bines se presenta como la mejor solución para la regeneración de registros entre dos niveles de una misma estación de medida. Tal y como se ha podido comprobar, este método sería igualmente válido para la regeneración de series de velocidad a partir de una estación cercana.! 0,0%$ 0,5%$ 1,0%$ 1,5%$ 2,0%$ 2,5%$ Año1$ Año2$ Año3$ error$velocidad$(%)$ Método1$ Método2$ Método$bines$ 0,0%$ 0,5%$ 1,0%$ 1,5%$ 2,0%$ 2,5%$ Año1$ Año2$ Año3$ error$$A$(%)$ Método1$ Método2$ Método$bines$ 0,0%$ 0,5%$ 1,0%$ 1,5%$ 2,0%$ 2,5%$ 3,0%$ Año1$ Año2$ Año3$ error$k(%)$ Método1$ Método2$ Método$bines$ 0,0%$ 0,5%$ 1,0%$ 1,5%$ 2,0%$ 2,5%$ 3,0%$ 3,5%$ 4,0%$ 4,5%$ 5,0%$ Año1$ Año2$ Año3$ error$producción(%)$ Método1$ Método2$ Método$bines$ Mejora de la incertidumbre en la evaluación de la producción de parques eólicos ! ! 25! 4 Aplicación de filtrado robusto en el tratamiento de registros SCADA 4.1 Introducción+ Adicionalmente a las líneas de investigación enfocadas a la reducción de incertidumbre en las evaluaciones energéticas de nuevos proyectos eólicos, en el presente apartado se incluyen los resultados obtenidos en otras líneas de investigación relacionadas con el análisis del rendimiento de aerogeneradores en funcionamiento, en las que se han aplicado las experiencias y conocimientos adquiridos en las líneas de investigación desarrolladas en el presente proyecto. Fundamentalmente, las orientadas a la reducción de tiempos en el tratamiento de registros, asegurando a su vez la calidad del proceso. Dado el gran potencial de energía eólica instalado en el año 2012, más de 282 GW, así como la previsión de instalación de nuevos proyectos eólicos, se hace necesario desarrollar técnicas y herramientas para mejorar la operación y mantenimiento de estas instalaciones, con el fin de aumentar su rendimiento. En el Área AIRE se analiza el rendimiento energético de numerosos parques eólicos (en el año 2012 se analizaban más de 150 proyectos repartidos en todo el mundo), por lo que es necesario realizar el tratamiento de un gran volumen de registros en tiempos muy cortos, asegurando la calidad de los resultados. Ante esta problemática se analizan diferentes filtros automáticos y herramientas que faciliten el tratamiento e interpretación de los registros de los SCADA instalados en los parques eólicos. 4.2 Filtrado+de+curvas+de+potencia+de+aerogeneradores Para realizar el control del rendimiento de los aerogeneradores se utiliza principalmente su curva de potencia, que es la relación entre la potencia total a la salida del generador en función de la velocidad incidente del viento, ya sea en la góndola o en la torre meteorológica instalada en el parque eólico, y los diferentes estados del aerogenerador. Estos registros se almacenan en los sistemas de adquisición de datos SCADA (Supervisory Control And Data Acquisition). Para realizar el tratamiento de los registros SCADA se suelen utilizar diferentes técnicas automáticas [17], pero aún así es necesario realizar una monitorización de los datos con su correspondiente revisión manual para conocer los diferentes motivos que causan las anomalías [18]. En la siguiente figura se muestra el aspecto de la curva de potencia, y de los registros diezminutales erróneos, así como sus posibles causas. Mejora de la incertidumbre en la evaluación de la producción de parques eólicos ! ! 26! !! Figura 33. Curva de potencia de aerogenerador. Registros diezminutales. En primer lugar se deben revisar y analizar las curvas de potencia de los aerogeneradores para conocer el funcionamiento de los mismos. Este análisis se hace a la vez que el estudio de las alarmas registradas en el aerogenerador, de forma que se pueda identificar si una posible desviación del comportamiento estándar (curva de potencia) está justificada por alguna labor de mantenimiento u operación del parque eólico. Estos resultados se requieren en tiempos muy cortos, ya que cualquier desviación respecto del comportamiento esperado del aerogenerador puede implicar pérdidas energéticas muy importantes, reduciendo el rendimiento económico del proyecto. La revisión manual de los datos SCADA era el principal inconveniente de estas técnicas de control del funcionamiento del parque eólico, ya que implicaba la asignación de grandes recursos de personal y altos tiempos de dedicación para el análisis de los registros. Para dar solución a este problema se propone un filtro basado en técnicas de filtrado robusto para reducir el tiempo de filtrado de las curvas de potencia de los aerogeneradores. En las bases de datos de los parques eólicos se dispone de una gran información, en la mayoría de los casos con registros redundantes junto con datos erróneos ubicados fuera de los rangos de funcionamiento estándar del aerogenerador. Esta situación es similar a la que se presenta en aplicaciones de sistemas de tratamiento de imágenes, en los que, técnicas basadas en estadística robusta, tienen una gran aplicación, obteniendo muy buenos resultados [19]. Mediante la aplicación de estadística robusta se consigue la caracterización de modelos de forma que no se alteren por la presencia de valores atípicos alejados del comportamiento esperado. En primer lugar para la aplicación del filtrado robusto en el tratamiento de los registros del SCADA del aerogenerador se hace necesario caracterizar el comportamiento de la función que refleja el modelo sobre el que se va a realizar el filtrado. En este caso se caracteriza la curva de potencia mediante el método de los bines, desarrollado en el Apartado 3, con un ancho de 0,5m/s. Cada uno de los bines se caracteriza con la mediana de los datos incluidos en dicho bin, en lugar de hacerlo con la media de los mismos. La mediana es una medida robusta de tendencia central, a diferencia del promedio. Utilizando la mediana se consigue que los datos alejados del comportamiento estándar del aerogenerador tengan una menor influencia en la caracterización del bin, debido al gran número de registros disponibles en la base de datos analizada. Mejora de la incertidumbre en la evaluación de la producción de parques eólicos ! ! 27! Para el filtrado de los datos anómalos se supone que la distribución de registros dentro de cada bin se asemeja a una distribución Gaussiana. De esta forma el error se puede estimar [20]: σ =1, 48· 1+5 (n−4) " # $% & 'MS donde, n es el número de registros, y MS es la mínima mediana de los valores anómalos. Esto permite definir un umbral para seleccionar los valores límite para considerar un registro cómo válido. Considerando como ejemplo el 99% de probabilidad de aceptar una medida como buena, el umbral se fijará en 2,57·𝜎 . A continuación se muestra el funcionamiento del filtrado robusto en el tratamiento de un aerogenerador durante un mes de registros (considerando un umbral de 2,57·𝜎). En la figura 34 se muestra, en azul, el resultado del filtrado manual considerando las alarmas del parque eólico, tomado como referencia de caracterización de curva, frente a los registros del mes sin tratar, en gris. Por otro lado, en la figura 35, se muestra el resultado obtenido con el filtrado robusto, igualmente comparado con los registros del mismo mes sin filtrar. Figura 34. Curva de potencia filtrada por un técnico especializado considerando las alarmas. Figura 35. Curva de potencia filtrada con el filtro robusto. Tal y como se puede ver en las figuras anteriores, la curva de potencia obtenida a partir del filtrado robusto es muy similar a la obtenida a partir del filtrado por un técnico especializado. Mediante esta técnica de filtrado se reduce el tiempo dedicado al tratamiento de registros de los SCADA de los parques, permitiendo realizar las auditorias energéticas en tiempos más ajustados, de forma que se puedan reducir posibles pérdidas energéticas, y por tanto aumentando el rendimiento económico del proyecto. Posteriormente este filtrado se ha implementado en una herramienta de desarrollo propio, “Aplicación informática para el seguimiento de la producción de parques eólicos”, para la realización del análisis del funcionamiento de un parque eólico de forma periódica (usualmente de forma mensual), con el fin de detectar la antes posible una desviación en el rendimiento del mismo, identificando su causa, facilitando las tareas de mantenimiento. Esta herramienta informática permite, además de realizar el tratamiento de los registros del SCADA, analizar las alarmas registradas, estimar el rendimiento de cada aerogenerador, caracterizar la curva de potencia, estimar las pérdidas energéticas, entre otras utilidades. ! 0" 500" 1000" 1500" 2000" 0" 5" 10" 15" 20" 25" 30" Pot$(kW)$ velocidad$(m/s)$ 0" 500" 1000" 1500" 2000" 0" 5" 10" 15" 20" 25" 30" Pot$(kW)$ velocidad$(m/s)$ Mejora de la incertidumbre en la evaluación de la producción de parques eólicos ! ! 28! 5 Conclusiones 5.1 Resultados++ En el presente proyecto se han realizado diferentes investigaciones con el objetivo de desarrollar nuevas técnicas, metodologías y herramientas para facilitar, principalmente, el tratamiento y filtrado de los registros necesarios para la elaboración de evaluaciones energéticas y auditorias de funcionamiento de parques eólicos, asegurando la calidad de los resultados y reduciendo la incertidumbre asociada a los mismos. Se propone un filtro dinámico, basado en el filtro de Kalman, para realizar el tratamiento de los registros de la campaña de medida. Se ha validado el filtro comparando su funcionamiento con el filtro estático utilizado hasta el momento, obteniendo resultados totalmente satisfactorios. Además de obtener una importante reducción en la identificación de registros válidos como anómalos, lo que disminuye el tiempo de revisión por el técnico, se asegura la detección de todas las incidencias registradas en la campaña de medidas. Se propone un nuevo método de correlación, método de los bines, para la realización de las correlaciones que se utilizan en las técnicas MCP de las evaluaciones energéticas de parques eólicos. . Se comparan los resultados obtenidos con la metodología propuesta con otras dos técnicas de uso extendido en la industria eólica. En todos los casos a partir del Método de los bines se consiguen errores en la predicción de la velocidad mucho menores que con el resto de técnicas. Además se consigue mantener la distribución de frecuencias de la velocidad, obteniendo unos parámetros de la distribución de Weibul similares a las series sin regenerar. Se aplica el filtrado robusto para el tratamiento de la curva de potencia de aerogeneradores. Se obtienen resultados similares a los obtenidos a partir del filtrado manual por parte de un técnico especializado. Mediante esta técnica de filtrado se reduce el tiempo dedicado al tratamiento de registros de los SCADA de los parques, permitiendo realizar las auditorias energéticas en tiempos más ajustados. Se desarrolla una herramienta que ayuda en el análisis del funcionamiento de parques eólicos, desde el tratamiento de los registros del SCADA, análisis de las alarmas, estimaciones de rendimiento de cada aerogenerador, caracterización de la curva de potencia, estimación de pérdidas energéticas, entre otros. Como resultado se registra este desarrollo en el registro de propiedad intelectual. 5.2 Contribuciones+ A continuación se muestran las publicaciones donde se plasman los resultados obtenidos en el presente proyecto. • Artículo en revista: 1.- Efficient Data Filtering for Wind Energy Assessment Autores: Melero Estela, Julio Javier; Guerrero Campo, José Jesús; Beltrán Martínez, Francisco Javier; Pueyo Rufas, Carlos. Publicado: IET Renewable Power Generation, 6, 6, pp:446-454, Nov 2012, ISSN: 1752-1416 Mejora de la incertidumbre en la evaluación de la producción de parques eólicos ! ! 29! • Contribución a congreso: 2.- Dynamic data filtering for wind power systems: Stochastic framework based on Kalman Filter Autores: Llombart Estopiñán, Andrés; Pueyo Rufas, Carlos; Lázaro Gastón, Roberto; Guerrero Campo, José Jesús. Publicado: European Wind Energy Conference EWEC, Milán, Abril 2007, 3.- Comparison of measure-correlate-predict methods in wind resource assessments Autores: Beltrán Martínez, Francisco Javier; Cosculluela Soteras, Luis; Pueyo Rufas, Carlos; Melero Estela, Julio Javier. Publicado: European Wind Energy Conference EWEC, Varsovia, Abril 2010 4.- Robust data filtering in wind power systems Autores: Llombart Estopiñán, Andrés; Pueyo Rufas, Carlos; Fandos Martín, José Manuel; Guerrero Campo, José Jesús Publicado: European Wind Energy Conference EWEC, Athens, Febrero 2006 • Registro propiedad intelectual: 5.- Aplicación informática para el seguimiento de la producción de parques eólicos Autores (p. o. de firma): Roberto Lázaro, Daniel Llombart, Ana Patricia Talayero, Carlos Pueyo, Enrique Telmo, Juan José Pérez N. de asiento registral: 10/2010/123 N. de solicitud: Z-23-10 Fecha de solicitud: 18/01/2010 Titular cesionario: Fundación CIRCE 5.3 Líneas+futuras+ Una de las primeras líneas futuras de investigación que sería recomendable desarrollar para la mejora del filtro de Kalman es el análisis de los métodos de evolución de la velocidad, valorando el cambio del modelo de persistencia, por un modelo más complejo que pueda aportar una mayor robustez al filtro. Además, se recomienda analizar la posibilidad de parametrizar el filtro de forma que recoja la evolución de registros de velocidad según la orientación según la que están instalados los sensores respectivos en la torre de medición. Dentro de la aplicación de la metodología MCP para la regeneración de registros, las posibles líneas futuras de investigación que se recomiendan desarrollar son: la realización de un análisis de la influencia de la intensidad de turbulencia en la correlación, así como la búsqueda de una metodología que recoja el diferente comportamiento de la dirección del viento en la ubicación de la torre de estudio y la torre de referencia. Por último, se recomienda desarrollar un método que tenga en cuenta la distancia entre la estación de referencia y la de estudio a la hora de realizar la correlación, ya que el viento que incide en una de las torres tarda en llegar a la otra estación un tiempo, que depende de la propia velocidad del viento, que puede hacer perder sincronización en las series. Por último, dentro de la línea de filtrado de curvas de potencia de aerogeneradores se recomienda analizar la posibilidad de aplicar un filtrado robusto considerando sectores de dirección, con el fin de aislar sectores de dirección donde los aerogeneradores puedan estar afectados por aerogeneradores vecinos. ! Mejora de la incertidumbre en la evaluación de la producción de parques eólicos ! ! 30! 6 Bibliografía ! [1] International Energy Agency. World Energy Outlook 2012. 2012. [2] Global Wind Energy Council. Global Wind Report - Annual Market Update. 2012. [3] Red Eléctrica de España. Sistema Eléctrico Español. 2012. [4] Agencia Empresarial Eólica, Informe Macroeconómico del sector eólico en España, 2012 [5] E. Lantz, M. Hand, and R. Wiser (May 13–17, 2012) "The Past and Future Cost of Wind Energy," National Renewable Energy Laboratory conference paper no. 6A20-54526. [6] MEASNET, “Evaluation of Site Specific Wind Condition”, MeasNet, November 2009 [7] LLOMBART, A. PUEYO, C. LÁZARO, R. GUERRERO, J.J. “Dynamic data filtering for wind power systems: Stochastic framework based on Kalman Filter”. Año 2007 [8] BOSSANYI, EA. “Short-term wind prediction using Kalman filters” Wind Eng 1985;9:1–8. [9] G. GIEBEL, G. KARINIOTAKIS, AND R. BROWNSWORD. “The state of the art in short-term prediction of wind power”. Technical report, http://anemos.cma.fr, 2003. Deliverable report of the EU project ANEMOS [10] WELCH, G. AND BISHOP, G. “An introduction to the Kalman filter” In ACM SIGGRAPH Intl. Conf. on Computer Graphics and Interactive Techniques, Los Angeles, CA, USA, August 2001 [11] RODRIGUEZ AMENEDO, J.L. BURGOS DÍAZ, J.C. ARNALTE GÓMEZ, S. “Sistemas Eólicos de producción de energía eléctrica. Editorial Rueda, S.L. [12] MELERO, J.J. GUERRERO, JJ. BELTRAN, FJ. PUEYO, Carlos. “Efficient Data Filtering for Wind Energy Assessment”. IET Renewable Power Generation, 6, 6, pp:446-454, Nov 2012, ISSN: 1752-1416 [13] DERRICK, A, “Development of the measure–correlate–predict strategy for site assessment”, Proceedings of the EWEC, 1993. [14] LANDBERG, L and MORTENSON. N.G. “A comparison of physical and statistical methods for estimating the wind resource at a site”, Proc. BWEA, 1993 [15] IEC 61400-12-1. “Power Performance Measurements of Electricity Producing Wind Turbines” 2005. [16] LLOMBART, A. WATSON, S. J. LLOMBART, D and FANDOS, J.M. “Power Curve Characterization I: improving the bin method” ICREPQ, 2005. [17] SAINZ, E. LLOMBART, A. GUERRERO, JJ. “Robust Filtering for the Characterization of Wind Turbines: Improving its Operation and Maintenance” in Energy Conversion and Management (2009), 50:2136-2147 [18] KUSIAK, H.. ZHENG, and SONG, Z, “On-line Monitoring of Power Curves”, Renewable Energy (2009), Vol. 34, No. 6 [19] SCHALL, O. BELYAVEV, A. SEIDEL, H.P, “Robust Filtering of Noisy Scattered Point Data”. 2005 [20] P. ROUSSEEUW, P. and LEROY, A., “Robust Regression and Outlier Detection” (John Wiley, New York, 1987). Mejora de la incertidumbre en la evaluación de la producción de parques eólicos ! ! 31! ANEXOS Mejora de la incertidumbre en la evaluación de la producción de parques eólicos ! ! 6! Anexo II. Descripción del Filtro de Kalman La serie temporal que caracteriza el viento se pone en forma de un vector de estados en tiempo discreto, donde la variable de estado en un momento k se denomina )(kx que, en el marco de este trabajo, corresponde a la velocidad del viento diezminutal a una altura de referencia. Las ecuaciones del filtro de Kalman se dividen en dos grupos: las ecuaciones de predicción y las ecuaciones de actualización de estado. Las primeras predicen el estado y la covarianza del error de estado en un momento dado a partir de los valores previos y se escriben como )|()|1( kkxFkkx ⋅=+ (1) )()|()|1( kQFkkPFkkP T+⋅⋅=+ (2) Donde )|1( kkx + es la predicción de estado en el instante 1+k a partir del estado en instantes anteriores k )|1( kkP + es la covarianza de la predicción estado )(kQ es la covarianza del error de estado Las ecuaciones de actualización obtienen una mejora en la estimación de estado realizando una corrección a partir de la estimación previa. Estas ecuaciones se pueden dividir en distintas fases. En la primera se compara la medida con su predicción esto es, la velocidad registrada en cada anemómetro de la torre con la predicción realizada mediante la fórmula )|1()1()1( kkxHkzkr +⋅−+=+ (3) donde )1( +kr es la innovación )(kz es la variable medida H es la matriz de medida Esta innovación tienen asociada un covarianza que viene determinada por )1()|1()1( ++⋅+⋅=+ kRHkkPHkS T (4) donde )1( +kS es la covarianza de la innovación )1( +kR es la covarianza del error de medida Para minimizar el error de estimación se calcula un factor de ganancia K como )1()|1()1( 1+⋅⋅+=+ −kSHkkPkK T (5) de manera que se actualizan las estimaciones de estado y su covarianza asociada con Mejora de la incertidumbre en la evaluación de la producción de parques eólicos ! ! 7! )1()1()|1()1|1( +⋅+++=++ krkKkkxkkx (6) )1()1()1()|1()1|1( +⋅+⋅+−+=++ kKkSkKkkPkkP T (7) Este proceso se lleva a cabo cada instante de tiempo (diezminutal de la velocidad de viento registrado), de manera que el filtro de Kalman se podría esquematizar con la Figura 1. Figura 1. Esquema representativo del filtro de Kalman. La condición que se define para marcar un dato diezminutal de velocidad como erróneo es 21 )1()1()1( umbralkrkSkrT>+⋅+⋅+− (8) Esta ecuación está asociada al error entre la medida y la predicción de la medida, ponderada adecuadamente con su incertidumbre. Así, si el dato diezminutal cumple esta condición, la diferencia entre el dato medido y la estimación, r , es mayor que el error admisible asociado a dicha estimación, S , y esta medida se descarta porque se considera errónea. Si la velocidad es descartada no puede usarse para actualizar el estado del filtro y, por tanto, las ecuaciones de actualización (6) y (7) se sustituyen por )|1()1|1( kkxkkx +=++ (9) )|1()1|1( kkPkkP +=++ (10) Lo que permite volver a realizar la predicción siguiente pero con una mayor incertidumbre. Mejora de la incertidumbre en la evaluación de la producción de parques eólicos ! ! 8! Anexo III. Resultados MCP entre torres Torre1 A continuación se muestran los resultados obtenidos en la regeneración en la torre Torre1 a partir de una torre de referencia. Original Método1 Método2 Método bines Valores regenerados Error (%) Valores regenerados Error (%) Valores regenerados Error (%) V (m/s) 6,03 6,07 0,7% 6,11 1,3% 6,07 0,7% A (m/s) 6,8 6,85 0,7% 6,89 1,3% 6,85 0,7% k 1,94 1,95 0,5% 1,94 0,0% 1,97 1,5% Prod (MWh) 3996 4064 1,7% 4174 4,5% 4050 1,4% Tabla 7. Resultados obtenidos y errores cometidos, en comparación con la serie original sin regenerar. Torre1. Año1. Original Método1 Método2 Método bines Valores regenerados Error (%) Valores regenerados Error (%) Valores regenerados Error (%) V (m/s) 6,17 6,22 0,8% 6,25 1,3% 6,2 0,5% A (m/s) 6,96 7,01 0,7% 7,05 1,3% 6,99 0,4% k 1,91 1,96 2,6% 1,95 2,1% 1,92 0,5% Prod (MWh) 4187 4270 2,0% 4316 3,1% 4218 0,7% Tabla 8. Resultados obtenidos y errores cometidos, en comparación con la serie original sin regenerar. Torre1. Año2. Original Método1 Método2 Método bines Valores regenerados Error (%) Valores regenerados Error (%) Valores regenerados Error (%) V (m/s) 6,05 6,17 2,0% 6,12 1,2% 6,12 1,2% A (m/s) 6,82 6,96 2,1% 6,9 1,2% 6,85 0,4% k 1,9 1,94 2,1% 1,95 2,6% 1,91 0,5% Prod (MWh) 4013 4165 3,8% 4119 2,6% 4044 0,8% Tabla 9. Resultados obtenidos y errores cometidos, en comparación con la serie original sin regenerar. Torre1. Año3. Torre2 A continuación se muestran los resultados obtenidos en la regeneración en la torre Torre1 a partir de una torre de referencia. Original Método1 Método2 Método bines Valores regenerados Error (%) Valores regenerados Error (%) Valores regenerados Error (%) V (m/s) 7,34 7,43 1,2% 7,4 0,8% 7,38 0,5% A (m/s) 8,25 8,35 1,2% 8,33 1,0% 8,3 0,6% k 1,77 1,8 1,7% 1,82 2,8% 1,79 1,1% Prod (MWh) 5866 6079 3,6% 5999 2,3% 5949 1,4% Tabla 10. Resultados obtenidos y errores cometidos, en comparación con la serie original sin regenerar. Torre2. Año1. Mejora de la incertidumbre en la evaluación de la producción de parques eólicos ! ! 9! Original Método1 Método2 Método bines Valores regenerados Error (%) Valores regenerados Error (%) Valores regenerados Error (%) V (m/s) 7,65 7,56 -1,2% 7,6 -0,7% 7,61 -0,5% A (m/s) 8,6 8,5 -1,2% 8,55 -0,6% 8,57 -0,3% k 1,79 1,82 1,7% 1,82 1,7% 1,79 0,0% Prod (MWh) 6233 6019 -3,4% 6105 -2,1% 6305 1,2% Tabla 11. Resultados obtenidos y errores cometidos, en comparación con la serie original sin regenerar. Torre2. Año2. Original Método1 Método2 Método bines Valores regenerados Error (%) Valores regenerados Error (%) Valores regenerados Error (%) V (m/s) 7,40 7,53 1,8% 7,58 2,4% 7,45 0,7% A (m/s) 8,32 8,48 1,9% 8,53 2,5% 8,34 0,2% k 1,8 1,84 2,2% 1,82 1,1% 1,82 1,1% Prod (MWh) 5944 6129 3,1% 6189 4,1% 6001 1,0% Tabla 12. Resultados obtenidos y errores cometidos, en comparación con la serie original sin regenerar. Torre2. Año3. Figura 36. Error en la estimación de la velocidad según el método de correlación en cada año. Torre1. Figura 37. Error en la estimación del parámetro A de Weibull, según el método de correlación en cada año. Torre1 Figura 38. Error en la estimación del parámetro k de Weibull, según el método de correlación en cada año. Torre1. Figura 39. Error en la estimación de la producción, según el método de correlación en cada año. Torre1. ! !1,5%& !1,0%& !0,5%& 0,0%& 0,5%& 1,0%& 1,5%& 2,0%& 2,5%& 3,0%& Año1& Año2& Año3& error$velocidad$(%)$ Método1& Método2& Método&bines& !1,5%& !1,0%& !0,5%& 0,0%& 0,5%& 1,0%& 1,5%& 2,0%& 2,5%& 3,0%& Año1& Año2& Año3& error$$A$(%)$ Método1& Método2& Método&bines& 0,0%$ 0,5%$ 1,0%$ 1,5%$ 2,0%$ 2,5%$ 3,0%$ Año1$ Año2$ Año3$ error$k(%)$ Método1$ Método2$ Método$bines$ !4,0%& !3,0%& !2,0%& !1,0%& 0,0%& 1,0%& 2,0%& 3,0%& 4,0%& 5,0%& Año1& Año2& Año3& error$producción(%)$ Método1& Método2& Método&bines& Mejora de la incertidumbre en la evaluación de la producción de parques eólicos ! ! 10! Anexo IV. Resultados obtenidos En!el!siguiente!Anexo!se!detallan!los!resultados!obtenidos!en!forma!de!artículo,! patente,! contribución! a! congreso! o! desarrollos! registrados! en! el! registro! de! la! propiedad!intelectual.!! 1. Dynamic data filtering for wind power systems: Stochastic framework based on Kalman Filter Autores: Llombart Estopiñán, Andrés; Pueyo Rufas, Carlos; Lázaro Gastón, Roberto; Guerrero Campo, José Jesús. Publicado: European Wind Energy Conference EWEC, Milán, Apr 2007, Resumen: El presente artículo analiza la aplicación de un filtro dinámico automático, filtro de Kalman, para el tratamiento de los registros de la campaña de medición, previa a la estimación energética del parque eólico. Se evalúan las principales diferencias entre el filtro dinámico y los filtrados estáticos. Se estudia el modelo de evolución de la velocidad, así como condiciones de continuidad entre diferentes variables para dotar de mayor consistencia a la predicción del filtro dinámico. 2. Efficient Data Filtering for Wind Energy Assessment Autores: Melero Estela, Julio Javier; Guerrero Campo, José Jesús; Beltrán Martínez, Francisco Javier; Pueyo Rufas, Carlos. Publicado: IET Renewable Power Generation, 6, 6, pp:446-454, Nov 2012, ISSN: 1752-1416 Resumen: En el presente artículo se incluyen los resultados obtenidos al incluir en el filtro dinámico la influencia de la dirección y la intensidad de turbulencia del viento, así como otras condiciones adicionales basadas en el conocimiento de los técnicos dedicados al desarrollo de evaluaciones energéticas de parques eólicos. Se evalúan estas mejoras a partir de curvas ROC, obteniendo resultados muy importantes en la reducción de tiempos en la revisión de los registros, así como en el aseguramiento de la detección de incidencias. 3. Comparison of measure-correlate-predict methods in wind resource assessments Autores: Beltrán Martínez, Francisco Javier; Cosculluela Soteras, Luis; Pueyo Rufas, Carlos; Melero Estela, Julio Javier. Publicado: European Wind Energy Conference EWEC, Varsovia, Apr 2010 Resumen: El método MCP (Método-Correlación-Predicción) se utiliza en dos etapas dentro la evaluación energética de un parque eólico; en la regeneración de datos de velocidad erróneos y en la estimación de la velocidad promedio a 10 ó 20 años en el emplazamiento. En el presente artículo se analiza la sensibilidad en ambos casos del método de correlación utilizado. Se presentan resultados de un método lineal, frente al método de los bines, desarrollado y utilizado en aplicaciones de filtrado y caracterización de curva de potencia. Mejora de la incertidumbre en la evaluación de la producción de parques eólicos ! ! 11! 4. Robust data filtering in wind power systems Autores: Llombart Estopiñán, Andrés; Pueyo Rufas, Carlos; Fandos Martín, José Manuel; Guerrero Campo, José Jesús Publicado: European Wind Energy Conference EWEC, Athens, Feb 2006 Resumen: En el artículo se recoge el desarrollo de un filtro automático para el tratamiento de registros SCADA de parques eólico, de forma que se facilite la caracterización de la curva de potencia de cada uno de los aerogeneradores del parque eólico. Parar ello se va aplicar un nuevo método, filtrado robusto, basado en la estimación de mínima mediana de cuadrados. Este método se compara con las diferentes metodologías para el tratamiento de registros SCADA, y que son de aplicación en el sector. 5. Un sistema de evaluación y control del rendimiento de un aerogenerador Inventores (p.o. de firma): Llombart Estopiñán, Andrés; Gutierrez Ardanaz, Roberto; Guerrero Campo, José Jesús; Beltrán Martínez, Francisco Javier; Sallán Arasanz, Jesús; Pueyo Rufas, Carlos; Talayero Navales, Ana Patricia; Melero Estela, Julio Javier; García Gracia, Miguel. N. solicitud: P200801073 País de prioridad: ESPAÑA Fecha de solicitud: 15-04-2008 N. publicación Int: WO 2009/127764 A1 Fecha de publicación internacional: 22-10-2009 Entidad titular: Gamesa Innovation & Technology, S.L. Países a los que se ha extendido: España – USA – China Empresa/s que la están explotando: Gamesa Innovation & Technology, S.L. Resumen: En la presente patente se desarrolla un sistema automatizado para la evaluación y control de la producción de los aerogeneradores de un parque eólico, que permita detectar cualquier desviación anómala de la potencia producida por el aerogenerador. Se caracteriza la relación entre la potencia de cada aerogenerador frente a diferentes parámetros, como son la dirección y velocidad del viento, temperatura, presión y humedad relativa, con el fin de definir unos umbrales de funcionamiento, de forma que se consiga detectar posibles errores en su funcionamiento. 6. Aplicación informática para el seguimiento de la producción de parques eólicos Autores (p. o. de firma): Roberto Lázaro, Daniel Llombart, Ana Patricia Talayero, Carlos Pueyo, Enrique Telmo, Juan José Pérez N. de asiento registral: 10/2010/123 N. de solicitud: Z-23-10 Fecha de solicitud: 18/01/2010 Titular cesionario: Fundación CIRCE 7. WINDAST, Wind Assessment Tool Autores (p. o. de firma): Roberto Lázaro, Carlos Pueyo, Enrique Telmo, Fernando García, José Manuel Rapún e Iván Lalaguna. N. de asiento registral: 10/2011/134 N. de solicitud: Z-82-11 Fecha de solicitud: 17/02/2011 Titular cesionario: Fundación CIRCE e Instrumentación y Componentes S.A