Modelos de predicción neuro-borrosos para un aerogenerador en una planta de fabricación industrial

XIX Simposio CEA de Control Inteligente 19-21 de junio de 2024, Burgos Modelos de predicci´ on neuro-borrosos para un aerogenerador en una planta de fabricaci´ on industrial Chicaiza, W.D., G´ omez, J., Camacho, P.G., Esca˜ no, J.M.∗ Departamento de Ingenier´ıa de Sistemas y Autom´atica, Escuela T´ecnica Superior de Ingenier´ıa. Universidad de Sevilla. Camino de los Descubrimientos, s/n, 41092 Sevilla. Espa˜na. To cite this article: Chicaiza, W.D., G´omez, J., Camacho, P.G., Esca˜no, J.M., 2024. Neurofuzzy prediction models for a wind turbine of an industrial manufacturing plant. XIX Simposio CEA de Control Inteligente (2024) Resumen Este trabajo se centra en el desarrollo de modelos de predicci´ on neuro-fuzzy para un sistema de energ´ ıa renovable basado en una red Adaptive Neuro-Fuzzy Inference System (ANFIS), un aerogenerador que forma parte de una planta de fabricaci´ on industrial multim´ aquina. Este modelo es una parte del conjunto de modelos que forman el gemelo digital de la planta de fabricaci´ on que se utilizar´ a para realizar estrategias de control y optimizaci´ on para maximizar el uso de fuentes de energ´ ıa renovables dentro de una arquitectura de Gemelo Digital (GD) de sus contrapartes f´ ısicas. El modelo se utiliza para capturar el comportamiento del aerogenerador. Se aplica un proceso de agrupaci´ on para mitigar la saturaci´ on de datos y conseguir un comportamiento realista de la generaci´ on de energ´ ıa. Los modelos neurofuzzy obtenidos muestran un buen rendimiento de las predicciones de la din´ amica no lineal en todo el rango de operaci´ on en ambos sistemas. Se ha ideado un m´ etodo para seleccionar la predicci´ on m´ as fiable entre las distintas disponibles, centr´ andose en su aplicabilidad a la producci´ on. Palabras clave: Modelado neuroborroso, ANFIS, ACP Neurofuzzy prediction models for a wind turbine of an industrial manufacturing plant Abstract This paper focuses on developing neuro-fuzzy prediction models for a renewable energy system based on an Adaptive NeuroFuzzy Inference System (ANFIS) network, a wind turbine that is part of a multi-machine industrial manufacturing plant. This model is a part of the set of models that form the digital twin of the manufacturing plant that will be used to realize control and optimization strategies to maximize the use of renewable energy sources within a Digital Twin (DT) architecture of their physical counterparts. The model is used to capture the behavior of the wind turbine. A clustering process is applied to mitigate data saturation and achieve realistic power generation behaviour. The neurofuzzy models obtained show a good performance of the predictions of the non-linear dynamics throughout the operating range in both systems. A method has been devised to select the most reliable forecast among the various forecasts available, with a focus on its applicability to production. Keywords: Neuro-Fuzzy modeling, ANFIS, PCA 1. Introducci´ on En los ´ ultimos a˜ nos, la adopci´ on de recursos renovables para la generaci´ on de electricidad ha aumentado con parques e´ olicos terrestres y marinos, los cuales se utilizan para satisfacesr la demanda de los consumidores. Al mismo tiempo, el precio elevado de la energ´ ıa est´ a llevando a las industrias a adoptar diversas soluciones para dar potencia a sus distintos procesos de fabricaci´ on, evitando as´ ı la conexi´ on con la red el´ ectrica. Un objetivo principal de estas plantas es maximizar el uso de energ´ ıas renovables en su consumo energ´ etico. Para aplicar t´ ecnicas de optimizaci´ on, es imprescindible tener modelos din´ amicos de los ∗Autor para correspondencia: [email protected] Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) 75 Chicaiza, W.D. et al. / XIX Simposio CEA de Control Inteligente. (2024) recursos de generaci´ on. Aunque se dispone de buenos servicios de previsi´ on meteorol´ ogica, es necesario incluir las ecuaciones din´ amicas de los generadores (por ejemplo, la parte mec´ anica de la turbina e´ olica) y el sistema de control para predecir la energ´ ıa generada. El modelado de sistemas f´ ısicos complejos y no lineales, puede presentar ciertas dificultades. Adem´ as, el dise˜ no de estrategias de optimizaci´ on y control ´ optimo utilizando modelos no lineales para predecir el comportamiento del sistema implica una carga computacional considerable. Este es el principal obst´ aculo cuando el problema debe resolverse en un tiempo limitado, considerando el tiempo de muestreo. Por lo tanto, es indispensable emplear modelos simples que permitan un tiempo de computaci´ on adecuado y que, al mismo tiempo, sean lo m´ as fieles posible a la din´ amica del sistema. El modelado borroso ha demostrado ser una t´ ecnica efectiva para modelar y controlar sistemas no lineales y complejos, representando con ´ exito el modelo no lineal original (Zhong, 2020). Adem´ as, esta t´ ecnica de modelado permite un r´ apido aprendizaje de par´ ametros y una alta capacidad de ejecuci´ on. En este art´ ıculo presenta un caso basado en una planta de fabricaci´ on industrial que est´ a compuesta por una microrred que aprovecha el recurso e´ olico para suministrar energ´ ıa a los procesos de producci´ on (G´ omez et al., 2023). La planta est´ a compuesta por varias m´ aquinas de control n´ umerico por ordenador (CNC), un generador combinado de potencia y calor (CHP), dos fuentes de energ´ ıa renovable para la producci´ on de electricidad (Turbina e´ olica y paneles fotovoltaicos) y un banco de bater´ ıas para el almacenamiento de energ´ ıa. Es necesario tener, entre otras, la predicci´ on de la potencia generada por el aerogenerador. Dado que las variables meteorol´ ogicas que pueden predecirse en el horizonte son escasas (velocidad del viento e irradiancia global) y que la generaci´ on de energ´ ıa renovable responde a un modelo no lineal complejo, el cual incluye la din´ amica del controlador del mismo, se ha decidido usar un sistema de inferencia borroso (FIS) para predecir la generaci´ on de energ´ ıa renovable. Este modelo ser´ a parte del gemelo digital que ser´ a usado para realizar estrategias de control y optimizaci´ on. El resto del documento se estructura de la siguiente manera. La secci´ on 2 muestra el tratamiento inicial de los datos para ambos sistemas energ´ eticos. En la secci´ on 3 se presentan los modelos predictivos basados en sistemas de inferencia neuroborrosos adaptativos (ANFIS) as´ ı como los procesos de aprendizaje y sus estructuras. La secci´ on 4 presenta la metodolog´ ıa para la selecci´ on de las predicciones de velocidad del viento. Por ´ ultimo, en la secci´ on 5 se muestran las conclusiones. 2. Procesado de datos de entrada El objetivo del modelo es la predicci´ on de la potencia activa del generador. El preprocesamiento inicial de los datos hist´ oricos de la fuente renovable implica interpolar los datos inconsistentes entre las muestras y eliminar los valores at´ ıpicos de cada variable. Es crucial la selecci´ on cuidadosa de las variables que afectan al proceso Los datos recogidos por el SCADA contienen mediciones hechas por los sensores de la instalaci´ on de la turbina e´ olica. Las variables de esos sensores se muestran en la Tabla 1. Adem´ as, el SCADA almacena diariamente los datos en una hoja Excel. El registro de datos se realiza cada 10 minutos, de acuerdo con el est´ andar IEC 61400 de la industria e´ olica. Tabla 1: Datos hist´ oricos de operaci´ on de la turbina e´ olica Variable Descripci´ on Unidad Date Fecha del registro - Mr Lectura del contador - Eg Electricidad generada kWh ws Velocidad del viento m/s QPotencia reactiva kW PPotencia activa AC kW Rs Velocidad del rotor rpm N p Posici´ on g´ ondola ◦ El an´ alisis revela que la potencia activa se satura durante el exceso de viento debido a la falta de unidades de almacenamiento o conexiones a la red para verter el exceso de energ´ ıa. Para obtener datos precisos y no afectados por estas saturaciones, se aplic´ o un proceso de agrupamiento para filtrar los valores correspondientes. El conjunto de datos resultante abarca 288 d´ ıas, con 7 variables medidas a intervalos de 10 minutos. La salida del modelo es la potencia activa generada, utilizando variables del recurso e´ olico como entradas. La carga computacional para la evaluaci´ on de modelos basados en datos aumenta con el n´ umero de entradas. Las t´ ecnicas de reducci´ on de dimensionalidad ofrecen ventajas al preservar la informaci´ on relevante en un espacio reducido, facilitando as´ ı los procesos de control y optimizaci´ on en tiempo real. En este estudio, se emplean la agrupaci´ on de matrices de coeficientes de correlaci´ on y el An´ alisis de Componentes Principales (ACP). La agrupaci´ on identifica y descarta las variables no correlacionadas con los resultados del modelo, agrupando aquellas que s´ ı lo est´ an. El ACP reduce la dimensionalidad al transformar los conjuntos de datos en nuevas variables no correlacionadas dentro de un espacio de dimensiones reducidas, lo que mejora la eficiencia computacional. A continuaci´ on, se explican los fundamentos te´ oricos de ambas t´ ecnicas. El coeficiente de correlaci´ on mide la asociaci´ on entre variables. El m´ as usado es el coeficiente de correlaci´ on de Pearson, que es un coeficiente de correlaci´ on lineal (ρ). El ρpara un par de variables (x,y) con nmuestras x=[x1,1,· · · ,xn,1] y y=[y1,1,· · · ,yn,1] se calcula utilizando (1) ρ(x,y)=1 n−1 n X i=1 xi,1−µx σx! yi,2−µy σy!,(1) donde µx, µyand σx, σyson la media y la desviaci´ on est´ andar de xyymuestras, respectivamente. Los valores que ρpuede tomar est´ an entre [−1,1], donde ρ=−1 representa una correlaci´ on negativa completa, ρ=1 representa una correlaci´ on positiva completa, y un valor de ρ=0 indica que las variables (x,y) no est´ an correlacionadas. La matriz de coeficientes de correlaci´ on obtenida para la turbina de viento con M=7 variables es WT R∈ ℜ7×7. La Fig. 1 muestra la matriz de coeficientes de correlaci´ on de las variables del aerogenerador. A continuaci´ on, se ordenan 76 Chicaiza, W.D. et al. / XIX Simposio CEA de Control Inteligente. (2024) las variables seg´ un el grado de correlaci´ on de cada entrada en relaci´ on con la salida deseada para la matriz. Este an´ alisis indica las variables que m´ as afectan a la salida del modelo respecto a un umbral (ρ≥0,5). Figura 1: Matriz de coeficientes de correlaci´ on para la turbina de viento. Los datos hist´ oricos recogidos sobre la fuente de energ´ ıa renovable e´ olica se almacenan en una matriz sX. La variable s⊂ {WT}representa la fuente renovable: turbina de viento (WT). Donde sX∈ ℜN×M,Nes el n´ umero total de muestras, y Mes el n´ umero de variables de la matriz. Como el ACP se define por el criterio de varianza que depende de las unidades de medida, esto implica que los componentes principales de la matriz de covarianza sRcambian si las unidades de medida de cada variable tienen una escala diferente, como se se˜ nala en (Jollife and Cadima, 2016). Adem´ as, las diferentes escalas de las variables pueden afectar al proceso de aprendizaje basado en datos debido a su naturaleza, magnitud e inconsistencias. Esto se resuelve mediante el proceso de normalizaci´ on, como se se˜ nala en (Chicaiza et al., 2022). Por lo tanto, cada variable men la matriz de datos sXdebe ser normalizada a media cero y varianza unitaria para darles el mismo peso, dado por zi,j=xi,j−xj σj .(2) Las nuevas variables normalizadas se almacenan en la matriz sZy se organizan en conjuntos: entrenamiento, comprobaci´ on y validaci´ on. El ACP de un conjunto de datos normalizado sZ∈ ℜN×M, con rango r(r≤minN,M) se obtiene a partir de su matriz de covarianza sR∈ ℜr×ry su Descomposici´ on en Valores Singulares (DVS) usando (3) y (4), respectivamente. (N−1)sR=sZTsZ(3) sZ=sUsSsVT(4) donde Nes el n´ umero total de muestras en la matriz sZ. Como puede observarse en (4), la DVS de la matriz sZest´ a relacionada con la descomposici´ on en autovalores de la matriz de covarianza sR, donde U∈ ℜn×r,V∈ ℜm×rson matrices con columnas ortogonales 1ysS∈ ℜr×res una matriz diagonal diagσ1, σ2,· · · , σrcuyos elementos son la ra´ ız cuadrada de los autovalores de sZsZTen orden decreciente σ1≥σ2≥· · · ≥ σr. As´ ı, sustituyendo (4) en (3) el ACP se obtiene como N−1sR=sVsΛsVT,(5) donde, sΛ∈ ℜr×res una matriz diagonal diagλ1, λ2,· · · , λr con los autovalores de N−1sRen orden decreciente λ1≥ λ2≥ · · · ≥ λr, cuyo valor es λr=σ2 r. Las columnas de sVson los autovectores vrde los autovalores λry marcan la direcci´ on del nuevo espacio de componentes principales (CP). En este caso, el ACP s´ olo se calcula para el conjunto de entrenamiento y los autovectores que contienen los coeficientes de los componentes principales de cada variable se utilizan para proyectar los conjuntos de comprobaci´ on y validaci´ on. Este proceso se aplica a la fuente de energ´ ıa. Los autovectores de sVse almacenan en una nueva matriz sP∈ ℜM×Mllamada matriz de carga. La matriz sPcontiene los coeficientes de los componentes principales de cada variable My se utiliza para proyectar los datos en un nuevo espacio de dimensi´ on reducida utilizando (6). sT=sZ×sP(6) donde, sT∈ ℜN×Mes la matriz de puntuaci´on que contiene un nuevo componente tMproyectado sobre su respectivo componente principal pM. Normalmente, la matriz de datos se proyecta sobre el componente que contiene la mayor variabilidad. No existe correlaci´ on entre las nuevas variables proyectadas. Adem´ as, la calidad de un componente principal puede medirse de forma est´ andar como una proporci´ on porcentual de la varianza total (Jollife and Cadima, 2016). πj=λj Pp j=1λj ×100 % (7) Se mide la calidad de cada componente principal obtenida a partir de los datos de la fuente renovable para observar la variabilidad que presentan y as´ ı elegir la de mayor variabilidad para proyectar los datos sobre ella. Para el conjunto de datos WT, su primera CP representa una variabilidad de 96,48 %. La proyecci´ on se obtiene mediante: sTrn =hTrn,sTT rnPs(k+1)i,(8a) sChk =hChk,sTChkPs(k+1)i,(8b) donde Ps(k+1) representa la potencia activa de la fuente de energ´ ıa en un estado futuro. Por lo tanto, se forman conjuntos de entrenamiento (trn) y conjuntos de comprobaci´ on (chk) que se utilizar´ an en el proceso de aprendizaje del ANFIS. 1Por tanto UTU=I=VTVcon la matriz identidad I∈ ℜr×r. Las columnas de Vson los autovectores de sZsZ∈ ℜm×masociados a sus autovalores no nulos. Del mismo modo, las columnas de Uson los autovectores de sZsZ∈ ℜn×n(Jollife and Cadima, 2016). 77 Chicaiza, W.D. et al. / XIX Simposio CEA de Control Inteligente. (2024) 3. Modelo de predicci´ on neuroborrosa Se utilizan dos redes ANFIS para capturar el comportamiento del aerogenerador. El ANFIS utiliza conjuntos de entrenamiento y de comprobaci´ on para capturar la din´ amica del sistema en el proceso de aprendizaje, permitiendo un modelo aceptable que prediga su comportamiento. En este proceso, el ANFIS mira el RMSE normalizado del conjunto de entrenamiento y del conjunto de comprobaci´ on para no sobreajustar s´ olo el primer conjunto, lo que har´ ıa que el FIS obtenido emitiera valores inapropiados para valores que no se han visto en el proceso de aprendizaje. De esta forma, se busca un t´ ermino medio donde el aprendizaje sea general en ambos conjuntos (Chicaiza et al., 2022). El ANFIS utilizado para modelar la instalaci´ on e´ olica utiliza como entrada la proyecci´ on de la velocidad del viento (ws) y la potencia activa (PWT ) en el primer componente principal y como salida la potencia activa (PWT ) en el siguiente instante (k+1). En este caso, se aplica un m´ etodo de agrupaci´ on sustractiva (Substractive Clustering, SC) en el aprendizaje de ANFIS. SC estima los n´ umeros iniciales y los centros de las funciones de pertenencia (Memberships Functions, MFs). Las MFs contienen los par´ametros antecedentes de las reglas borrosas y caracterizan los conjuntos difusos. De esta manera, se aplica un m´ etodo de aprendizaje h´ ıbrido que combina m´ ınimos cuadrados y descenso de gradiente (Jang, 1993; Ghosh and Chakraborty, 2012); el descenso de gradiente para determinar la media, altura y anchura de las MFs gaussianas denotadas como par´ametros antecedentes y los m´ ınimos cuadrados para estimar los coeficientes de cada funci´ on polin´ omica de primer orden referida como par´ametros lineales consecuentes para cada ´ epoca o barrido. Los par´ ametros de la red ANFIS obtenidos durante el proceso de aprendizaje se presentan en la Tabla 2. Tabla 2: Par´ ametros ANFIS Descripcion ANFIS Tipo MF: Gaussiana M´ etodo de optimizaci´ on: Hibrido Tipo de MF de salida: Lineal FIS WT N´ umero de MFs: 2 N´ umero de reglas: 2 Rango de influencia 0,7 N´ umero de ´ epocas: 1500 Los conjuntos de entrenamiento y comprobaci´ on presentan errores peque˜ nos, lo que indica que el aprendizaje fue general. Los ´ ındices de error obtenidos en el proceso de aprendizaje para el modelo y su tiempo de hermanamiento (ttw) se muestran en la Tabla 3. Tabla 3: ´ Indice nRMSE obtenido en el proceso de aprendizaje de ANFIS y su tiempo de actualizaci´ on RMSE m´ ınimo de Entrenamiento & Comprobaci´ on Aprendizaje ANFIS FIS WT nRMS ET rain 0,2474 nRMS ECheck 0,2455 ttw(h) 0,035 Una vez finalizado el proceso de aprendizaje ANFIS, se obtiene un Neurofuzzy FIS WT que predice la potencia activa generada por la turbina e´ olica. Consiste en un FIS que contiene 2 reglas de tipo TS (Takagi and Sugeno, 1985): IF x1is F1jand x2is F2jand xiis Fi j , THEN :fj(x)=g0j+g1jx1+· · · +gi j xi donde la descripci´ on de cada uno de los par´ ametros que componen la regla est´ a ampliamente descrita en (Chicaiza et al., 2022). Cada regla tiene unos par´ ametros antecedente yconsecuente. Ambos par´ ametros fueron adaptados en el proceso de aprendizaje. La salida de cada regla es una combinaci´ on lineal de las variables de entrada sumada a un t´ ermino constante. La salida final del sistema de inferencia borrosa es la media ponderada de cada salida de la regla. Figura 2: Modelo neuroborroso para predecir la potencia activa de una turbina de viento. La estructura FIS de los modelos predictivos para la turbina e´ olica se representa en la Fig. 2, donde la matriz WT P2×1es un vector que representa el primer componente del ACP calculado previamente en el caso de la estructura FIS WT . El proceso de validaci´ on compara la salida de FIS WT con el conjunto de datos de validaci´ on (58 d´ ıas). Adem´ as, este conjunto de validaci´ on no se utiliz´ o en el proceso de aprendizaje de la red ANFIS. 78 Chicaiza, W.D. et al. / XIX Simposio CEA de Control Inteligente. (2024) 0 5 10 15 20 0 500 1000 1500 2000 2500 3000 Out Model Out Real Figura 3: Validaci´ on del modelo de turbina e´ olica, FIS WT salida del modelo vs datos reales. La Fig. 3 muestra que FIS WT es capaz de predecir el valor real de la potencia activa de la turbina de viento con R2=0,85, como se muestra en la Tabla 4. Tabla 4: ´ Indice de validaci´ on de los modelos de predicci´ on neuroborrosos para un d´ ıa concreto. ´ Indices Modelo de error FISWT Media 46,49 [kW] RMS E 162,97 [kW] R20,85 t/muestreo (ms) 0.09553 t/dia (s) 0.6689 Se ha realizado una segunda evaluaci´ on del modelo neuroborroso con el conjunto completo de validaci´ on del sistema, como se muestra en la Fig. 4. Esta evaluaci´ on considera los datos durante el d´ ıa y la noche y sus ´ ındices de error, como se muestra en la Tabla 5. 1500 2000 2500 0 1000 2000 3000 Out Model Out Real Figura 4: Evaluaci´ on del modelo FIS WT de la turbina de viento. Salida del modelo vs datos reales (Zoom de una regi´ on espec´ ıfica). Las m´ etricas de validaci´ on indican que el modelo de predicci´ on neuroborroso tiene una buena precisi´ on y capta la din´ amica no lineal en todo el rango de funcionamiento (d´ ıa y noche). Adem´ as, se incluye el tiempo medio de ejecuci´ on de cada muestra y el tiempo total de evaluaci´ on con todos los datos. Obs´ ervese que el tiempo de ejecuci´ on por muestra es inferior a 1 milisegundo. Tabla 5: ´ Indice de validaci´ on de los modelos de predicci´ on neuroborrosos para el conjunto de validaci´ on completo ´ Indices Modelo de error FISWT Media 32,49 [kW] RMS E 291,39 [kW] R20,91 t/muestreo (ms) 0.1004 t/dia (s) 0.7025 4. Selecci´ on de las previsiones de velocidad de viento Para mejorar la precisi´ on de las predicciones, se han asegurado diversos accesos a servicios y bases de datos de predicci´ on de la velocidad del viento. Se ha ideado un m´ etodo para seleccionar la predicci´ on m´ as fiable entre las opciones disponibles, centr´ andose en su aplicabilidad a la producci´ on. Se han integrado medidas sencillas para fortificar el m´ etodo frente a posibles fallos de ejecuci´ on. La figura 5 ilustra el m´ etodo integral junto con el modelo neuroborroso, haciendo hincapi´ e en la integraci´ on de datos de varias fuentes mediante diversas t´ ecnicas. Se recomiendan m´ ultiples conexiones a diferentes bases de datos, teniendo en cuenta las posibles fuentes de fallos. NF MODEL Almacén de datos Sincronización de datos Llamada a BBDD Organización de BBDD Elección de BBDD Datos Reales Predicciones Datos de predicción Selección de BBDD Datos de Entrenamiento Datos de predicción Figura 5: Esquema de selecci´ on meteorol´ ogica El algoritmo comienza accediendo a los archivos de previsi´ on de velocidad del viento almacenados en el mismo intervalo de tiempo que el intervalo actual (por ejemplo, entre las 11 AM y las 11:30 AM) dentro del intervalo de an´ alisis, denotado como AH (por ejemplo, los ´ ultimos 10 d´ ıas). Posteriormente, el m´ odulo solicita los datos reales de velocidad del viento en el pasado para todo el intervalo AH a las API designadas y los segmenta en intervalos de longitud AH. Los fallos durante la sincronizaci´ on, a menudo debidos a previsiones incompletas, se abordan rellenando los segmentos que faltan con los primeros o los ´ ultimos valores disponibles. Esta medida correctiva garantiza la integridad del proceso de sincronizaci´ on, facilitando un an´ alisis preciso de las previsiones de velocidad del viento. Una vez sincronizados los datos de predicci´ on con los datos reales, se calcula el error medio de cada una de las fuentes en cada d´ ıa, utilizando la Ecuaci´ on 9 para ordenarlas de menor a 79 Chicaiza, W.D. et al. / XIX Simposio CEA de Control Inteligente. (2024) mayor seg´ un el error cometido. Eies el error medio de la fuente i,Ses el n´ umero de muestras, vkes el valor real en la muestra k, y vkes el valor predicho de las fuentes de datos en la muestra k. Ei=1 S∗ S X k=1 |vk−¯vk|(9) Una vez ordenadas todas las fuentes, se pasan al m´ odulo siguiente, que elige la mejor fuente de datos para cada intervalo de tiempo. Por ´ ultimo, una vez ordenadas todas las fuentes de datos de previsi´ on, se obtiene de esta lista la mejor disponible. Para ello, se solicitan al m´ odulo Call for APIs los datos actuales de velocidad del viento de todas las fuentes de previsi´ on, y una vez que los datos est´ an disponibles, se eligen los datos de la primera fuente que aparece en la lista ordenada. Esto significa que si s´ olo se pasa el nombre de la mejor fuente, y en alg´ un momento no est´ a disponible, el m´ etodo se ejecuta igualmente. Una vez generada la previsi´ on, se env´ ıa al modelo neuroborroso para predecir la potencia producida por la turbina e´ olica. Si no se hubiera podido obtener la previsi´ on de ninguna fuente, el algoritmo habr´ ıa seleccionado la fuente con el error medio m´ as bajo de los 40 d´ ıas anteriores. Por ´ ultimo, la Figura 6 muestra un ejemplo de la predicci´ on de la velocidad del viento para un d´ ıa determinado. En ella, adem´ as de reflejar lo anterior, se pueden observar dos bandas: la azul representa el error medio obtenido para cada muestra durante el horizonte de an´ alisis, y la roja el error medio m´ aximo en cada instante obtenido en el mismo horizonte de 40 d´ ıas. Estas dos bandas se utilizar´ an para implementar en el futuro t´ ecnicas de control con incertidumbre en el MPC. Best Forecast Data for WindSpeed At 2023-12-27 gem global!1 Dec 27, 20:00 Dec 27, 22:00 Dec 28, 00:00 Dec 28, 02:00 Dec 28, 04:00 Dec 28, 06:00 Dec 28, 08:00 Dec 28, 10:00 Dec 28, 12:00 Dec 28, 14:00 Dec 28, 16:00 Dec 28, 18:00 Time (h) 2023 2 4 6 8 10 12 14 16 18 20 22 WindSpeed (m/s) Max limits Stochastic Limits Forecast Data Real Data gem global!1 gem seamless!1 METEireann gfs global!1 gfs seamless!1 meteofrance arpege europe!1 icon global!2 OpenMeteo!1 meteofrance arome france hd!1 meteofrance seamless!1 Figura 6: Ejemplo de previsi´ on meteorol´ ogica 5. Conclusiones y trabajos futuros En este trabajo se ha desarrollado un modelo de predicci´ on neuroborroso para un generador e´ olico. Este modelo ha sido validado con datos reales, mostrando un buen resultado en la predicci´ on de la din´ amica no lineal en todo el rango de operaci´ on del sistema. Adem´ as, se ha desarrollado un m´ etodo para seleccionar la mejor predicci´ on entre las diferentes predicciones disponibles. Este m´ etodo se ha desarrollado con la idea de que pueda ser llevado a producci´ on, por lo que se han implementado varias medidas sencillas para asegurar que el m´ etodo es robusto ante fallos que puedan ocurrir durante su ejecuci´ on. Como trabajo futuro, se propone utilizarlo para la implementaci´ on de t´ ecnicas de control ´ optimo con incertidumbre. Agradecimientos Los autores agradecen a la Comisi´ on Europea la financiaci´ on de este trabajo en el marco del proyecto DENiM. Este proyecto ha recibido financiaci´ on del programa de investigaci´ on e innovaci´ on Horizonte 2020 de la Uni´ on Europea bajo el acuerdo de subvenci´ on nº 958339. Adem´ as, este trabajo tambi´ en ha sido financiado por PID2022-142069OB-I00/AEI/10.13039/ 501100011033/FEDER, UE a por la Junta de Andaluc´ ıa (Consejer´ ıa de Transformaci´ on Econ´ omica, Industria, Conocimiento y Universidades) por la la ayuda de investigaci´ on Laboratorio de Ingenier´ ıa para la Sostenibilidad Energ´ etica y Medioambiental .ENGREEN”, referencia QUAL21 006 USE The authors thank to the European Commission for funding this work under project DENiM. This project has received funding from the European Union’s Horizon 2020 research and innovation programme under grant agreement No. 958339. In addition, this work has also been funded by PID2022-142069OBI00/AEI/10.13039/501100011033/FEDER, UE and by the Junta de Andaluc´ ıa (Consejer´ ıa de Transformaci´ on Econ´ omica, Industria, Conocimiento y Universidades) through the research grant Laboratorio de Ingenier´ ıa para la Sostenibilidad Energ´ etica y Medioambiental .ENGREEN”, reference QUAL21 006 USE. Referencias Chicaiza, W. D., Machado, D. O., Len, A. J. G., Gonzalez, J. M. E., Alba, C. B., de Andrade, G. A., Normey-Rico, J. E., 2022. Neuro-fuzzy digital twin of a high temperature generator. IFAC-PapersOnLine 55 (9), 466–471, 11th IFAC Symposium on Control of Power and Energy Systems CPES 2022. DOI: https://doi.org/10.1016/j.ifacol.2022.07.081 Ghosh, A., Chakraborty, M., 2012. Hybrid optimized back propagation learning algorithm for multi-layer perceptron. International Journal of Computer Applications 57. G´ omez, J., Chicaiza, W. D., Esca˜ no, J. M., Bordons, C., 2023. A renewable energy optimisation approach with production planning for a real industrial process: An application of genetic algorithms. Renewable Energy 215, 118933. DOI: https://doi.org/10.1016/j.renene.2023.118933 Jang, J.-S., 1993. Anfis: adaptive-network-based fuzzy inference system. IEEE Transactions on Systems, Man, and Cybernetics 23 (3), 665–685. DOI: 10.1109/21.256541 Jollife, I. T., Cadima, J., 4 2016. Principal component analysis: a review and recent developments. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences 374. DOI: 10.1098/RSTA.2015.0202 Takagi, T., Sugeno, M., 1 1985. Fuzzy identification of systems and its applications to modeling and control. IEEE transactions on systems, man, and cybernetics SMC-15 (1), 116–132. URL: https://doi.org/10.1109/tsmc.1985.6313399 DOI: 10.1109/tsmc.1985.6313399 Zhong, Z., 2020. Modeling, Control, Estimation, and Optimization for Microgrids: A Fuzzy-Model-Based Method. CRC Press, New York, NY. 80