Repositorio Institucional de Documentos

Ingeniería Técnica Industrial especialidad mecánica Proyecto Fin de Carrera Estimación del recurso eólico en Asia Central basado en métodos de mesoescala Por Marcos Salinas Fraile Dirigido por: D. Carlos Montañés Bernal Área de Mecánica de Fluidos Departamento de Ciencia y Tecnología de Materiales y Fluidos Centro Politécnico Superior Universidad de Zaragoza Convocatoria: Septiembre 2011 hola En primer lugar quisiera dar las gracias a mi director de proyecto Carlos Montañés, por la oportunidad que me brindó de colaborar en un trabajo con el que he disfrutado mucho, por todo lo que me ha enseñado y sus consejos, y por su paciencia ante los momentos difíciles que se me han ido presentando a lo largo de este proyecto. También quisiera hacer una mención especial a Ramón Chordá porque con su experiencia, me ha aportado el aprendizaje de programas y conocimientos de lenguajes de programación, que me han permitido un ahorro de tiempo considerable. Dar las gracias también a Marcos Rodrigues por la ayuda a la hora de crear los mapas y algunos datos topográficos. Y a Antonio Gómez, compañero de despacho de Carlos Montañés por compartir su espacio de trabajo durante nuestras reuniones y su colaboración para que este proyecto se hiciera realidad. También me gustaría hacer una mención especial a mi familia, que ha estado a mi lado en lo bueno y en lo malo en todos los momentos de mi vida. Por último, a Ana, mi prometida, por su apoyo incondicional, sin ella este proyecto nunca se habría llevado a cabo. Gracias a todos, porque cada uno con su pequeña o gran aportación me han ayudado a concluir este proyecto de fin de carrera. Resumen La situación energética actual viene marcada por la gran explotación de los combustibles fósiles durante el siglo pasado. Sin embargo, este modelo de aprovechamiento energético resulta insostenible a largo plazo por su carácter no renovable. Esto, unido a la creciente conciencia social que se ha ido despertando en la ciudadanía a nivel mundial en torno al cuidado del planeta, y el miedo que se ha instaurado sobre la energía nuclear, hacen que hoy en día se esté apostando fuertemente por un tipo de fuentes de energía renovables. Entre ellas se encuentra la que es el eje principal de este proyecto, la energía eólica. Debido a que la implantación de parques eólicos se está desarrollando por todo el mundo, se trabaja para la mejora directa o indirecta de la metodología del aprovechamiento de la energía eólica. Una de estas mejoras es la posibilidad de realizar estudios meteorológicos de cualquier zona del mundo a través de programas informáticos que calculan mediante fundamentos físicos y meteorológicos las diferentes variables atmosféricas. Esto permite un ahorro de tiempo y dinero a la hora de realizar un estudio eólico in-situ con estaciones de medición en los lugares que se suponen con un valor de velocidad de viento apto para el emplazamiento de un parque eólico. En la realización del estudio de este Proyecto Fin de Carrera se utiliza uno de estos programas, el cual calcula la velocidad del viento a una altura de 80 metros, altura típica a la que se encuentra el buje de un aerogenerador. La finalidad de este Proyecto Fin de Carrera es el desarrollo de una metodología para el estudio de la energía eólica, la estimación del recurso y sus costes de forma georreferenciada, su variabilidad temporal, y su aplicación a la región de Asia Central, de forma que contribuya a la generación de una planificación energética de la zona. Índice general 1. Introducción 9 2. Metodología 11 2.1. Reanálisis meteorológico ............................. 11 2.2. Tratamiento de la información .......................... 13 2.2.1. Validación ................................. 13 2.2.2. Distribución de velocidad de viento y funciones de densidad de probabilidad ................................. 14 2.2.3. Estudio de potencial y coste ....................... 14 2.2.4. Estudio de dependencia temporal de la potencia generada . . . . . . 16 2.2.5. Detalles computacionales ........................ 16 3. Resultados 19 3.1. Variables meteorológicas ............................. 19 3.2. Validación ..................................... 22 3.3. Curvas coste-potencial .............................. 30 3.4. Curvas potencia-tiempo ............................. 32 4. Conclusiones y trabajo futuro 37 Bibliografía 39 A. Modelo computacional 41 A.1. Fundamentos teóricos .............................. 41 A.2. Funcionamiento de WRF ............................. 43 A.2.1. WRF Preprocessing System (WPS) ................... 43 A.2.2. WRF-NMM model ............................ 47 A.2.3. WRF Postprocessor (WPP) ....................... 48 B. Distribución de Weibull 51 C. Gráficas de validación 67 7 ÍNDICE GENERAL 8 Capítulo 1 Introducción Nos encontramos en un momento de la historia en el cual los entramados gubernamentales y empresariales de los países son conscientes de que tras el boom del siglo pasado con los combustibles fósiles, estos recursos no van a poder ser explotados eternamente debido a que la naturaleza tarda más tiempo en generarlos de lo que el ser humano los está extrayendo. Este hecho unido a la creciente conciencia social que se ha ido despertando en la ciudadanía a nivel mundial en torno al cuidado del planeta, y el miedo que se ha instaurado sobre la energía nuclear a partir de accidentes en centrales nucleares, como el ocurrido este año en Fukushima (Japón), hacen que hoy en día se esté apostando fuertemente por un tipo de fuentes de energía no contaminantes, aunque puedan tener un impacto visual en las zonas donde se instalen. Entre esas denominadas fuentes de energía limpia a las que se está recurriendo, se encuentra la que es el eje principal de este proyecto, la energía eólica. Si nos fijamos en su desarrollo en la Comunidad Autónoma de Aragón, recientemente se ha dado a conocer por el informe de REE (2011) que las energías renovables han cubierto una parte importante de la demanda de electricidad durante el año 2010, con una producción equivalente al 86% de la demanda eléctrica de la comunidad, siendo algo más del 48% la obtenida por la energía eólica (4407 GWh). De este tipo de energía tenemos en nuestra comunidad un total de 1699 MW instalados. A nivel del territorio español (REE 2011), la energía eólica instalada es de 20.2 GW, siendo la producción de energía eléctrica en este año pasado 2010 de 43.7 TWh, lo que supone una producción un 15.7 % superior respecto al año anterior. En términos porcentuales, en nuestro país esta energía ha supuesto el 16 % de la demanda eléctrica, y el conjunto de todas las energías renovables, el 36.8 % de la demanda total, quedándose muy cerca del objetivo marcado por la Unión Europea para el año 2020. Dicho objetivo consiste en cubrir el 40% de la demanda de electricidad de la Unión Europea a través de las energías denominadas limpias, lo cual da una idea del papel protagonista que están tomando este tipo de energías. Entre ellas, hoy por hoy de la que se está consiguiendo un mejor rendimiento es de la energía eólica, de ahí que sea tomada en consideración en todo el mundo como principal generadora de electricidad por fuentes renovables. A nivel mundial (WWEA 2011), la capacidad instalada en el año 2010 en energía eólica es de 196.6 GW, de los cuales 37.6 GW han sido añadidos en este último año. Y el país con mayor capacidad instalada es China con algo más del 20% (44.7 GW) de la producción total mundial. Bien es cierto que este tipo de energía también presenta algunos puntos negativos 9 2. Metodología 16 Parámetro Valor Velocidad de arranque 3.5 m/s Velocidad de corte 25 m/s Velocidad nominal 13 m/s Potencia nominal 2 MW Diámetro rotor (d) 90 m Altura del buje 80 m ηc i84 % ηm i98 % Tabla 2.1: Características del aerogenerador Vestas V90 de 2 MW empleado en el estudio. Parámetro Valor GE0.016 e/kWh GP37.6 e/kW instalado IP1200 e/kW instalado r 9 % N 20 años Tabla 2.2: Estructura de costes seleccionados para un aerogenerador. 2.2.4. Estudio de dependencia temporal de la potencia generada En este apartado se ha realizado un pequeño estudio en el que se han seleccionado los mejores puntos de Kazajistán para poder conseguir el mismo porcentaje anual de producción eléctrica que en España. La energía anual eléctrica consumida en Kazajistán ronda los 81 TWh, y el porcentaje anual de producción eléctrica eólica en España está alrededor del 16%, por lo que se quiere conseguir una producción aproximada de unos 13 TWh. Pese a que la cantidad de escenarios que se pueden plantear son prácticamente infinitos, de cara a mostrar la utilidad de este tipo de análisis, se ha realizado un único escenario, siendo su motivación la extracción de información de cara a establecer la potencia de reserva necesaria, así como adoptar protocolos para la gestión de la red eléctrica. Para la realización de este estudio se han seleccionado los puntos con mejor potencial medio anual durante el periodo de estudio, a partir de los datos de potencial explicados en la sección 2.2.3. Cuando la suma de estos potenciales supera la potencia anual objetivo, se generan unas gráficas con la potencia de todos estos puntos respecto al tiempo (en horas). También una PDF de la potencia durante los años de estudio y una tabla con los datos estadísticos característicos de cada año y el promedio de todos juntos. 2.2.5. Detalles computacionales Se han ejecutado datos de 5 años, desde el 2005 hasta el 2009, ambos inclusive, en una malla de 60979 puntos (289 x211) con 41 niveles de altura σ(NOAA/NCEP 2010), mostrándose los detalles de la malla en la tabla 2.3. 2. Metodología 17 Dato Inicial Nopuntos Resolución Final Longitud 45.948o289 0.1475o88.5755o Latitud 31.681o211 0.127o58.478o Tabla 2.3: Detalles de la malla. Para la ejecución de estos 5 años se han utilizado dos nodos con procesador Intel i7-930 de 4 núcleos cada uno y con 12 Gb de memoria RAM. En la tabla 2.4 se muestra el tiempo y los datos generados para la ejecución de un mes. El tiempo de ejecución para los 5 años ha sido de algo más de 37 días (903 horas), y los datos generados de 10 Tb. Parte Tiempo (min) Datos generados (Gb) Preproceso 12 4 Geogrid 1 Ungrib 9 Metgrid 2 Proceso 745 138 Real-nmm 1 Wrf 744 Postproceso 146 25 Total 903 167 Tabla 2.4: Tiempo de ejecución y datos generados del programa WRF para un mes. 2. Metodología 18 Capítulo 3 Resultados 3.1. Variables meteorológicas En la figura 3.1 se muestra la elevación con respecto al mar de los países a estudio. Figura 3.1: Elevación con respecto al mar de la zona de estudio En el mapa de la figura 3.2 se observa la velocidad media anual en metros por segundo a una altura de 10 metros. La velocidad del viento a diferentes alturas es semejante al de este mapa de una manera cualitativa. En este mapa se encuentra una zona con un alto valor de velocidad de viento, correspondiente al mar Aral, no aprovechable para la explotación de parques eólicos por tratarse de un espacio protegido. En zonas cercanas al mar Caspio, al oeste del dominio, y en el norte de Kazajistán se encuentran zonas con alta velocidad de viento medio anual, mientras que en el centro de este país se encuentran valores de viento relativamente bajos, correspondientes a zona de estepa. 19 3. Resultados 20 Figura 3.2: Velocidad media en m/s Aprovechando las posibilidades que brinda el programa, se han extraido las variables de temperatura y radiación, que debido a su interés desde un punto de vista meteorológico y para el cálculo de otras energías renovables, como, por ejemplo, la energía solar. Por esto se muestran en este proyecto. En el mapa de la figura 3.3 se muestra la temperatura media anual. Las zonas de baja temperatura en la parte este representan lugares con gran altitud, por lo que las temperaturas medias anuales descienden considerablemente. En el centro-este de Kazajistán se observa también una zona de bajas temperaturas, correspondiente al área del lago Baljash. Figura 3.3: Temperatura media anual en oC 3. Resultados 21 Los mapas de las figuras 3.4 y3.5 muestran la temperatura máxima media diaria del mes de julio y la mínima media diaria del mes de enero de estos países, respectivamente. Guardan una estrecha relación con el mapa anterior, aunque se observa una diferencia en el mar Aral y su entorno, donde se suavizan sus temperaturas debido a la inercia de la gran masa de agua. Figura 3.4: Temperatura máxima media diaria en el mes de julio en oC Figura 3.5: Temperatura mínima media diaria en el mes de enero en oC Por último, la figura 3.6 muestra el mapa de la irradiación solar anual media. 3. Resultados 22 Figura 3.6: Radiación media en kWh/m2/año 3.2. Validación Para comparar los resultados del modelo utilizado con los medidos en estaciones meteorológicas y así validar el modelo, se han descargado datos de la página web de la Agencia Nacional Estadounidense Oceánica y de la Atmósfera de diferentes estaciones meteorológicas (NOAA 2011) en Kazajistán y Uzbekistán para el año 2005. Son un total de 80 estaciones y la ubicación y el número identificativo aparecen en la figura 3.7. En esta sección se realiza la comparación para una de las estaciones, explicando detalladamente los resultados y su interpretación. La comparación directa del resto de estaciones se muestran en el anexo C. Las variables que se comparan son la velocidad media diaria del viento y la temperatura media diaria. Sería mejor comparar en datos horarios en vez de con medias diarias, pero al no existir la libre disponibilidad de estos, la comparación se ha realizado calculando medias diarias a partir de los datos horarios del modelo. En la figura 3.8 se muestra una gráfica representando los datos de la velocidad medida de la estación meteorológica frente a la velocidad del modelo de una estación. En esta gráfica la diagonal central representa el ajuste perfecto entre modelo y medidas, mientras que las diagonales a los lados representan la desviación estándar del ajuste. 3. Resultados 23 Figura 3.7: Estaciones utilizadas para la validación Figura 3.8: Comparación de la velocidad de viento de la estación 380010 (Fort Shevchenko, Kazajistán) Se ha realizado un estudio estadístico en la comparación de los datos a fin de obtener valores numéricos representativos del error cometido en cada estación. Para ello, se ha ajustado por una distribución de Gauss el error para cada una de las estaciones. Para cada 3. Resultados 24 uno de los días se ha restado el valor del modelo al medido, ε=φmed −φmod (3.1) donde εes el error, φpuede ser cualquiera de las variables utilizadas para la validación, siendo φmed la medida en las estaciones y φmod la del modelo. Conocido εpara todos los días de estudio, se calcula los valores característicos necesarios para la generación de una distribución gaussiana, hεi(ecuación 3.2) y σ(ecuación 3.3), hεi= n X i=1 εi n(3.2) σ=v u u t n X i=1 (ε−hεi)2 n(3.3) siendo hεiel valor medio de error, εicada uno de los valores error, nel número de días y σ la desviación estándar. Una vez obtenidos estos valores característicos, se pocede al cálculo de la función de densidad de la distribución de Gauss con la ecuación 3.4. f(ε) = 1 hεi√2πexp "−1 2ε−hεi σ2#(3.4) Físicamente, hεirepresenta el sesgo del modelo, esto es, si hay algún tipo de error sistemático en la estación y cuál es su magnitud; y σrepresenta la dispersión del error: cuanto mayor sea esta, peor es el ajuste general del modelo con la realidad. La distribución de Gauss para este ejemplo se muestra en la figura 3.9 en la que se observan tres líneas de color verde, la central representa el hεi= 0, cuanto más cercano esté la máxima altura de la campana a esta línea, menor es su error medio. Las líneas laterales indican la desviación estándar del ajuste, σ. 3. Resultados 25 Figura 3.9: Campana de Gauss para viento de la estación 380010 (Fort Shevchenko, Kazajistán) En este caso concreto el sesgo es de 0.04 m/s y la dispersión de los datos de 1.44 m/s, lo que quiere decir que es una estación con un buen ajuste en velocidad media diaria de viento a los valores medidos en las estaciones. Otra forma de comparación entre los valores medidos con los del modelo se puede realizar a través de la gráfica representada en la figura 3.10 en el que cada una de las líneas representa la PDF de las velocidades. Figura 3.10: Comparación viento diario de la estación 380010 Fort Shevchenko (Kazajistán) 3. Resultados 32 Se observa que las dos curvas sufren un desfase de cierta importancia en ambos países. Concretamente, para Kazajistán, en el límite técnico, la curva con los datos horarios es un 12.4% mayor que la curva de Weibull, y en Uzbekistán un 14.6 %. Para analizar el origen de este comportamiento se han generado unas gráficas en las que se compara la PDF de Weibull, cuya explicación se encuentra en el anexo B, con la PDF de los datos medidos para cada una de las estaciones. A continuación se muestran dos gráficas representativas para la explicación de este desfase y al final del anexo Bel resto de estaciones a análisis. Figura 3.22: Comparación de la estación 355320 (Mugodzarskaja, Kazajistán) Figura 3.23: Comparación de la estación 382640 (Nukus, Uzbekistán) A la vista de estos resultados, se puede observar que la curva de la función de Weibull tiene su valor máximo antes que la curva con datos horarios. Esto es el causante de que el potencial hallado con los datos horarios sea mayor al proporcionado con Weibull en las gráficas coste-potencial. 3.4. Curvas potencia-tiempo Pese a que la cantidad de escenarios que se pueden plantear son prácticamente infinitos, de cara a mostrar la utilidad de este tipo de análisis, se ha realizado un único escenario, de carácter meramente académico, en el que se supone un porcentaje de la producción eléctrica total en Kazajistán mediante energía eólica igual al porcentaje producido en España en el año 2010, esto es, el 16 % (REE 2011). Trasladado al consumo eléctrico en Kazajistán, con un consumo anual de 81 TWh, se traduce en unos 13 TWh de generación eléctrica por energía eólica. Los 7 puntos utilizados están marcados en la figura 3.24. Las gráficas resultantes para cada año se muestran desde la figura 3.25 hasta la 3.29. 3. Resultados 33 Figura 3.24: Puntos elegidos para las gráficas potencia-tiempo Figura 3.25: Potencia-hora del año 2005 3. Resultados 34 Figura 3.26: Potencia-hora del año 2006 Figura 3.27: Potencia-hora del año 2007 Figura 3.28: Potencia-hora del año 2008 3. Resultados 35 Figura 3.29: Potencia-hora del año 2009 En la gráfica 3.30 se muestra la PDF de la potencia durante los 5 años de estudio, y a continuación, en la tabla 3.4 los datos estadísticos característicos de cada año y el promedio de todos juntos. Figura 3.30: PDF de la potencia durante los 5 años de estudio 3. Resultados 36 Año Media (GW) Desv. estándar (GW) Pot. max. (GW) Pot. min (GW) 2005 1.690 1.222 3.895 0 2006 1.600 1.263 3.897 0 2007 1.712 1.262 3.884 0 2008 1.591 1.207 3.917 0 2009 1.722 1.257 3.885 0 Media 1.663 1.242 3.917 0 Tabla 3.1: Datos estadísticos horarios de cada año. Capítulo 4 Conclusiones y trabajo futuro De los resultados obtenidos se pueden extraer varias conclusiones: A partir de las gráficas mostradas en la sección 3.2, en las que se comparan los resultados del modelo de mesoescala con los datos medidos en las estaciones meteorológicas, se considera que el modelo se ajusta razonablemente bien a la realidad, si bien tiende a sobreestimar la velocidad del viento cuando su valor es bajo. Se ha aplicado una metodología ya existente y previamente utilizada (Fueyo et al. 2011) para el cálculo del coste y potencial en Asia Central, y los resultados se han condensado en gráficas coste-potencial (3.20 y3.21), eficaces a la hora de elaborar la planificación energética en la zona. A partir de la metodología existente, se ha desarrollado una extensión de esta para estudiar la influencia del ajuste de la distribución de viento local por una distribución de Weibull. La conclusión alcanzada es que, debido a que el proceso de ajuste implica una simplificación de los datos, se pierde información y los resultados con esta distribución difieren sensiblemente de los resultados del modelo. Otra extensión implementada a la metodología existente consiste en el análisis basado en datos horarios para obtener datos estadísticos sobre la variabilidad de la potencia a lo largo del tiempo. La información extraida de este tipo de análisis se muestra útil de cara a establecer la potencia de reserva necesaria, así como adoptar protocolos para la gestión de la red eléctrica. Aunque los resultados obtenidos en este Proyecto de Fin de Carrera se han demostrado útiles, este trabajo puede tener distintas líneas de continuación, entre las que se proponen: El modelo tiene una resolución de malla de 13 kilómetros. Como trabajo futuro se puede incrementar la resolución de la malla para la obtención de datos más precisos, incluso la realización de anidamientos para zonas de especial interés. De esta nueva simulación cabría esperar unos resultados más exactos, al considerar más fielmente la influencia de la orografía, y la comparación de estos nuevos datos con las mediciones en estaciones meteorológicas cuantificarían esta mejora. Asimismo, debido a la mayor proximidad entre nodos, la interpolación llevada a cabo para obtener los datos en las estaciones puede minimizar el error en estas. 37 4. Conclusiones y trabajo futuro 38 Realizar un estudio con las distintas parametrizaciones disponibles del modelo de mesoescala (ver anexo A) con el fin de tratar de mejorar el ajuste de los resultados en comparación con las medidas en estaciones meteorológicas. Implementar un modelo sub-malla, del tipo del implementado en EEA (2009) para, a partir de los datos de viento generados por el modelo de mesoescala, mejorar la resolución de estos mediante postproceso. Ampliar la base cronológica del estudio a 30 años, que son los que típicamente se utilizan para obtener años meteorológicos tipo. Las variables han sido comparadas con las estaciones meteorológicas para el año 2005, este mismo proceso se debería repetir para el resto de años de estudio logrando una mayor seguridad de la validez de los resultados que genera el modelo. Si se consiguieran datos horarios en estaciones meteorológicas se podría extender la validación, teniendo una mayor fiabilidad al comparar con datos horarios y no tener que realizar medias diarias. Ampliar este estudio al resto de países de Asia Central aprovechando la extensión del dominio simulado en este proyecto, que abarcaría al menos tres países más. Bibliografía Akdag, S. A. y Dinler, A. (2009), ‘A new method to estimate weibull parameters for wind energy applications’, Energy Conversion and Management 50(7), 1761 – 1766. Blanco, M. I. (2009), ‘The economics of wind energy’, Renewable and Sustainable Energy Reviews 13(6-7), 1372 – 1382. Cavallo, A., Hock, S. y Smith, D. (1993), Wind energy:resources, systems and regional strategies. renewable energy: Sources for fuels and electricity, Technical report. EEA (2009), Europe’s onshore and offshore wind energy potential. An assessment of environmental and economic constraints, Technical Report 6/2009. Fueyo, N., Sanz, Y., Rodrigues, M., Montañés, C. y Dopazo, C. (2010), ‘High resolution modelling of the on-shore technical wind energy potential in spain’, Wind Energy 13(8), 717 – 726. Fueyo, N., Sanz, Y., Rodrigues, M., Montañés, C. y Dopazo, C. (2011), ‘The use of costgeneration curves for the analysis of wind electricity costs in spain’, Applied Energy 88(3), 733 – 740. Grubb, M. y Meyer, N. (1993), Wind energy: Resources,systems and regional strategies. renewable energy: Sources for fuels and electricity, Technical report. Kalnay, E., Kanamitsu, M., Kistler, R., Collins, W., Deaven, D., Gandin, L., Iredell, M., Saha, S., White, G., Woollen, J., Zhu, Z., Chelliah, M., Ebisuzaki, W., Higgins, W., Janowiak, J., Mo, K. C., Ropelewski, C., Wang, J., Leetma, A., Reynolds, R., Jenne, R. y Joseph, D. (1996), ‘The NCEP/NCAR 40-Year Reanalysis Project’, Bulletin of the American Meteorological Society . NCAR (2008), A description of the advanced research wrf version 3, Technical report. NOAA (2011), http://www7.ncdc.noaa.gov/CDO/cdo. NOAA/NCEP (1995), The Grid Analysis and Display System user’s guide, Technical report. NOAA/NCEP (2000), WRF-NMM User’s guide, Technical report. NOAA/NCEP (2010), Scientific documentation for the nmm solver, Technical report. 39 BIBLIOGRAFÍA 40 Peciña, M. (2009), ‘Vecinos de Llodio y Orozko se unen contra el parque de Jesuri’, http://www.elcorreo.com/vizcaya/20090430/alava/vecinos-llodio-orozko-unen- 20090430.html. REE (2011), El sistema eléctrico español 2010, Technical report. Rodrigues, M., Montañés, C. y Fueyo, N. (2010), ‘A method for the assessment of the visual impact caused by the large-scale deployment of renewable-energy facilities’, Environmental Impact Assessment Review 30(4), 240 – 246. Solociencia (2009), ‘Mejores estrategias combinadas para almacenar energía eólica’, http://www.solociencia.com/ingenieria/09010406.htm. Vestas (2006), Catálogo Vestas V90 2 MW. WWEA (2011), World wind energy report 2010, Technical report. Anexo A Modelo computacional El modelo de investigación y previsión del tiempo o en inglés Weather Research and Forecasting (WRF) es un sistema de predicción numérico1de mesoscala de nueva generación, diseñado para servir previsiones operacionales y necesidades de estudio de la atmósfera. Es sucesor del modelo MM5. El esfuerzo para desarrollar WRF ha sido un esfuerzo colaborativo, principalmente por el National Center for Atmospheric Research (NCAR), la National Oceanic and Atmospheric Administration , los National Centers for Environmental Prediction (NCEP) y el Forecast Systems Laboratory (FSL), la Air Force Weather Agency (AFWA), la Naval Research Laboratory, Oklahoma University, y la Federal Aviation Administration (FAA). El programa tiene dos variantes: El Advanced Research WRF (ARW) desarrollado por NCAR/NMM El Non-hydrostatic Mesoscale Model (NMM) desarrollado por NOAA/NCEP. Para el desarrollo de este proyecto se ha utilizado el modelo NMM. A.1. Fundamentos teóricos El modelo NMM incluye (NOAA/NCEP 2010) algoritmos de computación del gradiente de presión, la fuerza de Coriolis, la divergencia de la masa, advección, procesos termodinámicos, difusión horizontal divergencia de amortiguación y de acoplamiento de las sub-redes de tipo E, las condiciones de contorno y la capacidad de anidamiento. Esto junto a varias opciones físicas, inicializadores y post-procesos, logran que el progrma WRF produzca una simulación de mesoscala. Para conseguir un modelo que sea capaz de calcular las distintas variables a distintos niveles se ha establecido una aproximación hidrostática en un modelo hidrostático usando una coordenada vertical basada en la presión hodrostática. σ=π−πt µ(A.1) 1Numerical Weather Prediction (NWP) 41 A. Modelo computacional 48 conseguido en el programa anterior la componente vertical, para poder conocer las distintas variables en varios niveles, los cuales han sido elegidos a partir del archivo namelist.input. Antes de ejecutar el archivo ejecutable, es necesario haber definido en el archivo wrf_cntrl.parm las variables que se quieren conocer y los niveles en los que se quiere conocer, aunque nunca podrán ser más de los prefijados en el archivo namelist.input. Al ejecutar wrf.exe se crean unos archivos wrfout los cuales contienen la información. El modelo WRF-NMM ofrece múltiples opciones físicas (NCAR 2008) que pueden ser combinadas de muchas maneras. Se citan las más importantes: Microfísica: Esta opción física produce distintos esquemas relacionados con el agua, como el vapor de agua, las nubes o las precipitaciones. Radiación de onda larga: La opción de radiación de onda larga incluye la radiación infrarroja o térmica absorbida y emitida por los gases y la superficie. Se determina por la emisividad de la superficie que sepende del uso de la tierra y de la temperatura del suelo. Radiación de onda corta: Esta opción incluye las longitudes de onda visibles y su espectro solar cercano. Por lo que su única fuente es el Sol, aunque sus procesos incluyen la absorción, la reflexión y la dispersión en la atmósfera y en la superficie. Capa superficial: Los esquemas de capa superficial calculan las velocidades y los coeficientes de fricción en el intercambio de calor que permiten el cálculo del calor de la superficie, los flujos de humedad en los moelos de superficie terrestre y la tensión superficial en el esquema de la capa límite terrestre. Superficie terrestre: Estos modelos utilizan la información atmosférica proveniente de los esquemas de la capa superficial, la radiación de los esquemas de radiación, y las precipitaciones de los modelos microfísicos y convectivos, que junto a la información de las variables de estado de la zona terrestre y sus propiedades, para proporcionar con todo ello los flujos de calor, la humedad y los puntos de agua congelada. Capa limite terrestre: Estos modelos son los responsables en la malla del cálculo de los flujos de transporte de Foucalt en la columna atmosférica, no sólo en la capa límite. Cuando un esquema de este tipo se activa la difusión vertical explícita se desactiva con el supuesto de que este tipo de esquema se encargará de este proceo. Parametrización de Cúmulos: Estos esquemas son los responsables de los efectos de convección o de nubes superficiales a la escala sub-malla. Estos esquemas representan los flujos verticales debido a las corrientes ascendentes y descendentes. A.2.3. WRF Postprocessor (WPP) El último subprograma de este programa llamado WRF es el postprocesador el cual realiza varias cosas. wrfpost Interpola las previsiones del modelo nativo de coordenada vertical a NWS y diagnostica algunos campos como por ejemplo la helicidad. También crea dos archivos de salida que que pueden ser utilizados como entrada para copygb. Estos archivos se llaman copygb_nav.txt ycopygb_hwrf.txt. A. Modelo computacional 49 copygb Desescalona las previsiones de WRF-NMM desde la malla de tipo E a una malla regular no escalonada. Con estos dos archivos se tienen las herramientas necesarias para poder sacar los datos de las variables que se hayan puesto en el archivo wrf_cntrl_parm, el cual es un archivo en el que se establecen las variables que se quieren utilizar y el número y a qué niveles se quieren tener datos, llamándose los archivos de salida wrfprs. Un aspecto interesante es que al descargar el programa, en el directorio WPPV3 hay una carpeta en la que existen unos scripts básicos para poder tratar los datos que se tienen y sacar algunos mapas con alguno de los programas que tiene. A la hora de representar los datos de las variables a los diferentes niveles que se hayan establecido en el archivo wrf_cntrl_parm, WRF tiene dos programas: GEMPAK y GrADS La utilidad que se ha utilizado en este proyecto es GrADS (NOAA/NCEP 1995) por lo que sólo se hace mención a este programa. Éste interpreta los archivos wrfprs de forma que marcándole uno de ellos (o varios) es capaz de crear mapas de la zona que se quiera de la variable elegida, si es un punto dibujar una gráfica de los niveles elegidos y si es sólo un nivel de un punto sacar el valor. También pueden sacarse los valores numéricos en vez de los mapas y las gráficas. Figura A.6: GrADS A. Modelo computacional 50 Anexo B Distribución de Weibull Estudios realizados (Akdag y Dinler 2009) han estimado que la velocidad de viento en un lugar se asemeja a la función de densidad de probabilidad de Weibull. Esta función P(v) depende de dos parámetros ajustables (k;c) y viene dada por la expresión, P(v) = k cv ck−1 exp −v ck (B.1) donde ces un factor de escala (m/s) que suele ser próximo a la velocidad media, y kes un factor de forma que caracteriza la asimetría de la función de probabilidad. La densidad de probabilidad presenta un máximo (moda) para una velocidad vm, vm c=k−1 k1/k (B.2) La frecuencia acumulada F para un valor de la velocidad V viene dada por, F(v≤V) = ZV 0P(v)dv = 1 −exp (−V/c)k,(B.3) que representa la frecuencia acumulada de las velocidades que son menores o iguales que un valor V. La distribución acumulada complementaria será, F0(v≤V)=1−F(v≤V) = exp(−V/c)k. La velocidad media hvi, la varianza σ2se obtienen de la siguiente forma, hvi=Z∞ 0 vP(v)dv =cΓ1 + 1 k(B.4) σ2=c2"Γ1 + 2 k−Γ1 + 1 k2#(B.5) donde Γ(x)es la Función Gamma. Los parámetros de Weibull (k;c) se determinan a partir de un ajuste por mínimos cuadrados teniendo en cuenta la expresión de las frecuencias acumuladas (B.3). Aplicando dos veces el logaritmo neperiano se obtiene, ln (−ln (1 −F(v))) = kln v−kln c, (B.6) 51 B. Distribución de Weibull 52 que se puede ajustar a la recta y=Ax+B, en donde y= ln(−ln(1−F(v)) yx= ln v. En la figura Bse muestra un ejemplo del ajuste de Weibull a una recta de este tipo. Calculamos A y B, los parámetros de la distribución de Weibull se obtienen directamente, k=Ay c= exp(−B/A). Figura B.1: Comparación histograma y distribución de Weibull en la estación 380010 Figura B.2: Obtención de la recta y=Ax +Ba partir de Weibull en la estación 380010 Como ejemplo para observar este tipo de distribución se ha cogido una de las estaciones, B. Distribución de Weibull 53 en concreto una de Kazajistán que se encuentra en la ciudad de Fort Shevchenko con coordenadas 44,55olatitud norte y 50,25olongitud este. Se puede observar en la figura la aproximación que supone la distribución de Weibull en comparación con el histograma con valores horarios durante un año dividido en sectores de las velocidades del viento. A continuación se muestran esta comparación para el resto de estaciones consultadas para este proyecto fin de carrera. Figura B.3: Estación 286790 Figura B.4: Estación 287660 Figura B.5: Estación 288670 Figura B.6: Estación 288790 B. Distribución de Weibull 54 Figura B.7: Estación 289520 Figura B.8: Estación 289660 Figura B.9: Estación 289780 Figura B.10: Estación 289840 Figura B.11: Estación 298020 Figura B.12: Estación 343980 B. Distribución de Weibull 55 Figura B.13: Estación 346910 Figura B.14: Estación 347980 Figura B.15: Estación 350670 Figura B.16: Estación 350780 Figura B.17: Estación 350850 Figura B.18: Estación 351080 B. Distribución de Weibull 56 Figura B.19: Estación 351730 Figura B.20: Estación 351880 Figura B.21: Estación 352170 Figura B.22: Estación 352290 Figura B.23: Estación 353020 Figura B.24: Estación 353580 B. Distribución de Weibull 57 Figura B.25: Estación 354060 Figura B.26: Estación 354160 Figura B.27: Estación 354260 Figura B.28: Estación 354970 Figura B.29: Estación 355320 Figura B.30: Estación 355760 B. Distribución de Weibull 64 Figura B.67: Estación 383410 Figura B.68: Estación 383430 Figura B.69: Estación 383960 Figura B.70: Estación 384030 Figura B.71: Estación 384130 Figura B.72: Estación 384390 B. Distribución de Weibull 65 Figura B.73: Estación 384570 Figura B.74: Estación 384620 Figura B.75: Estación 385650 Figura B.76: Estación 385790 Figura B.77: Estación 385830 Figura B.78: Estación 386110 B. Distribución de Weibull 66 Figura B.79: Estación 386180 Figura B.80: Estación 386830 Figura B.81: Estación 386960 Figura B.82: Estación 389270 Anexo C Gráficas de validación Figura C.1: Temperatura y campana de 286790 (Petropavlovsk, Kazajistán) Figura C.2: Velocidad de viento y campana de 286790 (Petropavlovsk, Kazajistán) 67 C. Gráficas de validación 68 Figura C.3: Temperatura y campana de 287660 (Blacoveschenka, Kazajistán) Figura C.4: Velocidad de viento y campana de 287660 (Blacoveschenka, Kazajistán) Figura C.5: Temperatura y campana de 288670 (Uricky, Kazajistán) C. Gráficas de validación 69 Figura C.6: Velocidad de viento y campana de 288670 (Uricky, Kazajistán) Figura C.7: Temperatura y campana de 288790 (Kokshetay, Kazajistán) Figura C.8: Velocidad de viento y campana de 288790 (Kokshetay, Kazajistán) C. Gráficas de validación 70 Figura C.9: Temperatura y campana de 289520 (Kustanai, Kazajistán) Figura C.10: Velocidad de viento y campana de 289520 (Kustanai, Kazajistán) Figura C.11: Temperatura y campana de 289660 (Ruzaevka, Kazajistán) C. Gráficas de validación 71 Figura C.12: Velocidad de viento y campana de 289660 (Ruzaevka, Kazajistán) Figura C.13: Temperatura y campana de 289780 (Balkasino, Kazajistán) Figura C.14: Velocidad de viento y campana de 289780 (Balkasino, Kazajistán) C. Gráficas de validación 72 Figura C.15: Temperatura y campana de 289840 (Sucinsk, Kazajistán) Figura C.16: Velocidad de viento y campana de 289840 (Sucinsk, Kazajistán) Figura C.17: Temperatura y campana de 298020 (Mikhailovka, Kazajistán) C. Gráficas de validación 73 Figura C.18: Velocidad de viento y campana de 298020 (Mikhailovka, Kazajistán) Figura C.19: Temperatura y campana de 343980 (Zhalpaktal, Kazajistán) Figura C.20: Velocidad de viento y campana de 343980 (Zhalpaktal, Kazajistán) C. Gráficas de validación 80 Figura C.39: Temperatura y campana de 352290 (Aktobe, Kazajistán) Figura C.40: Velocidad de viento y campana de 352290 (Aktobe, Kazajistán) Figura C.41: Temperatura y campana de 353020 (Chapaevo, Kazajistán) C. Gráficas de validación 81 Figura C.42: Velocidad de viento y campana de 353020 (Chapaevo, Kazajistán) Figura C.43: Temperatura y campana de 353580 (Torgai, Kazajistán) Figura C.44: Velocidad de viento y campana de 353580 (Torgai, Kazajistán) C. Gráficas de validación 82 Figura C.45: Temperatura y campana de 354060 (Taipak, Kazajistán) Figura C.46: Velocidad de viento y campana de 354060 (Taipak, Kazajistán) Figura C.47: Temperatura y campana de 354160 (Uil, Kazajistán) C. Gráficas de validación 83 Figura C.48: Velocidad de viento y campana de 354160 (Uil, Kazajistán) Figura C.49: Temperatura y campana de 354260 (Temir, Kazajistán) Figura C.50: Velocidad de viento y campana de 354260 (Temir, Kazajistán) C. Gráficas de validación 84 Figura C.51: Temperatura y campana de 354970 (Zharyk, Kazajistán) Figura C.52: Velocidad de viento y campana de 354970 (Zharyk, Kazajistán) Figura C.53: Temperatura y campana de 355320 (Mugodzarskaja, Kazajistán) C. Gráficas de validación 85 Figura C.54: Velocidad de viento y campana de 355320 (Mugodzarskaja, Kazajistán) Figura C.55: Temperatura y campana de 355760 (Kyzylzhar, Kazajistán) Figura C.56: Velocidad de viento y campana de 355760 (Kyzylzhar, Kazajistán) C. Gráficas de validación 86 Figura C.57: Temperatura y campana de 356710 (Zhezkazgan, Kazajistán) Figura C.58: Velocidad de viento y campana de 356710 (Zhezkazgan, Kazajistán) Figura C.59: Temperatura y campana de 356990 (Bektauata, Kazajistán) C. Gráficas de validación 87 Figura C.60: Velocidad de viento y campana de 356990 (Bektauata, Kazajistán) Figura C.61: Temperatura y campana de 357000 (Atyrau, Kazajistán) Figura C.62: Velocidad de viento de 357000 (Atyrau, Kazajistán) C. Gráficas de validación 88 Figura C.63: Temperatura y campana de 357460 (Aralskoe More, Kazajistán) Figura C.64: Velocidad de viento y campana de 357460 (Aralskoe More, Kazajistán) Figura C.65: Temperatura y campana de 357960 (Balhash, Kazajistán) C. Gráficas de validación 89 Figura C.66: Velocidad de viento y campana de 357960 (Balhash, Kazajistán) Figura C.67: Temperatura y campana de 358490 (Kazalinsk, Kazajistán) Figura C.68: Velocidad de viento y campana de 358490 (Kazalinsk, Kazajistán) C. Gráficas de validación 96 Figura C.87: Temperatura y campana de 365350 (Kokpekty, Kazajistán) Figura C.88: Velocidad de viento y campana de 365350 (Kokpekty, Kazajistán) Figura C.89: Temperatura y campana de 366390 (Urdzhar, Kazajistán) C. Gráficas de validación 97 Figura C.90: Velocidad de viento y campana de 366390 (Urdzhar, Kazajistán) Figura C.91: Temperatura y campana de 366860 (Algazy Ostrov, Kazajistán) Figura C.92: Velocidad de viento y campana de 366860 (Algazy Ostrov, Kazajistán) C. Gráficas de validación 98 Figura C.93: Temperatura y campana de 368210 (Bakanas, Kazajistán) Figura C.94: Velocidad de viento y campana de 368210 (Bakanas, Kazajistán) Figura C.95: Temperatura y campana de 368590 (Zharkent, Kazajistán) C. Gráficas de validación 99 Figura C.96: Velocidad de viento y campana de 368590 (Zharkent, Kazajistán) Figura C.97: Temperatura y campana de 368640 (Otar, Kazajistán) Figura C.98: Velocidad de viento y campana de 368640 (Otar, Kazajistán) C. Gráficas de validación 100 Figura C.99: Temperatura y campana de 368700 (Almaty, Kazajistán) Figura C.100: Velocidad de viento y campana de 368700 (Almaty, Kazajistán) Figura C.101: Temperatura y campana de 380620 (Kyzylorda, Kazajistán) C. Gráficas de validación 101 Figura C.102: Velocidad de viento y campana de 380620 (Kyzylorda, Kazajistán) Figura C.103: Temperatura y campana de 380690 (Ciili, Kazajistán) Figura C.104: Velocidad de viento y campana de 380690 (Ciili, Kazajistán) C. Gráficas de validación 102 Figura C.105: Temperatura y campana de 381410 (Jaslyk, Uzbekistán) Figura C.106: Velocidad de viento y campana de 381410 (Jaslyk, Uzbekistán) Figura C.107: Temperatura y campana de 381490 (Kungrad, Uzbekistán) C. Gráficas de validación 103 Figura C.108: Velocidad de viento y campana de 381490 (Kungrad, Uzbekistán) Figura C.109: Temperatura y campana de 381780 (Ak-Bajtal, Uzbekistán) Figura C.110: Velocidad de viento y campana de 381780 (Ak-Bajtal, Uzbekistán) C. Gráficas de validación 104 Figura C.111: Temperatura y campana de 381960 (Achisaj, Kazajistán) Figura C.112: Velocidad de viento y campana de 381960 (Achisaj, Kazajistán) Figura C.113: Temperatura y campana de 381980 (Turkestan, Kazajistán) C. Gráficas de validación 105 Figura C.114: Velocidad de viento y campana de 381980 (Turkestan, Kazajistán) Figura C.115: Temperatura y campana de 382220 (Tole Bi, Kazajistán) Figura C.116: Velocidad de viento y campana de 382220 (Tole Bi, Kazajistán) C. Gráficas de validación 112 Figura C.135: Temperatura y campana de 384130 (Tamdy, Uzbekistán) Figura C.136: Velocidad de viento y campana de 384130 (Tamdy, Uzbekistán) Figura C.137: Temperatura y campana de 384390 (Cardara, Kazajistán) C. Gráficas de validación 113 Figura C.138: Velocidad de viento y campana de 384390 (Cardara, Kazajistán) Figura C.139: Temperatura y campana de 384570 (Tashkent, Uzbekistán) Figura C.140: Temperatura y campana de 384570 (Tashkent, Uzbekistán) C. Gráficas de validación 114 Figura C.141: Temperatura y campana de 384620 (Pskem, Uzbekistán) Figura C.142: Velocidad de viento y campana de 384620 (Pskem, Uzbekistán) Figura C.143: Temperatura y campana de 385650 (Nurata, Uzbekistán) C. Gráficas de validación 115 Figura C.144: Velocidad de viento y campana de 385650 (Nurata, Uzbekistán) Figura C.145: Temperatura y campana de 385790 (Dzizak, Uzbekistán) Figura C.146: Velocidad de viento y campana de 385790 (Dzizak, Uzbekistán) C. Gráficas de validación 116 Figura C.147: Temperatura y campana de 385830 (Syr Darja, Uzbekistán) Figura C.148: Velocidad de viento y campana de 385830 (Syr Darja, Uzbekistán) Figura C.149: Temperatura y campana de 386110 (Namangan, Uzbekistán) C. Gráficas de validación 117 Figura C.150: Velocidad de viento y campana de 386110 (Namangan, Uzbekistán) Figura C.151: Temperatura y campana de 386180 (Fergana, Uzbekistán) Figura C.152: Velocidad de viento y campana de 386180 (Fergana, Uzbekistán) C. Gráficas de validación 118 Figura C.153: Temperatura y campana de 386830 (Buhara, Uzbekistán) Figura C.154: Velocidad de viento y campana de 386830 (Buhara, Uzbekistán) Figura C.155: Temperatura y campana de 386960 (Samarkand, Uzbekistán) C. Gráficas de validación 119 Figura C.156: Velocidad de viento y campana de 386960 (Samarkand, Uzbekistán) Figura C.157: Temperatura y campana de 389270 (Termez, Uzbekistán) Figura C.158: Velocidad de viento y campana de 389270 (Termez, Uzbekistán)