Desarrollo de un modelo para la predicción de la potencia eléctrica de un parque eólico mediante el empleo de las redes neuronales artificiales
Abstract
Programa de doctorado: Ingeniería ambiental y desalinización.
Full text
UNIVERSIDAD DE LAS PALMAS DE GRAN CANARIA DEPARTAMENTO DE INGENIERÍA MECÁNICA Programa de Doctorado Tecnología Industrial (Bienio 2008-2010) TESIS DOCTORAL DESARROLLO DE UN MODELO PARA LA PREDICCIÓN DE LA POTENCIA ELÉCTRICA DE UN PARQUE EÓLICO MEDIANTE EL EMPLEO DE LAS REDES NEURONALES ARTIFICIALES Memoria presentada, en cumplimiento de los requisitos para optar al grado de DOCTOR, por el Ingeniero de Organización Industrial D. Ulises Portero Ajenjo Director: Dr. D. Sergio Velázquez Medina Codirector: Dr. D. José Antonio Carta González El Director, El Codirector, El Doctorando, Las Palmas de Gran Canaria, Noviembre de 2015
Dedicatoria A mi hijo Julio, esa comprensión que has tenido durante el desarrollo de la Tesis te será devuelta. A mi mujer Angélica, por el apoyo anímico prestado en éste y demás proyectos de la vida. Al resto de mi familia, han ayudado siempre en lo que han considerado mejor para mi futuro.
AGRADECIMIENTOS Deseo expresar mi agradecimiento a todas aquellas personas que de alguna forma han contribuido a la realización de esta tesis: Al Dr. D. Sergio Velázquez Medina (Director de la Tesis). Profesor de la Universidad de Las Palmas de Gran Canaria (ULPGC). Muchas gracias por la confianza depositada en mí para el desarrollo de este proyecto que sin tu apoyo y dedicación no hubiese sido posible. Al Dr. D José Antonio Carta González (Director de la Tesis). Profesor de la Universidad de Las Palmas de Gran Canaria (ULPGC). Al Departamento de Ingeniería Electrónica y Automática y al Departamento de Ingeniería Mecánica de la ULPGC por la aportación de sus recursos para el desarrollo de esta tesis. Al Instituto Tecnológico de Canarias (ITC), S.A. por facilitar toda aquella información que estuviera a su alcance para el desarrollo de la presente tesis y a sus trabajadores. Parque Eólico La Florida de SOSLAIRES CANARIAS, S.A. Parque Eólico Los Valles de Eólicas Lanzarote, S.L.
ÍndicedeContenidos I Índice de Contenidos INDICE DE FIGURAS............................................................................................VI INDICE DE TABLAS..............................................................................................XI 1Evolución, situación actual y perspectivas futuras de la energía eólica. 1.1 Introducción…………………………………………………………………………..………. 3 1.2 Las Energías Renovables………………………………………………….………………. 4 1.3 La Energía Eólica…………………………………………………………………….………. 10 1.3.1 El Viento…………………………………………………………………………….……….. 10 1.4 Marco Normativo…………………………………………………………………..………… 15 1.5 Referencias……………………………………………………………………………..……… 19 2.- Aprovechamiento del Recurso Eólico 2.1 Evolución del aprovechamiento de la energía eólica…………………………… 23 2.1.1 A nivel mundial…………………………………………………………………..………. 30 2.1.2 En Europa…………………………………………………………………..……………… 34 2.1.3 A nivel nacional…………………………………….……………………………………. 38 2.1.4 A nivel de la Región de Canarias…………………………………..……………… 44 2.2 Referencias…………………………………………………………………………….…….. 52 3.- Predicción de la potencia eléctrica de origen eólico 3.1 Introducción…………………………………………………………………………………. 56 3.2 La variabilidad de la potencia eólica…………………………………………………. 60 3.3 Aspectos principales del problema de predicción de potencia eólica…………………………………………………………………………………………………… 66 3.3.1 Modelado del proceso de conversión de energía……..………………… 67 3.3.2 Importancia de las predicciones para el operador del sistema eléctrico………………………………………………………………………………………………. 69 3.4 Bibliografía de los modelos de predicción a corto plazo de la producción eléctrica de origen eólico………………………………………………………. 72 3.4.1 Evaluación de modelos de predicción……..………………………………… 72
ÍndicedeContenidos II 3.4.2 Familias de modelos de predicción de la producción eléctrica de origen eólica en el corto plazo 75 3.5 Error de la predicción de la potencia eólica……………………………………….. 81 3.5.1 Definición del error de predicción…………………………………………….. 82 3.5.2 Evaluación del error orientada a la medida de parámetros…………. 83 3.5.3 Evaluación del error orientada a la distribución del error……………. 86 3.6. Beneficios y penalizaciones de la predicción eólica…………………………… 88 3.6.1 Desvíos en la predicción…………………………………………………………. 90 3.6.2 Exención del coste del desvío………………………………………………….. 92 3.7 Referencias……………………………………………………….………………………….. 94 4.- Objetivo de la tesis 4.1 Introducción………………………………………………………………………………….... 98 4.2 Objetivo General……………………………………………………..………………………. 99 4.3 Metodología……..………………………………………………………………….…………. 99 4.4 Referencias…………………..…………………………………………………….………….. 100 5.- Estado del arte en la predicción de la potencia eléctrica de origen eólico 5.1. Introducción…………………………………………………………………………………… 104 5.2. Predicción numérica del 104 5.2.1 Modelos atmosféricos de macro-escala globales…………………........... 106 5.2.2 Modelos atmosféricos de macro-escala Regionales…..…………........... 107 5.2.3 Modelos atmosféricos meso-escalares y de micro-escala……….......... 108 5.2.4 Conclusiones………………………………..……………………………..…............ 113 5.3 Técnicas utilizadas en los modelos de predicción eólica……..…………………………………………………………………………………….......... 114 5.3.1 Modelos físicos…………………………………………………………………........... 115 5.3.2 Modelos estadísticos…………………………………………………………........... 117 5.3.2.1 MOS………………………………………………………………………..........…… 118 5.3.2.2 Filtros de Kalman…………………………………………………..........………. 119 5.3.2.3 Modelos ARIMA…………………………………………………..........………… 120 5.3.2.4 Redes Neuronales Artificiales………………………………..........………… 120 5.3.2.5 Fuzzy Logic: Sistemas de Inferencia Difusa……………..........……….. 123 5.3.2.6 Conclusiones………………………………………………………..........……….. 125 5.3.3 Comparación de modelos…………………………………………………............ 126 5.4 La herramienta de predicción SIPRE Ó LICO……………….……………............ 128 5.4.1 Datos de entrada……………………………………………………………..........… 129 5.4.2 Modelos de predicción de Sipreólico……………………….…………..........… 131 5.5 El proyecto ANEMOS……………………………………………………………............ 134
ÍndicedeContenidos III 5.6 Descripción y características de los modelos de predicción existentes……………………………………………………………………………………........... 136 5.6.1 Aeolis………………………………………………………………………………........... 138 5.6.2 Casandra………………………………………………………………………..........…. 140 5.6.3 CENER……………………………………………………………………………............ 143 5.6.4 MeteoLógica……………………………………………………………………............ 145 5.7 Otros modelos………………………………………………………………………........... 147 5.7.1 Aleasoft…………………………………………………………………………….......... 147 5.7.2 Garrad Hassan…………………………………………………………………........... 149 5.7.3 Meteosim………………………………………………………………………..........…. 153 5.7.4 EA2…………………………………………………………………………………........... 154 5.8 Ejercicio de Predicción…………………………………………………………............. 156 5.9 Referencias…………………………………………………………………………..........… 158 6.- Las Redes Neuronales 6.1 Introducción a las Redes Neuronales………………………….......................... 165 6.2 Desarrollo histórico de las redes neuronales………….………………........... 169 6.3 Funcionamiento de una neurona biológica…………..….…..…….........…… 171 6.4 Características de una red neuronal artificial………………….…….........…. 177 6.4.1 Notación…………………………………………………………………..…........... 180 6.4.2 Funciones de transferencia……………………………………………........... 181 6.4.3 Tipología de una red..………………………………………………….........…. 183 6.4.4 Aprendizaje de las Redes Neuronales……………………..………........... 189 6.5 Principales tipos de Redes Neuronales……………………….……….........…… 192 6.5.1 Perceptron………….….………………………………………….………….........…. 192 6.5.1.1 Antecedentes…..……………………………………………………..........…… 192 6.5.1.2 Estructura de la red………………….……………………………..........…… 196 6.5.2 Adaline……………………………………………………..……………………........... 198 6.5.2.1 Antecedentes…………………………………………………………..........….. 198 6.5.2.2 Estructura de la red.…………………………………………………............ 199 6.5.3 Backpropagation……………………………………………………………............ 201 6.5.3.1 Antecedentes………………………………………………………….........…… 201 6.5.3.2 Estructura de la red……………….………………………………..........…… 203 6.5.3.3 Regla de aprendizaje………………………………………………..........….. 205 6.6 Referencias………….……………………………………………………………..........…… 218
ÍndicedeContenidos X Figura 8.4: Esquema de la red neuronal para generar el modelo dinámico de la curva de potencia del parque eólico cuando en la capa de entrada se utiliza exclusivamente la información de velocidad y dirección del viento de una estación ajena al parque eólico Figura 8.5: Distribución en planta del parque eólico WF-1 en Gran Canaria Figura 8.6: Curva de funcionamiento del aerogenerador GAMESA G47/660kW Figura 8.7: Ubicación del parque eólico WF-2 en Lanzarote Figura 8.8: Curva de funcionamiento del aerogenerador GAMESA G52/850kW Figura 8.9: Ubicación de las estaciones anemométricas (WS) y parques eólicos (WF) utilizados en el estudio Figura 8.10: Rosas de los vientos de las estaciones de referencia de los parques eólicos WF-1 y WF-2, respectivamente Figura 8.11: Resultados del MARE para la hipótesis 2. Caso particular del parque eólico WF-1 Figura 8.12: Resultados de la “R” para la hipótesis 2. Caso particular del parque eólico WF-1 Figura 8.13: Resultados del MARE para la hipótesis 2. Caso particular del parque eólico WF-2 Figura 8.14: Resultados de la “R” para la hipótesis 2. Caso particular del parque eólico WF-2 Figura 8.15: Resultados del IoA para la hipótesis 2. Casos particulares de los parques eólicos WF-1 y WF-2 Figura 8.16: Grado de similitud en la precisión de los modelos dinámicos calculados según las hipótesis 1 y 3 Figura 9.1: Metodología para la obtención de los modelos de predicción Figura 9.2: Esquema de la red neuronal para la generación de los modelos de predicción para el Caso A) Figura 9.3: Esquema de la red neuronal para la generación de los modelos de predicción para el Caso B) Figura 9.4: Distribución en planta del parque eólico Figura 9.5: Ubicación de las estaciones anemométricas (WS) y del parque eólico (WF) Figura 9.6: MARE para los diferentes modelos según sea el horizonte temporal de predicción y el número de periodos elegidos para las variables de la capa de entrada a la ANN Figura 9.7: Valor de R para los diferentes modelos según sea el horizonte temporal de predicción y el número de periodos elegidos para las variables de la capa de entrada a la ANN Figura 9.8: Variación del MARE para los diferentes periodos de predicción. Caso de un horizonte temporal t+24
ÍndicedeContenidos XI Figura 9.9: Desviación típica relativa del MARE para los diferentes horizontes temporales de predicción, según sea el número de periodos previos escogidos para las variables de la capa de entrada de la ANN Figura 9.10: Desviación típica relativa del MARE para los diferentes horizontes temporales de predicción, según sea el número de periodos previos escogidos para las variables de la capa de entrada de la ANN. Figura 9.11: Mejora experimentada por el MARE del modelo al incorporar una estación adicional a la capa de entrada de la ANN Figura 9.12: Mejora experimentada por el R del modelo al incorporar una estación adicional a la capa de entrada de la ANN INDICE DE TABLAS: Tabla 2.1: Potencia eólica instalada en los distintos países (MW) Tabla 2.2: Potencia eólica instalada por Comunidades Autónomas 2012 Tabla 2.3: Comparativa de la potencia eólica instalada (2005-2010) y nueva previsión de potencia (2011-2015), con la previsión PECAN (2005-2015).CANARIAS Tabla 2.4: Potencia instalada en Canarias en el año 2015 Tabla 3.1: Resumen de características de modelos de predicción de la primera familia Tabla 3.2: Resumen de características de modelos de predicción de la segunda familia Tabla 5.1: Sistemas de predicción numérica del tiempo en Europa Tabla 6.1: Resumen de los aspectos más relevantes en el entorno de la neurona artificial Tabla 6.2: Clasificación de las Redes Neuronales según tipo de aprendizaje y arquitectura Tabla 7.1: Coste medio horario, para cada mes, de la energía desviada (€/MWh) Tabla 7.2: Evolución del precio medio aritmético de la energía eléctrica en el mercado libre español Tabla 8.1: Estaciones meteorológicas utilizadas en el estudio Tabla 8.2: Parques eólicos utilizados para el estudio Tabla 8.3: Coeficiente de Correlación Lineal entre las velocidades de las diferentes estaciones meteorológicas
ÍndicedeContenidos XII Tabla 8.4: Resultados de la eficiencia de los modelos según la hipótesis 1 Tabla 8.5: Caso para la hipótesis 2 y WF-1 Tabla 9.1: Información de las estaciones meteorológicas utilizadas en el estudio Tabla 9.2: Coeficiente de Correlación Lineal entre las velocidades de las diferentes estaciones meteorológicas. Año 2008
Nomenclatura NOMENCLATURA AEE Asociación Empresarial Eólica AEMET Agencia estatal de meteorología ANEMOS Predicción Eólica en la Unión Europea ANN, RNA Siglas en inglés de Red Neuronal Artificial ARPS Sistema de predicción regional avanzado BN Redes Bayesianas CC Coeficiente de correlación entre las velocidades de dos estaciones anemométricas Cde Coste de desvío medio por unidad de energía generada por un aerogenerador (en €/MWhproduced) Coste específico medio, para el mes “m”, por unidad de energía desviada (en €/MWhdesviada) Coste medio por unidad de energía desviada (en €/MWhdesviada) CENER Centro nacional de energías renovables CFD Modelo de dinámica de fluidos CI Coste de la inversión inicial de un aerogenerador (en Euros) CIEMAT Centro de Investigaciones Energéticas, Medioambientales y Tecnológicas CO&M Coste del mantenimiento y operación anual. (en Euros) COAMPS US Navy´s Coupled Ocean/Sistema de predicción atmosférica de mesoescala COE Coste específico de la energía producida por un aerogenerador. (en €/MWh) DWFPC Siglas en inglés de Modelo Dinámico de curva de potencia de parque eólico. Este modelo ha sido uno de los desarrollados en la presente Tesis. ECMWF European Centre for Medium-Range Weather Forecasts EMAE Error medio absoluto de estado EMAP Error medio absoluto de producción EP Rendimiento energético (en MWh/MW) GFS Sistema de Predicción Global HIRLAM Modelo de área limitada de gran resolución IDAE Instituto español para la diversificación y ahorro de energía INC Venta de la energía eléctrica producida por el parque eólico IoA Índice de Acuerdo entre los valores estimados y reales. Métrica para medir la m Cd Cd
Nomenclatura precisión de los modelos MAE Error Absoluto Medio MARE Error relativo absoluto medio MCP Medir-Correlacionar-predecir MEMO Modelos de Mesoescala MLPs Multicapas Perceptrons MM5 Modelo de Mesoescala, Version 5 MOS Modelos de salida estadística NCEP Centro Nacional para la predicción ambiental NEP Rendimiento Energético Normalizado (en MWh/MW) NMAE Error absoluto medio normalizado. Es la relación entre el error absoluto medio y la potencia nominal del parque eólico NSDE Desviación estándar del NMAE NWP Predicción Numérica del Tiempo OMEL Operador del Mercado Eléctrico Español OMM Organización Mundial Meteorológica P Potencia eléctrica instalada en el parquet eólico Pre Precio específico medio de la energía eléctrica. (en €/MWh) PSU/NCA Universidad Estatal de Pennsylvania y el Centro Nacional para la Investigación Atmosférica R Coeficiente de correlación entre los datos estimados por los modelos y los reales REE Red Eléctrica de España SDE Desviación Estándar ULPGC Universidad de Las Palmas de Gran Canaria WF Parque eólico WPPT WPMS Herramienta de predicción de potencia eólica WRF Modelo de Predicción Meteotrológico WS Estación Meteorológica
CAPÍTULO 1 Evolución, situación actual y perspectivas futuras de la energía eólica.
Capítulo1:Evolución,situaciónactualyperspectivasfuturasdelaenergíaeólica INDICE 1. Introducción………………………………………………………………………….... 3 1.2 Las Ener g ías Renovables…………………………………………………………. 4 1.3 La Ener g ía Eólica……………………………………………………………………. 10 1.3.1 El Viento…………………………………………………………………………….. 10 1.4 Marco Normativo…………………………………………………….……………… 15 1.5 Referencias…………………………………….……………………………………… 19 INDICE DE FIGURAS: Figura1.1: Participación de las distintas fuentes de energía en la generación eléctrica Figura 1.2: Reparto de nueva potencia eólica instalada de los países de la UE a diciembre de 2012 Figura 1.3: Evolución de la producción eléctrica según fuentes energéticas Figura 1.4: Mapa de la evolución de la energía renovable Figura1.5: Empleo generado por la Energía Eólica a nivel nacional Figura 1.6: Principio de funcionamiento de un aerogenerador Figura1.7: Principales componentes de un aerogenerador Figura 1.8: Evolución del tamaño de aerogeneradores Figura 1.9: Escenario de la eficiencia energética adicional: Evolución de la capacidad eléctrica instalada según fuentes energéticas 2
Capítulo1:Evolución,situaciónactualyperspectivasfuturasdelaenergíaeólica 1.1 Introducción La evolución de la raza humana, así como la de su entorno (plantas, animales, aves…), ha dado un mejor entendimiento y aprovechamiento de las distintas energías que le han rodeado desde el principio de los tiempos hasta nuestros días. Desde siempre la energía ha sido una necesidad básica para la vida del hombre. Tradicionalmente su producción se ha llevado a cabo haciendo uso de los combustibles fósiles que en vista de la situación actual cada vez son menos viables. En primer lugar porque las previsiones del petróleo, combustible principal hasta el día de hoy, son cada vez menores y los costes de extracción son cada vez mayores sobre todo a causa de la inestabilidad política y la presencia de conflictos armados en muchos países exportadores de esta fuente de energía. Y en segundo lugar, se culpa a los gases resultantes de la combustión de los combustibles fósiles de ser los principales causantes de una serie de cambios naturales y del clima conocidos a día de hoy como “cambio climático” que está teniendo consecuencias negativas.[4] La referencia más antigua que se tiene es un molino de viento que fue usado para hacer funcionar un órgano en el siglo I era común. Los primeros molinos de uso práctico fueron construidos en Sistán, Afganistán, en el siglo VII. Estos fueron molinos de eje vertical con hojas rectangulares. Aparatos hechos de 6 a 8 velas de molino cubiertos con telas fueron usados para moler trigo o extraer agua. La reducción de las reservas en la UE y EE.UU, la creciente concentración en áreas geográficas con elevada inestabilidad política y la creciente competencia por los recursos energéticos con la entrada de China e India en la escena energética hacen a las energías renovables más fuertes. En cuanto a la vulnerabilidad de los países a los cortes energéticos, casos que se han producido con desastrosas consecuencias para la economía y la sociedad, las energías alternativas forman parte de la estrategia para no depender energéticamente del exterior, teniendo así una seguridad añadida. Los objetivos estratégicos a nivel europeo son: Transformar UE en economía de alta eficiencia energética y bajas emisiones de gases de efecto invernadero 3
Capítulo1:Evolución,situaciónactualyperspectivasfuturasdelaenergíaeólica Mediante políticas energéticas y climáticas integradas que persigan: Aumentar la seguridad de abastecimiento Garantizar competitividad economía y disponibilidad de energía asequible Promover sostenibilidad ambiental y protección del clima Respetando competencias de los Estados, explotación de los recursos energéticos, selección y estructura de las fuentes de energía Debido a lo anterior y en busca de una solución, sin mermar las necesidades energéticas, desde hace algunas décadas se han empezado a desarrollar las “energías alternativas o renovables” cada vez con más inversión y desarrollo. La Ley 2/2011, de regulación del Sector Eléctrico Canario, tiene como objeto la regulación de todas las actividades relacionadas con el suministro a los consumidores de la energía eléctrica en condiciones competitivas, garantizando la seguridad de abastecimiento y logrando asegurar la regularidad en calidad y precio con especial atención al medioambiente. En la citada Ley se establece la necesidad de la diversificación de las fuentes energéticas, lo que obliga a definir políticas de fomento de energías alternativas al objeto de reducir la vulnerabilidad de los sistemas energéticos insulares y establecer fuentes de producción energética con menor impacto sobre el medioambiente. 1.2 Las energías renovables Buena parte de los países del mundo así como el Gobierno de Canarias, han fijado ambiciosos objetivos en cuanto a la generación de la electricidad utilizando como fuente las energías renovables. Producir energía limpia, apostar por las renovables, frenar la dependencia de las importaciones energéticas y limitar el efecto invernadero, son objetivos a los que es difícil oponerse. Las energías renovables podrían solucionar muchos de los problemas ambientales. Pero las energías limpias no solo presentan mejoras para el medio ambiente, sino que también ofrecen ventajas de carácter estratégico y socioeconómico con respecto a las convencionales. Las energías renovables permiten reducir las dependencias energéticas del exterior, al ser autónomas. 4
Capítulo1:Evolución,situaciónactualyperspectivasfuturasdelaenergíaeólica Desde el punto de vista socioeconómico las energías renovables contribuyen al equilibrio inter-territorial, ya que suelen instalarse en zonas rurales. Además de crear puestos de trabajo. Los sistemas de aprovechamiento de la energía eólica para la generación de energía eléctrica (parques eólicos), son instalaciones que requieren grandes inversiones económicas, por lo que los promotores realizan exhaustivos análisis de viabilidad económica antes de acometer este tipo de proyectos. Por otro lado requieren de grandes superficies de terreno. Si bien este tipo de instalaciones se puede compatibilizar con muchas otras actividades, se hace necesaria la planificación desde el punto de vista territorial para darle cabida dentro de la ordenación del territorio. Como ha reconocido la Comisión Europea, los resultados del modelo español constituyen un ejemplo de éxito en el diseño de las políticas de promoción de las renovables. El principal resultado es el volumen alcanzado por las energías renovables eléctricas, que han consolidado una posición estructural de primer orden [16]. Durante 2009, las tecnologías renovables supusieron alrededor del 25% de la generación eléctrica total. Asimismo, las energías renovables representaron un 12,2% de la energía final bruta consumida en España [10]. En cierta manera, se puede afirmar que el Plan de Energías Renovables 2005-2010 ha constituido un éxito por el que ha transformado el modelo energético español y ha permitido el desarrollo de una industria que se ha posicionado como líder en muchos segmentos a nivel internacional. Figura 1.1: Participación de las distintas fuentes de energía en la generación eléctrica 5
Capítulo1:Evolución,situaciónactualyperspectivasfuturasdelaenergíaeólica laderas soleadas hace que éste ascienda por las mismas por el día y descienda por las noches. La utilización del viento, del movimiento del aire, como fuente energética implica transformar su energía cinética en otra forma de energía aprovechable por el hombre como la de transformación de la energía del viento (energía eólica) en energía eléctrica. Realizamos primero una transformación de energía eólica a energía cinética de rotación que, actuando sobre el eje de un generador eléctrico, se transformará en energía eléctrica. La transformación de la energía eólica en energía cinética de rotación se realiza por medio de la acción del viento sobre unas palas unidas a un eje de giro (eje a su vez acoplado mecánicamente con el eje del generador eléctrico). La fuerza del viento sobre las palas produce un par de giro en el eje. La potencia mecánica transferida al eje por el viento depende de la densidad del aire, del área de barrido de las palas y de la velocidad del viento, tal como muestra la ecuación: Ecuación (1.1) Donde: Pm(t), Potencia mecánica en el instante t. A, Área de barrido de palas. ρ(t), Densidad del aire en el instante t. v(t), Velocidad del viento en el instante t. Cp , representa el rendimiento de la máquina que realiza la conversión de energía eólica a eléctrica (aerogenerador). El coeficiente Cp depende del tipo de máquina e incluso de las condiciones de funcionamiento, pero tiene un límite teórico, el conocido como límite de Betz. Este límite, formulado por el físico Albert Betz en 1919, está establecido en un valor de 59.3%. Para un aerogenerador moderno el valor máximo para el coeficiente de rendimiento Cp está en torno al 45%. 12
Capítulo1:Evolución,situaciónactualyperspectivasfuturasdelaenergíaeólica A continuación, en las figuras 1.5 y 1.6, se detalla el principio de funcionamiento de un aerogenerador y las distintas etapas que suceden desde que el viento llega al aerogenerador hasta que llega a los consumidores, así como las distintas partes de las que consta. Figura 1.6: Principio de funcionamiento de un aerogenerador Fuente: AWEA Como podemos observar en la figura anterior, dependiendo de la velocidad del viento será la energía cinética, una vez el viento choca con las palas del aerogenerador, lo mueve y se convierte en energía mecánica y por medio del generador se convierte en energía eléctrica, que una vez transformada se traspasa a la red para su transporte por la misma hasta el usuario final debiendo de ser controlada y supervisada en todo momento. En la imagen siguiente se observa, en forma de radiografía, como son las partes físicamente en el interior de un aerogenerador, en este caso un NORDEX N60. 13
Capítulo1:Evolución,situaciónactualyperspectivasfuturasdelaenergíaeólica Figura 1.7: Principales componentes de un aerogenerador Fuente: NORDEX N60 Vemos las partes, el EJE PRINCIPAL que es movido por las palas al incidir el viento en ellas, la CAJA MULTIPLICADORA que el funcionamiento es parecido a la de un vehículo cualquiera, el FRENO en caso de que la velocidad del viento sea excesiva actuará para evitar averías, ACOPLAMIENTO ELÁSTICO para unir la caja multiplicadora con el generador, el GENERADOR es el que convierte la energía cinética del viento en energía eléctrica y el SISTEMA DE REFRIGERACIÓN para enfriar las distintas partes del aerogenerador en caso de sobrecalentamiento. Todo esto acompañado de las distintas sondas para medir las temperaturas, dirección y velocidad del viento, revoluciones (rpm), etc. [8] En la figura siguiente se puede observar la evolución de los aerogeneradores desde el año 1985 hasta los actuales. Al principio eran del orden de KW y ahora están en MW con un diámetro de 160m. 14
Capítulo1:Evolución,situaciónactualyperspectivasfuturasdelaenergíaeólica Figura 1.8: Evolución del tamaño de aerogeneradores Fuente: AEE El gráfico anterior nos lleva al siguiente y se observa como las energías renovables, entre ellas la energía eólica, aumenta y se prevé que siga así en los próximos años. Figura 1.9: Escenario de la eficiencia energética adicional: Evolución de la capacidad eléctrica instalada según fuentes energéticas. Fuente: MITyC / IDAE 1.4 MARCO NORMATIVO El sector eólico es un sector regulado, por lo que el marco normativo es fundamental para su evolución. El marco que regula del sector incluye, como pilar fundamental, la Ley del Sector Eléctrico de 1997, modificada por la Ley 2/2011 y su normativa de desarrollo. 15
Capítulo1:Evolución,situaciónactualyperspectivasfuturasdelaenergíaeólica Entre esta normativa de desarrollo destacan especialmente, el Real Decreto 661/2007 que establece los actuales niveles de retribución del sector así como el Real Decreto-Ley 6/2009 introdujo la figura del Registro de Preasignación. El Real Decreto 661/2007, por otra parte, ha sido recientemente modificado por los Reales Decretos 1614/2010 y 1565/2010. Más allá, la normativa nacional debe incorporar la Directiva 2009/28/EC sobre el fomento del uso de las energías de fuente renovable así como la Directiva 2009/72/EC sobre normas comunes para el mercado interior de la electricidad y otras disposiciones vinculantes de la Unión Europea. NORMATIVA NACIONAL: Orden ITC/3353/2010, de 28 de diciembre, por la que se establecen los peajes de acceso a partir de 1 de enero de 2011 y las tarifas y primas de las instalaciones del régimen especial. Real Decreto 1614/2010, de 7 de diciembre, por el que se regulan y modifican determinados aspectos relativos a la actividad de producción de energía eléctrica a partir de tecnologías solar termoeléctrica y eólica. Corrección de errores del Real Decreto 1565/2010, de 19 de noviembre, por el que se regula y modifican determinados aspectos relativos a la actividad de producción de energía eléctrica en régimen especial. Real Decreto 661/2007, de 25 de mayo, por el que se regula la actividad de producción de energía eléctrica en régimen especial. Corrección de errores del Real Decreto 661/2007, de 25 de mayo, por el que se regula la actividad de producción de energía eléctrica en régimen especial. BOE 26/7/07. 16
Capítulo1:Evolución,situaciónactualyperspectivasfuturasdelaenergíaeólica Real Decreto-ley 6/2009, de 30 de abril, por el que se adoptan determinadas medidas en el sector energético y se aprueba el bono social Real Decreto 1565/2010, de 19 de noviembre, por el que se regulan y modifican determinados aspectos relativos a la actividad de producción de energía eléctrica en régimen especial. Real Decreto 198/2010, de 26 de febrero, por el que se adaptan determinadas disposiciones relativas al sector eléctrico a lo dispuesto en la Ley 25/2009, de modificación de diversas leyes para su adaptación a la ley sobre el libre acceso a las actividades de servicios y su ejercicio. Real Decreto 1028/2007, de 20 de julio, por el que se establece el procedimiento administrativo para la tramitación de las solicitudes de autorización de instalaciones de generación eléctrica en el mar territorial. NORMATIVA AUTONÓMICA: DECRETO 121/2011, de 17 de mayo, que modifica parcialmente el Decreto 32/2006. DECRETO 7/2011, de 20 de enero, que modifica el Decreto 32/2006, de 27 de marzo, por el que se regula la instalación y explotación de los parques eólicos en el ámbito de la Comunidad Autónoma de Canarias. 17
Capítulo1:Evolución,situaciónactualyperspectivasfuturasdelaenergíaeólica DECRETO 32/2006, de 27 de marzo, por el que se regula la instalación y explotación de los parques eólicos en el ámbito de la Comunidad Autónoma de Canarias. (BOCA Nº 61/2006). DECRETO 141/2009, de 10 de noviembre, por el que se aprueba el Reglamento por el que se regulan los procedimientos administrativos relativos a la ejecución y puesta en servicio de las instalaciones eléctricas en Canarias. RESOLUCIÓN de 4 de octubre de 2006, de la Secretaría General de Energía, por la que se aprueba el procedimiento de operación 12.3 Requisitos de respuesta frente a huecos de tensión de las instalaciones eólicas. Orden de 15 de Noviembre de 2006, por la que se regulan las condiciones TécnicoAdministrativas de las instalaciones eólicas ubicadas en Canarias. (BOCA Nº 225/2006). Ley 2/2011, de 26 de enero, por la que se modifican la Ley 11/1997, de 2 de diciembre, de regulación del Sector Eléctrico Canario y la Ley 19/2003, de 14 de abril, por la que se aprueban las Directrices de Ordenación General y las Directrices de Ordenación del Turismo de Canarias. 18
Capítulo1:Evolución,situaciónactualyperspectivasfuturasdelaenergíaeólica 1.5 REFERENCIAS: [1]: Aeeolica. Estudio sobre la eólica en el mundo. http://www.aeeolica.org/es/sobrela-eolica/la-eolica-en-el-mundo/. 2015. [2]: Acciona. Líneas de negocio estudiadas por la empresa Acciona. http://www.acciona.es/lineas‐de negocio/energia?gclid=CMLTm8a5n7gCFdDMtAodaSYAJQ.2014. [3]: Acciona. Áreas de la actividad de la energía eólica por la empresa Acciona. http://www.acciona‐energia.es/areas_actividad/eolica.aspx.2014. [4]: Ayuntamiento de Pamplona. Aprovechamiento de la energía eólica en la región de Pamplona dada por sus instituciones públicas. http://www.pamplona.es.2014. [5]: EWEA (European Wind Energy Association). http://www.ewea.org. 2014. • WIND ENERGY THE FACTS • PRIORITISING WIND ENERGY RESEARCH [6]: ASOCIACIÓN DANESA DE ENERGÍA EÓLICA. Wind Industry annual. http://www.windpower.org. 2015. [7]: Renewable Energy Magazine. ENERGIAS RENOVABLES / BOLETÍN EÓLICO www.energias-renovables.com. 2015. [8]: NORDEX. Nordex N60. http://www.nordexonline.com/fileadmin/MEDIA/Produktinfos/EN/Nordex_N60_EN.pdf. 2015. [9]: COMISION NACIONAL DE LA ENERGÍA. Centro de comunicación de energía. www.cne.es. 2015. [10]: RED ELECTRICA ESPAÑOLA. Informe del sistema eléctrico español. http://www.ree.es/es/publicaciones/sistema-electrico-espanol/informe-anual/informedel-sistema-electrico-espanol-2014. 2014. [11]: ASOCIACIÓN DE PROMOTORES EERR (APPA). Energía primaria y producción eléctrica. http://www.appa.es/01energias/01espana.php. 2014. [12]: ASOCIACIÓN EMPRESARIAL EÓLICA. La eólica en España. http://www.aeeolica.org/es/sobre-la-eolica/la-eolica-en-espana/. 2015. [13]: INSTITUTO PARA LA DIVERSIFICACIÓN Y AHORRO DE LA ENERGÍA. Publicaciones. www.idae.es/publicaciones. 2015. [14]: Ministerio de Economía y competividad. CENTRO DE INVESTIGACIONES ENERGÉTICAS, MEDIOAMBIENTALES Y TECNOLÓGICAS. http://www.ciemat.es/portal.do?IDM=212&NM=2. 2014. [15]: Ministerio de Industria, Energía y Turismo. Plan de Energías Renovables (PER). http://www.minetur.gob.es/energia/esES/Novedades/Documents/Resumen_PER_2011-2020.pdf. 2015. 19
Capítulo1:Evolución,situaciónactualyperspectivasfuturasdelaenergíaeólica 20 [16]: Ministerio de Industria, Energía y Turismo. Plan de Acción Nacional de Energías Renovables de España (PANER) 2011 – 2020. http://www.minetur.gob.es/energia/esES/Novedades/Documents/Resumen_PER_2011-2020.pdf. 2015. [17]: Ministerio de Industria, Energía y Turismo. Plan de Energías Renovables 201120 (PER 2011-2020) elaborado por la Secretaría de Estado de Energía del Ministerio de Industria, Turismo y Comercio, a través del IDAE. http://idae.electura.es/libros/504/. 2014.
CAPÍTULO 2 Aprovechamiento del Recurso Eólico
Capítulo2:AprovechamientodelrecursoEólico Figura 2.1: Aprovechamiento de la Energía Eólica Fuente: Analistas de Económicos de Andalucía En los sistemas conectados a la red la energía eléctrica producida por las turbinas es vendida a la compañía suministradora. De este modo, existen dos contadores: uno para la electricidad vendida y otro para la electricidad consumida. Siempre que sea posible, es aconsejable conectar a red la instalación, ya que el coste de la misma es menor, y existe una prima por la venta a la red eléctrica de esta electricidad de origen renovable. En los sistemas aislados se utilizan para proporcionar electricidad directamente a los usuarios. Generalmente, este tipo de sistemas los utilizan usuarios con consumos de energía muy bajos, para los cuales no compensa pagar el coste de la conexión a la red debido a una posición poco accesible. La energía es acumulada en una serie de baterías, dimensionadas de forma que garanticen una suficiente autonomía para los periodos en los que el sistema eólico no produzca electricidad. En este tipo de sistemas es necesario instalar un regulador de carga. [4] 26
Capítulo2:AprovechamientodelrecursoEólico Las instalaciones eólicas de pequeño tamaño tienen un impacto visual y medioambiental prácticamente nulo, con un tamaño poco superior al de una antena parabólica. Además de poder utilizarse de forma aislada también pueden instalarse junto a paneles fotovoltaicos y otras fuentes de energías alternativas. Otro aspecto importante es el lugar donde instalar la turbina, ésta debe elegirse con atención. La cercanía a los usuarios tiene la ventaja de reducir los costes de cableado, pero puede ser contraproducente para la funcionalidad de la máquina por la interferencia con el viento debida a la proximidad de edificios y por el impacto del ruido. La lejanía reduce el impacto medioambiental. Pero aumenta la dispersión de energía y los costes de cableado y de enterramiento de las líneas eléctricas. La colocación de aerogeneradores en los tejados de las casas es controvertida: por una parte el montaje es sencillo, por otra existen problemas de vibraciones transmitidas por la turbina a las estructuras sobre las que se monta, y los de turbulencia que se va creando alrededor de los tejados. La instalación más común sigue siendo la torre, que puede ser de celosía, tubular o arriostrada. Por otro lado, el rendimiento de las maquinas eólicas depende de la intensidad del viento: a igualdad de diámetro de las palas, al aumentar la velocidad del viento, la potencia teóricamente extraíble aumenta de maneta más que proporcional. Por lo tanto, antes de decidir instalar un sistema eólico es indispensable conocer bien las características del viento en el lugar en el que se piensa instalar los aerogeneradores. Estos conocimientos se obtienen realizando preventivamente un atento estudio de la frecuencia, de la velocidad, de la duración y de la dirección del viento. Las máquinas eólicas funcionan dentro de parámetros mínimos y máximos de la velocidad del viento. En línea general: Pueden ser activados con viento variable de 2,4 m/s Cuando el viento alcanza la velocidad de 10-14 m/s, se activa un dispositivo de control de la potencia. 27
Capítulo2:AprovechamientodelrecursoEólico Se paran cuando la velocidad del viento supera los 20-25m/s. Una de las características en la medida de la eficacia de un aerogenerador son las “horas equivalentes” que determinan la cantidad de viento en la zona. Ecuación: 2.1 MW MWh Potencia producidarealEnergía esEquivalentHoras eólican Instalació la de Nominal Las horas equivalentes suponen la cantidad de horas que, en un año determinado, está la instalación funcionando a pleno rendimiento. (Se puede obtener midiendo la producción anual de un aerogenerador y dividiendo esa cantidad por la potencia nominal). En cuanto al mantenimiento, se puede contratar a empresas especializadas con costes razonables, además la gestión se puede incluso realizar a distancia, a través de sistemas de mando y telecontrol que permiten, mediante un ordenador, recibir datos enviar órdenes a la instalación. Dentro de las tareas de mantenimiento se deberá distinguir entre en mantenimiento preventivo o planificado, el cual se realiza en intervalos determinados por el fabricante y la experiencia del usuario, y el mantenimiento correctivo o no planeado. En cuanto a las empresas que actúan en el mercado de la energía eólica, podemos, ver de forma gráfica, las que más aportan a este mercado de la energía limpia, además de aquellos fabricantes que más han aportado al desarrollo, instalaciones y venta de aerogeneradores. 28
Capítulo2:AprovechamientodelrecursoEólico Figura: 2.2: Reparto por promotores de la potencia instalada a finales de 2012 Fuente: AEE 29
Capítulo2:AprovechamientodelrecursoEólico Figura: 2.3: Potencia instalada por los fabricantes a finales de 2012 Fuente: AEE 2.1.1 A nivel Mundial En Estados Unidos, el desarrollo de molinos de bombeo, reconocibles por sus múltiples velas metálicas, fue el factor principal que permitió la agricultura y la ganadería en vastas áreas de Norteamérica, de otra manera imposible sin acceso fácil al agua. Estos molinos contribuyeron a la expansión del ferrocarril alrededor del mundo, supliendo las necesidades de agua de las locomotoras a vapor. SITUACION ACTUAL: Según un informe de Global Wind Energy Council [5], la capacidad instalada a nivel mundial en el año 2012 de energía eólica llegó a los 282.430 Megavatios, luego de 238.035 MW en 2011, 197.686 MW en 2010, y 158.864 MW en 2009, La energía eólica instalada en el mundo creció alrededor de un 10% en 2012, hasta situarse en 282.430 MW, según datos del Global Wind Energy Council (GWEC). China, Estados Unidos, Alemania y España son los primeros productores mundiales. 30
Capítulo2:AprovechamientodelrecursoEólico Figura 2.4: Capacidad instalada a nivel mundial Fuente: GWEC y AEE Figura 2.5: Capacidad instalada a nivel mundial Fuente: GWEC 31
Capítulo2:AprovechamientodelrecursoEólico En el gráfico anterior se muestra que Europa sigue representando la región del mundo con la mayor capacidad eólica instalada, muchas de ellas con parques de más de 1GW y siendo la pionera en parques Offshore. Con una participación del 43,7 % en la capacidad mundial. Figura 2.6: Contribución continental en la capacidad total instalada [%]. Fuente: WWEA China se convirtió en el país con mayor capacidad instalada a nivel mundial y el centro de la industria eólica a nivel internacional. Añadió 16.500 Megavatios durante el año, contabilizando más del 50 % de la capacidad instalada a nivel mundial durante el 2010. En la tabla 2.1 se puede observar un listado de los 15 países del mundo con mayor potencia instalada. Cabe destacar que España se encuentra el cuarto lugar, tras Estados Unidos, Alemania y China. 32
Capítulo2:AprovechamientodelrecursoEólico Tabla 2.1: Potencia eólica instalada en los distintos países (MW). Fuente: WWEA PERSPECTIVAS FUTURAS: Se espera un crecimiento notable sobre todo en China, India, Europa y América del Norte. Se esperan altas tasas de crecimiento en varios países de América Latina, así como nuevos mercados en Europa del este y Asia. En un mediano plazo, se proyectan grandes inversiones en algunos de los países africanos, no solo en el norte de África, sino también en el sur de África. Con base en las tasas de crecimiento actuales, WWEA revisa sus expectativas para el crecimiento a futuro de la capacidad eólica mundial. En 2015, es posible llegar a una capacidad global de 600.000 MW. A finales del año 2020, por lo menos 1.500.000 MW pueden ser instalados a nivel mundial. 33
Capítulo2:AprovechamientodelrecursoEólico Figura 2.7: Evolución y pronóstico de la capacidad total instalada. Fuente: WWEA 2.1.2 En Europa En Europa los primeros molinos aparecieron en el siglo XII en Francia e Inglaterra y se distribuyeron por el continente. Eran unas estructuras de madera, conocidas como torres de molino, que se hacían girar a mano alrededor de un poste central para levantar sus aspas al viento. El molino de torre se desarrolló en Francia a lo largo del siglo XIV. Consistía en una torre de piedra coronada por una estructura rotativa de madera que soportaba el eje del molino y la maquinaria superior del mismo. Estos primeros ejemplares tenían una serie de características comunes. De la parte superior del molino sobresalía un eje horizontal. De este eje partían de cuatro a ocho aspas, con una longitud entre 3 y 9 metros. Las vigas de madera se cubrían con telas o planchas de madera. La energía generada por el giro del eje se transmitía, a través de un sistema de engranajes, a la maquinaria del molino emplazada en la base de la estructura. Los molinos de eje horizontal fueron usados extensamente en Europa Occidental para moler trigo desde la década de 1180 en adelante. Basta recordar los ya famosos molinos de viento en las andanzas de Don Quijote. Todavía existen molinos de esa clase, por ejemplo, en Holanda 34
Capítulo2:AprovechamientodelrecursoEólico SITUACION ACTUAL: Europa sigue representando la región del mundo con la mayor capacidad eólica instalada con un total de 106 GW en 2012 y sigue en aumento. [2] Figura 2.8: Capacidad instalada en Europa (GW). Fuente: WWEA Dentro de Europa, Alemania (capacidad total de 27.214 MW, incremento de 1.493 MW después de un aumento de 1.880 MW en 2009) y España (en total 20.676 MW, incremento de 1.516 MW después de un aumento de 2.460 MW en 2009) son, con diferencia, los mayores mercados aunque con tasas de crecimiento muy modestas (5,6% y 8,0%). En el siguiente gráfico se observa el mapa eólico en Europa así como su aprovechamiento mas acusado en las costas del norte e Inglaterra donde la intensidad del viento es mayor. 35
Capítulo2:AprovechamientodelrecursoEólico Figura 2.12: Evolución de la potencia eólica instalada por Comunidades Autónomas (20042012). Fuente: AEE PERSPECTIVAS FUTURAS: La Directiva 2009/28/CE de la Unión Europea estableció a España unos objetivos específicos: Una contribución de las energías renovables en un 40% a la demanda de Energía Eléctrica en el horizonte del año 2020. Una contribución de las energías renovables en un 20% al consumo de Energía primaria en el horizonte del año 2020. Como se ha comentado anteriormente (apartado 1.1.1) ha la vista de este escenario han saltado líneas de actuación y España ha respondido ante esta situación redactando el PANER [16] y el PER 2011-2020 [5]. En España, se esperan 38 GW de capacidad instalada para el año 2020 incluyendo 35 GW en tierra y 3 GW de energía eólica Offshore. 42
Capítulo2:AprovechamientodelrecursoEólico En la figura 2.13 se observa un gráfico comparativo entre la situación actual y las perspectivas futuras. Figura 2.13: Comparación entre la potencia eólica instalada y prevista para 2020 en España. Fuente: AEE 43
Capítulo2:AprovechamientodelrecursoEólico 2.1.4 A nivel de la Región de Canarias SITUACION ACTUAL: Según un informe de la potencia eólica instalada en 2011 por islas es la siguiente [17]: 802237 6 Figura 2.14: Potencia eólica instalada en Canarias Fuente: REE y propia Los parques eólicos instalados han ido ocupando los emplazamientos de mayor potencial eólico de cada una de las islas. Los últimos parques eólicos han tenido que instalarse en zonas, que si bien podrían poseer un buen potencial eólico, sus condiciones no llegaban a igualar a la de los primeros. Canarias fue pionera en la instalación de los primeros parques eólicos en España, junto con Tarifa (Cádiz) y La Muela (Zaragoza). Sin embargo, su peculiar sistema “aislado”, hace que se hayan limitado el número de parques eólicos para asegurar la estabilidad del sistema. 44
Capítulo2:AprovechamientodelrecursoEólico Figura 2.15: Mapa de instalaciones eólicas en Canarias Fuente: ITC En la figura anterior se observa que la mayor concentración de instalaciones eólicas en Canarias radica en el sureste de Gran Canaria por ser ésta una región con un gran caudal de viento y una orografía que lo permite. [6] La potencia eólica en Canarias ha ido aumentando lentamente con el paso de los años. Como se puede observar en la siguiente figura. [MW] 45
Capítulo2:AprovechamientodelrecursoEólico Figura 2.16: Evolución de la potencia eólica instalada en Canarias. Fuente: REE PERSPECTIVAS FUTURAS: Para cumplir los objetivos específicos establecidos por el PER 2005-2010, a nivel regional, se elaboró el PECAN [9] que establece los siguientes objetivos: Alcanzar una contribución de las EERR a la Energía primaria del 8%. Alcanzar una contribución de las EERR a la Energía Eléctrica del 30%. Tener instalados en el año 2015 160 MW y 1025 MW de potencia fotovoltaica y eólica, respectivamente. En la tabla siguiente se muestra la estimación de potencia eólica en Canarias prevista en el PECAN para el periodo 2005-2015, así como la evolución real de estas magnitudes hasta el 2010 y las nuevas previsiones para el periodo 2011-2015. Tabla 2.3: Comparativa de la potencia eólica instalada (2005-2010) y nueva previsión de potencia (2011-2015), con la previsión PECAN (2005-2015). CANARIAS Fuente: Revisión PECAN 46
Capítulo2:AprovechamientodelrecursoEólico Figura 2.17: Comparativa de potencia eólica instalada Fuente: revisión PECAN La potencia eólica instalada en Canarias a finales del 2011 era de 145 MW, que comparándola con la que se pretende tener instalada con el horizonte de 2015, quedaría por instalar 880 MW [8]. Esto supone un incremento de la potencia eólica instalada del 706,90%, tal y como se observa en la figura 2.14. 47
Capítulo2:AprovechamientodelrecursoEólico Figura 2.18. Comparación entre la potencia eólica instalada y prevista para 2015 en Canarias Fuente: Decreto 32/2006 y propia Esta potencia eólica se instalará generalmente en zonas de menos potencial eólico en relación a aquellas donde se encuentran los parques eólicos actuales. Por otro lado, aumentará la concentración de aerogeneradores instalados en áreas concretas (aumento de la potencia eólica por unidad de superficie). La instalación de los nuevos parques eólicos en Canarias es inminente, lo que multiplicará por cuatro la capacidad de generación de energía eólica en los próximos dos años, avanzando hacia el objetivo de cubrir con energías renovables el 30% de la demanda eléctrica en Canarias. Según el Decreto 32/2006 [7] la potencia eólica máxima que podrá estar instalada y conectada a la red en el año 2015 en los sistemas eléctricos insulares, no podrá sobrepasar los valores siguientes: Tabla 2.4: Potencia instalada en Canarias en el año 2015 Fuente: Decreto 32/2006 SISTEMA ELÉCTRICO POTENCIA (MW) Gran Canaria 411 Lz-Fv 162 Tenerife 402 La Palma 28 La Gomera 8 El Hierro 14 TOTAL 1025 48
Capítulo2:AprovechamientodelrecursoEólico NORMATIVA NACIONAL: Orden ITC/3353/2010, de 28 de diciembre, por la que se establecen los peajes de acceso a partir de 1 de enero de 2011 y las tarifas y primas de las instalaciones del régimen especial. Real Decreto 1614/2010, de 7 de diciembre, por el que se regulan y modifican determinados aspectos relativos a la actividad de producción de energía eléctrica a partir de tecnologías solar termoeléctrica y eólica. Corrección de errores del Real Decreto 1565/2010, de 19 de noviembre, por el que se regula y modifican determinados aspectos relativos a la actividad de producción de energía eléctrica en régimen especial. Real Decreto 661/2007, de 25 de mayo, por el que se regula la actividad de producción de energía eléctrica en régimen especial. Corrección de errores del Real Decreto 661/2007, de 25 de mayo, por el que se regula la actividad de producción de energía eléctrica en régimen especial. BOE 26/7/07. Real Decreto-ley 6/2009, de 30 de abril, por el que se adoptan determinadas medidas en el sector energético y se aprueba el bono social Real Decreto 1565/2010, de 19 de noviembre, por el que se regulan y modifican determinados aspectos relativos a la actividad de producción de energía eléctrica en régimen especial. 49
Capítulo2:AprovechamientodelrecursoEólico Real Decreto 198/2010, de 26 de febrero, por el que se adaptan determinadas disposiciones relativas al sector eléctrico a lo dispuesto en la Ley 25/2009, de modificación de diversas leyes para su adaptación a la ley sobre el libre acceso a las actividades de servicios y su ejercicio. Real Decreto 1028/2007, de 20 de julio, por el que se establece el procedimiento administrativo para la tramitación de las solicitudes de autorización de instalaciones de generación eléctrica en el mar territorial. NORMATIVA AUTONÓMICA: DECRETO 121/2011, de 17 de mayo, que modifica parcialmente el Decreto 32/2006. DECRETO 7/2011, de 20 de enero, que modifica el Decreto 32/2006, de 27 de marzo, por el que se regula la instalación y explotación de los parques eólicos en el ámbito de la Comunidad Autónoma de Canarias. DECRETO 32/2006, de 27 de marzo, por el que se regula la instalación y explotación de los parques eólicos en el ámbito de la Comunidad Autónoma de Canarias. (BOCA Nº 61/2006). DECRETO 141/2009, de 10 de noviembre, por el que se aprueba el Reglamento por el que se regulan los procedimientos administrativos relativos a la ejecución y puesta en servicio de las instalaciones eléctricas en Canarias. RESOLUCIÓN de 4 de octubre de 2006, de la Secretaría General de Energía, por la que se aprueba el procedimiento de operación 12.3 Requisitos de respuesta frente a huecos de tensión de las instalaciones eólicas. 50
Capítulo2:AprovechamientodelrecursoEólico Orden de 15 de Noviembre de 2006, por la que se regulan las condiciones TécnicoAdministrativas de las instalaciones eólicas ubicadas en Canarias. (BOCA Nº 225/2006). 51
Capítulo3:Prediccióndelapotenciaeléctricadeorigeneólico. 3.1 Introducción El sector de la energía eólica presenta claro liderazgo entre las posibilidades actuales de energías renovables. En muchos mercados eléctricos donde un porcentaje significativo de producción proviene de este tipo de instalaciones, empiezan a producirse problemas de integración debido a su enorme variabilidad e imprevisibilidad. A la vez, la Unión Europea ha emprendido una fuerte apuesta por el desarrollo de un mercado liberalizado de la producción eléctrica. Por ello, con el paso de los años la energía eólica perderá los beneficios que pueda poseer en la actualidad y tendrá que actuar bajo unas reglas comunes. En este caso, la intermitencia de la energía eólica, provoca penalizaciones por desvíos en la producción respecto a lo acordado en el mercado. En este contexto general, conseguir una buena predicción eólica a corto plazo (lo suficiente para operar en el mercado de la electricidad puede ser menos de 48 horas) es fundamental para conseguir buenos resultados económicos. El fuerte impulso que se ha dado a las fuentes de energía de origen renovable ha propiciado que en los últimos años se haya producido un gran aumento de la potencia instalada, y entre ellas, la energía eólica ha sido la que ha tenido un mayor auge, debido principalmente a la gran madurez de la tecnología, resultando en un coste por megavatio instalado cada vez menor. Como contrapartida, la generación eólica conlleva ciertos inconvenientes. Por un lado, la gran variabilidad del viento, y por tanto de la generación eólica, complica su integración en el sistema eléctrico. Además, algunos generadores pueden desconectarse del sistema ante perturbaciones como los huecos de tensión, descensos bruscos en la tensión que tienen lugar cuando se produce un cortocircuito en el sistema [1]. Estas perturbaciones pueden provocar una pérdida súbita de generación eólica en el sistema, que puede poner en riesgo la seguridad del suministro [2]. Sin embargo, la reciente incorporación de mejoras tecnológicas en el comportamiento de los aerogeneradores frente a perturbaciones en la red comienza a permitir un alto grado de penetración de la energía eólica sin comprometer en demasía la seguridad del abastecimiento eléctrico. Este tipo de generación, que en la mayoría de los casos es de potencias relativamente reducidas, conlleva otras ventajas, como la disminución de las pérdidas por transporte en la red, gracias a que la generación se acerca más al consumo [3] y [4]. 56
Capítulo3:Prediccióndelapotenciaeléctricadeorigeneólico. En los últimos años se ha dado un gran impulso a las energías renovables, entre ellas destaca la energía eólica con un mayor auge en potencia instalada debido principalmente a los avances de la tecnología asociada y a su elevada disponibilidad geográfica, ya que hay corrientes de aire en casi cualquier lugar del planeta. Por otro lado, la generación eólica conlleva ciertos inconvenientes. La gran variabilidad del viento, y por tanto de la generación eólica, complica su integración en el sistema eléctrico. Además, algunos generadores pueden desconectarse del sistema ante perturbaciones como los huecos de tensión, descensos bruscos en la tensión que tienen lugar cuando se produce un cortocircuito en el sistema [1]. Estas perturbaciones pueden provocar una pérdida súbita de generación eólica en el sistema, que puede poner en riesgo la seguridad del suministro. Sin embargo, la reciente incorporación de mejoras tecnológicas en el comportamiento de los aerogeneradores frente a perturbaciones en la red comienza a permitir un alto grado de penetración de la energía eólica sin comprometer la seguridad del abastecimiento eléctrico. Gracias a las mejoras en el comportamiento de los aerogeneradores, a la continua bajada en el coste por megavatio instalado de potencia eólica, y a los avances en los métodos de apoyo a la programación y gestión de esta energía, la eólica se ha convertido en la fuente de energía renovable que más se ha desarrollado en los últimos años [5]. La importancia de las predicciones radica en la ayuda que aportan para planificar y anticiparse a los valores futuros que afectarán a un sistema, ayudando a gestionar la adquisición de los recursos necesarios con antelación suficiente, o sirviendo como herramienta para maximizar la rentabilidad mediante la toma de decisiones que maximicen los beneficios de una actividad. Los primeros esfuerzos por crear algoritmos de predicción en el ámbito de los sistemas eléctricos se dedicaron a la predicción de la demanda eléctrica [8]. Desde el punto de vista del operador del sistema eléctrico o TSO, las predicciones de demanda han ayudado a la toma de decisiones como la puesta en funcionamiento con antelación suficiente de unidades de producción eléctrica o la programación del mantenimiento de elementos del sistema eléctrico. Según agentes de mercado, la predicción de demanda ha sido una herramienta utilizada para optimizar sus ofertas de energía al mercado eléctrico con el objetivo de maximizar la rentabilidad. 57
Capítulo3:Prediccióndelapotenciaeléctricadeorigeneólico. Pero el gran auge que han tenido las fuentes de energía renovables durante los últimos años ha obligado a plantearse un nuevo problema de previsión, el de conocer con la antelación suficiente la energía que van a generar estas centrales. Dado que el mayor auge en el ámbito de las energías renovables lo ha experimentado la energía eólica, es en este sector en el que se han venido aplicando mayores esfuerzos por crear herramientas de predicción de energía fiables y eficientes, que ayuden a integrar esta forma de energía en la red [9],[10]. La eólica como se ha comentado, es una forma de generación no programable, ya que solo se produce energía cuando sopla el viento, que puede llegar a ser muy variable incluso en el corto plazo, con posibilidad de intermitencia y grandes cambios en intervalos cortos de tiempo. Por ello, es difícil conocer con antelación y precisión suficiente la cantidad de energía eólica con la que podremos contar en cada momento. Esta variabilidad hace especialmente compleja su operación, por lo que su producción futura tiene que ser estimada o prevista, viniendo esta previsión de potencia futura inevitablemente afectada por un error o incertidumbre de predicción. Si el viento disminuye, la potencia generada en los parques eólicos también disminuye, y esa falta de potencia debe ser reemplazada por otras fuentes de generación con una reserva suficiente en magnitud y velocidad de respuesta para que la demanda eléctrica no se vea afectada. En otras ocasiones, puede ocurrir que no se pueda integrar en el sistema toda la producción eólica disponible, ya que la energía eólica no se genera de acuerdo a las necesidades de consumo, y sea necesario reducir el suministro de esta fuente de energía. Por todo esto, la predicción de generación eólica se ha convertido en un tema clave para hacer factible el desarrollo e implantación de la energía eólica, y su integración en el sistema eléctrico. Desde el punto de vista de generación eólica, o de cualquier otra fuente de energía renovable, su predicción resulta útil tanto para el operador del sistema como para los agentes del mercado o los propietarios de parques. Así, el operador del sistema eléctrico necesita conocer con antelación suficiente la cantidad de energía eólica que será inyectada en la red para gestionar la potencia que deberán generar las centrales convencionales, con el objetivo de cubrir la demanda total del sistema. Entretanto, los agentes de mercado estarán interesados en conocer con la mayor certeza posible la potencia que generarán sus 58
Capítulo3:Prediccióndelapotenciaeléctricadeorigeneólico. parques eólicos con el objetivo de seguir las estrategias que resulten más rentables en el mercado de energía eléctrica. Además, los propietarios de parques eólicos también estarán interesados en conocer en qué periodos se esperan menores potencias generadas en sus instalaciones, para afrontar labores programadas de mantenimiento. El valor de la predicción de generación eólica en términos económicos tiene dos perspectivas. Por un lado, tenemos la reducción de costes de operación en el sistema originada por la reducción de reserva necesaria. Por otro lado están las posibles penalizaciones económicas que se aplican a los agentes, debidas a los desvíos en sus compromisos de generación adquiridos en el mercado de energía eléctrica. Con un modelo de predicción [7] se pueden reducir las penalizaciones por desvíos en la oferta de venta de energía al mercado eléctrico español. El uso de predicciones eólicas contribuye así a minimizar tanto los costes de operación del sistema como a maximizar los beneficios o minimizar las penalizaciones de los agentes de mercado. Hay que disponer de herramientas avanzadas para poder llevar a cabo una integración a gran escala de la energía eólica en el sistema eléctrico que posibilite la realización de pronósticos fiables del recurso eólico con suficiente antelación. Este aspecto es aún más acuciante en el marco de un mercado eléctrico liberalizado, donde el disponer de pronósticos acertados permite un posicionamiento favorable de la energía eólica frente a otras formas más convencionales de generación de energía eléctrica. Actualmente, la tecnología disponible presenta dos limitaciones que justifican una mayor actividad de I+D en el campo de la predicción eólica. La primera limitación de las herramientas disponibles es crítica, puesto que afecta al funcionamiento de éstas. Los métodos y herramientas se encuentran limitados por su dependencia de la complejidad del terreno. En este sentido, es necesario explotar la experiencia disponible y el actual estado del arte para poder desarrollar métodos avanzados capaces de aportar un gran nivel de precisión. Las aplicaciones se encuentran a menudo orientadas a fines específicos. Según se evoluciona a una cada vez mayor integración de la energía eólica, mayor potencia 59
Capítulo3:Prediccióndelapotenciaeléctricadeorigeneólico. instalada en los parques eólicos, y progresiva liberalización de los mercados, mayor será la demanda de herramientas de predicción precisas. 3.2 La variabilidad de la potencia eólica Desde un punto de vista macro-meteorológico, el viento es el movimiento de masas de aire en la atmósfera, generado por las diferencias de temperatura. Existen unos gradientes de temperatura en la Tierra, debidos a la desigual cantidad de calor que recibe del sol. De hecho, la zona más irradiada es el ecuador, mientras que el menos son los polos. Consecuentemente, las masas de aire más calientes del ecuador, suben de altura y se desplazan a los polos, generando a su vez un desplazamiento de las masas de aire frío al ecuador. Esta circulación de aire, es afectada también por la fuerza de Coriolis generada por el movimiento rotacional de la tierra. Esta fuerza actúa en el hemisferio Norte, acelerando el viento en la dirección de giro de la tierra (Este) si va hacia el polo o al contrario (Oeste) si va hacia el ecuador. (Figura 3.1) De manera contraria ocurre en el hemisferio Sur. Estos vientos a gran escala que se producen en toda la atmósfera determinan lo que se denomina vientos geostróficos. Figura 3.1: Causas del viento a escala global Fuente: UCLM En la capa más baja de la atmósfera, desde la superficie hasta aproximadamente los 100 metros de altura, las fuerzas de fricción debido a los obstáculos de la superficie, alteran la velocidad y la dirección del viento, produciendo unos flujos turbulentos, con velocidades del viento que varían en un amplio rango de amplitudes y frecuencia. 60
Capítulo3:Prediccióndelapotenciaeléctricadeorigeneólico. Adicionalmente, la presencia del mar o de grandes lagos, causa circulaciones de aire similares a las observadas en los vientos geostróficos. La suma de todos estos vientos, provoca lo que se denominará “vientos locales”. Esos vientos locales, dependerán de la localización geográfica, las características climáticas, la altura sobre el suelo, y la topografía de la superficie (rugosidad del terreno y obstáculos). Una interesante caracterización de esos vientos locales, es comprobar la distribución de su energía cinética en el dominio de la frecuencia, en lo que se denomina un análisis de espectro de Van der Hover. Figura 3.2: Espectro característico de Van der Hoven Fuente: UCLM En la Figura 3.2 se observa un espectro de Van der Hoven típico. Aunque existen variaciones al analizar en detalle esta gráfica para distintas localizaciones, siempre aparece el mismo patrón. Existen dos picos, donde se producen vientos con más energía, centrados en torno a los ciclos de 100 horas (4 días) y los ciclos de 1 minuto., los cuales están separados por un valle que cubre aproximadamente desde los 10 minutos hasta las 2 horas. Los 61
Capítulo3:Prediccióndelapotenciaeléctricadeorigeneólico. vientos geostróficos son responsables del pico a baja frecuencia, mientras que las turbulencias están asociadas al pico ubicado en alta frecuencia. La clara concentración de energía en torno a dos frecuencias completamente separadas, permitiría dividir la velocidad en dos componentes: Ecuación 3.1 En esa ecuación Vm es la componente del viento de menor frecuencia, denominada con frecuencia velocidad media de viento, aunque no sea exactamente la media, sino la componente del viento que varía de manera más suave. Vt es la componente del viento generada por las turbulencias. Mientras que la velocidad media de viento es aprovechada por el aerogenerador para producir energía, la dinámica del aerogenerador es más lenta que la de la velocidad del viento asociada a las turbulencias, por lo que estas contribuyen en las cargas aerodinámicas que se producen en la estructura del aerogenerador, sin apenas participar en el proceso de creación de energía eléctrica. Por esta razón, ya que nuestro análisis está basado en la producción de energía eólica, a partir de ahora se hará referencia a la velocidad de media de viento, como velocidad del viento, y se denotará por V(t). Después de registrar los vientos de una zona durante años, se puede representar un histograma de las medidas. El modelo estadístico que mejor encaja con la forma obtenida de la velocidad del viento es, por consenso general, la función de distribución de Weibull. Esta función, queda definida por dos parámetros: Aw, el factor de escala y Kw, el factor de forma. Se describe como: 62
Capítulo3:Prediccióndelapotenciaeléctricadeorigeneólico. Ecuación 3.2 Figura 3.3: Ejemplo de función de distribución de Weibull ajustada a las datos de viento en una zona. Fuente: UCLM La potencia eléctrica de origen eólico es generada a través de los aerogeneradores, que transforman la energía cinética del viento en energía eléctrica. El proceso de conversión para un solo aerogenerador, suele ser descrito en base a su curva característica, denominada, curva de potencia del aerogenerador. Estas curvas, suelen tener en la realidad una forma aproximada a la presentada por el propio fabricante del aerogenerador. 63
Capítulo3:Prediccióndelapotenciaeléctricadeorigeneólico. Figura 3.4: Curva de potencia característica de un aerogenerador Fuente: UCLM En la Figura 3.4 se observa una curva de potencia característica. La producción eléctrica es nula para bajas velocidades de viento, hasta una velocidad límite denominada “cut-in” o velocidad de conexión, suficiente para vencer el rozamiento inicial y poner en marcha el generador. A partir de ahí, la producción de potencia aumenta rápidamente con el viento, hasta la denominada potencia nominal del aerogenerador, Pn. Desde ese punto, el generador maniobra para mantenerse produciendo la máxima potencia ante mayores velocidades del viento, hasta que este llega a un valor determinado “cut-out” o velocidad de corte, donde las turbinas tienen que parar por razones de seguridad, ya que a tales vientos la estructura está soportando una gran carga aerodinámica. El rápido aumento de la potencia eólica a partir de la velocidad “cut-in” se debe a que la potencia disponible en el viento para ser extraída, aumenta según el cubo de la velocidad, según la siguiente fórmula [25]: Ecuación 3.3 64
Capítulo3:Prediccióndelapotenciaeléctricadeorigeneólico. En esta ecuación se obtiene de la fórmula de la energía cinética de un flujo de aire, 1/2mV2, donde la masa de aire por unidad de tiempo que atraviesa la superficie que abarca el rotor (Ar) es VArPaire. La ecuación 3.10 sólo representa la potencia teórica que se podría extraer del flujo de aire. En la realidad, esa potencia viene limitada por las características propias de diseño de la turbina que define el coeficiente de potencia (Cp), y por la eficiencia de la transmisión (Nt). El coeficiente de potencia se expresa como la cantidad de potencia extraída de la potencia del viento, y se obtiene realizando una sencilla comparación entre la variación del viento antes y después de pasar por el disco del aerogenerador. Se expresa según la siguiente ecuación: Ecuación 3.4 En la ecuación 3.4, PD es la potencia extraída por el aerogenerador, y PV es la potencia del viento que atraviesa el disco del aerogenerador. α se denomina factor de interferencia en el flujo axial y viene dado por el diseño del aerogenerador. El valor de α que maximiza el coeficiente de potencia CP es según la ecuación 5, α =1/3. Ese valor consigue el valor máximo de CP=16/27, conocido como límite de Betz, que indica el máximo teórico de energía que una turbina podría extraer del flujo de aire que pasa por ella. Por estas razones, en la práctica sólo se puede extraer entre un 20% y un 30% de la energía disponible en el viento. Ecuación 3.5 Ya que los vientos bajos son los más comunes, normalmente los aerogeneradores se encuentran trabajando en el inicio de la curva de potencia, donde pequeñas variaciones en el viento, producen grandes variaciones en la potencia. Ese factor, unido a la propia aleatoriedad del viento, explica la variabilidad de la potencia eólica. 65
Capítulo3:Prediccióndelapotenciaeléctricadeorigeneólico. 3.4 Bibliografía de los modelos de predicción a corto plazo de la producción eléctrica de origen eólico. Este apartado presenta una revisión bibliográfica de los modelos de predicción de producción eléctrica, a corto plazo, en parques eólicos que han sido publicados en la literatura internacional. Se ha incluido, además, un apartado de criterios de evaluación de modelos de predicción, señalando los indicadores estadísticos escogidos para la evaluación de los modelos propuestos en la literatura especializada. 3.4.1 Evaluación de modelos de predicción. Como se ha indicado anteriormente, en este apartado se comentan los indicadores estadísticos más usuales en la evaluación de modelos de predicción de producción eléctrica en parques eólicos así como el modelo de referencia. Para cualquier tarea de predicción con datos cuantitativos son varias las etapas que se deben seguir [13], [14]. De forma resumida estas etapas son las indicadas a continuación. 1. Definición del problema: Incluye la comprensión de cómo se usarán las predicciones, para qué se usarán, y quién las usará. En definitiva, en este primer paso se pretende recabar la máxima información de los usuarios, suministradores de datos y expertos en el tema, para poder ofrecer a los usuarios las predicciones con las características que mejor se adapten a sus necesidades. 2. Recogida de información: Es necesario recoger datos históricos de las variables de interés, incluyendo la variable a predecir, así como de todas las posibles variables explicativas accesibles. La información puede ser cuantitativa (datos numéricos) o cualitativa (opiniones de expertos). 3. Análisis preliminar: El estudio de los valores estadísticos descriptivos (media, varianza, correlaciones, etc.) puede ayudar en la selección de los modelos más adecuados, reconocer outliers, seleccionar las variables explicativas de mayor peso, etc. 4. Elección y ajuste de modelos: Un modelo de predicción esencialmente consiste en un sistema de ecuaciones (lineales o no) que relacionan los valores futuros de la variable a predecir con los valores presentes y pasados de la propia variable y de las variables explicativas. El ajuste del modelo se basa en la adecuación de las características o 72
Capítulo3:Prediccióndelapotenciaeléctricadeorigeneólico. parámetros del modelo, de forma que se minimizan los errores de predicción para el conjunto de datos con los que se ha construido. Este error será tanto menor cuanto mejor se haya realizado la elección del modelo, es decir, cuanto más idóneo sea el modelo a la hora de representar las relaciones reales entre la variable a predecir y las variables explicativas. 5. Evaluación de modelos: El funcionamiento de un modelo debe ser evaluado, obviamente no con los datos utilizados en su ajuste (para algunos modelos, como los basados en las redes neuronales artificiales, con los datos usados en su aprendizaje o entrenamiento), sino con otro conjunto de valores (valores de testeo) de las variables explicativas no utilizado en el ajuste del modelo. Esta prueba permitirá la comparación de los resultados (valores de predicción) entre diferentes modelos y la selección del modelo que arroje los menores errores de predicción. 6. Uso del modelo: Una vez comprobado su funcionamiento, el modelo puede ser usado para realizar las predicciones. La quinta etapa es la más importante cuando tratamos de seleccionar definitivamente un modelo de predicción entre varios posibles. Se puede facilitar esta selección de modelos mediante un análisis de los valores alcanzados por unos indicadores estadísticos sobre las predicciones del modelo, estudiando así la bondad de las mismas. Modelo de referencia. En el campo de la predicción, se han definido algunos modelos sencillos que sirven como referencia a la hora de evaluar la bondad de los nuevos modelos de predicción desarrollados. Estos modelos de referencia están basados en modelos sencillos de series temporales. Uno de los modelos de referencia más utilizados es el modelo de Persistencia. Según este modelo las predicciones de potencia a futuro, para cualquier horizonte, coinciden con el valor actual de la variable, en este caso la potencia eólica: Ecuación 3.7 Donde es la predicción para el horizonte de tiempo t+h , calculada en el instante actual t , y P t es la medida actual de potencia registrada en el parque o la región de estudio. 73
Capítulo3:Prediccióndelapotenciaeléctricadeorigeneólico. Este modelo de predicción para parques solamente tiene un buen funcionamiento para predicciones hasta un horizonte muy reducido, de no más de 2 ó 3 horas, aunque si se trata de predicción regional, puede llegar a dar buenos resultados para horizontes algo mayores, hasta 4 ó 6 horas, ya que los cambios atmosféricos en una región tienen un orden temporal bastante superior al de los cambios que afectan a un parque individual. El modelo de persistencia es un caso concreto del modelo de media móvil de las últimas n observaciones, con n=1 Ecuación 3.8 siendo la medida de potencia en el instante t , de antigüedad . Cuando el orden del modelo de media móvil tiende a infinito, entonces tenemos la media global o incondicional de todo el histórico de potencias eólicas registradas en el parque o región, también llamada media climática, lo que sería un buen modelo de predicción a muy largo plazo: Ecuación 3.9 Fruto de combinar la bondad de las predicciones del modelo de persistencia para el muy corto plazo, y la relativa bondad de las predicciones de un modelo de media global de potencia para predicciones a largo plazo, nace un nuevo modelo de referencia, propuesto en [36], que resulta de una ponderación de ambos métodos, cuyos coeficientes de ponderación dependen del horizonte de predicción: Ecuación 3.10 donde a h es el factor de ponderación que habría que estimar, con valores entre 0 y 1 dependiendo del horizonte de predicción, y que tomará valores cercanos a la unidad para horizontes de predicción muy cortos, dando mucho peso al modelo de persistencia, y valores cercanos a cero para horizontes de predicción muy elevados, en los que la potencia esperada se aproximará más a la media de potencia registrada históricamente. Aunque el nuevo modelo de referencia propuesto en la ecuación 10 es más elaborado y proporciona mejores resultados que el modelo de persistencia, en la práctica el modelo de 74
Capítulo3:Prediccióndelapotenciaeléctricadeorigeneólico. referencia más utilizado sigue siendo el modelo de persistencia, debido a su sencillez y a que no requiere la estimación de parámetro alguno. 3.4.2 Familias de modelos de predicción de la producción eléctrica de origen eólico en el corto plazo. La necesidad, por parte de generadores y operadores de los sistemas eléctricos, de disponer de herramientas de predicción de la energía eléctrica producida de origen eólico que proporcionen el mínimo error posible, se recoge ya en los primeros trabajos publicados. La necesidad de modelos de predicción de la generación se justifica, en estos primeros trabajos, sobre los beneficios económicos que aporta un sistema de predicción, especialmente para los casos de una importante penetración de los sistemas de generación eléctrica de origen eólico. Se entiende esta importante penetración como un porcentaje significativo de potencia instalada en parques eólicos frente a centrales eléctricas convencionales. El primer modelo auténtico de predicción de velocidad del viento, específico para ser usado en la estimación de la producción de energía eléctrica, es el presentado en [Bossanyi85], donde se propone el uso de un filtro Kalman para predicciones de la velocidad media del viento para los próximos minutos (hasta una hora). Los resultados son relativamente buenos para horizontes de predicción por debajo de los 10 minutos, pero ya no tanto para un horizonte de una hora, donde claramente el autor apunta que el método no resulta ser el más adecuado para la predicción de la velocidad media horaria. Tras estos primeros trabajos publicados, son dos los tipos de modelos de predicción propuestos en la literatura internacional. Por una parte se desarrollan modelos que utilizan como datos de entrada valores pasados, bien de la propia serie temporal de la variable a predecir (velocidad del viento o energía producida), o bien de otras variables explicativas que pueden contribuir a reducir los errores de predicción. Denominaremos a estos modelos como pertenecientes a la familia de series temporales. Frente a estos, se desarrollan otros modelos que incorporan como entradas, además de las comentadas para modelos de series temporales, los valores de predicción para variables meteorológicas obtenidos por los programas de predicción numérica existentes en institutos meteorológicos (modelos atmosféricos). 75
Capítulo3:Prediccióndelapotenciaeléctricadeorigeneólico. Algunos de los trabajos publicados se limitan a la predicción de la velocidad media horaria del viento. En otros trabajos se ofrece también la predicción de la potencia eléctrica media horaria producida. El cálculo de esta última se realiza por medio de la relación entre potencia eléctrica producida y velocidad del viento, obtenida de forma empírica para el propio parque para el que se realiza la predicción, o utilizando la ofrecida por el fabricante del aerogenerador (curva de potencia del fabricante). En la literatura internacional pueden encontrarse un par de interesantes revisiones bibliográficas sobre el tema. Una buena fuente sobre estado actual de los modelos de previsión a corto plazo la constituyen [15] y [16]. Otra fuente interesante es la editorial Elsevier (editorial prestigiosa de libros y publicaciones científicas), en ella se han publicado numerosos artículos relacionados con el tema. Entre ellos cabe destacar: Wind power usage and prediction prospects in Lithuania [17]: En este artículo se analiza la situación actual y las perspectivas futuras en cuanto a la potencia eólica instalada en Lituania. Se comentan las características del sistema eléctrico y las cuestiones relacionadas con la integración de la energía eólica en las redes eléctricas. El objetivo de este trabajo es señalar la importancia de la predicción eólica, presentando una reseña de los métodos de predicción de viento, y seleccionando los más adecuados para las condiciones de dicho país. A review on the young history of the wind power short-term prediction [18]: Este artículo señala los modelos más representativos y herramientas desarrolladas a lo largo de la historia en la predicción eólica a corto plazo. Diferenciando la evolución antes de los años 90, en los años 90 y desde el año 2000. Concluye que es necesario una mejora de la precisión de los modelos y las herramientas existentes. A review on the forecasting of wind speed and generated power [19]: Este artículo como muchos otros, clasifica los modelos de predicción en dos categorías: el método físico y el método estadístico (como el modelo ARMA). Establece que el método físico tiene ventajas en la predicción a largo plazo, mientras que el estadístico va bien en la predicción a corto plazo. También aclara que esta clasificación no es absoluta ya que 76
Capítulo3:Prediccióndelapotenciaeléctricadeorigeneólico. en la práctica ambos modelos se utilizan de forma simultánea. Se comentan los nuevos métodos basados en la inteligencia artificial, como la red neuronal (ANN) y los modelos de lógica difusa. Comparison of two new short-term wind-power forecasting systems [20]: En este artículo clasifican los modelos de predicción en dos grupos: un primer grupo que sólo emplea los datos de series de tiempo y predice los valores futuros, teniendo en cuenta la historia pasada, y un segundo grupo que utiliza los valores de la predicción numérica del tiempo. Los modelos del primer grupo utilizan el método estadístico. Comenta los modelos de predicción de energía eólica cuyas variables de entrada han sido aportadas por los modelos de predicción numérica del tiempo tales como el modelo danés Prediktor y el modelo del WPPT, el modelo español Sipreolico y el modelo LocalPred CENER, el modelo alemán Previento y el modelo de ISET de entornos colaborativos, los modelos franceses Armines AWPPS, el modelo griego Universidad Técnica Nacional de Atenas (NTUA) y el modelo de la Universidad Aristóteles de Tesalónica (AUTH), y el modelo norteamericano eWind. Modelos de predicción basados en series temporales de viento o en series de energía eléctrica generada. En la tabla 3.2 se presenta resumidamente las características más relevantes de los modelos de predicción, pertenecientes a esta primera familia basada en series temporales, propuestas en la literatura internacional. En dicha tabla se indica la variable que predicen (velocidad media horaria o potencia eléctrica media horaria), el tipo de modelo, el horizonte de predicción máximo, los criterios de evaluación y la mejora obtenida con respecto al modelo persistente (si lo indican). Tabla 3.1: Resumen de características de modelos de predicción de la primera familia. Fuente: Tesis Doctoral, Modelos avanzados para la predicción a corto plazo de la producción eléctrica en parques eólicos 77
Capítulo3:Prediccióndelapotenciaeléctricadeorigeneólico. 59 58 57 56 55 54 53 51 52 50 49 48 47 46 45 43 44 Modelos de predicción basados en modelos atmosféricos. En la tabla 3.2 se presentan resumidamente las características más relevantes de los modelos de predicción pertenecientes a esta segunda familia (basada en predicciones de modelos atmosféricos). En dicha tabla se recogen los modelos utilizados, el modelo atmosférico que proporciona las predicciones de variables meteorológicas como la velocidad y dirección de viento, temperatura, etc., y las características esenciales de las técnicas usadas en el modelo de predicción de la producción eléctrica en un parque eólico. También figuran en la tabla los horizontes máximos de predicción de cada modelo, el criterio de evaluación seleccionado para la determinación de los errores de predicción, así como la mejora con respecto al modelo persistente (mejora correspondiente al horizonte máximo considerado, en caso de que el modelo estudiado haya presentado algún ejemplo de aplicación). 78
Capítulo3:Prediccióndelapotenciaeléctricadeorigeneólico. Tabla 3.2: Resumen de características de modelos de predicción de la segunda familia. Fuente: Tesis Doctoral, Modelos avanzados para la predicción a corto plazo de la producción eléctrica en parques eólicos. 69 68 67 66 65 64 63 62 61 60 Conclusiones. Son varias las conclusiones que se pueden extraer de la revisión bibliográfica sobre la predicción de la producción eléctrica en un parque eólico y que son comentadas a continuación. 1. Los modelos de la primera familia (modelos basados en series temporales) presentan mejores resultados que los modelos de la segunda familia (los basados en valores de predicción de variables meteorológicas obtenidos de modelos atmosféricos) para horizontes de predicción relativamente bajos, con un límite entre las 3 y las 6 horas. Así, en [21] un modelo autoregresivo (por tanto de la primera familia) presenta menores errores de predicción que los modelos de la segunda familia basados en redes neuronales para horizontes de predicción por debajo de las 6 horas. En general, los modelos publicados parecen “focalizados” para un intervalo específico de horizonte de predicción. Así, los modelos de la primera familia están diseñados para realizar las predicciones de potencias eléctricas en parques eólicos en el muy corto plazo, mientras que los modelos de la segunda familia están más orientados a realizar la predicción para el día siguiente (marcando su aplicación para la realización de ofertas de venta en el mercado eléctrico, así como para otras necesidades 79
Capítulo3:Prediccióndelapotenciaeléctricadeorigeneólico. relativas a la operación del Sistema Eléctrico). Ningún sistema de predicción de la producción eléctrica combina ambas características. 2. En los modelos de predicción de la primera familia no existe un criterio de evaluación de error común, puesto que utilizan tanto el error medio (ME), como el error absoluto medio (MAE) o la raíz del error medio cuadrático (RMSE). Por el contrario los modelos de predicción publicados y pertenecientes a la segunda familia, utilizan de forma generalizada el indicador RMSE, como criterio de evaluación del error en la predicción. 3. A pesar de haberse propuesto un modelo de referencia en [22], para obtener los resultados de predicción de potencias eléctricas con los que comparar los obtenidos con cualquier otro modelo propuesto, se utiliza como modelo de referencia exclusivamente el modelo persistente, independientemente del horizonte de predicción. 4. Los errores de predicción dependen del horizonte de predicción: cuanto mayor es el horizonte de predicción mayor es el error. Sin embargo, en la comparación de modelos propuestos con el modelo persistente, la mejora de la predicción con cualquier modelo propuesto crece con el horizonte de predicción. 5. El nivel de detalle que aparece en las publicaciones sobre modelos de la primera familia es muy superior al de los modelos de la segunda familia. Es más, mientras que para los modelos de la primera familia se presentan de forma generalizada los resultados y errores obtenidos con la aplicación del modelo, para los modelos de la segunda familia son casi excepcionales las publicaciones que lo hacen, quedándose la mayoría en una mera descripción del modelo propuesto. 6. Los resultados publicados y obtenidos con los distintos modelos son muy dispares. Igualmente, puede afirmarse que no es posible alcanzar resultados (de predicción de producción eléctrica) equiparables de un lugar geográfico (para el que se realiza la predicción) a otro. Ello es debido esencialmente a que las condiciones locales de viento dependen altamente de la orografía del lugar donde se sitúa el parque eólico, y también de la situación de cada uno de los aerogeneradores que lo componen [23], de tal forma que resulta casi imposible alcanzar un nivel de error similar con el mismo modelo de predicción para todos los parques eólicos. Así, no es posible obtener un nivel de error de predicción similar para un parque eólico situado en un terreno llano, que para otro parque situado en un terreno significativamente montañoso. 80
Capítulo3:Prediccióndelapotenciaeléctricadeorigeneólico. 7. Los errores de predicción se pueden reducir como consecuencia de la agregación (predicción para un conjunto de parques eólicos): se obtiene menor error en la predicción a nivel regional o nacional para un conjunto de parques eólicos que en la predicción de un único parque [24]. 8. Para el desarrollo de modelos de predicción (de producción eléctrica) de la segunda familia, se han utilizado diferentes modelos atmosféricos que casi siempre han sido desarrollados, mantenidos y ejecutados por institutos meteorológicos nacionales. En este sentido, una buena parte de los diseñadores de nuevos modelos de predicción de la producción eléctrica en un parque eólico vienen a ser, en cierta forma, “clientes” de los institutos meteorológicos (o de empresas que a su vez son clientes de dichos institutos). 9. La reducción de los errores de predicción de producción eléctrica para modelos de la segunda familia está ligada a la reducción de los errores de predicción de las variables meteorológicas de los modelos atmosféricos. Esta reducción de errores (mejora de las predicciones de potencia eléctrica) se consigue fundamentalmente aumentando la resolución de dichos modelos atmosféricos. 10. Las predicciones de variables atmosféricas de interés para la predicción de la producción eléctrica en un parque eólico son, esencialmente, la velocidad y dirección del viento, utilizándose excepcionalmente otras (temperatura, densidad del aire, humedad, etc.). 11. La adaptación (si ésta es posible) de la mayor parte de los modelos publicados, a otros parques eólicos, debe ser realizada por un experto: la correcta modelización física, la adecuación de los parámetros, el ajuste de “ventanas temporales”, etc., requiere de la participación de un experto. 3.5 Error de predicción de la potencia eólica En este apartado se definirán una serie de técnicas que se considerarán a la hora de evaluar el error cometido por las predicciones de potencia eólica. Al comparar distintos métodos de predicción es necesario establecer una serie de métodos estándar que permitan comparar los resultados. Por ello nos apoyaremos en los resultados publicados por ANEMOS, un proyecto de investigación y desarrollo de la UE que pretende desarrollar una nueva generación de sistemas de predicción de potencia eólica que permita la integración a gran escala de los parques eólicos en la red de electricidad. Este grupo, donde ha participado un 81
Capítulo3:Prediccióndelapotenciaeléctricadeorigeneólico. Utilizando esta filosofía de trabajo orientada a la distribución, se estudiará la influencia de una variable fijándola (por ejemplo el valor de potencia eólica predicho) y midiendo los momentos estadísticos de los errores asociados. Se añadirán nuevas medidas para evaluar las funciones de densidad de probabilidad resultantes, además de la BIAS, definida en la ecuación 3.21 para evaluar el error sistemático, y la SDE, definida en la ecuación 3.26 para evaluar la dispersión del error. El coeficiente de asimetría, vek, indicará la falta de asimetría de la distribución estadística. Si al trazar una vertical por el punto que ocupe el valor esperado del error, ambos lados de la distribución son iguales, se dice que la distribución es simétrica. Este coeficiente indicará hacia qué lado se extiende más la función de densidad de probabilidad. Se definirá, siguiendo la fórmula de Fischer como: Ecuación 3.21 El exceso de curtosis, Kek, informa sobre la forma de la función de distribución considerada, comparándola con la forma de una distribución normal. El exceso de curtosis de una gaussiana es igual a 0. Se calculará como: Ecuación 3.22 3.6 Beneficios y penalizaciones de la predicción eólica La predicción de la generación eólica puede tener importantes repercusiones económicas para el operador del sistema, con una reducción de los costes de operación gracias a la reducción de la necesidad de reserva. Como ejemplo, en [27] se trata un modelo para la determinación óptima de reserva rodante en el sistema teniendo en cuenta la posible generación eólica en los próximos minutos. 88
Capítulo3:Prediccióndelapotenciaeléctricadeorigeneólico. Una evaluación sobre el impacto que tiene la precisión de las predicciones sobre los costes de operación del sistema puede encontrarse en [28]. Usando un modelo de evaluación de costes, se estudió el impacto de la precisión de las predicciones eólicas en los costes de operación del sistema, concluyendo que a menor precisión en las predicciones, mayores son los costes de operación por la necesidad de aumentar la reserva rodante. También se comprueba que los beneficios de una compañía con potencia eólica instalada se ven mermados debido a los errores de predicción en la generación eólica, al tener que comprar a otras compañías la energía eléctrica que fue prevista pero que no fue generada. Así, además de ayudar a la operación del sistema eléctrico, la predicción de potencia eólica se ha convertido en una herramienta de peso para los agentes de mercado o los propietarios de parques eólicos que venden la energía de sus instalaciones en el mercado de electricidad. La explosión en el desarrollo de la energía eólica ha coincidido con la liberalización de los mercados eléctricos en muchos países, y existen penalizaciones económicas frente a los desvíos de generación con respecto de la cantidad de energía pactada en el mercado. En [29] se presenta el valor de la predicción en términos de ahorro de combustible para una compañía con parques eólicos. El gasto de combustible es comparado con el gasto que se realizaría si se conociese la generación en el parque eólico, usando tanto un modelo simple de persistencia como teniendo en cuenta las predicciones de un modelo atmosférico. Un estudio para el caso del mercado Danés se presenta en [30], donde se examinó el impacto de la potencia eólica en el mercado Nordpool, simulando el uso de una herramienta de predicción bajo ciertas modificaciones en las reglas del mercado. En otro estudio descrito en [31] y [32] se utiliza el sistema de predicción de Armines AWPPS sobre el mercado de electricidad alemán APX, y se plantea la posibilidad de utilizar modelos de incertidumbre para diseñar estrategias en las ofertas de energía teniendo en cuenta la diferencia de los precios de los desvíos por exceso o por defecto de generación. Se obtienen mayores beneficios teniendo en cuenta la incertidumbre de las predicciones para la estrategia de oferta de potencia eólica, que ofertando al mercado una predicción puntual [33]. 89
Capítulo3:Prediccióndelapotenciaeléctricadeorigeneólico. Atendiendo al caso concreto del sistema eléctrico español, se presenta en [40] un estudio que utiliza predicciones del modelo Sipreólico para un parque eólico que envía ofertas de venta de energía al mercado eléctrico. La reducción de ingresos debida a las posibles penalizaciones por desvíos en la energía comprometida en el mercado resulta inferior si se utiliza el modelo de predicción. En [34] se trata la estrategia de ofertas óptimas, utilizando además un modelo de predicción de precios. Las penalizaciones en los desvíos, se aplican tanto si el parque eólico genera menos potencia de la acordada en el mercado como si tiene un exceso de producción sobre el valor comprometido, pues en ambos casos se debe hacer uso de las bandas de regulación. Para mitigar estos desvíos, se ha planteado la posibilidad de hacer ofertas conjuntas de generación hidráulica y eólica con el objetivo de minimizar las penalizaciones, encargándose la hidráulica de compensar los desvíos en la generación eólica prevista. En [35] se presentan ofertas óptimas de generación, teniendo en cuenta la incertidumbre de la generación eólica para minimizar el riesgo de penalizaciones durante el día siguiente en el sistema eléctrico español. Además, se plantea el uso de un generador hidráulico para minimizar las penalizaciones por desvíos. En [36] y [37] se propone usar centrales de bombeo junto con un parque eólico para diseñar una estrategia óptima de operación y maximizar los beneficios en el mercado portugués. El posible uso del recurso hidráulico para almacenar energía y compensar las variaciones de la potencia eólica ha dado lugar a estudios que plantean el tamaño óptimo que deberían tener estas centrales hidráulicas de bombeo para recuperar la energía eólica no integrable en la red [38], o para compensar las variaciones de eólica teniendo en cuenta la incertidumbre asociada [39], convirtiendo incluso el servicio de almacenamiento hidráulico en un mercado rentable. 3.6.1 Desvíos en la predicción. El artículo 34 del RD 661/2007 establece el cálculo y liquidación del coste de los desvíos: 1. A las instalaciones que hayan elegido la opción a) del artículo 24.1, se les repercutirá el coste de desvío fijado en el mercado organizado por cada período de programación. El 90
Capítulo3:Prediccióndelapotenciaeléctricadeorigeneólico. coste del desvío, en cada hora, se repercutirá sobre la diferencia, en valor absoluto, entre la producción real y la previsión. 2.Estarán exentas del pago del coste de los desvíos aquellas instalaciones que habiendo elegido la opción a) del artículo 24.1 no tengan obligación de disponer de equipo de medida horaria, de acuerdo con el Reglamento de puntos de medida de los consumos y tránsitos de energía eléctrica, aprobado por el Real Decreto 2018/1997, de 26 de diciembre. Coste de desvío Las penalizaciones en los desvíos, se aplican tanto si el parque eólico genera menos potencia de la acordada en el mercado como si tiene un exceso de producción sobre el valor comprometido, pues en ambos casos se debe hacer uso de las bandas de regulación. El programa previsto de producción de energía después de haber participado en el mercado diario y en el mercado intradiario, y en caso necesario después de las restricciones en tiempo real, no será casi nunca igual a la energía efectivamente producida originando un desvío por déficit o por exceso sobre la energía programada que el operador del sistema debe resolver utilizando energías de balance que reemplacen el déficit de energía creado por el desvío o para que sean reemplazadas por el exceso de energía renovable producido como desvío. El coste de las energías de balance repercute a los productores con desvío originando una pérdida de ingresos. El coste del desvío unitario por MWh producido se obtiene por medio de la siguiente fórmula: Ecuación 3.23 Donde: : Desvío en la hora h calculado como diferencia entre la producción horaria medida y el programa horario final operativo que es el programa final del mercado menos la reducción por restricciones en tiempo real. Es positivo si la producción es mayor que el programa y negativo en caso contrario. 91
Capítulo3:Prediccióndelapotenciaeléctricadeorigeneólico. Precio liquidado del desvío a la instalación en la hora h . Es menor o igual que PMD h cuando DSV h es positivo y mayor o igual que PMD h cuando DSV h es negativo. Por tanto, CDSVP h siempre es positivo o cero. Los costes de desvío se publican en REE, gracias al Sistema de Información del Operador del Sistema (SIOS). SIOS ha sido desarrollado por Red Eléctrica para realizar las tareas de información y gestión de los procesos relacionados específicamente con el mercado eléctrico. El sistema ofrece completa información de acceso público en el servidor del SIOS en Internet. Como responsable de la operación del sistema eléctrico, Red Eléctrica garantiza la continuidad y seguridad del suministro y la adecuada coordinación del conjunto generacióntransporte. Para ello realiza una serie de procesos, a partir de la casación del mercado en el horizonte diario efectuada por el operador del mercado, hasta la definición de cada una de las programaciones horarias y la asignación de los servicios complementarios, que permiten la explotación segura y económica del sistema en tiempo real. Los costes de desvío que afectan a los parques eólicos son los que están publicados como Coste Desvíos RD 66/2007, dentro de Desvíos Medidos. Los Desvíos Medidos se definen como la diferencia entre la energía programada y la energía medida. El precio de los desvíos se calcula de acuerdo a lo establecido en el P.O.-14. 3.6.2 Exención del coste del desvío Según el Artículo 34.2 del Real Decreto 611/2007, de 25 de mayo, “estarán exentas del pago del coste de los desvíos aquellas instalaciones que habiendo elegido la opción a) del artículo 24.1 no tengan obligación de disponer de equipo de medida horaria, de acuerdo con el Reglamento de puntos de medida de los consumos y tránsitos de energía eléctrica, aprobado por el Real Decreto 2018/1997, de 26 de diciembre.” Según el Reglamento de puntos de medida, RD 1110/2007, las instalaciones que no tienen obligación de disponer de equipo de medida horaria y que por tanto están exentas del coste del desvío son las que su potencia nominal es menor o igual a 15 kVA. 92
Capítulo3:Prediccióndelapotenciaeléctricadeorigeneólico. El precio del desvío de las unidades de programación donde se agrupan estas instalaciones será siempre el precio del mercado diario, con independencia de su sentido. De esta forma el coste del desvío será siempre cero. El coste del desvío de las instalaciones exentas lo asume la demanda nacional como menor cobro del excedente de la liquidación de los desvíos. 93
Capítulo3:Prediccióndelapotenciaeléctricadeorigeneólico. 3.7 Referencias [1]: M.H. Bollen, Understanding Power Quality Problems: Voltage Sags and Interruptions, Wiley-IEEE Press. [2]: R.M. Gnativ y J.V. Milanović, “Qualitative and quantitative analysis of voltage sags in networks with significant penetration of embedded generation,” European Transactions on Electrical Power. [3]: N. Jenkins, R. Allan, P. Crossley, D. Kirschen, y G. Strbac, Embedded Generation, The Institution of Engineering and Technology, 2000. [4]: G. Pepermans, J. Driesen, D. Haeseldonckx, R. Belmans, y W. D'haeseleer, “Distributed generation: definition, benefits and issues,” Energy Policy [5]: Global Wind Report, Global Wind Energy Council - GWEC, 2012 [6]: Universidad de Castilla la Mancha (UCLM), www.uclm.es [7]: J. Usaola, O. Ravelo, G. González, F. Soto, M.C. Dávila, y B. Díaz-Guerra, “Benefits for Wind Energy in Electricity Markets from Using Short Term Wind Power Prediction Tools. [8]: D. Bunn, Comparative Models for Electrical Load Forecasting, John Wiley & Sons, 1985. [9]: S. Thor y P. Weis-Taylor, “Long-term research and development needs for wind energy for the time frame 2000-2020,” Wind Energy [10]: G. Giebel, L. Landberg, G. Kariniotakis, y R. Brownsword, “State-of-the-Art on Methods and Software Tools for Short-Term Prediction of Wind Energy Production,” Proc. of the 2003 European Wind Energy Association Conference, EWEC'03 [11]: P.A. Østergaard, “Ancillary services and the integration of substantial quantities of wind power,” Applied Energy, vol. 83 [12]: H. Abildgaard, D. Klaar, B. Kriszak, J. Rodriguez, y W. Winter, “European Wind Integration Study (EWIS) - Reference Study Towards a Successful Integration of Wind Power into European Electricity Grids,” [13]: S. Makridakis, S.C. Wheelwright, R.J. Hyndman, “Forecasting. methods and applications”, John Wiley and Sons, Hoboken (NJ), 1998. [14]: S.A. DeLurgio, “Forecasting principles and applications”, McGrawHill, Singapur, 1998. [15]: L.Landberg, G. Giebel, H.A. Nielsen, T.S. Nielsen, H. Madsen, “Short-term prediction - An overview”, Wind Energy, Vol. 6, no. 3, 273-280, 2003. 94
Capítulo3:Prediccióndelapotenciaeléctricadeorigeneólico. [16]: G. Giebel, L. Landberg, G. Kariniotakis, R. Brownsword, “State-ofthe-art on methods and software tools for short-term prediction of wind energy production”, Proceedings European Wind Energy Conference, Madrid, 8p, 2003. [17]: M.Marciukaitis, V.Katinas, A.Kavaliauskas, “Wind power usage and prediction prospects in Lithuania”, Laboratory of Renewable Energy, Lithuanian Energy Institute, Lithuania, 2006. [18]: A. Costa, A. Crespo, J. Navarro, G. Lizcano, H. Madsen, E. Feitosa, “A review on the Young history of the wind power short-term prediction”,Wind Energy, Division of Renewable Energies, Departmen of Energy, CIEMAT, Madrid, 2007. [19]: M. Lei, L. Shiyan, J. Chuanwen, “A review on the forecasting of wind speed and generated power”, Department of Electrical Engineering, Shanghai Jiaotong University, China, 2008. [20]: J. Ramirez-Rosado, L. Fernandez-Jimenez, C. Monteiro, J.Sousa, R. Bessa, “Comparison of two new short-term wind-power forecasting systems”, Departmen of Electrical Engineering University of Zaragoza, España, 2008. [21]: I.J. Ramírez-Rosado, L.A. Fernández-Jiménez, C. Monteiro, “Artificial neural network models for wind power short-term forecasting using weather predictions”, Proceedings International Conference on Modelling, Identification and Control, Innsbruck, Austria, 128132, 2006. [22]: T.S. Nielsen, A. Joensen, H. Madsen, L. Landberg, y G. Giebel, “A new reference for wind power forecasting,” Wind Energy, vol. 1, 1998, págs. 29-34. [23]: L. Landberg y S.J. Watson, “Short-term prediction of local wind conditions,” Boundary- Layer Meteorology, vol. 70, Jul. 1994, págs. 171-195. [24]: M. Gastón, L. Frías, I. Martí, “Exploring the limits of wind farm grouping for prediction error compensation”, Proceedings European Wind Energy Conference, Atenas, 5p, 2006. [25]: http://www.energiasrenovables.ciemat.es [26]: http://www.reoltec.net/recursos [27]: S. Chan, D. Powell, M. Yoshimura, y D. Curtice, “Operations Requirements of Utilites With Wind Power Generation,” IEEE Transactions on Power Apparatus and Systems, vol. PAS-102, 1983, págs. 2850-2860. [28]: M.R. Milligan, A.H. Miller, y F. Chapman, “Estimating the economic value of wind forecasting to utilities,” 1995. [29]: S. Watson, G. Giebel, y A. Joensen, “The Economic Value of Accurate Wind Power Forecasting to Utilities,” 1999. 95
Capítulo3:Prediccióndelapotenciaeléctricadeorigeneólico. 96 [30]: B. Sorensen y P. Meibom, “Can wind power be sold in a deregulated electricity market?,” Proceedings of the European Wind Energy Conference, Nice, France: 1999, págs. 375-378. [31]: P. Pinson, C. Chevallier, y G. Kariniotakis, “Optimizing benefits from wind power participation in electricity markets using advanced tools for wind power forecasting and uncertainty assessment,” Proceedings of the 2004 EWEC conference, London: 2004. [32]: P. Pinson, C. Chevallier, y G.N. Kariniotakis, “Trading Wind Generation From ShortTerm Probabilistic Forecasts of Wind Power,” IEEE Transactions on Power Systems, vol. 22, 2007, págs. 1148-1156. [33]: P. Pinson y G. Kariniotakis, “On-line adaptation of confidence intervals based on weather stability for wind power forecasting,” Proceedings of the 2004 Global Wind Windpower Conference, Chicago, Illinois, USA: 2004. [34]: J. Usaola y M. Moreno, “Optimal bidding of wind energy in intraday markets,” 2009 6th International Conference on the European Energy Market, Leuven: 2009, págs. 1-7. [35]: J.M. Angarita y J.G. Usaola, “Combining hydro-generation and wind energy: Biddings and operation on electricity spot markets,” Electric Power Systems Research, vol. 77, Abr. 2007, págs. 393-400. [36]: E. Castronuovo y J. Lopes, “On the Optimization of the Daily Operation of a WindHydro Power Plant,” IEEE Transactions on Power Systems, vol. 19, 2004, págs. 1599-1606. [37]: E.D. Castronuovo y J.A.P. Lopes, “Optimal operation and hydro storage sizing of a wind-hydro power plant,” International Journal of Electrical Power & Energy Systems, vol. 26, Dic. 2004, págs. 771-778. [38]: J. Anagnostopoulos y D. Papantonis, “Simulation and size optimization of a pumpedstorage power plant for the recovery of wind-farms rejected energy,” Renewable Energy, vol. 33, Jul. 2008, págs. 1685-1694. [39] P. Pinson, G. Papaefthymiou, B. Klockl, y J. Verboomen, “Dynamic sizing of energy storage for hedging wind power forecast uncertainty,” Power Energy Society General Meeting, 2009. PES '09. IEEE, 2009, págs. 1 -8. [40]: J. Usaola, O. Ravelo, G. González, F. Soto, M.C. Dávila, y B. Díaz-Guerra, “Benefits for Wind Energy in Electricity Markets from Using Short Term Wind Power Prediction Tools; a Simulation Study,” Wind Engineering, vol. 28, Ene. 2004, págs. 119-127
CAPÍTULO 4 Objetivo de La TESIS.
Capítulo5:EstadodelArteenlaprediccióndelapotenciaeléctricadeorigeneólico INDICE 5.1. Introducción…………………………………………………………………………………… 104 5.2. Predicción numérica del tiempo…..…………………………........................... 104 5.2.1 Modelos atmosféricos de macro-escala globales…………………........... 106 5.2.2 Modelos atmosféricos de macro-escala Regionales…..…………........... 107 5.2.3 Modelos atmosféricos meso-escalares y de micro-escala……….......... 108 5.2.4 Conclusiones………………………………..……………………………..…............ 113 5.3 T écnicas utilizadas en los modelos de predicción eólica……..…………………………………………………………………………………….......... 114 5.3.1 Modelos físicos…………………………………………………………………........... 115 5.3.2 Modelos estadísticos…………………………………………………………........... 117 5.3.2.1 MOS………………………………………………………………………..........…… 118 5.3.2.2 Filtros de Kalman…………………………………………………..........………. 119 5.3.2.3 Modelos ARIMA…………………………………………………...........………… 120 5.3.2.4 Redes Neuronales Artificiales………………………………..........………… 120 5.3.2.5 Fuzzy Logic: Sistemas de Inferencia Difusa……………..........……….. 123 5.3.2.6 Conclusiones………………………………………………………..........……….. 125 5.3.3 Comparación de modelos…………………………………………………............ 126 5.4 La herramienta de predicción SIPRE Ó LICO…………………………..…............ 128 5.4.1 Datos de entrada……………………………………………………………..........… 129 5.4.2 Modelos de predicción de Sipreólico…………………………………...........… 131 5.5 El proyecto ANEMOS……………………………………………………………............. 134 5.6 Descripción y características de los modelos de predicción existentes……………………………………………………………………………………........... 136 5.6.1 Aeolis………………………………………………………………………………........... 138 5.6.2 Casandra………………………………………………………………………..........…. 140 5.6.3 CENER……………………………………………………………………………............ 143 5.6.4 MeteoLógica……………………………………………………………………............ 145 5.7 Otros modelos………………………………………………………………………........... 147 5.7.1 Aleasoft…………………………………………………………………………….......... 147 5.7.2 Garrad Hassan…………………………………………………………………........... 149 5.7.3 Meteosim………………………………………………………………………..........…. 153 5.7.4 EA2…………………………………………………………………………………........... 154 5.8 Ejercicio de Predicción……………………………………………………………........... 156 5.9 Referencias…………………………………………………………………………..........… 158 101
Capítulo5:EstadodelArteenlaprediccióndelapotenciaeléctricadeorigeneólico ÍNDICE DE FIGURAS: Figura 5.1: Modelo Global de Alemania con una resolución espacial de 60 x 60 km2 Figura 5.2: Dominio del modelo Local del Servicio Meteorológico Alemán con una resolución espacial de 7 x 7 km2 Figura 5.3: Anidamiento de dominios para la ejecución del modelo atmosférico MM5 con una elevada resolución espacial para una zona de La Rioja Figura 5.4: Curva de potencia del aerogenerador G90-2.0 MW fabricado por Gamesa Corporación Tecnológica Figura 5.5: Mejora en la predicción utilizando filtros de Kalman Figura 5.6: Esquema básico de red neuronal utilizado en WPMS Figura 5.7: Estructura de un sistema de inferencia difusa Figura 5.8: Mejora del error de predicción (RMSE) de la velocidad de viento en el parque de Alaiz Figura 5.9: Errores (RMSE) de las predicciones de viento para Alaiz de los modelos: MM5, MM5+CFD, MM5+LocalPred, MM5+CFD+MOS Figura 5.10: Diagrama de funcionamiento de SIPREEÓLICO Figura 5.11: Esquema del módulo de predicción de Sipreólico Figura 5.12: Esquema de los modelos de predicción Figura 5.13: Predicción de producción eólica nacional Figura 5.14: Características del modelo Aeolis Figura 5.15: Esquema de funcionamiento del modelo Casandra Figura 5.16: Características del modelo CENER Figura 5.17: Predicción regional de generación eólica en Alemania y observaciones en tiempo real Figura 5.18: Características del modelo Meteológica Figura 5.19: Esquema general de funcionamiento AleaSoft Figura 5.20: Características del modelo AleaSoft Figura 5.21: Ejemplo de serie temporal de una predicción de velocidad de viento, T+12h Figura 5.22: Ejemplo de serie temporal de una predicción de energía, T + 12 h Figura 5.23: Características del modelo Garrad Hassan Figura 5.24: Características del modelo eWind Figura 5.25: Arquitectura del sistema EA2 102
Capítulo5:EstadodelArteenlaprediccióndelapotenciaeléctricadeorigeneólico ÍNDICE DE TABLAS: Tabla 5.1: Sistemas de predicción numérica del tiempo en Europa 103
Capítulo5:EstadodelArteenlaprediccióndelapotenciaeléctricadeorigeneólico 5.1 Introducción Se pueden encontrar dos clases de modelos de predicción de potencia eólica atendiendo a si usan o no predicciones meteorológicas (Numerical Weather Predictions o NWP). Normalmente, para calcular predicciones de generación eólica es necesario disponer previamente de predicciones meteorológicas, salvo para los modelos de predicción de potencia basados exclusivamente en extrapolar la tendencia de la producción eólica. 5.2 Predicción Numérica del Tiempo. (NWP) Generalmente, para calcular predicciones de generación eólica es necesario disponer previamente de predicciones meteorológicas, salvo para los modelos de predicción de potencia basados exclusivamente en extrapolar la tendencia de la producción eólica. Los modelos de predicción numérica operativos en los centros de predicción meteorológica aportan el dato de entrada principal para poder predecir la energía eólica a corto plazo. Actualmente, cualquier ejercicio de predicción se apoya en este tipo de predicciones meteorológicas aunque se sabe que estos modelos presentan errores considerables y sistemáticos en las capas próximas en el suelo. Son varias las opciones para mejorar esta limitación, entre las que se encuentra la aplicación de modelos estadísticos o empíricos, proceso que se suele denominar “Downscaling estadístico” o modelización estadística de las predicciones a nivel local. Otra opción ampliamente utilizada es el uso de modelos numéricos de mayor resolución que se anidan a los modelos meteorológicos, y que se denominan “Downscaling físico” o modelización física de adaptación de las predicciones a nivel local. Así, nos encontramos con que habitualmente para la obtención de predicciones de energía eólica a corto plazo entran en juego dos sistemas, el modelo atmosférico de predicción meteorológica, y el propio modelo de predicción de potencia a partir de las predicciones meteorológicas. 104
Capítulo5:EstadodelArteenlaprediccióndelapotenciaeléctricadeorigeneólico La atmósfera es, esencialmente, una mezcla de gases y agua en sus distintos estados. Esta mezcla se encuentra en un continuo movimiento, sometida a la acción del campo gravitatorio de la propia Tierra. Además sobre esta mezcla está actuando la radiación solar, responsable del calentamiento de la misma. Pero como en cualquier sistema real, se cumplen un conjunto de leyes físicas: leyes de conservación de energía, masa y momento, además de la ecuación de estado de los gases. Estas leyes físicas se pueden representar mediante ecuaciones diferenciales que relacionan las derivadas totales de ciertas magnitudes físicas respecto a la variable tiempo. Las ecuaciones diferenciales que corresponden a la modelización matemática de las leyes físicas que rigen el comportamiento dinámico de la atmósfera, reciben la denominación de ecuaciones primitiva. La resolución de dichas ecuaciones proporcionará unos resultados numéricos para las variables que intervienen en las mismas. Esta es la base de la predicción numérica meteorológica. El objetivo de la predicción numérica meteorológica es determinar el estado de la atmósfera para un instante futuro, a partir de la condición inicial actual. Para ese objetivo se debe disponer de un modelo matemático capaz de resolver las ecuaciones primitivas y que incluya los posibles intercambios energéticos (radiación, turbulencia, calor latente, etc.). Puesto que las ecuaciones primitivas son no lineales, en la práctica se suele recurrir a distintas aproximaciones que simplifican la resolución numérica. Para la obtención de las soluciones numéricas, aparecen los modelos atmosféricos que asignan al mundo real continuo una rejilla tridimensional. La resolución espacial de esa rejilla, influye directamente en la precisión del modelo atmosférico. Así una disminución del tamaño de la rejilla significará un aumento de la precisión, si bien, también significará un aumento en el tiempo computacional necesario para la resolución de las ecuaciones: a la par que reducimos el tamaño de la rejilla, debe reducirse el paso de integración utilizado en las técnicas numéricas de resolución, para poder mantener la estabilidad de las soluciones. Una importante área de investigación en el campo de la predicción meteorológica, hoy en día, lo constituye el aumento de la resolución en los modelos, sin que este aumento de resolución signifique importantes incrementos en el tiempo computacional para la resolución de los mismos. 105
Capítulo5:EstadodelArteenlaprediccióndelapotenciaeléctricadeorigeneólico Establecer el estado inicial para ejecutar una predicción requiere una gran colección de datos. El estado de la atmósfera se mide sobre una base regular por un gran número de estaciones sinópticas, boyas, radio sondas, barcos, satélites y aviones en todo el mundo. Como los formatos de los datos y los ciclos de medición se encuentran estandarizados por la Organización Mundial Meteorológica (OMM), se encuentran disponibles los datos mundiales meteorológicos para los servicios meteorológicos y así poder establecer las condiciones iniciales de sus modelos de predicción numérica del tiempo. Por tanto, los modelos de predicción meteorológica se basan en la resolución de las ecuaciones físicas que describen el estado de la atmósfera, aplicadas a una serie de puntos de una malla o rejilla tridimensional que la representa y que, partiendo de unos valores iniciales de medidas del estado de la atmósfera, calculan cómo será la evolución de la misma durante las siguientes horas. Típicamente, un modelo de predicción meteorológica se ejecuta cada 6 o 12 horas, generando predicciones para las siguientes 48 o 72 horas. Dependiendo de la escala espacial o tamaño de rejilla que utilicen los modelos, podemos diferenciar entre modelos de macro-escala, modelos meso-escalares, y modelos de micro-escala. 5.2.1 Modelos atmosféricos de macro-escala globales. Los modelos atmosféricos de macro-escala globales utilizan una aproximación hidrostática, es decir, los movimientos verticales de las masas de aire se suponen despreciables frente a los movimientos horizontales, y por lo tanto no tienen en cuenta la posible evolución vertical de la atmósfera. Al abarcar toda la superficie terrestre tienen su malla definida en coordenadas esféricas. Ejemplos de modelos de macroescala globales son el GFS (Global Forecast System) del servicio meteorológico norteamericano NCEP (National Centers for Enviromental Prediction) [1], el perteneciente al centro europeo de predicción ECMWF (European Centre for MediumRange Weather Forecasts), y el modelo global de Alemania actualmente con resoluciones espaciales entre 0.5º y 0.25º. 106
Capítulo5:EstadodelArteenlaprediccióndelapotenciaeléctricadeorigeneólico En la figura 3.1 se puede observar un ejemplo de la malla del modelo global del Servicio Meteorológico Alemán. Al ser un modelo global, presenta una resolución de 60 x 60 km2. Figura 5.1: Modelo Global de Alemania con una resolución espacial de 60 x 60 km2. Fuente: Physical Approach to Short-Term Wind Power Prediction 5.2.2 Modelos atmosféricos de macro-escala regionales. Dado que las regiones de mayor interés en la predicción meteorológica no abarcan todo el planeta, también existen otros modelos de macro-escala no globales que centran su predicción en las regiones de interés. Estos modelos están limitados a una región específica, con lo que con la misma potencia de cálculo pueden tener una resolución mayor que los modelos globales. Para su ejecución, además de condiciones iniciales necesitan condiciones de contorno de la región, que son obtenidas de los modelos globales. El modelo HIRLAM (High Resolution Limited Area Model) es un ejemplo de modelo atmosférico regional, que actualmente ofrece predicciones para parte de Europa con resolución espacial entre 0.05º y 0.16º. A partir del modelo global, aparece el modelo local o regional con una mayor resolución de entre 50 x 50 km2 hasta 7 x 7 km2 pero con un dominio menor que normalmente se centra alrededor del país de origen del servicio meteorológico. En la figura 3.2 se puede observar un ejemplo. 107
Capítulo5:EstadodelArteenlaprediccióndelapotenciaeléctricadeorigeneólico Figura 5.2: Dominio del modelo Local del Servicio Meteorológico Alemán con una resolución espacial de 7 x 7 km2. Fuente: Physical Approach to Short-Term Wind Power Prediction 5.2.3 Modelos atmosféricos meso-escalares y de micro-escala. Debido a la limitación computacional de los ordenadores, la separación entre dos puntos consecutivos de la malla que usan los modelos atmosféricos macro-escalares como los descritos es superior al tamaño característico de un parque eólico. Dado que los puntos de la malla para los que se calcula la predicción de viento no suelen coincidir con la ubicación de los parques eólicos, la predicción de viento en el emplazamiento de un parque se obtiene mediante una interpolación entre los valores de los puntos de la rejilla más cercanos resueltos en el modelo atmosférico. Además, esta malla tampoco suele tener la resolución suficiente como para representar con un detalle adecuado la orografía del terreno, con lo que las predicciones de viento a baja altura y en terrenos complejos suelen ser bastante deficientes. Para tratar de paliar estos inconvenientes, existen modelos de menor escala que, partiendo de las predicciones meteorológicas de un modelo de macro-escala en los puntos de la malla cercanos a la ubicación del parque eólico, vuelven a resolver las ecuaciones físicas sin usar una aproximación hidrostática, teniendo en cuenta la aceleración vertical provocada por la orografía del terreno. Esta vez se define una 108
Capítulo5:EstadodelArteenlaprediccióndelapotenciaeléctricadeorigeneólico malla mucho más fina, localizada en el entorno del emplazamiento del parque eólico y representando con gran detalle la orografía del terreno en coordenadas cartesianas. Ejemplos de modelos meso-escalares son MM5 y RAMS [2,3], y WAsP es un caso representativo de modelo de micro-escala [4]. En particular, la ventaja de los modelos de mesoescala consiste en un detalle mayor de los efectos térmicos, que es muy beneficioso en terrenos con alta radicación solar y cerca de la costa para capturar las brisas marinas. Estos modelos también son importantes para terrenos complejos, por ejemplo, en España o Noruega, donde la velocidad y dirección del viento es localmente no homogénea. Son varios los modelos atmosféricos no hidrostáticos (mesoescala) desarrollados por la comunidad científica, alguno de ellos implementados en software de acceso público. Entre estos pueden citarse el modelo atmosférico WRF (Weather Research and Forecast Model), el MM5 (Penn State/NCAR Mesoscale Model, Version 5), COAMPS (US Navy´s Coupled Ocean/Atmosphere Mesoscale Prediction System), ARPS (Advanced Regional Prediction System), MEMO (Mesoscale Model) etc. La mayoría de los modelos atmosféricos están programados en Fortran, con algunas rutinas en C, y pensados para ser ejecutados en ordenadores con sistema operativo Unix. Cabe destacar el modelo atmosférico MM5. Es un modelo atmosférico de mesoescala, desarrollado por investigadores de la Universidad Estatal de Pennsylvania y el National Center for Atmosferic Research (PSU/NCAR), desde la década de los 80 del siglo pasado. Está implementando en más de 100.000 líneas de código programado en Fortran 77, Fortran 90 y C. El modela está soportado por un conjunto de programas, que pueden ser compilados para funcionar de formas paralela en varias máquinas (un “cluster” de máquinas). Este modelo es la última versión de una serie de modelos evolucionados a partir de un modelo de mesoescala desarrollado durante los años ochenta. Desde entonces ha sufrido numerosas modificaciones, convirtiéndose en uno de los modelos de mesoescala de referencia a nivel mundial. Entre sus características mas relevantes se pueden destacar la capacidad de anidamiento múltiple, su dinámica de fluidos no hidrostática, y la capacidad de asimilación de datos en cuatro dimensiones. También incluye un gran número de procesos físicos opcionales y su portabilidad a un gran número de plataformas computacionales. 109
Capítulo5:EstadodelArteenlaprediccióndelapotenciaeléctricadeorigeneólico predicciones meteorológicas del modelo atmosférico HIRLAM en viento sobre las turbinas de un parque, y calcula la predicción de potencia mediante el uso de la curva de potencia. El efecto de estela de las turbinas se tiene en cuenta mediante el uso de PARK, que modela este efecto basándose en la información de la posición relativa de las turbinas dentro del parque. Los demás efectos que no tienen en cuenta los modelos físicos se corrigen con un modelo estadístico o MOS, ajustando los resultados con las medidas de potencia históricas. En la actualidad, el modelo Prediktor forma parte, junto con el modelo estadístico Wind Power Prediction Tool (WPPT), de la herramienta Zephyr [9], que tiene el objetivo de aunar las ventajas de un modelo estadístico y un modelo físico. El modelo estadístico proporciona buenos resultados para las primeras horas mientras que el modelo físico proporciona mejores resultados para horizontes mayores, incluso ante la ausencia de medidas de potencia. Previento [10], desarrollado por Focken en la universidad de Oldenburg, es otro ejemplo representativo de modelo físico, que en este caso utiliza predicciones meteorológicas LokalModell del servicio meteorológico alemán DWD [11]. Posteriormente calcula predicciones regionales totales a partir de las predicciones individuales de algunos parques seleccionados. En Estados Unidos, la herramienta EWind [12], desarrollada por TrueWind, usa el modelo de meso-escala ForeWind para adaptar las predicciones a condiciones locales, tomando como condiciones iniciales y de contorno las predicciones meteorológicas de un modelo de mayor ámbito [13]. Los errores sistemáticos también se atenúan con el uso de un módulo estadístico. CENER y CIEMAT han desarrollado Localpred [14], [15], pensado para hacer predicciones en terrenos complejos y que está basado en un modelo de predicción de velocidad de viento local por la interpolación y corrección de puntos cercanos HIRLAM con regresión múltiple. Incluye predicciones a muy corto plazo basadas en modelos de series temporales, e incorpora un modelado físico del terreno en alta resolución con el modelo de meso-escala MM5 para mejorar las predicciones meteorológicas en el entorno del parque eólico y transformarlas en predicciones de potencia mediante una curva de potencia. 116
Capítulo5:EstadodelArteenlaprediccióndelapotenciaeléctricadeorigeneólico Por último, también se han propuesto herramientas de predicción de potencia que están basadas directamente en los modelos de previsión atmosféricos. Un ejemplo de esta integración directa del modelo de predicción meteorológica a un modelo de predicción de potencia eólica es el HIRLAM Power Prediction Model, o HIRPOM [16]. 5.3.2 Modelos estadísticos. Los modelos estadísticos también conocidos como “dowscalling estadístico”, no simulan los procesos físicos explícitamente, como ocurre con los modelos físicos, sino que parametrizan las relaciones existentes entre los pronósticos meteorológicos y las producciones del parque. La principal ventaja de este tipo de modelos es que requieren un menor coste computacional al no tener que simular matemáticamente los complejos fenómenos físicos que influyen en la predicción de la producción de energía eólica y sus interrelaciones. Sin embargo, los modelos estadísticos requieren de un amplio histórico de datos para su entrenamiento y son más susceptibles a cambios en las condiciones de un parque. Se considera un método de predicción estadístico, aquel que intenta establecer la relación entre los valores históricos de potencia eólica, y una serie de variables que pudieron tener relación con ese valor, como las predicciones NWP de las áreas cercanas, o variables climáticas (presión, humedad, temperatura...). Esta relación es encontrada mediante el uso de un conjunto de datos de entrenamiento. El uso de modelos de predicción estadística que sólo utilizan valores pasados de potencia, pueden obtener un buen resultado para horizontes de predicción muy bajos (del orden de varias horas). Sin embargo es necesario el uso de predicciones climáticas NWP como variables de entrada para obtener un buen resultado en la estimación de la potencia eólica con un horizonte de predicción mayor. Para simplificar, bajo la denominación de los modelos estadísticos considerados en el proyecto, también se han incluido a aquellos que utilizan técnicas que no pertenecen exactamente al campo de la estadística como son aquellos basados en redes neuronales y lógica borrosa. 117
Capítulo5:EstadodelArteenlaprediccióndelapotenciaeléctricadeorigeneólico En lo que respecta a las herramientas de predicción de tipo estadístico, la mayoría de éstas se basan en modelos “MOS” (“Model Output Statistics”), nombre con el que se empezaron a denominar a los primeros modelos clásicos de regresión lineal utilizados para aumentar la resolución de los resultados de los modelos numéricos. Por otra parte, también se han analizado modelos basados en filtros de Kalman. 5.3.2.1 MOS El acrónimo MOS significa técnica de interpretación estadística de la salida de los modelos numéricos (Model Output Statistics). Los sistemas de predicción numéricos se ven limitados rápidamente por la capacidad de cálculo de los ordenadores en la resolución de los fenómenos locales. Sin embargo, la utilización del procedimiento estadístico MOS permite, por ejemplo, predecir con mayor precisión la temperatura en pequeñas depresiones del terreno, los vientos locales, las precipitaciones en las cuencas hidrográficas o las horas de sol en las zonas con pendientes. La técnica MOS resulta muy sencilla de aplicar, pero tiene el inconveniente de precisar una gran cantidad de datos obtenidos del modelo atmosférico (e incluso de medidas reales) para poder aplicar la regresión lineal múltiple y poder reducir los errores en la predicción de las variables (velocidad y dirección media del viento) que resulten de mayor interés para la predicción a corto plazo de la potencia eléctrica generada en parques eólicos. MOS permite una corrección estadística, para adecuar la predicción a la ubicación concreta de cada parque. Según [17], para mejor las predicciones de los modelos basados en técnicas MOS se muestran tremendamente útiles además de los valores de viento, los gradientes de presión. 118
Capítulo5:EstadodelArteenlaprediccióndelapotenciaeléctricadeorigeneólico 5.3.2.2 Filtros de Kalman Una técnica diferente a la MOS que contribuye a la reducción de los errores de predicción de los modelos atmosféricos (requiriendo una menor cantidad de datos), es la de aplicación de un filtro Kalman [18]. El filtro de Kalman es un algoritmo desarrollado por Rudolf E. Kalman en 1960 que sirve para poder identificar el estado oculto (no medible) de un sistema dinámico lineal. Las técnicas de downscaling basadas en filtros de Kalman, muy apropiadas para estimar los estados de un sistema dinámico lineal, han conseguido reducciones del error en el pronóstico de hasta un 20% en algunos casos, especialmente en horizontes de predicción largos [17]. Figura 5.5: Mejora en la predicción utilizando filtros de Kalman. Fuente: ANEMOS El inconveniente que presentan los filtros Kalman, en el contexto de los datos disponibles para el desarrollo de los modelos de predicción a corto plazo de la potencia eléctrica generada en el parque eólico, es que precisan de valores medidos (reales) de las variables que son filtradas para actualizar los parámetros del filtro. Se ha 119
Capítulo5:EstadodelArteenlaprediccióndelapotenciaeléctricadeorigeneólico comentado en las anteriores páginas que las medidas de las variables meteorológicas disponibles en el parque no eran fiables. En este sentido conviene desarrollar un modelo de predicción que sea lo más independiente posible de medidas en el propio parque eólico. 5.3.2.3 Modelos ARIMA El acrónimo ARIMA significa modelo autorregresivo integrado de media móvil (AutoRegresive Integrated Moving Average). Los modelos ARIMA fueron popularizados en los años 70 por George Box y Gwilym Jenkins, y sus nombres se utilizan, frecuentemente, como sinónimos de la metodología ARIMA aplicada a análisis y predicción de series. Esta familia de modelos ha sido utilizada ampliamente a partir de los 80, debido a los avances de recursos de cálculo y de optimización. La principal ventaja de esta metodología es que proporciona predicciones óptimas en el plazo inmediato y en el corto plazo. Los modelos ARIMA presentan como una limitación el hecho de que sean modelos lineales, lo que los hace relativamente imprecisos en la predicción de variables de naturaleza no lineal. En la literatura especializada se puede encontrar una gran colección de modelos, derivados de los creados bajo la metodología de los modelos ARIMA, pero de carácter no lineal. 5.3.2.4 Redes neuronales artificiales (ANN) Las redes neuronales artificiales son sistemas inspirados en los sistemas neuronales biológicos (cerebro animal). Las redes neuronales artificiales constan de un conjuntos de elementos simples de procesamiento, llamados neuronas o nodos, conectados entre sí por conexiones que tienen asignado valor numérico modificable llamado peso. Cada neurona puede recibir información de otras neuronas (que actúan para ella como entradas) o de una entrada externa, y a su vez generar información en una salida que puede servir de información de entrada a otras neuronas. El procesamiento que cada 120
Capítulo5:EstadodelArteenlaprediccióndelapotenciaeléctricadeorigeneólico neurona hace con la información que recibe consiste en generar un valor (información) de salida que es función de una combinación lineal de valores de sus entradas. La estructura de una red neuronal viene determinada por la disposición de las neuronas y de sus funciones de activación. Las neuronas se agrupan en capas, considerándose como “ocultas” aquellas que no corresponden a la capa de entradas (las neuronas que actúan como entrada de señales o valores externos) y la capa de salidas (las neuronas que proporcionan su salida al exterior). El conjunto de valores que se presentan a las neuronas de la capa de entradas (un valor por neurona), correspondientes a las entradas de la propia red neuronal, recibe la denominación del valor del vector de entradas. La principal características de las redes neuronales es su capacidad de aprendizaje. Este aprendizaje consiste en el ajuste de los pesos de las conexiones entre neuronas de una forma iterativa para conseguir un efecto deseado, el de “aprender” las relaciones existentes entre pares de valores de vectores de entradas-salidas que se le suministren, o encontrar un patrón común en datos de entrada para poderlos clasificar de acuerdo a los distintos patrones [40]. A continuación se muestra un ejemplo de red neuronal artificial que se usa en WPMS (Wind Power Management System). Se compone de diferentes capas que son responsables de la percepción de la entrada, del procesamiento de acuerdo con la formación previa y de la salida de la predicción de energía. Por tanto, la principal idea consiste en relacionar las predicciones meteorológicas con la correspondiente medida de potencia de salida a fin de crear una curva de potencia multidimensional para cada sitio representativo. 121
Capítulo5:EstadodelArteenlaprediccióndelapotenciaeléctricadeorigeneólico Figura 5.6: Esquema básico de red neuronal utilizado en WPMS. Fuente: Physical Approach to Short-Term Wind Power Prediction La principal ventaja que aportan los modelos con las redes neuronales se deriva del hecho de que no hace falta conocer la naturaleza del conjunto de datos que se requiere presentar, sino que la propia red neuronal, a través del proceso de entrenamiento, recoge las características esenciales del conjunto de datos a representar. Otras ventajas se pueden citar son las indicadas seguidamente. No linealidad: el comportamiento no lineal de las funciones de activación de las neuronas posibilita que las redes neuronales puedan actuar como aproximadores universales de funciones no lineales. Son adaptables a la evolución de cualquier tipo de representación de datos sin más que volverlas a entrenar. Presentan una menor dependencia del conocimiento de los “expertos” en el desarrollo de modelos. Como desventajas se pueden citar las señaladas seguidamente. Necesidad de disponer de gran cantidad de datos: el entrenamiento de las redes neuronales con muchas entradas exige un número elevado de valores del vector de entradas y del correspondiente valor del vector de salidas. Hay muchos problemas en los que resulta difícil obtener gran cantidad de datos, necesaria para que la red neuronal sea entrenada adecuadamente. Posibilidad de que el proceso de entrenamiento conduzca a algún mínimo local. 122
Capítulo5:EstadodelArteenlaprediccióndelapotenciaeléctricadeorigeneólico Los modelos basados en redes neuronales artificiales se han manifestado como candidatos ideales en la aproximación de funciones no lineales. Para el caso concreto de la predicción de la producción eléctrica en parques eólicos, como problema de característica no lineales que es, los modelos basados en redes neuronales constituyen una de las opciones, a priori, más interesantes a considerar. 5.3.2.5 Fuzzy Logic: Sistemas de inferencia difusa. Un enfoque diferente con modelos estadísticos de predicción basado en lógica difusa ha sido desarrollado por Ecole de Mines (ARMINES), Francia, para proporcionar una predicción a corto plazo de la energía eólica. Los modelos basados en lógica difusa, junto con los modelos basados en redes neuronales artificiales, constituyen un conjunto de herramientas de representación o modelización que pertenecen al campo conocido como “soft computing”. La lógica fuzzy es una técnica para la incorporación del conocimiento estructurado humano en algoritmos eficientes. La base del razonamiento difuso son las reglas del tipo “SI… ENTONCES…”. El conjunto de reglas (base de reglas) constituye el conocimiento lingüístico que “tiene” el sistema de inferencia difuso y que le permite resolver el problema. Cada una de las reglas responde a una expresión como la reflejada en la ecuación: Ecuación 5.1 SI x 1 es A Y x 2 es B ENTONCES y es C Donde x 1 y x 2 representan dos de las variables de entrada e y representa la variable de salida. A, B y C son conjuntos difusos definidos en el universo de discurso de x 1, x2 e y , y representados por la etiqueta lingüística correspondiente. A la proposición difusa “ x 1 es A Y x 2 es B” se le llama antecedente o premisa y a la proposición difusa “ y es C” se le 123
Capítulo5:EstadodelArteenlaprediccióndelapotenciaeléctricadeorigeneólico llama consecuente o conclusión. Una regla expresa un tipo de relación entre, A, B y C que se denomina implicación lógica. Figura 5.7: Estructura de un sistema de inferencia difusa. Fuente: Universidad de La Rioja El bloque agregador manipula los resultados de las distintas reglas para producir un resultado, todavía en términos difusos, que el bloque “defuzzificador” se encarga de convertir en una variable numérica. Existen varios tipos de sistemas de inferencia difusa que difieren, fundamentalmente, en la parte consecuente de las reglas, el método de agregación y la correspondiente “defuzzyficación” posterior. Entre esos sistemas se pueden citar los de Mandani, Takagi-Sugeno, y Tsukamoto. La principal ventaja que reportan los modelos basados en sistemas de inferencia difusa radica en la facilidad que representa para la mente humanada entender el propio modelo. A diferencia de los modelos basados en redes neuronales (que se comportan como una “caja negra”), en el caso de los modelos de inferencia difusa, llegar a comprender el modelo es más sencillo. Seguidamente se indican otras ventajas: La posibilidad de los sistemas de inferencia difusa de integrar la irremplazable experiencia de expertos humanos. Esta experiencia se puede implementar fácilmente en las reglas del tipo “SI… ENTONCES…”. Los sistemas de inferencia difusa pueden integrar términos lingüísticos en el razonamiento. 124
Capítulo5:EstadodelArteenlaprediccióndelapotenciaeléctricadeorigeneólico Los sistemas de inferencia difusa presentan limitaciones: desde el principio se deben fijar las reglas que establecen el funcionamiento del sistema, y, en ocasiones, un cambio de condiciones puede requerir la creación de un nuevo sistema de inferencia difusa (puede aparecer una imposibilidad en adoptar el sistema al cambio de condiciones). Los sistemas basados en sistemas de inferencia difusa han mostrado, a lo largo de los últimos años, una aplicabilidad tan universal como la de los modelos basados en redes neuronales artificiales. Comparten con estas la capacidad de aproximación de funciones no lineales, y les aventajan en la posibilidad de que el diseñador pueda adaptar el modelo de predicción debido a su mayor sencillez conceptual. La predicción de la producción eléctrica en parques eólicos utilizando sistemas de inferencia difusa se realiza en función del horizonte de predicción. En función del horizonte de predicción, se usan (o no) los últimos valores de la variable a predecir (normalmente la potencia eléctrica generada) como entrada al sistema de predicción. El resto de entradas corresponderá a las predicciones de un modelo atmosférico, en el caso de que estuvieran disponibles. 5.3.2.6 Conclusiones Los modelos expuestos en este apartado constituyen los más usados en la predicción de futuros valores, y por tanto resultan muy adecuados para la predicción de la producción eléctrica en parques eólicos. Entre las metodologías analizadas se encuentran los modelos que hacen uso de técnicas MOS, los que utilizan filtros de Kalman y los que se basan en redes neuronales o lógica borrosa. Con los modelos basados en filtros de Kalman se han conseguido reducciones del error en el pronóstico de hasta un 20% en algunos casos, especialmente para horizontes largos de predicción. En cuanto a los errores de predicción, cabe recordar que los errores en la predicción numérica del modelo meteorológico global o de área limitada representan la principal fuente de error. Por otro lado, en lo que respecta a los modelos basados en técnicas MOS, se ha avanzado 125
Capítulo 7: Influencia de la fiabilidad en la predicción a corto plazo de la potencia eléctrica producida por un parque eólico, en el coste de generación por MWh y en la planificación de las áreas eólicas. Un caso de estudio en las islas Canarias. 224 Por tanto, los errores de predicción originados por la dificultad de estimar con una alta fiabilidad, la variabilidad inherente a la energía eólica y su escasa gestionabilidad son fuente de costes. Ese coste adicional será tanto mayor cuanto más elevado sea el desvío entre la potencia predicha y la medida. A ese coste se denominará, Coste de Desvío (Cd). La estructura de costes de la generación de energía para un parque hasta ahora considerada en la literatura científica, contempla generalmente dos factores: los costes debidos a la inversión inicial y los costes de Operación y Mantenimiento [40-45]. En este capítulo se evaluará el coste de desvío medio por unidad de energía generada por un aerogenerador. Así mismo, se analizará la influencia del error cometido en la predicción de la potencia eólica en la magnitud del coste de desvío y en su contribución al coste total de producción. Se compararán los nuevos costes de producción, una vez incorporados los costes de desvíos, con los precios de venta medios de la energía establecidos en el mercado eléctrico. La incorporación de los costes de desvío como un nuevo factor en la estructura de costes de generación, disminuirá la rentabilidad económica de las granjas eólicas. En este sentido, se deberá exigir un mayor potencial eólico a una zona determinada para poder rentabilizar un proyecto de parque eólico. En este documento se analizará el efecto negativo que tiene el coste de desvío en el potencial eólico de una zona determinada. Conocer este efecto es fundamental en la ordenación del territorio y en lo que respecta a la delimitación de zonas eólicas dentro de las planificaciones energéticas de las regiones. Los cálculos realizados en este documento se han particularizado para el sistema y mercado eléctrico del archipiélago canario, regulados a su vez por los operadores del sistema y mercado eléctrico español.
Capítulo 7: Influencia de la fiabilidad en la predicción a corto plazo de la potencia eléctrica producida por un parque eólico, en el coste de generación por MWh y en la planificación de las áreas eólicas. Un caso de estudio en las islas Canarias. 225 7.2 Metodología Como se ha señalado en el apartado anterior, el desvío existente entre la potencia eléctrica predicha y la medida implica un coste económico al sistema eléctrico. Dicho coste es imputado proporcionalmente a las fuentes de generación que provocan el desvío. Para el caso particular de los sistemas eléctricos españoles, los costes de desvíos se establecen para cada hora del año. El operador del sistema eléctrico español, Red Eléctrica de España, publica los costes por unidad de energía desviada (€/MWh) en su página Web [4]. En el estudio realizado en este documento, se ha partido de la información disponible de los costes de desvió de los años 2007 al 2011. Para cada uno de los meses del año se han calculado los costes de desvíos medios horarios en el periodo de los cinco años de estudio, Ecuación 7.1. Ecuación 7.1 dy N 1d N 1y y,d,m,h dy m,h Cd NN 1 Cd Donde: ;Cd m,h , Es el coste de desvío medio para la hora “h” del mes “m” dentro del periodo de estudio 2007-2011 (en Euros/MWh desviado) Cd h,m,d,y, Es el coste de desvío medio para la hora “h” del día “d”, relativo al mes “m” y año “y” Ny, Es el número de años del periodo de estudio Nd, Es el número de días del mes considerado La generación de energía eléctrica de origen eólico varía a los largo de un día concreto dependiendo del potencia eólica disponible para cada una de las horas del día, Ecuación 7.2 [23-29]. Por ello, se ha calculado el coste de desvío mensual, teniendo en cuenta la distribución horaria de la densidad de potencia eólica. Ecuación 7.2 3y,d,m,h y,d,m,h V 2 1 P
Capítulo 7: Influencia de la fiabilidad en la predicción a corto plazo de la potencia eléctrica producida por un parque eólico, en el coste de generación por MWh y en la planificación de las áreas eólicas. Un caso de estudio en las islas Canarias. 226 Donde: P h,m,d,y, Es la densidad de potencia eólica en la hora “h” del día “d”, relativo al mes “m” y año “y” (in W/m2) , Es la densidad del aire (se ha escogido para los cálculos de este documento un valor igual a 1.225 Kg/m3 V h,m,d,y, Es la velocidad del viento en la hora “h” del día “d”, relativo al mes “m” y año “y” Para los cálculos realizados en este documento, se ha estimado una distribución horaria tipo de la densidad de potencia eólica. Los resultados se han particularizado para el caso del archipiélago canario. Por tanto, la información eólica utilizada se corresponde con estaciones meteorológicas instaladas en el mismo. Las islas de Gran Canaria y Tenerife son las más pobladas y en ellas se encuentra el 80% del total de la potencia eléctrica instalada en el archipiélago. Asimismo, la mayoría de la potencia eólica instalada hasta el momento en el archipiélago se concentra en estas dos islas y se prevé que los mayores porcentajes de parques eólicos que se instalen en el futuro en canarias se llevarán a cabo en las mismas. Por este motivo, a la hora de estimar la distribución horaria por mes de la potencia eólica se ha ponderado ésta según sea la isla donde se encuentre la estación anemométrica de referencia. Al igual que se describió para los costes de desvío, a partir de la información horaria de la potencia eólica para los 12 años disponibles (1999-2010), se ha estimado la densidad de potencia eólica media para cada una de las horas en cada uno de los meses del año, Ecuación 7.3. Ecuación 7.3 dwy N 1d N 1y y.d,m,h dwy m,h P NN 1 P
Capítulo 7: Influencia de la fiabilidad en la predicción a corto plazo de la potencia eléctrica producida por un parque eólico, en el coste de generación por MWh y en la planificación de las áreas eólicas. Un caso de estudio en las islas Canarias. 227 Donde: m,h P, Es la densidad de potencia eólica media para la hora “h” del mes “m” (en W/m2) Ph,m,d,y, Es la densidad de potencia eólica en la hora “h” del día “d”, relativa al mes “m” y año “y” Nwy, Es el número de años de los que se dispone de información eólica Nd, Es el número de días del mes considerado A partir de los resultados obtenidos para los costes de desvíos medios horarios por mes, Ecuación 7.1 y los de las densidades de potencias eólicas horarias medias por mes, Ecuación 7.3, se obtienes los valores del coste de desvío medio ponderado mensual. Ecuación 7.4 m,h 24 1h m,h 24 1h m,h mPCd P 1 Cd Donde: m Cd , Es el coste de desvío medio ponderado para el mes “m” (en Euros/MWh desviado) A partir del cálculo de la densidad de potencia eólica media horaria por mes, Ecuación (7.3), se puede calcular la densidad de potencia eólica media y la densidad de energía eólica para cada uno de los meses del año (Ecuación 7.5 y Ecuación 7.6). Ecuación 7.5 24 1h m,hm P 24 1 P Donde: m P, Es la densidad de potencia eólica media para el mes “m” (en W/m2)
Capítulo 7: Influencia de la fiabilidad en la predicción a corto plazo de la potencia eléctrica producida por un parque eólico, en el coste de generación por MWh y en la planificación de las áreas eólicas. Un caso de estudio en las islas Canarias. 228 Ecuación 7.6 m,hmm NPE Donde: Em,, Es la densidad de energía eólica para el mes “m” (en Wh/m2) Nh,m, Es el número de horas del mes “m” Teniendo en cuenta que el recurso eólico no sólo fluctúa según la hora en un día sino que también varía durante los diferentes meses del año [23-29], se ha calculado el coste de desvío medio ponderado en el año de la forma que indica la Ecuación 7.7. Ecuación 7.7 m 12 1h m 12 1h m ECd E 1 Cd Donde: Cd , Es el coste de desvío medio en un año (en Euros/MWh desviado) El coste de desvío medio calculado según la Ecuación 7.7, se refiere al coste por cada MWh que se desvíe el valor realmente medido del predicho. Para calcular la implicación de dicho coste de desvío sobre la producción total del aerogenerador, ha de tenerse en cuenta el valor del error que se comente en la predicción. Los diferentes trabajos que se han desarrollado para comparar la diversidad de modelos de predicción de la potencia eléctrica futura de un parque [30-33], Ecuación 7.8. Ecuación 7.8 100 P MAE NMAE n Donde: NMAE, Error Absoluto Medio Normalizado Pn, Es la potencia nominal de la granja eólica MAE, Error Absoluto Medio. Viene definido por la Ecuación 7.9
Capítulo 7: Influencia de la fiabilidad en la predicción a corto plazo de la potencia eléctrica producida por un parque eólico, en el coste de generación por MWh y en la planificación de las áreas eólicas. Un caso de estudio en las islas Canarias. 229 Ecuación 7.9 N 1i 48 1h i mf )ht(P)ht(P N48 1 MAE Donde: Pf(t+h), Es la potencia predicha en el instante “t” para la hora “t+h” (“h” puede variar entre 1 y 48) Pm(t+h), Es la potencia medida en el instante “t+h” (“h” puede variar entre 1 y 48) N, Es el número de periodos de tiempos predichos. Los periodos de tiempo tienen un tamaño de 48 horas A partir de la Ecuación 7.8 y Ecuación 7.9 se puede calcular el coste de desvío por unidad de energía producida, Ecuación 7.10. Ecuación 7.10 100 NMAE CdCde Donde: Cde, Es el coste de desvío medio por unidad de energía generada por el aerogenerador (en Euros/MWh generados) Como se observa en la Ecuación 7.10, el coste de desvío específico es función del error que se cometa en la predicción de la potencia eólica. En este documento se comparará el coste de desvío frente a los costes totales de producción de energía eléctrica de origen eólico en función del error de predicción. Por otro lado, se hará una comparativa del coste de desvío específico, Cde, con relación al precio de venta de la energía eléctrica. Para el cálculo del precio de venta de la energía eléctrica se ha partido de la información de los precios horarios de venta del periodo 20072011 en el mercado español. Estos precios están publicados en la página web del operador del mercado eléctrico español [46].
Capítulo 7: Influencia de la fiabilidad en la predicción a corto plazo de la potencia eléctrica producida por un parque eólico, en el coste de generación por MWh y en la planificación de las áreas eólicas. Un caso de estudio en las islas Canarias. 230 Para estimar el precio medio específico, Pre (en €/MWh generado), se ha seguido un procedimiento similar al considerado para estimar el coste de desvío medio, Cd . La incorporación del coste de desvío, Cde, como un nuevo factor de coste de producción, afectará a la rentabilidad económica de los parques eólicos. El grado de afección dependerá del error en la predicción de la potencia eólica y del rendimiento energético del aerogenerador, Ecuación 7.11. Es por ello que los resultados se han particularizado según sea dicho rendimiento. Ecuación 7.11 doraerogenera del nominal Potencia doraerogeneraun por añoun en generada eléctrica Energía EP Donde: EP, Es el rendimiento energético de un aerogenerador situado en un área eólica determinada (en MWh/MW) 7.3 Los Datos Meteorológicos Usados Los datos meteorológicos utilizados se corresponden con los datos de velocidades medias horarias pertenecientes a seis estaciones meteorológicas (WS-1 a WS-6) (Figura 7. 1) y relativos al periodo 1999-2010. Las estaciones se encuentran ubicadas en seis de las siete islas del archipiélago canario; Lanzarote, Fuerteventura, Gran Canaria, Tenerife, La Palma y El Hierro. Esta información fue proporcionada por la Agencia Española de Meteorología (AEMET) del ministerio de agricultura, alimentación y medioambiente del gobierno español.
Capítulo 7: Influencia de la fiabilidad en la predicción a corto plazo de la potencia eléctrica producida por un parque eólico, en el coste de generación por MWh y en la planificación de las áreas eólicas. Un caso de estudio en las islas Canarias. 231 Figura 7.1: Localización de las estaciones meteorológicas usadas (Velázquez et al., 2011b). La figura 7.1 Muestra los nombres de las Islas (Lanzarote, Fuerteventura, Gran Canaria, Tenerife, La Palma y El Hierro), sus áreas (in km2), las distancias entre las estaciones meteorológicas (en Km) y los códigos de referencias asignadas a cada estación (WS-1, WS2, WS-3, WS-4, WS-5 y WS-6). 7.4 Cálculos y análisis de resultados A partir de la información disponible para cada una de las estaciones meteorológicas y una vez calculado la potencia eólica media horaria mensual, m,h P Ecuación 7.3, se han obtenido las distribuciones horarias medias de la potencia eólica para cada uno de los meses del año. Ecuación 7.12. Los resultados se muestran en la figura 2. Ecuación 7.12 , ,24 , 1 (%) 100 hm hm hm h P P P Donde: ;(%)P m,h , Es el valor relativo de mh, P
Capítulo 7: Influencia de la fiabilidad en la predicción a corto plazo de la potencia eléctrica producida por un parque eólico, en el coste de generación por MWh y en la planificación de las áreas eólicas. Un caso de estudio en las islas Canarias. 232 En la figura 7.2 se observa que el comportamiento eólico a lo largo del día para cada uno de los meses del año es similar. La aportación relativa, sobre el total del día, de la densidad de potencia eólica, Ecuación 7.12, entre las 21:00h y las 09:00h es poco variable. Es a partir de las 09:00h donde ésta comienza a crecer paulatinamente hasta conseguir el máximo entre las 13:00 y 16:00, según sea el mes del año. Figura 7.2: Distribuciones horarias medias porcentuales de la potencia eólica para cada uno de los meses del año. A partir de la Ecuación 7.5 se calculan las densidades de potencias eólicas medias para cada uno de los meses del año, las cuales se muestran en la figura 7.3.
Capítulo 7: Influencia de la fiabilidad en la predicción a corto plazo de la potencia eléctrica producida por un parque eólico, en el coste de generación por MWh y en la planificación de las áreas eólicas. Un caso de estudio en las islas Canarias. 233 Figura 7.3: Distribución de la densidad de la potencia eólica media mensual Se observa que la potencia media fluctúa en función de la estación del año. En invierno, el viento alisio característico del archipiélago canario origina bajas densidades de potencia eólica. Sin embargo, dicha densidad de potencia eólica se incrementa en primavera y alcanza los valores máximos en verano. Para evaluar la contribución del potencial eólico de cada uno los meses a la producción eólica total del año, se ha calculado los valores relativos a partir del parámetro energía eólica Ecuación 7.13. Dicho cálculo se ha basado en el parámetro de energía y no en el de potencia eólica, debido a que el número de horas totales para cada uno de los meses es diferente. Ecuación 7.13 , 12 , 1 (%) 100 mhm m mhm h PN E PN Donde: Em(%), Es el valor relativo de la energía eólica mensual respecto a la total del año Nh,m, Es el número de horas del mes “m” m P, Es la densidad de potencia eólica media para el mes “m”, Ecuación 7.5.
Capítulo 7: Influencia de la fiabilidad en la predicción a corto plazo de la potencia eléctrica producida por un parque eólico, en el coste de generación por MWh y en la planificación de las áreas eólicas. Un caso de estudio en las islas Canarias. 240 Por último, teniendo en cuenta la distribución del aprovechamiento mensual de la energía eólica (figura 7.4), se ha estimado el precio medio específico de venta de la energía eléctrica (Pre), Ecuación 7.18, el cual ha sido de 59.98€/MWh. Ecuación 7.18 m 12 1h m 12 1h m eEPr E 1 Pr Donde: Pre, Es el precio medio específico de venta de la energía eléctrica (en Euros/MWh) Em, Es la densidad de energía eólica para el mes “m”, Ecuación 7.6 7.4.4 Análisis de resultados El coste específico de producción de la energía eléctrica por un aerogenerador es función del rendimiento energético de la misma (Ecuación 7.15). Se observa que cuanto mayor sea el rendimiento de la energía (EP), menor será el coste debido a la inversión inicial y el coste de operación y mantenimiento. Por ello, los resultados se han particularizado según sea el rendimiento energético del aerogenerador. En España, la evolución del rendimiento energético medio en los últimos 5 años ha variado entre 2000 y 2200 MWh/MW. En el caso particular de Canarias dicha variación se encuentra en el rango comprendido entre 2.200 y 2.600 MWh/MW (OMEL). Las expectativas para el rendimiento energético medio de los parques eólicos a instalar en España, con el horizonte del año 2020, es que éste disminuya hasta valores incluso inferiores a 2.000 MWh/MW [3]. Por este motivo los resultados se han analizado para un rango del rendimiento energético (EP) igual a: 1.800 ≤ EP ≤ 2.800. Por otro lado, dentro de la estructura de costes de producción de la energía eléctrica generada por un aerogenerador (Ecuación 7.15), también se encuentra el término relativo al coste de desvío específico, Cde. Este factor de coste es inferior al 61% con una probabilidad del
Capítulo 7: Influencia de la fiabilidad en la predicción a corto plazo de la potencia eléctrica producida por un parque eólico, en el coste de generación por MWh y en la planificación de las áreas eólicas. Un caso de estudio en las islas Canarias. 241 97,5%. Por este motivo se han analizado los resultados en base a un rango de errores de predicción del 0% al 60%. Figura 7.7: Contribución del coste de desvío al coste de producción de la energía eléctrica por un aerogenerador. En la figura 7.7 se muestran los resultados de la contribución del coste de desvío al coste total de producción de la energía eléctrica generada por una aerogenerador en función del error en la predicción (NMAE). Se observa que la contribución del coste de desvío será tanto mayor cuanto mayor sea el error. Dicha contribución puede llegar a ser de hasta el 15,5%, para el caso de un error del 60% y un rendimiento energético de 2.800 MWh/MW. En la figura 7.8 se comparan los costes totales de producción (COE) con el precio de venta de la energía eléctrica (Pre), Ecuación 7.18.
Capítulo 7: Influencia de la fiabilidad en la predicción a corto plazo de la potencia eléctrica producida por un parque eólico, en el coste de generación por MWh y en la planificación de las áreas eólicas. Un caso de estudio en las islas Canarias. 242 Figura 7.8: Coste total de producción de la energía eléctrica generada por un aerogenerador (COE). Puede observarse en la figura 7.8 que, para el caso particular donde no hay errores en la predicción (NMAE=0%), el rendimiento energético requerido a un emplazamiento para que el coste total de producción sea igual al precio de venta de la energía, es inferior a 1.800 MWh/MWh. Sin embargo, si el error de predicción es igual al 60%, el rendimiento energético que debería tener el emplazamiento para que el coste de generación sea inferior a Pre, ha de ser superior a 1.977 MWh/MW. Por tanto, de la observación de la figura 8 puede concluirse que el rendimiento energético exigido a un emplazamiento para que el coste de producción no sea superior al precio de venta de la energía, será tanto mayor cuanto más elevado sea el error en la predicción. En la figura 7.9 se muestra la relación que existe entre el coste específico de desvío (Cde) y el precio medio específico de la energía eléctrica (Pre). Este análisis se ha llevado a cabo en función del error del modelo de predicción (NMAE).
Capítulo 7: Influencia de la fiabilidad en la predicción a corto plazo de la potencia eléctrica producida por un parque eólico, en el coste de generación por MWh y en la planificación de las áreas eólicas. Un caso de estudio en las islas Canarias. 243 Figura 7.9: Relación existente entre el coste de desvío específico (Cde) y los ingresos por Mwh (Pre) De la observación de la figura 7.9 se deduce que el coste de desvío específico (Cde) puede suponer un 11,46% de los ingresos. Es decir, del valor del precio específico de venta de la energía eléctrica (Pre). El ingreso económico total de un aerogenerador, localizado en un área específica, por la venta de energía, puede expresarse según la Ecuación (7.19). Ecuación 7.19 PrEPPINC e Donde: P, Es la potencia eléctrica instalada en el granja eólica (en MW) INC, Son los ingresos totales relativos a la venta de la energía eléctrica generada por la granja eólica (en Euros)
Capítulo 7: Influencia de la fiabilidad en la predicción a corto plazo de la potencia eléctrica producida por un parque eólico, en el coste de generación por MWh y en la planificación de las áreas eólicas. Un caso de estudio en las islas Canarias. 244 El coste económico del desvío, Ecuación 7.10, se puede incorporar en la Ecuación 7.19, teniendo en cuenta los resultados reflejados en la figura 7.9, como una pérdida de ingresos equivalentes. De esta forma, la Ecuación 7.19 se transforma en la expresión recogida en la Ecuación 7.20. Ecuación 7.20 e e ePr Cd -1 PrEPPINC En la Ecuación 7.21 se define el rendimiento de la energía normalizada (NEP). El NEP es el rendimiento energético de un aerogenerador en un área específica, teniendo en cuenta la pérdida energética equivalente al coste económico derivado del error en la predicción de la potencia eólica. Ecuación 7.21 Pr Cd -1 EPNEP e e Donde: NEP; Es el rendimiento energético normalizado (en MWh/MW) Por lo tanto, si se incorpora el coste económico del desvío a los ingresos, como alternativa a su incorporación a la estructura de costes, éstos deberían expresarse según la Ecuación (7.22). Ecuación 7.22 PrNEPPINC e En la figura 7.10 se muestran los resultados obtenidos para los NEP’s en función de los valores del eficiencia energética (EP) considerados y del error en la predicción de la potencia eólica (NMAE).
Capítulo 7: Influencia de la fiabilidad en la predicción a corto plazo de la potencia eléctrica producida por un parque eólico, en el coste de generación por MWh y en la planificación de las áreas eólicas. Un caso de estudio en las islas Canarias. 245 Figura 7.10: Variación del rendimiento de la energía normalizada en función del valor del NMAE. Se observa en la figura 7.10 que, áreas con una eficiencia energética inicial (NMAE=0%) de 1.800 MWh/MW pueden llegar a tener, para un error de predicción del 60% (NMAE=60%), un NEP de 1.594 MWh/MW. Este NEP equivale a una pérdida energética de 206 MWh/MW debido al coste económico del desvío en la predicción. Por otro lado, áreas con un energy performance inicial de 2.800, tienen un NEP, para errores del 60% (NMAE=60%), de 2.479 MWh/MW. Es decir, una pérdida energética equivalente de 321MWh/MW. Teniendo en cuenta que para rentabilizar económicamente un parque es necesario que ésta tenga, en el emplazamiento en cuestión, un rendimiento energético mínimo, habrá de tenerse en consideración estas pérdidas energéticas equivalentes en la planificación de las zonas de interés para la instalación de parques eólicos. Emplazamiento que inicialmente, sin la consideración de los costes de desvío, pudieren ser rentables económicamente, podrían perder dicha condición al considerar los mismos. En general, los costes de los desvíos en la predicción eólica disminuirán la rentabilidad económica de los parques.
Capítulo 7: Influencia de la fiabilidad en la predicción a corto plazo de la potencia eléctrica producida por un parque eólico, en el coste de generación por MWh y en la planificación de las áreas eólicas. Un caso de estudio en las islas Canarias. 246 7.5 Los sistemas de hidrobombeo reversibles como medio para la gestión de los excedentes o déficits de energía eléctrica de origen eólica En los últimos tiempos, en muchos sistemas eléctricos débiles insulares se han implementado sistemas de hidrobombeo reversible con almacenamiento energético (siglas en inglés, PHSS) con el objetivo de optimizar la integración de sistemas de generación de energía no gestionables como es la eólica. Estos sistemas bien podrían estar gestionados directamente por el operador del sistema o bien asociados a parques eólico de promotores particulares. En el primero de los casos serviría para una gestión integral de la red, y por lo tanto de todas las instalaciones eólicas conectadas a la misma. En este sentido, el PHSS podría bombear y acumular energía en horas valle y contribuir con la energía almacenada en horas punta. Se conseguiría con ello una mayor y mejor integración de la energía eólica en los sistemas eléctricos débiles insulares así como se podría plantear una política de reducción de los costes de desvío para este tipo de instalaciones o bien permitir, sin penalización, un margen de error mayor en la predicción. En el segundo de los casos, cuando el PHSS está asociado a un parque eólico concreto, es el propio promotor del mismo el que gestionaría los excedentes/déficits en relación con su predicción para bombear/turbinar agua y por lo tanto minimizar los costes de desvíos. Es decir, en el caso de que la generación real sea superior a la prevista, se acumularía el excedente (potencia realpotencia prevista) en el PHSS para así evitar penalizaciones. Idem en el caso contrario. 7.6 Conclusiones Los desvíos entre los valores predichos de la producción de energía eléctrica y los reales medidos, para una demanda de energía establecida, provocan alteraciones al sistema eléctrico cuya solución supone un coste económico adicional al mismo. Este coste económico es imputado proporcionalmente a las fuente de generación que provocan el desvío.
Capítulo 7: Influencia de la fiabilidad en la predicción a corto plazo de la potencia eléctrica producida por un parque eólico, en el coste de generación por MWh y en la planificación de las áreas eólicas. Un caso de estudio en las islas Canarias. 247 El error en la predicción de la potencia eléctrica generada por un aerogenerador puede llegar a ser hasta del 61%, siendo en general inferior a este valor con una probabilidad del 97,5% (AEE,2006; ANEMOS; IDAE, 2007; Risø DTU, 2011). En este documento se propone que el coste económico específico imputado al aerogenerador debido a la desviación en la predicción (Cde), sea considerado como un factor adicional en la estructura de coste de producción de la energía eléctrica por un parque eólico, Ecuación 7.15. Su contribución al coste total depende del error en la predicción, pudiendo llegar a ser del 15,5% para un error de predicción (NMAE) del 60%. En el análisis económico del proyecto de un parque eólico, es condición necesaria que el coste de producción total de la energía eléctrica (COE) sea inferior al precio de venta específico de la misma (Pre). Es decir, a los ingresos por unidad de energía. El rendimiento energético exigido a un parque eólico en un área específica para que su coste de producción sea inferior al precio de venta depende del error en la predicción de la potencia eléctrica. Para errores de predicción del 0% dicho rendimiento es inferior a 1.800MWh/MW. Cuando el error aumenta hasta el 60%, éste pasa a ser de 1.977 MWh/MW. Si de forma alternativa se considerara el coste económico debido al desvío como una pérdida energética equivalente del parque eólico, ésta podría llegar a ser hasta de 321 MWh/MW para un error en la predicción (NMAE) del 60%. Es decir, emplazamientos que inicialmente, sin la consideración de los costes de desvíos, pudieran ser rentables económicamente, podrían perder dicha condición al considerarse los mismos. En general, el coste económico asociado a los desvíos en la predicción eólica disminuirá la rentabilidad económica de los parques eólicos. El coste de desvío específico, Ecuación 7.10, puede llegar a ser equivalente a una disminución del 11,46% de los ingresos de un parque eólico. Por lo tanto, estas pérdidas energéticas equivalentes deberán tenerse en consideración en la planificación de las zonas de interés para la instalación de parques eólicos.
Capítulo 7: Influencia de la fiabilidad en la predicción a corto plazo de la potencia eléctrica producida por un parque eólico, en el coste de generación por MWh y en la planificación de las áreas eólicas. Un caso de estudio en las islas Canarias. 248 7.7 REFERENCIAS [1] Parlamento Europeo y del Consejo, 2009. Directive 2009/28/EC of 23 April 2009 on the promotion of the use of energy from renewable sources. Boletín Oficial de la Unión Europea: pp L140/16 – L140/62 [2] Gobierno de las islas Canarias, 2005. Plan Energético de Canarias 2006-2015 (PECAN 2006-2015). Consejería de Empleo, Industria y Comercio del Gobierno de Canarias, 2005. [3] IDAE, 2011. Plan de Energías Renovables 2011-2020. . Instituto para la Diversificación y Ahorro de Energía [4] Operador del sistema eléctrico español , 2011. El sistema eléctrico español. www.ree.es [5] Bilgili M., Sahin B., Abdulkadir, 2007. Application of artificial neural networks for the wind speed prediction of target station using reference stations data. Renewable Energy;32:2350–2360. [6] Carta J.A., Velázquez S., 2011. A new probabilistic method to estimate the long-term wind speed characteristics at a potential wind energy conversion site. Energy; 36. pp 2671-2685 [7] Oztopal A., 2006. Artificial Neural Network approach to spatial estimation of wind velocity. Energy Conversion and Management;47:395–406. [8] Rogers A, Rogers J., Manwell J., 2005. Comparison of the performance of four Measure-CorrelatePredict algorithms. Journal of Wind Engineering and Industrial Aerodynamics;93:243–64. [9] Velázquez S., Carta J.A:, Matías J.M., 2011. Influence of the input layer signals of ANNs on wind power estimation for a target site: a case study. Renewable and Sustainable Energy Reviews;15:15561566. [10] Velázquez S., Carta J.A., Matías J.M., 2011. Comparison between ANNs and linear MCP algorithms in the long-term estimation of the cost per kW h produced by a wind turbine at a candidate site: A case study in the Canary Islands. Applied Energy; 88. pp 3869–3881 [11] Carolin Mabel M., Fernandez E, 2008. Analysis of wind power generation and prediction using ANN:A case study. Renewable Energy 33: pp 986–992 [12] Costa A., Crespo A., Navarro J., Lizcano G., Madsen H., Feitosa E., 2008. A review on the young history of the wind power short-term prediction. Renewable and Sustainable Energy Reviews,12: pp 1725–1744 [13] Landberg L., Giebel G., Aalborg H., Madsen H., Nielsen T., 2003a. Short-term Prediction-An Overview. Wind Energy, 6: pp 273–280 [14] Lei M., Shiyan L., Chuanwen J., Hongling L., Yan Z., 2009. A review on the forecasting of wind speed and generated power. Renewable and Sustainable Energy Reviews, 13: pp 915–920 [15] Ramírez-Rosado I., Fernández-Jiménez A., Monteiro C., Sousa J., Bessa R., 2009. Comparison of two new short-term wind-power forecasting systems. Renewable Energy 34: pp 1848–1854 [16] Sánchez I., 2006.Short-term prediction of wind energy production. International Journal of Forecasting, 22: pp 43– 56
Capítulo 7: Influencia de la fiabilidad en la predicción a corto plazo de la potencia eléctrica producida por un parque eólico, en el coste de generación por MWh y en la planificación de las áreas eólicas. Un caso de estudio en las islas Canarias. 249 [17] Gobierno de españa, 1997. Real Decreto 2019/1997, de 26 de diciembre, por el que se organiza y regula el mercado de producción de energía eléctrica. Boletín Oficial del Estado Español, 310: pp 38047-38057 (en español) [18] Gobierno de España, 2006. Real Decreto-Ley 3/2006, de 24 de febrero, por el que se modifica el mecanismo de casación de las ofertas de venta y adquisición de energía presentadas simultáneamente al mercado diario e intradiario de producción por sujetos del sector eléctrico pertenecientes al mismo grupo empresarial. Boletín Oficial del Estado Español, 50: pp 8015-8016 (en español) [19] Gobierno de España, 2006. CORRECCIÓN de errores del Real Decreto-ley 3/2006, de 24 de febrero, por el que se modificael mecanismo de casación de las ofertas de venta y adquisición de energía presentadas simultáneamente al mercado diario e intradiario de producción por sujetos del sector eléctrico pertenecientes al mismo grupo empresarial. Boletín Oficial del Estado Español, 53: pp 8659-8659 (en español) [20] Gobierno de España, 2006. Resolución de 24 de mayo de 2006, de la Secretaría General de Energía, por la que se aprueban las Reglas de funcionamiento del mercado diario e intradiario de producción de energía eléctrica. Boletín Oficial del Estado Español, 128: pp 20155-20192 (en español) [21] Parlamento Europeo y del Consejo, 2003. Directive 2003/54/EC of 26 June 2003 concerning common rules for the internal market in electricity. Official Journal of the European Union: pp L176/37 – L176/55 [22] Calero R., Carta J.A., 2004. Action plan for wind energy development in the Canary Islands. Energy Policy, 32: pp 1185-1197 [23] Baker R, Walker SN, Wade JE, 1990. Annual and seasonal variations in mean wind speed and wind turbine energy production. Solar Energy; 45:285-9. [24] Burton T., Sharpe D., Jenkins N., Bossanyi E., 2011. Wind energy handbook. Second edition. John Wiley & Sons. [25] Hiester TR, Pennell WT, 1981. The siting handbook for large wind energy systems. 1st ed. New York: WindBook. [26] Justus CG, Mani K, Mikhail AS, 1979. Interannual and month-to-month variations of wind speed. Journal of Applied Meteorology; 18:913–20. [27] Klink K., 2002. Trends and interannual variability of wind speed distributions in Minnesota. J. Clim; 15: 3311-7. [28] Koeppl GW, 1982. Putnam’s power from the wind. Second ed. New York: Van Nostrand Reinhold Company. [29] Landberg L., Myllerup L., Rathmann O., Petersen E., Jørgensen B., Gylling N., Badger J., 2003b. Wind resource estimation—An overview . Wind Energy; 6:261-71. [30] ANEMOS. http://www.anemosplus.eu/index.php?option=com_content&view=article&id=91&Itemid=69 [31] IDAE, 2007. ANEMOS estudio sobre predicción eólica en la Unión Europea. Instituto para la Diversificación y Ahorro de Energía(Spanish initials, IDAE). (en español)
Capítulo 8: Desarrollo de un Modelo Dinámico de curva de potencia de un parque eólico utilizando las Redes Neuronales Artificiales. Aplicación a dos parques eólicos de Canarias. 8.1 Introducción La curva de potencia de un aerogenerador es un modelo que sirve para estimar la potencia eléctrica que este puede generar en un instante dado a partir de la velocidad estimada del viento o para estimar la energía eléctrica generada por éste durante un periodo de tiempo determinado. La curva de potencia se certifica sometiendo al aerogenerador a unas condiciones de velocidad de viento determinadas, [1] y es independiente de otros parámetros como pueden ser la dirección en la que incide el viento, las condiciones del terreno donde se ubique dicho aerogenerador (rugosidad) o si éste se encuentra sólo o forma parte de un conjunto instalado en el mismo emplazamiento o en zonas anexas. En este último caso habría que considerar, a la hora de estimar la potencia eléctrica, las pérdidas energéticas debido a las estelas que se generan entre los aerogeneradores [1]. Por otro lado, el aerogenerador como cualquier otra máquina sufre durante el proceso de funcionamiento un envejecimiento que conlleva que su funcionamiento diste cada vez más del previsto según su curva de potencia inicial. Es por ello que la incertidumbre a la hora de realizar predicciones de la potencia eléctrica o de generación energética es cada vez mayor, debido a que la curva de potencia, así calculada, se trata de un modelo estático y referido al momento en el que éste es instalado. La generación a gran escala de energía eléctrica de origen eólico requiere cada vez más de modelos mediante los cuales se puedan predecir, para el parque eólico en su conjunto, la potencia eléctrica en un instante determinado o la generación de energética del mismo. Todo ello con el objeto, entre otras cosas, de poder integrar éstos en los mercados eléctricos donde se necesita optimizar la predicción de potencia o para poder hacer estimaciones más precisas de la generación anual de energía y por lo tanto de los ingresos de este tipo de instalaciones. 8.2 Objetivo El objetivo general del estudio realizado en este capítulo es el desarrollo de un modelo dinámico de curva de potencia global para un parque eólico utilizando técnicas de inteligencia artificial como son las redes neuronales. Se aplicará a dos parques eólicos reales ubicado en las islas de Gran Canaria y Lanzarote, sitas en el archipiélago canario 254
Capítulo 8: Desarrollo de un Modelo Dinámico de curva de potencia de un parque eólico utilizando las Redes Neuronales Artificiales. Aplicación a dos parques eólicos de Canarias. El modelo que se pretende desarrollar es dinámico debido a que se genera inicialmente a partir de la información histórica de velocidad y dirección del viento así como de producción pero que se irá adaptando (modificando) a medida que pase el tiempo y se vaya disponiendo información adicional. En definitiva, será un modelo adaptativo y servirá para predecir en cada momento la producción energética del parque eólico en su conjunto. Objetivos específicos: Comparación de los resultados obtenidos con el modelo dinámico de curva de potencia de parque eólico y el modelo estático de curva de potencia de aerogenerador. Análisis de las mejoras en la precisión del modelo dinámico cuando se incorpora a la capa de entrada de la red neuronal la información de una estación anemométrica adicional ajena a la de referencia del parque eólico. Análisis del comportamiento del modelo dinámico cuando en la capa de entrada se utiliza información de una estación anemométrica ajena al parque eólico en lugar de la propia de referencia de éste. 8.3 Metodología La figura 8.1 muestra de forma esquemática la metodología general para la generación de los modelos dinámico de curva de potencia de parque eólico utilizando las redes neuronales. Las neuronas de la capa de entrada se corresponden con la información meteorológica (velocidad y dirección del viento) de una o varias estaciones anemométricas. La capa de salida tendrá una única neurona que se corresponda con la potencia global del parque eólico. El modelo se genera a partir de la información disponible de un año. Los datos disponibles son medias horarias. La información total del año se divide aleatoriamente en tres partes: Entrenamiento, Validación y Test. Las dos primeras servirán para generar el modelo y la última, junto con el modelo generado, servirá para estimar la potencia del parque eólico y poder así valorar la precisión del propio modelo. 255
Capítulo 8: Desarrollo de un Modelo Dinámico de curva de potencia de un parque eólico utilizando las Redes Neuronales Artificiales. Aplicación a dos parques eólicos de Canarias. Velocidad del Viento Dirección del Viento Potencia del Parque Eólico Modelo ANN Entrenamiento Validación 1 222 3 Velocidad del Viento Dirección del Viento Velocidad del Viento Dirección del Viento TEST TEST Periodo de datos (1 año) Estación Referencia del Parque Eólico Otras Estaciones Velocidad del Viento Dirección del Viento Velocidad del Viento Velocidad del Viento Dirección del Viento Dirección del Viento Velocidad del Viento Velocidad del Viento Dirección del Viento Potencia del Parque Eólico Dirección del Viento Velocidad del Viento Velocidad del Viento Dirección del Viento Velocidad del Viento Dirección del Viento Estación Referencia Datos Meteorológicos Datos Estimados de la Potencia del Parque Eólico Velocidad del Viento Dirección del Viento Potencia del Parque Eólico Modelo ANN Entrenamiento Validación 1 222 3 Velocidad del Viento Dirección del Viento Velocidad del Viento Dirección del Viento TEST TEST Periodo de datos (1 año) Estación Referencia del Parque Eólico Otras Estaciones Velocidad del Viento Dirección del Viento Velocidad del Viento Velocidad del Viento Dirección del Viento Dirección del Viento Velocidad del Viento Velocidad del Viento Dirección del Viento Potencia del Parque Eólico Dirección del Viento Velocidad del Viento Velocidad del Viento Dirección del Viento Velocidad del Viento Dirección del Viento Estación Referencia Datos Meteorológicos Datos Estimados de la Potencia del Parque Eólico Figura 8.1: Fases de los procesos de estimación de las velocidades y direcciones del viento A partir del desarrollo metodológico explicado anteriormente se han generado los modelos de ANN para analizar las siguientes hipótesis: Hipótesis 1) Generación del modelo dinámico de curva de potencia de parque eólico a partir de la información meteorológica (velocidad y dirección del viento) de la estación de referencia del parque. Comparación de los resultados obtenidos entre éste y el modelo de curva de potencia del aerogenerador (modelo estático) En la figura 8.2 se muestra el esquema de la red neuronal planteada para esta hipótesis. La red neuronal estará formada por una capa de entrada de 2 neuronas (Velocidad y dirección 256
Capítulo 8: Desarrollo de un Modelo Dinámico de curva de potencia de un parque eólico utilizando las Redes Neuronales Artificiales. Aplicación a dos parques eólicos de Canarias. del viento de la estación de referencia del parque), una capa oculta con 20 neuronas (k=20) y la capa de salida con una única neurona (potencia eléctrica del parque eólico) Figura 8.2: Esquema de la red neuronal para generar el modelo dinámico de la curva de potencia del parque eólico cuando se utiliza únicamente en la capa de entrada la Velocidad y Dirección del viento de la estación de referencia del parque Los resultados obtenidos con el modelo dinámico de curva de potencia del parque eólico se comparan con los del modelo estático de curva de potencia del aerogenerador. Para la obtención de los resultados del modelo estático se utiliza la curva de potencia dada por el fabricante. Los fabricantes suelen suministrar las curvas de potencia de sus aerogeneradores en forma discreta con M puntos ( Pwt i, v i) (Ver epígrafe 8.4). La potencia eléctrica obtenible entre dos puntos de la curva de potencia se puede calcularse de forma aproximada [2]. Una de las posibles formas de aproximación consiste en asumir que la variación entre dos puntos de la curva de potencia es lineal (Ecuación 8.1). El resultado así obtenido para un aerogenerador se multiplica por el número aerogeneradores del parque eólico y por un factor, que variará entre 0 y 1, que considera las pérdidas energéticas por la estela generada entre las máquinas eólicas. De esta forma se obtiene, con el modelo estático, la potencia eléctrica del parque eólico en un instante dado. 257
Capítulo 8: Desarrollo de un Modelo Dinámico de curva de potencia de un parque eólico utilizando las Redes Neuronales Artificiales. Aplicación a dos parques eólicos de Canarias. (Ecuación: 8.1) 1 1 () ( ) ii ii ii Pwt Pwt PWT v v v Pwt vv Hipótesis 2) Análisis de las mejoras en la precisión del modelo dinámico cuando se incorpora a la capa de entrada de la red neuronal la información de una estación anemométrica adicional ajena a la de referencia del parque eólico. La figura 8.3 muestra el esquema de la red neuronal para esta hipótesis. La misma, a diferencia del modelo dinámico de la hipótesis 1, tendrá una capa de entrada con 4 neuronas al incorporarle adicionalmente los datos de velocidad y dirección del viento de una estación anemométrica ajena al parque eólico. 1 i k 4 3 2 1 1 Señal de Salida (Pt) Potencia del Parque Capa Oculta Capa de Salida Capa de Entrada Señales de Entrada Vt Dt Estación de Referencia del Parque Eólico Estación Adicional Vti Dti 1 i k 4 3 2 1 1 Señal de Salida (Pt) Potencia del Parque Capa Oculta Capa de Salida Capa de Entrada Señales de Entrada Vt Dt Estación de Referencia del Parque Eólico Estación Adicional Vti Dti Figura 8.3: Esquema de la red neuronal para generar el modelo dinámico de la curva de potencia del parque eólico cuando se incorpora, adicionalmente, los datos de velocidad y dirección de una estación ajena al parque eólico El número de estaciones anemométricas totales que se han utilizado en estudio es de 9 (incluidas las dos de referencias de los parques eólico utilizados en el estudio). Para este caso se ha combinado la estación de referencia del parque eólico con las otras 7 ajenas a cualquiera de los dos parques en estudio. En este sentido se han generado 7 modelos diferentes para cada uno de los dos parques eólicos. 258
Capítulo 8: Desarrollo de un Modelo Dinámico de curva de potencia de un parque eólico utilizando las Redes Neuronales Artificiales. Aplicación a dos parques eólicos de Canarias. Hipótesis 3) Análisis del comportamiento del modelo dinámico cuando en la capa de entrada se utiliza información de una estación anemométrica ajena al parque eólico en lugar de la propia de referencia de éste. Existen casos en el que, bien por problemas en la adquisición de la información meteorológica en la estación de referencia del parque eólico, o por no disponer éste de estación anemométrica, no se tenga información meteorológica de referencia del mismo o ésta esté incompleta. Por ello y con el objeto de poder solucionar este tipo de situaciones, se han generado modelos partir de estaciones ajenas al parque eólico y se han comparado sus resultados con el modelo dinámico generado según la hipótesis 1. En la figura 8.4 se muestra el esquema del modelo de red neuronal para esta hipótesis. El número de neuronas en las diferentes capas es igual al de la hipótesis 1 pero difiera de ésta en que las neuronas de la capa de entrada se corresponden con los datos de velocidad y dirección del viento de una estación ajena al parque eólico. Figura 8.4: Esquema de la red neuronal para generar el modelo dinámico de la curva de potencia del parque eólico cuando en la capa de entrada se utiliza exclusivamente la información de velocidad y dirección del viento de una estación ajena al parque eólico 259
Capítulo 8: Desarrollo de un Modelo Dinámico de curva de potencia de un parque eólico utilizando las Redes Neuronales Artificiales. Aplicación a dos parques eólicos de Canarias. 8.3.1 Métricas utilizadas para la comparación de los diferentes modelos. Para poder comparar la precisión de los diferentes modelos generados tanto en el caso A como en el B, se han utilizado las siguientes métricas (Ecuación 8.2) n ii ii T OT n MARE 1 1 Donde: MARE, es el error absoluto relativo medio Ti , Es el valor real de la potencia eléctrica del parque eólico Oi , Es el valor estimado con los modelos de la potencia eléctrica del parque eólico. n, es el número de datos de la fase test (Figura 8.1) (Ecuación 8.3) n ii n ii n iii OOTT OOTT R 1 2 1 2 1 )()( )( Donde: R, es la correlación existente entre los valores estimados y reales de la potencia eléctrica del parque eólico. T , es el valor medio de la potencia eléctrica real para la serie de datos de la fase test (figura 8.1). O, es el valor medio de la potencia eléctrica estimada para la serie de datos de la fase test (figura 8.1). (Ecuación 8.4) n iii n iii oOOOT OT AI 1 2 1 2 1 260
Capítulo 8: Desarrollo de un Modelo Dinámico de curva de potencia de un parque eólico utilizando las Redes Neuronales Artificiales. Aplicación a dos parques eólicos de Canarias. Donde: IoA (siglas en inglés de Index of Agreement), es la métrica que valora el índice de acuerdo ente los valores estimados por el modelo y los valores reales de la potencia eléctrica del parque eólico. [3,4]. Esta métrica tomará valores entre 0 y 1. Valores más próximos a la unidad significa un mejor ajuste del modelo desarrollado. 8.4 Datos de partida utilizados en el estudio Los modelos generados en el presente estudio según se explicó en el epígrafe 8.3, se han aplicado a dos parques eólicos (WF) reales instalados en dos islas del archipiélago canario. Cabe resaltar que los dos parques eólicos (WF-1 y WF-2) son diferentes entre sí. De éstos se dispone de la información de producción relativa al año 2008 con una frecuencia horaria así como la disponibilidad de los mismos durante ese año. El parque eólico 1 (WF-1) (Fig. 8.5) se encuentra en la isla de Gran Canaria. Está constituido por 4 aerogeneradores de la marca Gamesa [5] modelo G47 de 660 kW de potencia unitaria. La figura 8.6 muestra la curva de funcionamiento de dichos aerogeneradores. Éstos se encuentran situados en la costa este de la isla de Gran Canaria muy cerca del mar en una zona con pocos accidentes orográficos ni obstáculos artificiales. Están distribuidos en dos líneas prácticamente perpendiculares a la dirección predominante del viento en la zona. La distancia entre aerogeneradores de una misma línea y entre líneas es de 2 y 5,9 veces el diámetro del rotor del aerogenerador, respectivamente. El parque eólico 2 (WF-2) (Fig. 8.7) está situado en una zona interior de la isla de Lanzarote. Está constituido por 9 aerogeneradores de la marca Gamesa modelo G52 de 850 kW de potencia unitaria. La figura 8.8 muestra la curva de funcionamiento de dicho modelo de aerogenerador. Los aerogeneradores están distribuidos formando prácticamente una línea algo irregular y con una distancia entre éstos, según la perpendicular a la dirección predominante del viento, que oscila entre 2 y 2,5 veces el diámetro de su rotor. 261
Capítulo 8: Desarrollo de un Modelo Dinámico de curva de potencia de un parque eólico utilizando las Redes Neuronales Artificiales. Aplicación a dos parques eólicos de Canarias. N S E O Figura 8.5: Distribución en planta del parque eólico WF-1 en Gran Canaria Potencia (KW) Velocidad del viento (m/s) Potencia (KW) Velocidad del viento (m/s) Figura 8.6: Curva de funcionamiento del aerogenerador GAMESA G47/660kW 262
Capítulo 8: Desarrollo de un Modelo Dinámico de curva de potencia de un parque eólico utilizando las Redes Neuronales Artificiales. Aplicación a dos parques eólicos de Canarias. N S E O Figura 8.7: Ubicación del parque eólico WF-2 en Lanzarote Figura 8.8: Curva de funcionamiento del aerogenerador GAMESA G52/850kW 263
Capítulo 8: Desarrollo de un Modelo Dinámico de curva de potencia de un parque eólico utilizando las Redes Neuronales Artificiales. Aplicación a dos parques eólicos de Canarias. 8.6.2 Resultados hipótesis 2 Los modelos dinámicos generados según la hipótesis 2, presentan en la capa de entrada de la ANN dos neuronas adicionales relativas a la información de velocidad y dirección del viento de una estación adicional ajena a la de referencia del parque eólico. Tal y como se explicó en el punto 8., se combinaron 7 estaciones adicionales con la de referencia de cada uno de los parques eólico, obteniéndose otros tantos modelo. Las estaciones combinadas adicionalmente son de la WS-2 a la WS-8 (Tabla 8.1). Los casos han sido codificados según se muestra en la tabla 8.6. El caso 0 se corresponde con el obtenido según la hipótesis 1, donde sólo se incorpora la estación de referencia del parque eólico. Con éste se compararán el resto de los casos. Tabla 8.5: Caso para la hipótesis 2 y WF-1 Hipótesis2 Estación adicional H2‐WF1caso0Ninguna H2‐WF1caso1WS‐2 H2‐WF1caso2WS‐3 H2‐WF1caso3WS‐4 H2‐WF1caso4WS‐5 H2‐WF1caso5WS‐6 H2‐WF1caso6WS‐7 H2‐WF1caso7WS‐8 Las figuras 8.11 y 8.12 muestras los resultados para el MARE y el coeficiente de correlación “R”, respectivamente, obtenidos al aplicar los diferentes modelos al parque eólico WF-1. Se observa que todos los casos de esta hipótesis mejoran los resultados obtenidos según la hipótesis 1 (H2-WF1 Case 0). El grado de mejora de los resultados es independiente de la correlación existente entre la estación de referencia del parque eólico y la adicional añadida. Para el caso particular “H2-WF-1 caso 1”, las mejoras en el “MARE” y la “R” llegan a ser del 17,6% y el 1,9%, respectivamente. 270
Capítulo 8: Desarrollo de un Modelo Dinámico de curva de potencia de un parque eólico utilizando las Redes Neuronales Artificiales. Aplicación a dos parques eólicos de Canarias. Figura 8.11: Resultados del MARE para la hipótesis 2. Caso particular del parque eólico WF-1 Figura 8.12: Resultados de la “R” para la hipótesis 2. Caso particular del parque eólico WF-1 En las figuras 8.13 y 8.14, se muestran los resultados de la aplicación de los modelos de la hipótesis 2 al parque eólico WF-2. La eficiencia del modelo inicial (H2-WF2 caso 0) para este parque eólico era mucho mejor que para el caso del WF-1, tal y como se explicó en los resultados de la hipótesis 1. En este sentido, se observa que al añadir la estación adicional, los resultados prácticamente se mantienen constantes en torno a los datos iniciales. 271
Capítulo 8: Desarrollo de un Modelo Dinámico de curva de potencia de un parque eólico utilizando las Redes Neuronales Artificiales. Aplicación a dos parques eólicos de Canarias. Figura 8.13: Resultados del MARE para la hipótesis 2. Caso particular del parque eólico WF-2 Figura 8.14: Resultados de la “R” para la hipótesis 2. Caso particular del parque eólico WF-2 La figura 8.15 muestra los resultados obtenidos para el IoA (Ec. 8.4), otra de las métricas utilizadas para estudiar y comparar el rendimiento de los modelos. Los resultados siguen la misma tendencia que la explicada para el “MARE” y la “R”. Es decir, para el caso del WF-1 todos los modelos de la hipótesis 2 mejoran el resultado inicial obtenido con una sola estación (H2-WF-1 Case 0), mientras que para el WF-2, prácticamente los resultados se mantiene en torno al inicial. 272
Capítulo 8: Desarrollo de un Modelo Dinámico de curva de potencia de un parque eólico utilizando las Redes Neuronales Artificiales. Aplicación a dos parques eólicos de Canarias. Figura 8.15: Resultados del IoA para la hipótesis 2. Casos particulares de los parques eólicos WF-1 y WF-2 8.6.3 Resultados hipótesis 3 En la figura 8.15 se muestran los resultados obtenidos según los modelos desarrollados para la hipótesis 3. En la misma figura se han representado los resultados en la aplicación de los modelos a ambos parques eólico (WF-1 y WF-2). Es decir, los resultados con los 14 modelos generados, 7 para cada parque. Cada punto representa la relación que existe entre el coeficiente de correlación entre la estación utilizada para la generación del modelo y la de referencia del parque eólico (“CC”), y el valor obtenido para la métrica IoA en esta hipótesis 3, expresado en relación al obtenido para el caso 0. Se observa que cuanto mayor sea el coeficiente de correlación entre las velocidades de las estaciones de referencia del parque y la utilizada para la generación del modelo (“CC”), mayor será el grado de similitud entre los modelos dinámicos (DWFPC) obtenidos según la hipótesis 1 y 3 (H3-IoA/IoA-case0). Para valores de CC superiores a 0,7 el grado de similitud, expresado como el cociente de los IoA, es superior a 0,9. 273
Capítulo 8: Desarrollo de un Modelo Dinámico de curva de potencia de un parque eólico utilizando las Redes Neuronales Artificiales. Aplicación a dos parques eólicos de Canarias. Figura 8.16: Grado de similitud en la precisión de los modelos dinámicos calculados según las hipótesis 1 y 3 8.7 Conclusiones al capítulo. En el presente capítulo se ha desarrollado un modelo dinámico de curva de potencia global de parque eólico para la estimación de la potencia eléctrica del mismo. Para ello se han utilizando técnicas de inteligencia artificial como son las redes neuronales. El modelo generado se ha comparado con los resultados obtenidos en la estimación de la potencia global del parque utilizando el modelo estático de curva de potencia del aerogenerador. Por otro lado, se ha analizado las mejoras potenciales del modelo dinámico al utilizar información adicional en la capa de entrada de la red neuronal. Por último, con el objeto de solucionar los casos en los que el parque eólico no disponga de información meteorológica de referencia o bien ésta presente defectos, se ha estudiado la posibilidad de utilizar una estación ajena al mismo para la generación del modelo. Para ello, se ha analizado el grado de similitud entre los modelos dinámicos generados con la estación de referencia del parque y con esa otra estación ajena. Entre las conclusiones obtenidas en los estudios llevados a cabo en el presente capítulo, cabe destacar las siguientes: 274
Capítulo 8: Desarrollo de un Modelo Dinámico de curva de potencia de un parque eólico utilizando las Redes Neuronales Artificiales. Aplicación a dos parques eólicos de Canarias. Los modelos dinámicos de curva de potencia de parque eólico desarrollado utilizando las ANN’s (DWFPC) mejoraron, para los dos parques eólicos en estudio, los resultados obtenidos utilizando el modelo estático de curva de potencia de aerogenerador. El grado de mejora en la precisión del modelo dinámico con respecto al estático fue tanto mayor cuanto mayor era la complejidad en la distribución de los aerogeneradores sobre el terreno. Para el caso del WF-1 el error del modelo, MARE, se redujo en un 69.3%, mientras que para el caso del WF-2 la reducción fue del 47,5%. Para el caso del WF-1, parque donde existía una mayor complejidad en la distribución de los aerogeneradores sobre el terreno (dispone de varias líneas de aerogeneradores según la dirección perpendicular a la predominante del viento), los modelos dinámicos obtenidos según la hipótesis 2, en la cual se le añadía una estación adicional a la capa de entrada de la ANN, mejoraron en todos los casos los resultados obtenidos según el modelo dinámico de la hipótesis 1. El grado de mejora para el MARE llegó a ser del 17,6%. Para el caso particular del WF-2, donde ya inicialmente los resultados obtenidos para la precisión del modelo dinámico, según la hipótesis 1, eran muy buenos (MARE <0,1), los resultados de los modelos generados según la hipótesis 2 fueron similares al primero. Cuando se utilizaron, como neuronas de la capa de entrada de la ANN, los datos meteorológicos de una estación ajena al parque eólico, en lugar de los propios de la estación de referencia del mismo (hipótesis 3), el grado de similitud entre el modelo dinámico así obtenido y el resultante según la hipótesis 1, era tanto mayor cuanto mejor fuera la correlación entre las velocidades de las estaciones de referencia y la ajena utilizada (“CC”). Para un CC superior a 0,75, el grado de similitud entre los modelos dinámicos obtenidos según las hipótesis 1 y 3 fue superior a 0,9 (en una escala de 0 a 1, donde 1 representa el grado similitud óptima - figura 8.15) 275
Capítulo 8: Desarrollo de un Modelo Dinámico de curva de potencia de un parque eólico utilizando las Redes Neuronales Artificiales. Aplicación a dos parques eólicos de Canarias. 276 8.7 Referencias [1] Asociación Española de Normalización y Certificación (AENOR). Medida de la curva de potencia de aerogeneradores productores de electricidad. UNE 61400-12-1.2006 [2] Carta JA, Velazquez S, Matías JM. Use of Bayesian Networks classifiers for long-term mean wind turbine energy output estimation at a potential wind energy conversion site. Article in press. Doi: 10.1016/j.enconman.2010.09.0085. [3] Ji L., Gallo K. An Agreement Coefficient for Image Comparison. Photogrammetric Engineering & Remote Sensing, Vol 72, No. 7, 2006: pp. 823–833. [4] Willmott C. J., Robeson S. M., Matsuura K. Short Communication A refined index of model performance. INTERNATIONAL JOURNAL OF CLIMATOLOGY, 32. 2008: pp. 20882094 [5] Gamesa Eólica. <www.gamesa.es> [6] Principe JC, Euliano NR, Lefebvre WC. Neural and Adaptive Systems. Fundamentals Through Simulations. first ed. New York: John Wiley & Sons, Inc.; 2000. [7] Masters T. Practical Neural Network Recipes in C++. first ed. California:Morgan Kaufmann Publishers;1993. [8] Oztopal A. Artificial Neural Network approach to spatial estimation of wind velocity. Energy Conversion and Management 2006;47:395–406. [9] López P, Velo R, Maseda F. Effect of direction on wind speed estimation in complex terrain using neural networks. Renewable Energy 2008;33:2266-72. [10] Monfared M, Rastegar H, Kojabadi HM. A new strategy for wind speed forecasting using artificial intelligent methods. Renewable Energy 2009;34:845-48. [11] Draper NR; Smith H (1998). Applied regression analysis. John Wiley & Sons, Inc, 1966 [12] Witten IH, Frank E. Data Mining. Practical Machine Learning Tools and Techniques. 2nd ed. San Francisco: Elsevier;2005. [13] Demuth H. Beale M. Neural network toolbox user’s guide. The Math Works, Inc., Natick, MA 01760-2098;2003.
CAPITULO 9 Análisis de la influencia de los datos de la capa de entrada de un modelo de Red Neuronal Artificial en la predicción a corto plazo de la potencia eléctrica de un parque eólico.
Capítulo 9: Análisis de la influencia de los datos de la capa de entrada de un modelo de Red Neuronal Artificial en la predicción a corto plazo de la potencia eléctrica de un parque eólico. INDICE 9.1 Introducción…………….……………………………………………………………………………… 279 9.2 Objetivo…………...………………..………………………………………………………………..… 282 9.3 Metodología…..………………..……………………………………………………………………... 283 9.4 Datos de partida…………………………..…………………………………………………………. 288 9.5 Arquitectura de las Redes Neuronales utilizadas…………..…………………………….. 291 9.6 Discusión de los resultados obtenidos….………………………………………………..….. 292 9.7 Conclusiones al capítulo…………………………………………………………………………… 300 9.8 Referencias…………………………………………………………..…………..…………….……… 302 INDICE DE FIGURAS Figura 9.1: Metodología para la obtención de los modelos de predicción Figura 9.2: Esquema de la red neuronal para la generación de los modelos de predicción para el Caso A) Figura 9.3: Esquema de la red neuronal para la generación de los modelos de predicción para el Caso B) Figura 9.4: Distribución en planta del parque eólico Figura 9.5: Ubicación de las estaciones anemométricas (WS) y del parque eólico (WF) Figura 9.6: MARE para los diferentes modelos según sea el horizonte temporal de predicción y el número de periodos elegidos para las variables de la capa de entrada a la ANN Figura 9.7: Valor de R para los diferentes modelos según sea el horizonte temporal de predicción y el número de periodos elegidos para las variables de la capa de entrada a la ANN Figura 9.8: Variación del MARE para los diferentes periodos de predicción. Caso de un horizonte temporal t+24 Figura 9.9: Desviación típica relativa del MARE para los diferentes horizontes temporales de predicción, según sea el número de periodos previos escogidos para las variables de la capa de entrada de la ANN 277
Capítulo 9: Análisis de la influencia de los datos de la capa de entrada de un modelo de Red Neuronal Artificial en la predicción a corto plazo de la potencia eléctrica de un parque eólico. son medias horarias. Los datos de la estación ajena al parque se corresponde con los de una de las sietes estaciones meteorológicas adicionales utilizadas para la generación del modelo y que se describirán más adelante. En la capa de salida se tendrá la predicción a corto plazo de la potencia futura del parque eólico. De cada una de las variables de la capa de entrada se ha utilizado la información del rango de tiempo que va desde ti hasta ti-n. Siendo ti el instante en el que se predice y “n” el periodo de tiempos, anterior al del momento de predicción, escogido para la generación del modelo. En la capa de salida se tendrá los valores estimados de la potencia del parque eólico para m-periodos de tiempo. Para este estudio cada periodo de tiempo equivale a una hora. A partir del desarrollo metodológico explicado anteriormente se han generado los modelos de ANN para analizar los siguientes casos: Análisis de la influencia que tiene en la precisión del modelo, el número de periodos de tiempos, previo al momento de predicción, considerado para las diferentes variables que intervienen en la capa de entrada. Análisis de la influencia en la precisión del modelo, de la incorporación adicional de la información de una segunda estación meteorológica ajena al parque eólico. Caso A) Influencia del número de periodos de tiempo de las variables de la capa de entrada El horizonte temporal de predicción, m, podrá ser igual a 3,6,12,24 y 36 horas. En este caso A se estudiará, para cada uno de los horizontes temporales, la influencia que tiene en la precisión del modelo la variación del periodo de tiempos de las variables de la capa de entrada (“n”). n, al igual que m, podrá tomar los valores 3,6,12,24 y 36. Es decir, para cada horizonte temporal se generarán 5 modelos diferentes, según sea el valor de n, pudiendo comparar los resultados obtenidos para cada uno de ellos. Teniendo en cuenta los valores que puede tomar el horizonte temporal de predicción, m, el número total de modelos generados serán 25. En la figura 9.2 se muestra la estructura que tendría la red 284
Capítulo 9: Análisis de la influencia de los datos de la capa de entrada de un modelo de Red Neuronal Artificial en la predicción a corto plazo de la potencia eléctrica de un parque eólico. neuronal para este caso A; Donde Vt, Dt y Pt, son la velocidad del viento, dirección del viento y la potencia del parque eólico, respectivamente. El número de neuronas de la capa oculta será fijo e igual a 20. Las neuronas de la capa de salida serán las potencias del parque eólico en los instantes posteriores al de predicción. El número de éstas dependerá del horizonte temporal de predicción y es por lo que fluctuará de 3 a 36 neuronas. Para el caso de la capa de entrada, el número de neuronas también será variable dependiendo del valor de “n”; pudiendo fluctuar de 9 neuronas (n=3) a 108 (n=36). Figura 9.2: Esquema de la red neuronal para la generación de los modelos de predicción para el Caso A). Caso B) Influencia de la incorporación de la información de una estación meteorológica adicional En este caso B el horizonte temporal de predicción podrá tomar los mismos valores indicados para el caso A). Para este caso, la capa de entrada de la ANN además de disponer de las variables descritas para el caso A, se le incorpora adicionalmente la información de velocidad y dirección del viento de una estación meteorológica ajena al parque eólico. Esta segunda estación meteorológica adicional se escoge de un total de siete de las que se dispone de información y que se describirán más adelante. Por lo 285
Capítulo 9: Análisis de la influencia de los datos de la capa de entrada de un modelo de Red Neuronal Artificial en la predicción a corto plazo de la potencia eléctrica de un parque eólico. tanto, para este caso B se generarán 175 modelos diferentes (25 x 7), cuyos resultados serán comparados. En la figura 9.3 se muestra la estructura que tendría la red neuronal para este caso B; Donde Vt, Dt y Pt, son la velocidad del viento, dirección del viento y la potencia del parque eólico, respectivamente. El número de neuronas de la capa oculta será fijo e igual a 20. Las neuronas de la capa de salida serán las potencias del parque eólico en los instantes posteriores al de predicción. El número de éstas dependerá del horizonte temporal de predicción y es por lo que fluctuará de 3 a 36 neuronas. Para el caso de la capa de entrada, el número de neuronas también será variable dependiendo del valor de “n”; pudiendo fluctuar de 15 neuronas (n=3) a 180 (n=36). Figura 9.3: Esquema de la red neuronal para la generación de los modelos de predicción para el Caso B). 9.3.1 Métricas utilizadas para la comparación de los diferentes modelos. Para poder comparar la precisión de los diferentes modelos generados tanto en el caso A como en el B, se han utilizado las siguientes métricas 286
Capítulo 9: Análisis de la influencia de los datos de la capa de entrada de un modelo de Red Neuronal Artificial en la predicción a corto plazo de la potencia eléctrica de un parque eólico. Ecuación 9.3 ji m j T rr ji jiji mare mP OP Tm MARE 111 11 Donde: MARE, es el error medio relativo en el horizonte temporal de predicción i, es el instante de tiempo en el que se predice Pi+j, es el valor real de la potencia del parque eólico en el instante de tiempo “i+j” Oi+j, es el valor estimado para la potencia del parque eólico en el instante de tiempo “i+j” T, es el número de datos de la fase Test (figura 9.1) m, es el número de periodos del horizonte temporal que se predice marei+j, es el error relativo medio para el instante de predicción “i+j” Ecuación 9.4 m jji m jT rji r ji T rji r ji T rji r jiji r ji R m OOPP OOPP m R 11 1 2 1 2 111 Donde: R, es el coeficiente de correlación medio entre los valores reales y estimados de la potencia del parque eólico en el horizonte temporal de predicción Ri+j, es el coeficiente de correlación entre los valores reales y estimados de la potencia para el instante de predicción “i+j” i, es el instante de tiempo en el que se predice Pi+j, es el valor real de la potencia del parque eólico en el instante de tiempo “i+j” Oi+j, es el valor estimado para la potencia del parque eólico en el instante de tiempo “i+j” T, es el número de datos de la fase Test (figura 9.1) m, es el número de periodos del horizonte temporal que se predice Ri+j, es el coeficiente de correlación entre los valores reales y estimados de la potencia para el instante de predicción “i+j” 287
Capítulo 9: Análisis de la influencia de los datos de la capa de entrada de un modelo de Red Neuronal Artificial en la predicción a corto plazo de la potencia eléctrica de un parque eólico. 9.4 Datos de Partida Para el estudio realizado en el presente capítulo se han utilizado los datos correspondientes a un Parque eólico ubicado en el T.M. de Ingenio al sudeste de la isla de Gran Canaria. El parque eólico está constituido por cuatro aerogeneradores de la marca Gamesa G47 de 660 kW cada uno (Fig 9.4). Se dispone de la información de las producciones horarias para el año 2008. El rendimiento energético del parque eólico durante el año en cuestión fue de 3.645 MWh/MW. N E O S Figura 9.4: Distribución en planta del parque eólico Adicionalmente, para el estudio planteado como Caso B, se ha utilizado la información de siete (7) estaciones meteorológicas adicionales. Estas estaciones se encuentran ubicadas en cuatro islas diferentes del archipiélago canario. De éstas se dispone de los datos medios horarios de la velocidad y dirección del viento. La información ha sido cedida por el Instituto Tecnológico de Canarias (ITC), empresa pública perteneciente al Gobierno de Canarias. 288
Capítulo 9: Análisis de la influencia de los datos de la capa de entrada de un modelo de Red Neuronal Artificial en la predicción a corto plazo de la potencia eléctrica de un parque eólico. En la figura 9.5 se muestra la ubicación tanto de las estaciones (WS) utilizadas así como la del parque eólico (WF1). WS-1 es la estación meteorológica de referencia del parque eólico. Figura 9.5: Ubicación de las estaciones anemométricas (WS) y del parque eólico (WF). En la tabla 9.1 se reflejan algunos datos de interés de cada una de las estaciones utilizadas en el estudio. Tabla 9.1: Información de las estaciones meteorológicas utilizadas en el estudio. Código (WS) Altura (m) Latitud (N) Longitud (W) Altitud (m) Velocidad media anual (m/s) WS-1 40 27º54'08" 15º23'17" 16 8,8 WS-2 10 27º51'36" 15º23'13" 3 7,7 WS-3 10 28º27'10" 13º51'54" 24 5,6 WS-4 10 28º57'7" 13º36' 10 5,4 WS-5 13 28º01'36" 15º23'16" 5 6,9 WS-6 10 28º7'30" 15º40'37" 472 8,5 WS-7 10 27º56'08" 15º25'24" 186 6 WS-8 10 28º2'35" 16º34'16" 51 6 En la Tabla 9.2 se reflejan los coeficientes de correlación lineal entre las velocidades medias horarias del viento de las diversas estaciones utilizadas, Ecuación 9.5. 289
Capítulo 9: Análisis de la influencia de los datos de la capa de entrada de un modelo de Red Neuronal Artificial en la predicción a corto plazo de la potencia eléctrica de un parque eólico. Ecuación 9.5 NG ii NG ii NG iii VVVV VVVV CC 1 2 1 2 1 )()( )( Donde: CC, es el coeficiente de correlación de las velocidades de dos de las estaciones empleadas en el estudio. NG, es el número total de datos de la serie disponible. En este caso, al ser la serie igual a un año y los datos ser medias horarias, NG es igual a 8760. Vi y V’i, son las velocidades en el instante i de las dos estaciones a correlacionar. Vy V, son las velocidades medias de ambas estaciones para toda la serie de datos. Tabla 9.2: Coeficiente de Correlación Lineal entre las velocidades de las diferentes estaciones meteorológicas. Año 2008 WS‐1WS‐2WS‐3WS‐4WS‐5WS‐6WS‐7WS‐8 WS‐11,0000,8410,275 0,343 0,745 0,736 0,775 0,503 WS‐20,8411,0000,192 0,251 0,790 0,744 0,871 0,444 WS‐30,2750,1921,000 0,702 0,166 0,162 0,181 0,161 WS‐40,3430,2510,702 1,000 0,209 0,215 0,227 0,201 WS‐50,7450,7900,166 0,209 1,000 0,493 0,780 0,218 WS‐60,7360,7440,162 0,215 0,493 1,000 0,610 0,621 WS‐70,7750,8710,181 0,227 0,780 0,610 1,000 0,397 WS‐80,5030,4440,161 0,201 0,218 0,621 0,397 1,000 290
Capítulo 9: Análisis de la influencia de los datos de la capa de entrada de un modelo de Red Neuronal Artificial en la predicción a corto plazo de la potencia eléctrica de un parque eólico. 9.5 Arquitectura de las Redes Neuronales utilizadas. Las ANN utilizadas en este capítulo han consistido en redes de tres capas con conexiones hacia delante (feedforward). Concretamente se han usado topologías multilayer perceptrons (MLPs) [Capitulo8; refs. 6-7]. Con el objeto de no incrementar el tiempo de entrenamiento se ha usado una única capa de neuronas ocultas. Dicha arquitectura ha demostrado su capacidad de aproximar satisfactoriamente cualquier transformación continua [Capitulo8; refs. 6-7] y ha sido propuesta por diversos autores [Capitulo8; refs. 17, 22, 21]. Para la elección del número de neuronas ocultas se llevaron a cabo varias pruebas previas, variando el número de señales de entrada. Dichas pruebas reflejaron que el uso de un número de neuronas superior a veinte incrementaba el tiempo de entrenamiento y no proporcionaba una mejora de los resultados. Por tanto, se fijó en veinte el número de neuronas de la capa oculta. Las arquitecturas diseñadas han sido entrenadas usando el algoritmo de Backpropagation con función de activación sigmoidal [Capitulo8; refs. 6-7]. Como algoritmo de minimización del error cuadrático medio cometido en el aprendizaje se ha utilizado el de Levemberg-Marquard [Capitulo8; refs. 18, 6]. Para llevar a cabo el entrenamiento y ensayo de la red la serie anual de datos disponibles para las estaciones de referencia y objetivo, se han dividido en tres subconjuntos aleatorios y diferentes: los datos de entrenamiento, los datos de validación y los datos de ensayo o test [3] (figura 9.1). La proporción de datos seleccionada para cada una de los procesos ha sido de 70%,15% y 15%, respectivamente. El subconjunto de datos de entrenamiento se utiliza para la estimación de los pesos de la ANN. El subconjunto de validación es utilizado para chequear el progreso del entrenamiento de las ANN, optimizando los parámetros de las mismas. Es decir, se utilizan para medir el grado de generalización de las ANN. El subconjunto de los datos de ensayo o test, que no han sido utilizados ni en la etapa de entrenamiento ni de validación, es usado para determinar la fiabilidad del modelo generado en las fases de entrenamiento y validación. Es decir, constituye una medida independiente del funcionamiento de la red. 291
Capítulo 9: Análisis de la influencia de los datos de la capa de entrada de un modelo de Red Neuronal Artificial en la predicción a corto plazo de la potencia eléctrica de un parque eólico. Los distintos experimentos han sido realizados empleando las herramientas que para las redes neuronales presenta el software informático Matlab. Los requisitos mínimos de memoria RAM para la generación de todos los modelos fue de 16MB. 9.6 DISCUSION DE LOS RESULTADOS OBTENIDOS La discusión de los resultados se ha realizado en base a los dos casos planteados en la metodología. En las diferentes figuras, “t” simboliza el periodo de tiempo en el que se predice. En este sentido, “t-3” indicaría que se ha escogido 3 periodos de tiempo previos al de predicción, incluido éste. Por el contrario, “t+3” indicaría que se trata del caso de un horizonte temporal de predicción de 3 periodos, contados a partir del que se predice. Discusión de los resultados para el caso A): Influencia del número de periodos de tiempo de las variables de la capa de entrada En las figuras 9.6 y 9.7, se observa que los valores del MARE y R, respectivamente mejoran, para el caso particular de cada horizonte temporal, a medida que se aumenta el número de periodos previos al de predicción que se escogen para las variable de la capas de entrada. Esta mejora es más importante cuanto mayor es el horizonte temporal de predicción. La mejora en los resultados del se producen hasta el caso t-24. Para el caso t36 la mejora es mínima o simplemente no se observa mejora en el modelo. 0,2175 0,2172 0,2162 0,2087 0,2047 0,2600 0,2541 0,2439 0,2376 0,2395 0,3122 0,3031 0,2866 0,2783 0,2708 0,3582 0,3455 0,3382 0,3206 0,3182 0,3790 0,3661 0,3517 0,3412 0,3476 0,18 0,21 0,24 0,27 0,3 0,33 0,36 0,39 t-3 t-6 t-12 t-24 t-36 MAR E t+3 t+6 t+12 t+24 t+36 Figura 9.6: MARE para los diferentes modelos según sea el horizonte temporal de predicción y el número de periodos elegidos para las variables de la capa de entrada a la ANN 292
Capítulo 9: Análisis de la influencia de los datos de la capa de entrada de un modelo de Red Neuronal Artificial en la predicción a corto plazo de la potencia eléctrica de un parque eólico. 0,916 0,920 0,921 0,928 0,930 0,857 0,869 0,879 0,894 0,898 0,784 0,798 0,824 0,846 0,845 0,737 0,756 0,772 0,796 0,802 0,682 0,698 0,720 0,735 0,745 0,65 0,68 0,71 0,74 0,77 0,8 0,83 0,86 0,89 0,92 0,95 t-3 t-6 t-12 t-24 t-36 R t+3 t+6 t+12 t+24 t+36 Figura 9.7: Valor de R para los diferentes modelos según sea el horizonte temporal de predicción y el número de periodos elegidos para las variables de la capa de entrada a la ANN Para el caso del MARE y para los horizontes temporales t+12, t+24, t+36, se observa que el modelo mejora en un 13,3%, 11,2% y 8,3%, respectivamente. Para los mismos casos pero para la “R”, las mejoras son del 7,8%, 8,8% y 9,2%, respectivamente. La figura 9.8 muestra la variación del MARE en los diferentes periodos de predicción y para el caso particular de un horizonte temporal de 24 periodos (t+24). En ésta se han diferenciado los resultados según sea el número de periodos, previos al de predicción, escogidos para las variables de la capa de entrada. Se observa que, cuanto mayor sea el número de periodos previos escogidos, el MARE a medida que avanza el periodo de predicción, además de ser claramente inferior, se mantiene más estable dentro del horizonte temporal de predicción. 293
Capítulo 9: Análisis de la influencia de los datos de la capa de entrada de un modelo de Red Neuronal Artificial en la predicción a corto plazo de la potencia eléctrica de un parque eólico. 9.7 CONCLUSIONES AL CAPÍTULO En el presente capítulo se ha mostrado el estudio de investigación en el que se ha desarrollado, aplicando las redes neuronales artificiales, diferentes modelos para la predicción de la potencia eléctrica generada para un parque eólico. Éstos se han aplicado a un parque real ubicado en el sudeste de la isla de Gran Canaria. Se ha analizado la influencia que tiene en la precisión del modelo aspectos como el número de periodos (en el presente estudio un periodo equivale a una hora), previos al de predicción, que se escogen para las variables de la capa de entrada de la ANN así como la incorporación en dicha capa de los datos meteorológicos (velocidad y dirección del viento) de una estación anemométrica adicional, ajena a la propia del parque eólico. Como conclusiones, destacar las siguientes: Para un número de periodos, previos al de predicción, de hasta 24 horas, se observó que al aumentar éstos siempre se mejoraron los resultados obtenidos para los modelos, independientemente del horizonte temporal de predicción. A partir de 24 horas previas, generalmente el modelo podía mejorar pero de forma insignificante. El grado de mejora es más importante cuando el horizonte temporal de predicción es igual o superior a 12 horas. Para los casos particulares de horizontes temporales t+12, t+24, t+36, se observó que el modelo podía mejorar el MARE en un 13,2%, 11,2% y 8,3%, respectivamente y la R en un 7,8%, 8,8% y 9,2%, respectivamente. Con el aumento del número de periodos, previos al de predicción, en las variables de la capa de entrada se conseguía además estabilizar más rápidamente el error de los diferentes periodos dentro de un horizonte temporal dado, Figuras 9.8 y 9.9 Para el parque eólico analizado en el presente capítulo la mejora en la predicción, al aumentar el número de periodos previos en las variables de la capa de entrada, podría suponer un ahorro en la penalizaciones económicas por el desvío en el mercado eléctrico del 12,3%, equivalentes a 5.431,2€/año. La incorporación de la información meteorológica de una estación adicional, ajena a la de referencia del parque eólico, a la capa de entrada de la ANN mejoró la precisión en el 76% de los 175 modelos generados en el “caso B”. Aún así, al 300
Capítulo 9: Análisis de la influencia de los datos de la capa de entrada de un modelo de Red Neuronal Artificial en la predicción a corto plazo de la potencia eléctrica de un parque eólico. disponer de siete estaciones que se podían combinar como adicionales, para los 25 modelos desarrollados en el “caso A”, siempre se encontró para éstos una que al incorporarla mejoraba los resultados obtenidos. Estaciones que se podían combinar como adicionales, para todos los modelos desarrollados en el caso A) siempre se encontró una que, al incorporarla, mejoraba los resultados obtenidos. La mejora que experimentaron los modelos al incorporar la segunda estación era tanto mayor cuanto mayor fuere el horizonte temporal de predicción, figura 9.11, pudiendo llegar el MARE a mejorar en un 9,5% y la R en un 5,3%. 301
Capítulo 9: Análisis de la influencia de los datos de la capa de entrada de un modelo de Red Neuronal Artificial en la predicción a corto plazo de la potencia eléctrica de un parque eólico. 9.8 REFERENCIAS: [1] Red Eléctrica de España. El sistema eléctrico español. Avance del informe. 2014 http://www.ree.es/sites/default/files/downloadable/avance_informe_sistema_electrico_20 14b.pdf (último acceso 17/09/2015). [2] Parlamento Europeo y del Consejo. Directiva 2009/28/CE de 23 de abril de 2009 relativa al fomento del uso de energía procedente de fuentes renovables . Diario oficial de la Unión Europea. 2009: pp L140/16 L149/62 [3]Gobierno de Canarias. Plan Energético de Canarias. http://www.gobiernodecanarias.org/energia/doc/planificacion/pecan/pecan2007.pdf. Año 2007. (último acceso 17/09/2015). [4]Gobierno de Canarias. Revisión del Plan Energético de Canarias. http://www.gobiernodecanarias.org/energia/doc/planificacion/pecan/pecan2007.pdf. Año 2012 (último acceso 17/09/2015). [5] Justus CG, Mani K, Mikhail AS. Interannual and month-to-month variations of wind speed. Journal of Applied Meteorology 1979; 18:913–20. [6] Baker R, Walker SN, Wade JE. Annual and seasonal variations in mean wind speed and wind turbine energy production. Solar Energy 1990; 45:285-9. [7] Klink K. Trends and interannual variability of wind speed distributions in Minnesota. J. Clim. 2002; 15: 3311-7. [8] Foley A, Leahy P, Marvuglia A, McKeogh E. Current methods and advances in forecasting of wind power generation. Renew Energy Jul. 2012;37:1e8. [9] Amjady N, Keynia F, Zareipour H. Short-term wind power forecasting using ridgelet neural network. Electr Power Syst Res Sept. 2011;81:2099e107. [10] Khalid M, Savkin A. A method for short-term wind power prediction with multiple observation points. IEEE Trans Power Syst May 2012;27:579e86 [11] Adel Brkaa, Yasir M. Al-Abdelia & Ganesh Kothapallia a School of Engineering, Edith Cowan University, Joondalup, WA6027, Australia Published online: 21 Jan 2014. [12] Cali, U., B. Lange, J. Dobschinski, M. Kurt, C. Möhrlen, and B. Ernst. 2008. “Artificial Neural Network Based Wind Power Forecasting Using aMulti-Model Approach.” 7th InternationalWorkshop on Large Scale Integration ofWind Power and on Transmission Networks for OffshoreWind Farms, 1–6. Madrid, Spain. 302
Capítulo 9: Análisis de la influencia de los datos de la capa de entrada de un modelo de Red Neuronal Artificial en la predicción a corto plazo de la potencia eléctrica de un parque eólico. 303 [13] Bhaskar, K., and S. Singh. 2012. “Awnn-AssistedWind Power Forecasting Using FeedForward Neural Network.” IEEE Transactions on Sustainable Energy 3 (2): 306–315. [14] Forecasting aggregated wind power production of multiple wind farms using hybrid wavelet-PSO-NNs Paras Mandal1, Hamidreza Zareipour2 and William D. Rosehart2 1Department of Industrial, Manufacturing and Systems Engineering, University of Texas at El Paso, El Paso, TX 79968, USA 2Department of Electrical and Computer Engineering, University of Calgary, Calgary, Alberta T2N 1N4, Canada [15] Short-term wind power forecasting using adaptive neuro-fuzzy inference system combined with evolutionary particle swarm optimization, wavelet transform and mutual information G.J. Os_orioa, J.C.O. Matiasa, J.P.S. Catalaoa,b,c. a University of Beira Interior, R. Fonte do Lameiro, 6201-001 Covilha, Portugal b INESC-ID, R. Alves Redol, 9, 1000-029 Lisbon, Portugal c IST, University of Lisbon, Av. Rovisco Pais, 1, 1049-001 Lisbon, Portugal [16] A review of combined approaches for prediction of short-term wind Speedy and power A.Tascikaraoglu n, M.Uzunoglu Department of Electrical Engineering, Yildiz Technical University, Istanbul 34220, Turkey [17] El-Fouly THM, El-Saadany EF, Salama MMA. One day ahead prediction of wind Speedy and direction. IEEE Trans Energy Convers 2008; 23:191–201. [18] Short-Term Wind Power Ensemble prediction Based on Gaussian Processes and Neural Networks. Duehee Lee, Student Member, IEEE, and Ross Baldick, Fellow, IEEE. [19] Red Eléctrica de España (REE). http://www.esios.ree.es/web-publica Click en “MIBEL”, “Desvíos medidos” y “costes de desvíos RD 661/2007”. [20] Gobierno de canarias. ORDEN de 27 de abril de 2007, por la que se convoca concurso público para la asignación de potencia en la modalidad de nuevos parques eólicos destinados a verter toda la energía en los sistemas eléctricos insulares canarios. BOCA, 89. 2007. pp: 9315-9353 [21] Operador del Mercado Eléctrico (OMEL). Información del Mercado. www.omie.es/inicio. 2014.
CAPITULO 10 Conclusiones de la tesis y Líneas de Investigación Futuras que se Proponen
Capítulo 10: Conclusiones de la tesis y Líneas de investigación futuras que se proponen 306 INDICE 10 Conclusiones de la Tesis y líneas de investigación futuras que se proponen…………………………………………………………………………………….. 307 10.1 Introducción………………….……………………………………………………… 307 10.2 Aportaciones de la tesis….……………………………………………………… 308 10.3 Conclusiones………………………………………………………………………… 310 10.4 Líneas de investigación futuras que se proponen……………………… 313
Capítulo 10: Conclusiones de la tesis y Líneas de investigación futuras que se proponen 10 CONCLUSIONES DE LA TESIS Y LINEAS DE INVESTIGACION FUTURAS QUE SE PROPONEN 10.1 Introducción En el presente trabajo de investigación se ha querido dar solución a un problema a partir de la idea que se resume a continuación: Cada vez más se hace necesario el diversificar las fuentes energéticas para la generación de energía eléctrica. Si bien a nivel nacional la diversificación en las fuentes energéticas para la generación de energía eléctrica puede ser importante (Figura 1.2), en las islas canarias el efecto no es el mismo. La dependencia del mix energético canario de las fuentes energéticas derivadas del petróleo es muy elevada. Los objetivos estratégicos que en el sector energético se han marcado tanto a nivel europeo, nacional y en concreto para las islas canarias, hacen hincapié en conseguir una importante contribución de las energías renovables a la demanda de energía eléctrica (Figura 2.17). En concreto para el caso de la energía eólica se pretende tener instalados 1025 MW en el año 2020. A finales del 2014 la potencia eólica instalada en el archipiélago canario era de 154MW La capacidad de maximizar la contribución de la energía eólica, como fuente de generación de energía eléctrica no gestionable, a la demanda así como su integración en los mercados eléctricos, depende en gran medida del grado de predicción de la misma. Este hecho se hace aún más importante cuando se trata de sistemas eléctricos insulares débiles, como son los que se encuentran en el archipiélago canario, donde cada isla posee su propio sistema eléctrico insular aislado del resto de éstas y del sistema eléctrico peninsular. En la literatura científica se han propuesto diferentes métodos para la predicción de la potencia eléctrica de origen eólico utilizando diversas técnicas para la generación de los modelos. En el presente trabajo de investigación se han desarrollado modelos para la predicción a corto plazo de la potencia eléctrica de parques eólicos utilizando las redes neuronales artificiales. Para ello se ha utilizado la información de parques eólicos reales ubicados en el archipiélago canario. Se han estudiado las mejoras obtenidas en la precisión de los 307
Capítulo 10: Conclusiones de la tesis y Líneas de investigación futuras que se proponen modelos según sea la información que se escoja en las variables de la capa de entrada de la red neuronal y se ha valorado económicamente dichas mejoras por la reducción de la penalización económica debida al desvío en la predicción. Por otro lado, se ha desarrollado un modelo dinámico de curva de potencia global de parque eólico empleando las redes neuronales artificiales. Éste se ha comparado con la propia curva de potencia del aerogenerador (modelo estático) para analizar las mejoras del primero sobre éste. El modelo dinámico de curva de potencia desarrollado, al referirse al parque eólico completo y no al de un aerogenerador concreto, ya contempla internamente aspectos como las pérdidas energéticas por la rugosidad del terreno, las pérdidas energéticas debidas a las estelas entre aerogeneradores y la variación en la producción debido a la dirección en el que el viento incide sobre el parque eólico. 10.2 Aportaciones de la tesis A continuación se expone un listado de las distintas aportaciones de los trabajos desarrollados en la presente tesis: Los modelos desarrollados se han aplicado a parques eólicos concretos situados en el archipiélago canario. Es en éste donde al encontrarse sistemas eléctricos aislados, el problema de la integración de fuentes de generación no gestionables es mayor. Se ha utilizado la información aportada por los propietarios de dos parques eólicos ubicados en las islas de Gran Canaria y Lanzarote. Además se ha utilizado información meteorológica fiable, aportada por el Instituto Tecnológico de Canarias, empresa adscrita al Gobierno de Canarias y de reconocido prestigio en la gestión de información meteorológica. Se ha desarrollado un modelo dinámico de curva de potencia global del parque eólico a partir de la información histórica de éste y utilizando las redes neuronales artificiales. Se han comparado los resultados obtenidos aplicando el modelo desarrollado con los de la curva de potencia teórica (modelo estático) del aerogenerador. 308
Capítulo 10: Conclusiones de la tesis y Líneas de investigación futuras que se proponen Se ha realizado en un mismo estudio un análisis de predicción a corto plazo para diferentes horizontes temporales. Pudiendo compararse los errores según sean éstos. Se ha analizado, para un horizonte temporal concreto, las mejoras que se obtiene en la fiabilidad del modelo, según el número de periodos (en este estudio un periodo es equivalente a una hora), previos al de predicción, que se escojan para las variables de la capa de entrada de la red neuronal. En el estudio realizado en la presente tesis las variables de entrada son: velocidad del viento, dirección del viento y producción histórica del parque eólico. Los horizontes temporales de predicción que se han estudiado pueden ser de 3,6,12,24 y 36 horas (t+3; t+6; …; t+36, siendo “t” el instante en el que se predice). De igual forma el número de periodos de tiempos previos al de predicción podrá tomar los valores 3,6,12,24 y 36 (t-3; t-6; …; t-36, siendo “t” el instante en el que se predice). Es decir, para cada horizonte temporal se generarán 5 modelos diferentes, pudiendo compararse los resultados obtenidos para cada uno de ellos. Teniendo en cuenta los valores que puede tomar el horizonte temporal de predicción, el número total de modelos generados serán 25. Se trata de un número de modelos considerable para poder generalizar los resultados de este estudio. Se han analizado las mejoras que se obtiene en la precisión del modelo cuando se incorpora, a la capa de entrada de la red neuronal, la información meteorológica (velocidad y dirección del viento) de una estación adicional ajena a la propia del parque eólico. Para ello se ha trabajado con información de 7 estaciones meteorológicas adicionales que se han combinado con los 25 modelos generados para una sola estación, por lo tanto en este caso se ha trabajado con 175 (25 x 7) modelos de red neuronal a partir de los que se han discutido los resultados. Los errores en la predicción de la potencia eléctrica generan como consecuencia penalizaciones en el mercado eléctrico (costes de desvío). Estas penalizaciones dependen, entre otras cosas, de la magnitud del error. En el trabajo desarrollado se han cuantificado no sólo las mejoras que se obtienen en la precisión de los diferentes modelos sino su implicación económica al disminuir las penalizaciones. 309
Sizing of a wind-hydro system using a reversible hydraulic facility with seawater. A case study in the Canary Islands Ulises Portero a , Sergio Velázquez b, ⇑ , José A. Carta c a School of Industrial and Civil Engineering, University of Las Palmas de Gran Canaria, Campus de Tafira s/n, 35017 Las Palmas de Gran Canaria, Canary Islands, Spain b Department of Electronics and Automatics Engineering, Universidad de Las Palmas de Gran Canaria, Campus de Tafira s/n, 35017 Las Palmas de Gran Canaria, Canary Islands, Spain c Department of Mechanical Engineering, University of Las Palmas de Gran Canaria, Campus de Tafira s/n, 35017 Las Palmas de Gran Canaria, Canary Islands, Spain article info Article history: Received 6 June 2015 Accepted 20 October 2015 Keywords: Wind-hydro power plant Pumped hydro energy storage system Distributed generation abstract While the climatic conditions of the Canary Islands (Spain) are highly favourable for wind and solar energy exploitation, the low freshwater reserves are a problem when considering the implementation of hydro-based systems. For this reason, the pumped hydro storage (PHS) systems that have been proposed on the islands and which aim to exploit the available freshwater include an additional seawater desalination process. Given this drawback, this paper proposes an original alternative: a reversible PHS facility which directly uses seawater with the system in this case located on the coast of Gran Canaria island. This facility would be used to manage and better integrate the energy generated by a wind farm into a weak insular electrical system. An analysis is also undertaken of the economic benefits the proposed wind-hydro system would entail for the island’s electrical system. As a result of the incorporation of the hydraulic unit, the contribution of the wind-hydro system in satisfying electricity demand is 29% higher than if a wind-only system is used. The electrical energy generation cost of the wind-hydro system amounts to 95.34 €/MW h, entailing an annual saving for the electrical system of 7.68 M€/year. Ó2015 Elsevier Ltd. All rights reserved. 1. Introduction 1.1. Background The electricity grids of the Canary Archipelago (Spain) are comprised of independent electrical systems for each of the islands which are not interconnected (with the exception of the islands of Fuerteventura and Lanzarote which are connected by a 66 kV line). The transport networks are generally comprised of medium-voltage lines whose operating conditions, as determined by the low demand, are unsuitable for emergency situations or local failure. In short, the problem of independent island systems lies essentially in a lower quality of service and much higher costs [1]. The Canary Government, as part of its strategic planning in relation to electrical systems, includes prevision for the integration of electrical energy generation sources using non-manageable renewable technologies (mainly wind and photovoltaic). More specifically, a strategic objective was outlined in the Canary Islands Energy Plan (Spanish initials: PECAN) for renewable generation sources to cover 30% of electricity demand by the year 2015 [2]. However, the contribution of renewable energies in terms of meeting electricity demand in the Canary Islands in 2014 was just 8% [3], a long way short of the PECAN objective. The massive integration under secure safety conditions of nonmanageable renewable energies in weak electrical systems requires energy storage installations that can guarantee a continuity of supply that renewable energies are unable to provide. Reversible hydroelectric systems are, in many situations, one way of solving this problem. Several studies have been published in the literature in relation to PHSSs as a solution for grid stability in the integration of non-manageable renewable energy sources [4–9]. Some studies, which have concentrated on specific islandbased cases [6,7,9], have demonstrated the importance of such systems in maximizing the integration of non-manageable renewable energy sources in island-based electrical systems. PHSSs help to adapt energy generation to demand by pumping water in periods of low energy demand and using that stored energy in periods of high demand, in this way maximizing the exploitation of primary renewable resources. Bueno and Carta [10] undertook a specific PHSS study on the island of Gran Canaria (one of the islands of the Canary Archipelago) which contemplated the use of two of its most important http://dx.doi.org/10.1016/j.enconman.2015.10.054 0196-8904/Ó2015 Elsevier Ltd. All rights reserved. ⇑ Corresponding author. Tel.: +34 928 45 96 71; fax: +34 928 45 7319. E-mail address: [email protected] (S. Velázquez). Energy Conversion and Management 106 (2015) 1251–1263 Contents lists available at ScienceDirect Energy Conversion and Management journal homepage: www.elsevier.com/locate/enconman
fresh water reservoirs. Padrón et al. [11] showed in a case study on the same island of Gran Canaria that the use of PHSSs improved wind energy penetration in the island’s electrical system. In the particular case of the Canary Islands and due to its climatic conditions, the availability of freshwater for direct hydropower exploitation is very limited. The freshwater reserves are low, concentrated fundamentally in the centre of the islands and are mainly used to satisfy agricultural requirements. The yearround high temperatures result in much freshwater being lost to evaporation and, in general, freshwater reserves are being consumed faster than they are being replenished. Consequently, freshwater hydropower facilities need to have an additional seawater desalination process prepared to cover any deficit. The water product additionally needs to be transported from the plant, near the coast, to the more central areas where the freshwater reservoirs are found. 1.2. Aims The original alternative that is proposed in the present paper is the use of a reversible hydraulic unit, located near the coast, to directly exploit the seawater. The installation of this type of system is conditioned by the characteristics of the coastal area of the site in question, in other words the presence of suitable height differences and sufficient space for the construction of the upper storage tanks and turbine/pump equipment. The resulting hydraulic facility is intended to be used to improve the management and integration of the energy generated by a wind farm into the island’s electrical system. The specific aim is for the facility to be able to supply the electrical energy demands of La Aldea de San Nicolás (hereinafter referred to as La Aldea), a municipality located in the north-west of Gran Canaria island (Fig. 1). An additional study has also been undertaken of the economic benefits of such a facility for the island’s electrical system. These benefits are based on a reduction in production costs compared to the present conventional generation system. The model proposed in this paper can be applied to any other insular and/or weak electrical system. The particular system studied in this paper is intended to serve as a reference for the Canary Island Government and Spain’s electricity system operator for possible future implementation. 2. Methodology The sizing undertaken in this paper will be based on the capacity, as far as is possible, of the wind farm to meet the energy demand of La Aldea. The wind farm will be connected to the island’s electrical system. In the event of an energy surplus, with this being understood as a positive difference between the hourly wind-generated electrical power and the hourly electricity demand of La Aldea, the pumps of the hydraulic facilities will enter into action raising the seawater to an upper level tank. The pumps will therefore be acting in this sense as a manageable load in the system. In the event that it is not possible to accumulate part or all the excess energy, this energy will still be fed into the island grid but will be consumed outside La Aldea municipality. This excess energy, which is not consumed by the system comprising the wind-hydro system and the corresponding electrical system of La Aldea, is called in this paper the equivalent energy surplus of the wind-hydro system. When the power generated by the wind farm is insufficient to meet energy demand, the energy deficit will be covered by the energy accumulated in the tank and/or, when necessary, by the island’s electrical system (Fig. 2). The energy supplied in this way is described in this paper as the equivalent energy deficit. So, the operational hypothesis proposed in the present paper for the hydraulic plant is that it is always either pumping or turbining, but that the two actions will not be carried out simultaneously. Gran Canaria’s high-voltage grid is comprised of 220 kV and 66 kV lines stretching a total distance of 419.2 km. Of these, 24% correspond to the 220 kV grid and the rest to the 66 kV grid [12]. La Aldea municipality is electrically connected to a 20 kV voltage as the high voltage grid of the island’s system does not extend to this part of the island. In other words, La Aldea finds itself with an extra weakness in addition to the fragility of the island’s electrical system. A wind map of the Canary islands shows the high wind potential of the north-western region of the island where La Aldea is located [13]. The region has been included in the island’s territorial planning for the future installation of wind farms. The hourly electrical energy demand in the municipality of La Aldea and the capacity for wind energy exploitation at the potential site for the installation of the wind farm will be used as references for the sizing of the wind-hydro system. A model has been developed for the sizing implemented in the Matlab application (Fig. 3). Different cases were simulated based on this model. By using Matlab, we were able to implement our own programme routines and use its incorporated mathematical calculation tools. In general terms, the model is comprised of a main programme which governs different subroutines. The most important of these subroutines are the five listed below: (a) Subroutine for the estimation of the electrical energy production of the wind farm. (b) Subroutine for the estimation of the energy demand of La Aldea. (c) Subroutine for the management of the energy balance (wind farm electricity production vs. La Aldea energy demand). Energy surpluses and deficits are managed on the basis of this energy balance. (d) Subroutine for the sizing optimization of the main components of the wind-hydro system (wind farm power, number and unit power of the reversible turbines, penstock, etc.). Nomenclature CO 2 carbon dioxide COE specific cost of the energy produced (in €/MW h). Eq. (7) COE WF specific cost of the electrical energy relative to the wind farm (in €/MW h) COE HS specific cost of the electrical energy relative to the hydraulic system (in €/MW h) COE WHS specific cost of the electrical energy relative to the wind-hydro system as a whole (in €/MW h). Eq. (10) EP energy performance (in MW h/MW). Eq. (9) EP WF energy performance of the wind farm (in MW h/MW) EP WHS overall energy performance of the wind-hydro plant (in MW h/MW). Eq. (13) PECAN Spanish initials for the Canary Islands Energy Plan PHSS Pumped Hydro Storage Systems REE Spanish initials of Spain’s electricity system operator toe tonne of oil equivalent 1252 U. Portero et al. / Energy Conversion and Management 106 (2015) 1251–1263
(e) Subroutine for the graphical representation of the most relevant results. 2.1. Method used for sizing of the penstock of the hydraulic system A single, 2000 m long penstock is planned in the system design connecting the turbine plant with the upper tank. As the proposed system employs seawater, appropriate materials will be required to avoid corrosion and biological scaling. The pipeline will be made from FRP (Fibre Reinforced Plastic) and covered with protective layers against biological activity and attacks from both acid and base substances [14,15]. Eqs. (1)–(3) were considered for pipe diameter sizing: P g B ¼ q gQh n ð1Þ P g T ¼ q gQh n ð2Þ where P: power (in W) Fig. 1. Location of the area of study. Fig. 2. Operational hypothesis of the wind-hydro installation. U. Portero et al. / Energy Conversion and Management 106 (2015) 1251–1263 1253
Fig. 3. Schematic representation of the model employed for the sizing of the wind-hydro system. 1254 U. Portero et al. / Energy Conversion and Management 106 (2015) 1251–1263
g B : pumping efficiency of the hydraulic turbine g T : turbining efficiency of the hydraulic turbine q : seawater density (1025 kg/m 3 ) Q: flow rate (in m 3 /s) h n : net pumping/turbining head (in m) h p ¼10:3n 2 Q 2 D 5:33 ! Lð3Þ where h p : Manning’s formula for the calculation of energy loss in the pipeline [16] (in m) n: Manning’s coefficient. This varies depending on the pipe material. For the particular case of FRP piping the mean coefficient is 0.009 Q: flow rate (in m 3 /s) D: pipe diameter (in m) L: pipe length (in m) Overpressure induced by the water hammer effect is calculated from Eq. (4) d p ¼ q v c gð4Þ where d p : overpressure induced by the water hammer effect (in kg/m 2 ) q : seawater density (1025 kg/m 3 ) v : water speed before valve closure (in m/s) c: speed of the pressure wave, Eq. (5), (in m/s) c¼ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi E q 1þ E E B D t v u u tð5Þ where c: speed of the pressure wave (in m/s) E: modulus of elasticity of the seawater (2.27 10 9 N/m 2 ) E B : modulus of elasticity of the pipe material (2.16 10 8 N/m 2 ) D: pipe diameter (in m) T: pipe thickness (in m) q : seawater density (1025 kg/m 3 ) 2.2. Method employed to estimate the kW h generation cost of the wind-hydro system The cost of electrical energy generation with the wind-hydro system was calculated from Eq. (6) [17–21]: C T ¼C I þC O&M ð6Þ where C T : total cost of the electrical energy generated (in Euros/MW) C I : initial investment cost (in Euros/MW) C O&M : operating and maintenance cost (in Euros/MW) For the purposes of this paper a simplified calculation model of the specific cost of energy (COE) was chosen, Eq. (7). This method, similar to the EPRI TAG method [18,20,21] estimates the cost as the ratio between the total costs and the annual electrical energy produced by the wind-hydro system. COE ¼C I FCR EP þC O&M EP ð7Þ where COE: specific cost of the electrical energy generated by the wind-hydro system (in Euros/MW h) FCR: fixed charge rate per year, Eq. (8) EP: energy performance of an electrical energy generation installation (in MW h/MW), Eq. (9) FCR ¼r ð1þrÞ Lt 1þrð8Þ where r: discount rate. A discount rate value of 0.04 (4%) was considered Lt: useful working life of the installation. Useful working lives of 20 and 40 years were considered for the wind and hydraulic installations, respectively. These correspond to the usual guaranteed working life of such types of installation EP ¼Electrical energy generated over a year Rated capacity of the electrical installation ð9Þ Calculation of the COE, Eq. (7), of the wind-hydro system was carried out by adding together the COE of the wind installation and the COE of the hydraulic system. So, the overall COE is given by Eq. (10): COE WHS ¼COE WF þCOE HS ð10Þ where COE WHS : total COE of the wind-hydro system COE WF : wind farm COE COE HS : hydraulic plant COE 3. Materials The energy demand forecast for La Aldea in a time frame up to 2020 was used as reference. Information available for the evolution of installed electrical power in the Canary Islands [12] and the evolution of the Canary population for the years 2000–2012 [22] were used as the initial data. A linear projection was made for the years 2013–2020 based on the evolution of these data. A value was obtained for installed electrical power per capita using the electrical power and population data. A similar projection was then made for La Aldea to the year 2020 based on the data available for evolution of the La Aldea population over the same period [22]. On the basis of the electrical power per capita data for the Canary Archipelago and the population data for La Aldea, an estimated value of 15.2 MW was calculated for installed electrical power in La Aldea in 2020 (Table 1). In this estimation it was assumed that the ratio of electrical power per capita in La Aldea was the same as that for the Canary Archipelago as a whole. The behaviour of electrical energy demand for each of the independent island electrical systems was obtained from data supplied by the Spanish electricity system operator (Spanish initials, REE). An analysis of the daily evolution of demand for the specific case of the island of Gran Canaria [23] reveals two different behaviours, one representative of the days of the months from October to May (which we will call ‘winter behaviour’) and the other corresponding to the months from June to September (which we will call ‘summer behaviour’). Table 1 Initial energy data. Year Canary population La Aldea population Installed power in the Canary islands (MW) Installed power per inhabitant in the Canary Islands (kW/inh) Estimated installed power in La Aldea (MW) 2020 2,508,981 9330 4088.2 1.74 15.2 U. Portero et al. / Energy Conversion and Management 106 (2015) 1251–1263 1255
Both representative behaviours are bimodal. However, the maximum values for a representative day of the ‘winter behaviour’ are different (the higher maximum value being that observed in the evening hours), whereas in the ‘summer behaviour’ the maximum values are very similar. In addition, the time during which demand remains constant between the two maximums is higher in the summer behaviour compared to the winter behaviour. Gran Canaria island has a total installed power of 1178.3 MW [12]. Fig. 4 shows the behaviour of electrical energy demand in the municipality of La Aldea over a typical summer and winter day. 3.1. Estimation of wind-sourced electrical energy performance Information provided by the Canary Island Technological Institute (Spanish initials: ITC), a Canary Government run company, was used to analyse the wind resources at the potential site for the location of the wind farm which will operate in combination with the hydraulic facilities. The values used were the mean hourly wind speeds and directions for the period 2000–2003, measured at a height of 10 m above ground level. Fig. 5 shows the mean monthly wind speeds as well as the mean annual wind speed for the particular area. The highest mean wind speed values are found in the spring and summer months, exceeding in some cases 9.5 m/s. The mean annual wind speed is 7.1 m/s. According to the results obtained in the calculation of wind direction frequencies, practically 80% of the wind directions of the year are concentrated in the sector contained between the NNE and SE directions. The mean hourly wind speeds of a typical summer period day (June–September) and winter period (October–May) day were obtained from the hourly data. It can be seen in Fig. 6 that wind behaviour over the day is similar in the two periods considered, with the two curves practically parallel and separated by the different wind intensity of the two periods. Wind speed rises by an average of 3 m/s in the time period between 10:00 and 16:00, before gradually returning to values similar to those of the first hours of the day. This average increase entails a variation in wind power of 60% and 40% for the winter and summer periods, respectively. The wind turbine model chosen for the proposed wind farm was the Enercon model E70/2300 kW [24]. The Enercon technology control system has been widely tested and has been used in previous research projects on weak electrical systems in the Canary Islands such as the SDAWES project [25]. Based on the mean hourly wind speed data for the reference zone and the power curves of the wind turbine [24], an estimation was made, using the quasi-dynamic method [26], of the hourly wind turbine power production for a typical year (Fig. 7). It can be seen that the wind turbine works more hours at powers equal or close to its rated power during the April–August period. 3.2. Upper tank of the hydraulic facilities The upper tank for storage of the pumped seawater will have a total volume of 9,206,278 m 3 . The available useful head of the hydraulic facility is 175 m. The energy storage capacity of the tank is 4500 MW h (Eq. (11)) UTEC ¼ q Vgh10 6 3600 ð11Þ where UTEC: is the energy storage capacity of the upper tank (in MW h) q : is seawater density (1025 kg/m 3 ) V: is the maximum volume of water that can be stored in the upper tank (in m 3 ) g: is gravitational acceleration (9.81 m/s 2 ) h: is the useful height of the upper tank (in m) The interior of the tank will be covered with a 50 cm layer of 20 mm size gravel which will act as a drainage layer in the event of a leak or filtrations. Pipes with seawater sensor and pressure gauges will be connected to the drainage layer. In the event of a leak the detector will activate an alarm. The drainage layer will additionally be covered with a damping layer made from a non-woven geotextile material to avoid damage to the rubber membrane which will be the final layer. An EPDM (ethylene propylene diene monomer) rubber membrane was chosen as the final lining of the upper tank. EPDM rubber is an elastomer with good abrasion and wear resistance. 3.3. Turbine of the hydraulic facilities The system requires a reversible turbine capable of operating with seawater. The construction materials of the turbine are much more susceptible to damage from seawater compared to freshwater and, in consequence, a number of aspects need to be assessed and taken into consideration [15]. These include the need for easy assembly and removal of the runner for cleaning or replacement and simplification of the surface of the chute to avoid as much as possible corrosion in narrow areas or small fissures. In the head cover and discharge ring, the surfaces in contact with water are made from austenitic stainless steel with low carbon content. Surfaces with no water contact will be made from rolled steel for welded structures to keep costs low. The runner blades and hub will also be made from austenitic stainless steel with low carbon Fig. 4. Daily winter and summer behaviour of electrical energy demand in La Aldea municipality. 1256 U. Portero et al. / Energy Conversion and Management 106 (2015) 1251–1263
content and with nitrogen added to improve resistance to corrosion. The main shaft will be made from stainless steel and will have a slip ring to provide the current for cathodic protection against corrosion. Double distributor rod packing is required to prevent seawater entering into contact with the bearings. Cathodic protection is employed to avoid corrosion as a result of damage to paintwork and the corrosion phenomena that appear in fissures. Given that higher flow rates accelerate the corrosion process, the cathodic protection will have an external power source in order to exploit an adjustable current for corrosion prevention. Some marine microorganisms can stick to the surfaces of valves, turbines, pipes and other elements when the flow rate is below 5 m/s, resulting in a decrease in system efficiency. Waterrepellent paint will therefore be used to prevent the adhesion of dirt and microorganisms in areas of low flow rate. The Francis reaction turbine is the most commonly used type in modern reversible hydroelectric plants. Francis-type turbines have a high degree of adaptability to different useful heads (from 10 to 400 m) and flow rates (from 0.5 m 3 /s to 25 m 3 /s) [27] and have a wide operating range. Also popular are Kaplan-reaction turbines which can also work with an extensive range of flow rates (from 0m 3 /s to 50 m 3 /s) but, unlike the Francis version, are only used for installations with useful heads below 60 m [27]. As the useful head available in our case is 175 m, it was decided to use the Francis type. The efficiency of Francis turbines is over 80% when operating at between 40% and 110% of rated load, and around 75% at 20% of rated load [28]. The efficiency guaranteed by turbine manufacturers is based on the International Code for field acceptance tests of hydraulic turbines [29] or, when applicable, on the International Code for model acceptance tests [30]. Fig. 5. Monthly mean wind speeds over a year (data collected 10 m above ground level). Fig. 6. Mean hourly wind speeds over a typical day (data collected 10 m above ground level). Fig. 7. Hourly wind turbine power production over a year for the Enercon E70/2300 kW wind turbine. U. Portero et al. / Energy Conversion and Management 106 (2015) 1251–1263 1257
The turbine distributor will be cylindrical and its main function will be to regulate the power of the turbine in function of its load. This is the most commonly used type of distributor in reaction turbines and can operate under variable load. Variable capacity can be obtained by modifying the turbine inlet flow via movable gates, called wicket gates [31]. The Francis turbine will be connected to an electrical machine. When the seawater flows from the upper tank to the sea, the turbine will operate in turbine mode, the electrical machine will act as a generator and the energy generated will be dumped into the island grid (Fig. 8). On the other hand, when seawater needs to be pumped to the upper tank, the electrical machine will act as a motor taking energy from the grid. In this case the Francis turbine will be acting as a pump (Fig. 8). 4. Results 4.1. Simulations Based on the model developed in the present paper (Fig. 3), different simulations were performed to select the optimum number of wind turbines for the wind farm considering tank capacity, the annual energy demand curve for La Aldea and the wind turbine electrical energy production curve. A total of 6 cases were simulated according to the number of wind farm turbines. Cases 1–6 considered the use of between 5 and 10 wind turbines, respectively. By way of example, Figs. 9 and 10 show the results of the simulation of energy accumulation in the upper tank for cases 1 and 6. The negative values observed in Figs. 9 and 10 indicate that the wind-hydro system is not satisfying energy demand. This energy deficit is then met by other generation sources coupled to the Gran Canaria island electrical system. Two curves are shown in Fig. 10, one representing energy accumulation for the case of a 4500 MW h limitation and the other, which coincides in part with the first, representing accumulation variation with no storage capacity limit. Bearing in mind that energy accumulation is in fact limited to 4500 MW h, the area between the two curves will be the equivalent energy surplus of the wind-hydro system. In the Case 1 simulation only one curve is represented as the energy accumulation never exceeds the energy capacity of the tank (Fig. 9). The pumping and/or turbine needs for each hour (Fig. 11) are obtained as the difference between the power generated by the wind farm and the electrical power demand of La Aldea. If the result is positive, it is deduced that the difference will be power to be used for seawater pumping, and if the result is negative part of the accumulated water will need to be sent through the turbines to cover the energy deficit left by the wind farm. Frequency distribution charts were made of the mean hourly pumping and turbine power requirements to enable a more precise interpretation of the results (Figs. 12 and 13). 4.2. Penstock of the hydraulic system The least favourable operating condition of the hydraulic installation is used as the basis for calculation of the pipe diameter. In Fig. 8. Schematic outline of the operation of the reversible hydraulic system. 1258 U. Portero et al. / Energy Conversion and Management 106 (2015) 1251–1263
this particular study, this will be in the event of pumping power requirements of 16,000 kW, disregarding powers above this (Fig. 12). Based on the hypothesis that maximum energy loss in the pipeline does not exceed 5%, the maximum net pumping head, h n , will be 175 1.05 = 183.8 m and, based on the same hypothesis and according to Eq. (1),Q max = 7.79 m 3 /s. Based on this flow value and applying Eq. (3), the diameter of the pipe should be greater than 1.58 m. A final diameter of 1.6 m and thickness of 12 mm was chosen for the pipe. Real maximum losses in the pumping process will be 4.72% for the pipe diameter selected, Eq. (3). In the same way, in the turbining process for a maximum power demand of 6000 kW (Fig. 13) and according to Eqs. (2) and (3), the maximum energy loss in the pipe is 1.14%. Maximum flow rate is 3.66 m/s, Eq. (12). Q¼VAð12Þ where Q: flow rate (in m 3 /s) V: velocity of the fluid (in m/s) A: cross-sectional area of the pipe (in m 2 ) Fig. 9. Simulation of energy accumulation in the upper tank. Case 1: wind farm of 5 2300 kW wind turbines. Fig. 10. Simulation of energy accumulation in the upper tank. Case 6: wind farm of 10 2300 kW wind turbines. Fig. 11. Hourly variation of the pumping and turbine power requirements. U. Portero et al. / Energy Conversion and Management 106 (2015) 1251–1263 1259
To guarantee the supply and quality of the electricity, the system operator must be sure that the grids used to transport and distribute the energy are able to handle the amounts of this energy that are bought and sold in the market. The energy transactions of any particular day, D, are negotiated beforehand, generally on D-1. It is therefore extremely important that the negotiated energy bids are in fact available in the electricity system at the stipulated time. Any possible deviations that may occur in this sense will generate problems in that system. The system operator must act without delay to correct any power imbalances and guarantee the quality of the energy supply. These corrections to the electricity system entail an additional cost which is directly passed on to the electricity producers responsible for the imbalance [1317]. In this paper, this cost has been called the deviation cost (Cd). The cost structure of energy generation for a wind farm as considered to date in the scientific literature generally contemplates two factors: costs due to initial investment and operating and maintenance costs [18-21]. An evaluation is made in this paper of the mean deviation cost per unit of energy generated by a wind farm. An analysis will also be undertaken of the influence of the error committed in wind power prediction on the size of the deviation cost and on its contribution to the total production cost. After incorporating the deviation cost, the new production cost will be compared with the average energy sale prices in the electricity market. The calculations made in this paper are specific to the electricity system and market of the Canary Archipelago, which are in turn regulated by the system and market operators of Spain. 2. Initial Data A. Meteorological data The weather data used in this study correspond to the mean hourly wind speed data from six weather stations (WS-1 to WS-6) (Figure 1) for the period 1999-2010. The data were recorded at a height of 10 m above ground level. The stations are located in six of the seven islands of the Canary Archipelago; Lanzarote, Fuerteventura, Gran Canaria, Tenerife, La Palma and El Hierro. The data were supplied by the official authorised State Meteorological Agency (Spanish initials: AEMET), part of the Spanish Government Ministry of Agriculture, Food and Environment, which also acts as the authorised aeronautical meteorological agency [22]. Fig. 1. Location of the weather stations used. B. Wind turbine data An Enercon E-70 wind turbine with rated power of 2300 kW was chosen for the wind-sourced electrical energy generation calculations. Wind turbine manufacturers usually provide the power curves of their wind turbines in a discrete form with M nodes (Pwtj, Vj.; where j=1…M) [23]. 3. Methodology In the particular case of Spain’s electricity systems, the deviation cost is determined for each hour of the year. Spain’s transmission system operator (Spanish initials: REE), publishes the charge per unit of deviated energy (€/MWh) on its website [24]. The present analysis uses the mean values of the deviation charges, available for each hour of the year during the period from 2007 to 2011. The mean hourly deviation charges were calculated for each month of this five year period, Eq. (1). dy N 1d N 1y y,d,m,h dy m,h Cd NN 1 Cd (1) where: ;Cd m,h is the mean deviation charge for hour “h” of month “m” in the study period 2007-2011 (in Euros/MWhdeviated) Cd h,m,d,y; is the deviation charge for hour “h” of day “d”, relative to month “m” and year “y” Ny; is the number of years of the study period
Nd; is the number of days of the month under consideration Using the available mean hourly wind speeds from the different weather stations (Fig. 1) and the power curve of the chosen wind turbine, it is possible to estimate the mean hourly electrical power for each of the weather stations, Pwt h,m,d,y.. where: Pwt h,m,d,y ; is the electrical power of the wind turbine in hour “h” of day “d”, relative to month “m” and year “y” (in kW) Gran Canaria and Tenerife are the most populated islands and account for 80% of the total installed power. It is expected that most of the Archipelago’s future wind farms will be installed on these two islands. For this reason, when estimating the hourly distribution per month of the electrical power of the wind turbine, this was weighted depending on the island where the reference weather station is located. This weighted power distribution was calculated to enable estimation of the weighted mean deviation costs. As described for the deviation charges, using the hourly data of electrical power for the 12 years for which wind data were available (1999-2010), the mean electrical power for each hour of each month of the year, m,h Pwt , was estimated. From the results obtained for the mean hourly deviation charges per month, ;Cd m,h and the mean hourly electrical power per month, m,h Pwt , the values of the weighted mean monthly deviation cost are obtained, Eq. (2). m,h 24 1h m,h 24 1h m,h mPwtCd Pwt 1 Cd (2) where: m Cd ; is the weighted mean deviation cost for month “m” (in Euros/MWhdeviated) Once the mean hourly electrical power per month has been obtained, it is possible to calculate the electrical energy for each month of the year, Eq. (3). m,h 24 1h m,hm NPwt 24 1 Ewt (3) where: Ewtm; is the electrical energy generated by the wind turbine in month “m” (in kWh) N h,m; is the number of hours in month “m” Bearing in mind that the wind resource varies not only depending on the hour of the day but also over the different months of the year, the weighted mean deviation cost in the year is calculated as shown in Eq. (4). m 12 1h m 12 1h m ECd E 1 Cd (4) where: Cd ; is the mean deviation cost in a year (in Euros/MWhdeviated) To calculate the effect of this deviation cost on the total electrical power production cost of the wind farm, the value of the error which is committed in the forecast must be taken into account. The metric used in this study relates the error with the actual measured production, Eqs. (5) and (6) [12]. N 1i i EMAP N 1 MARE (5) where: MARE ; is the Mean Absolute Relative Error N; is the number of predicted time periods EMAP; is the error relative to the actual measured power for the prediction period “i” of size “m”, Eq. (6). 100 )ht(P )ht(P)ht(P EMAP m 1h m m 1h mf (6) where: Pf (t+h); is the predicted power at instant “t” for hour “t+h” Pm (t+h); is the measured power at instant “t+h” m; is the size of the forecast period. This can vary between 1 and 48 hours With the results obtained from Eq. (4) and Eq. (5), it is possible to calculate the deviation cost per unit of generated energy, Eq. (7). 100 MARE CdCde (7) where: Cde; is the specific deviation cost or the mean deviation cost per unit of energy generated by the wind farm (in Euros/MWhgenerated) As can be observed in Eq. (7), the specific deviation cost is a function of the error committed in the prediction of the electrical power generated by the wind farm. In this paper, an analysis is made of the effect of the deviation cost, as a function of the forecast error, on the total production costs of wind-sourced electrical energy. A comparison will also be made of the specific deviation cost, Cde, in relation to the sale price of the electrical energy.
Incorporation of the specific deviation cost, Cde, as a new factor in the production cost will affect the economic profitability of wind farms. The degree of this effect will depend on the error in the forecast and on the energy performance (EP) of the wind farm, Eq. (8). It is for this reason that the results have been made specific to this energy performance. farm wind theofcapacity Rated farm windaby year aover generatedenergy Electrical EP (8) where: EP; is the energy performance of a wind farm located in a particular area (in MWh/MW). 4. Analysis of results If, in addition to the standard production cost structure used in the scientific literature [18-21], the cost factor analysed in this paper is also incorporated, then the total cost of the electrical energy produced by a wind farm can be calculated through Eq. (9) d MO IT C & CCC (9) where: CT; is the total cost of the electrical energy generated by a wind farm divided by the rated capacity of that farm in MW (in Euros/MW) CI; is the initial investment cost divided by the rated capacity of the wind farm in MW (in Euros/MW) CO&M; is the operating and maintenance cost divided by the rated capacity of the wind farm in MW (in Euros/MW) Cd; is the total cost due to deviations between predicted and measured electrical power divided by the rated capacity of the wind farm in MW (in Euros/MWdeviated). For the purposes of this paper, a simplified calculation model of the specific cost of energy (COE) was chosen, Eq. (10). This method, similar to the EPRI TAG method [18-19] estimates the cost as the ratio between the total costs and the annual electrical energy produced by the wind farm. The initial investment cost can be estimated at 1200000€/MW [26-27] and the operating and maintenance cost at 45000€/MW [26]. Taking into account these values, the expression for EP, Eq. (8), and the expression for specific deviation cost, Eq. (7), the specific cost of the electrical energy generated by a wind farm can be expressed by Eq. (10). Cd EP C EP FCRC COE e MO I (10) where: COE; is the specific cost of the electrical energy generated by a wind farm (in Euros/MWh) FCR; is the fixed charge rate per year, Eq. (11). r 1r)(1 r FCR lt (11) where: r ; is the discount rate. Taking as reference the cost of long-term Spanish debt a value has been assumed for the discount rate equal to 0.048 (4.8%) lt; is the useful life of the wind turbine. For this study, a useful life of 20 years has been assumed which corresponds to the warranty period given by the manufacturers Table 1 shows the results obtained for mean monthly electrical power, m Pwt . It can be seen that the mean power varies depending on the season of the year. To evaluate the energy contribution of each month to the total production over the year, the relative values were calculated using Eq. (12). Table 1 shows the results obtained. These are the results which represent the conditions of wind-sourced electrical energy exploitation in the Canary Archipelago. 100 NPwt NPwt (%)Ewt 12 1m m,hm m,hm m (12) where: Ewtm(%); is the relative value of the electrical energy generated by the wind turbine in month “m” with respect to the total for the year. N h,m; is the number of hours in month “m” m Pwt ; is the mean electrical power of the wind turbine in month “m”. Table 1 Initial results From the information published by the Spanish electricity system operator related to deviation charges [24] and by applying Eqs. (1) y (2), an estimation was made of the mean monthly deviation cost, m Cd . The results are shown in Table 1. From the results obtained for the relative exploitation of the electrical energy, Ewtm(%), and the mean monthly deviation cost, m Cd , calculation was made of the mean annual value of the deviation cost for each unit of deviated
energy. This cost for the period under consideration amounts to 11.47 €/MWhdeviated. To calculate the mean electrical energy price we used the hourly data published on the Spanish Electricity Market Operator web site [25]. The hourly data for the year 2011 were used for the purpose of the particular analysis undertaken in this paper. Following a procedure similar to that considered for calculation of the deviation cost, the result obtained for the specific mean sale price of the electrical energy (Pre) is 59.89€/MWh. The specific production cost of electrical energy by a wind farm is a function of its energy performance, Eq. (8). From Eq. (8), it can be deduced that the higher the EP, the lower the cost due to initial investment and operating and maintenance. For this reason, the results have been made specific to the energy performance of the wind farm. In Spain as a whole, the mean energy performance for the years 2007-2011 ranged between 2000 and 2200 MWh/MW. In the particular case of the Canary Islands, the corresponding values are between 2200 and 2600 MWh/MW [28]. For the year 2011, the mean EP of wind farms in the Canary Islands was 2425 MWh/MW [29]. For this reason, the results were analysed for an energy performance range equal to: 1800 ≤ EP ≤ 2800. The specific deviation cost, Cde, has been included in the production cost structure of the electrical energy generated by a wind farm (Eq. 10). This cost factor is a function of the error committed in short-term prediction, Eq. (7). Taking into consideration the mean results obtained for the error in studies carried out using different wind farms and different predictors [12], the results have been analysed in this paper on the basis of a range of mean forecast errors of 0% to 80%. In this way, the results that are obtained can be applicable to a wide variety of cases with wind farms of different characteristics and with different types of electrical power predictors. Fig. 2. Contribution of the deviation cost to the production cost of electrical energy by a wind farm. Figure 2 shows the results of the contribution of the deviation cost to the total production cost of electrical energy generated by a wind farm as a function of the forecast error (MARE). It can be seen that the contribution of the deviation cost rises with the forecast error. For the specific case of an EP of 2800 MWh/MW, the contribution of the deviation cost to the total cost can vary from 2.1% to 15.54% for MARE values of 10% to 80%, respectively. Figure 3 compares the total production costs (COE) with the sale price of electrical energy (Pre). Fig. 3. Total production cost of the electrical energy generated by a wind farm (COE). It can be observed in Figure 3 that, for the specific case in which there are no errors in the prediction, MARE=0%, in order for the total production cost to be lower than the sale price of the energy, Pre, the energy performance of a site has to be higher than 2333 MWh/MWh. However, if the prediction error is equal to 80%, in order for the total production cost to be lower than the sale price of the energy, Pre, the energy performance should be higher than 2800MWh/MW. So, the energy performance which is required of a site in order for the production cost not to be higher than the sale price of the energy has to rise as the forecast error increases. For the specific case of a wind farm with an EP equal to 2425 MWh/MW, equivalent to the mean value obtained for the Canary Islands in 2011 [29], the maximum possible mean relative error (MARE) in order for the COE to be lower than the Pre is approximately 10%, as can be deduced from Figure 3. 5. Conclusions Deviations between the predicted and measured electrical energy production values for an established energy demand will give rise to alterations to the electrical system. Resolving these alterations will entail an additional economic cost which is proportionally passed on to the generation sources which have caused the deviation. The authors of this paper propose that the specific deviation cost (Cde) should be considered as an additional factor in the cost structure of a wind farm’s electrical energy production, Eq. (10). As shown in Figure 2, its contribution to the total cost depends on the forecast error. In an economic analysis of a wind farm project it is a necessary condition that the total production cost of the
electrical energy (COE) is lower than the specific sale price of the energy (Pre) or, in other words, than the income per unit of energy. The energy performance that is required of a wind farm located in a specific area so that the production cost will be lower than the sale price depends on the power forecast error. For prediction errors of 0%, the energy performance has to be greater than 2333 MWh/MW. When the error rises to 80%, it has to be higher than 2800 MWh/MW. In general, the economic cost associated with deviations between predicted and measured electrical energy production will lower the economic profitability of wind farms. 6. References [1] European Parliament and council, 2009. Directive 2009/28/EC of 23 April 2009 on the promotion of the use of energy from renewable sources. Official Journal of the European Union: pp L140/16 – L140/62 [2] Government of the Canary Islands, 2005. Canary Islands Energy Plan 2006-2015 (PECAN 2006-2015). Regional Ministry of the Canary Government of Employment, Industry and Commerce, 2005. (in Spanish) [3] IDAE, 2011. Renewable Energies Plan 2011-2020. Institute for Energy Diversification and Saving (Spanish initials, IDAE). (in Spanish) [4] Spanish government, 1997. Royal Decree 2019/1997, dated December 26, on the organisation and regulation of the electrical energy production market. Official Spanish State Gazette, 310: pp 38047-38057 (in Spanish) [5] Spanish government, 2006. Royal Decree-Act 3/2006, dated February 24, on modification of the mechanism of matching sales and purchase bids presented simultaneously in the daily and intraday production markets by electricity sector participants belonging to the same company group. Official Spanish State Gazette, 50: pp 8015-8016 (in Spanish) [6] Spanish government, 2006. Correction of errors in Royal Decree-Act 3/2006, dated February 24, on modification of the mechanism of matching sales and purchase bids presented simultaneously in the daily and intraday production markets by electricity sector participants belonging to the same company group. Official Spanish State Gazette, 53: pp 86598659 (in Spanish) [7] Spanish government, 2006. Resolution dated May 24, 2006, of the Energy General Secretary by which approval is given to the operating rules for the daily and intraday electrical energy production market. Official Spanish State Gazette, 128: pp 20155-20192 (in Spanish) [8] European Parliament and council, 2003. Directive 2003/54/EC of 26 June 2003 concerning common rules for the internal market in electricity. Official Journal of the European Union: pp L176/37 – L176/55 [9] ANEMOS. The State of the Art in Short-Term Prediction of Wind Power. http://www.anemosplus.eu/index.php?option=com_content&view=article&id=91 &Itemid=69 (accessed on 5 October 2014) [10] IDAE, 2007. ANEMOS study on wind forecasting in the European Union. Institute for Energy Diversification and Saving (Spanish initials, IDAE). (in Spanish) [11] Risø DTU., 2011. The State of the Art in Short-Term Prediction of Wind Power. A Literature Overview, 2nd Edition. Risø DTU, Wind Energy Division. [12] AEE, 2006. Ejercicio de predicción (Forecast Exercise). Wind Energy Association (Spanish initials: AEE). http://www.aeeolica.org/uploads/documents/aee_publica/infor me_final_prediccion.pdf (accessed on 5 October 2014) (in Spanish) [13] Bergek A., Jacobsson S., 2010. Are tradable green certificates a cost-efficient policy driving technical change or a rent-generating machine?. Lessons from Sweden 2003– 2008. Energy policy, 38: pp 1255-1271 [14] Hasche B., Barth R., Swider D.J., 2007. Effects of improved wind forecasts on operational costs in the German electricity system [15] Jenner S., Groba F., Indvik J., 2013. Assessing the strength and effectiveness of renewable electricity feed-in tariffs in European Union countries. Energy Policy, 52: pp 385-401 [16] Jónsson T., Pinson P., Madsen H., 2010. On the market impact of wind energy forecasts. Energy Economics, 32: pp 313–320 [17] Ummels B.C., Gibescu M., Kling W.L., Paap G.C., 2006. Integration of Wind Power in the Liberalized Dutch Electricity Market. Wind Energy, 9: pp 579–590 [18] Manwell J.F., McGowan J.G., Rogers A.L., 2009. Wind energy explained. 2nd ed. Great Britain: John Wiley & Sons. [19] Nelson V., 2009. Wind energy.1st. ed. FL: CRC Press [20] Velázquez S., Carta J.A., Matías J.M., 2011. Comparison between ANNs and linear MCP algorithms in the long-term estimation of the cost per kW h produced by a wind turbine at a candidate site: A case study in the Canary Islands. Applied Energy; 88: pp 3869–3881 [21] Katzenstein W., Apt J., 2012. The cost of wind power variability. Energy Policy, 51: pp 233-24 [22] AEMET, 2013. http://www.aemet.es/es/quienes_somos/que_es (accessed on 5 October 2014). (in Spanish) [23] Enercon, 2013. ENERCON product overview. http://www.enercon.de/en-en/88.htm (accessed on 5 October 2014). [24] REE, 2013. http://www.esios.ree.es/web-publica: Click on “MIBEL”, “ Measured Imbalances” and “RD 661/2007 Imbalances cost” (accessed on 5 October 2014) [25] OMEL, 2013. Market results. Spanish electricity market operator. www.omie.es/en/inicio (accessed on 29 July 2013) [26] IDAE, 2011. Renewable Energies Plan 2011-2020. Institute for Energy Diversification and Saving (Spanish initials, IDAE). (in Spanish) [27] EWEA, 2011. Wind energy targets for 2020 and 2030. European Wind Energy Association (EWEA). [28] Spanish transmission system operator, 2011. The Spanish Electricity System. www.ree.es/sistema_electrico/informeSEE.asp (accessed on 5 October 2014) (in Spanish) [29] Government of the Canary Islands, 2012. Canary Islands Energy Yearbook, 2011. http://www.gobiernodecanarias.org/industria/publicaciones/A nuario2011.pdf: pp 107-119 (accessed on 27 July 2013). (in Spanish)
ANEXO II Código fuente de las FUNCIONES más importantes implementadas en Matlab para la ejecución de la Tesis.
Anexo II: Código fuente de las FUNCIONES más importantes implementadas en Matlab para la ejecución de la Tesis. 1 1 INDICE A2.1 Introducción………………………………………………………………………………….. 2 A2.2 Descripción de las subrutinas utilizadas en MATLAB………………………….. 2 A2.3 Funciones……………………………………………………………………………………… 2 A2.3.1 Función Curva de Potencia……………………………………….……………….. 2 A2.3.2 Función Ingenio………………………………………………………….……………. 3 A2.3.3 Función Predicción horaria para una estación….…………….…………….. 7 A2.3.4 Función Predicción horaria para dos estaciones.…………………………… 10
Anexo II: Código fuente de las FUNCIONES más importantes implementadas en Matlab durante la ejecución de la Tesis. 2 A2.1 Introducción La herramienta matemática MATLAB ha sido el entorno en el que se han implementado las diferentes FUNCIONES necesarias para el desarrollo del trabajo de investigación objeto de este documento. En este anexo se pretende dar una visión de las FUNCIONES utilizadas y una breve descripción de las mismas. A2.2 FUNCIONES implementadas en MATLAB Función 1: Mediante la misma se valora la eficiencia del modelo estático de curva de potencia de aerogenerador. Para ello se compara las estimaciones obtenidas con dicho modelo para la potencia eléctrica del parque eólico con los valores reales. Función 2: Mediante ésta se genera el modelo dinámico de curva de potencia de parque eólico (DWFPC) aplicando las redes neuronales artificiales (ANN). Se comparan los resultados de eficiencia del modelo DWFPC con los del modelo estático. Función 3: Mediante la misma se genera el modelo para la predicción a corto plazo de la potencia eléctrica de un parque eólico utilizando las redes neuronales artificiales. Función 4: Se utiliza para generar los modelos de red neuronal para la predicción a corto plazo de la potencia eléctrica de un parque eólico en los casos donde en la capa de entrada de la ANN se utiliza la información de dos estaciones meteorológicas. A2.3 FUNCIONES A2.3.1 FUNCIÓN “Curva de Potencia” function [Y] = curvapotencia(X,curva) % CURVAPOTENCIA Summary of this function goes here % Detailed explanation goes here % Vector Y de salida de la potencia interpolada con la curva de potencia pot % y los datos de velocidad X Y=[]; j=size(X,1); %disp(j); i=1; %k=1; pv=curva(:,1); pp=curva(:,2); %disp(pv); %disp(pp); %pause;
Anexo II: Código fuente de las FUNCIONES más importantes implementadas en Matlab para la ejecución de la Tesis. 3 3 if j>i for i=1:j if X(i)<4 || X(i)>25 Y(i)=0; else if X(i)>16 && X(i)<26 Y(i)=700; else a=fix(X(i)); %b=fix(a); b=X(i)-a; %for k=1:size(pv,1)-1 % if pv(k)==a % c=pp(k+2)-pp(k+1); % end c=pp(a+1)-pp(a); %end Y(i)=pp(a)+(c*b); %disp(c); %disp(b); %disp(Y(i)); %pause; end end end end Y=Y'; end A2.3.2 FUNCIÓN “Ingenio” function [solucion] = ingenio5(X,T) % "solucion" es una variable en la que está almacenada los datos net, % tr(estructura), regresion,MSE, performance y output, para cada caso llama % a la función "netingenio" % Las estaciones están representadas en pares solucion={'Net','Estaciones','Regression','MSE','MARE','Perform','Vector Entrada','Output','corr vel'}; i=2; j=size(X,2); %s=2; %c=[]; if i<=j Z=X(:,i); %Matriz de 1x8760 Caso1 Velocidad de Gando c=i-1; [solucion] = netingenio(Z,T,solucion,i,c); i=i+1; for r=3:2:j
Anexo II: Código fuente de las FUNCIONES más importantes implementadas en Matlab para la ejecución de la Tesis. 10 % ARTICULO 2 con "poenciaingenio9.mat" % función que determina la predicción horaria cogiendo que solicita tantas % horas hacia delante a predecir como hacia atrás para el histórico PARA % AÑADIR UNA ESTACIÓN MAS A LA DE REFERENCIA. % X1 es la matriz de entrada con dirección y velocidad "datoseólicos" y T el % "target08", X es la matriz preparada para la simulación % DVP es la matriz de salida con las predicciones y "coor" la correlación entre % la salida y el target, Pt salida vector para compararlo con el Target08 % Z es la matriz "costedesvio" solucion={'NET','Dir-Vel-Pot','Pot. Salida','net.Output','Regression','Media Reg','MARE','Media MARE','IoA(d)','Media IoA(d)','NMAE','Media NMAE','Desviación SDE','Estaciones','Coste Desvío','CD Medio'}; var=input('Ingrese las horas a tomar hacia atrás (t-nº): '); %Var=nº de horas a tomar hacia atrás var1=input('Ingrese las horas a predicir (t+nº): '); %Var=nº de horas a predecir z=2; if var>var1 va=var; else va=var1; end %disp(size(X1,2)); %pause; for k=4:2:size(X1,2) DVP=[]; Z1=[]; Pt=[]; c=[]; X=[X1(:,1:2),X1(:,k-1:k)]; %cogemos la estación de referencia y Se le añade la segunda estación c=[[1 2],k-1:k]; %Son fijas las dos columnas primeras y la que se le añade disp(k); for i=1:size(X,1)-2*va %disp(i); dir=X(i:i+var-1,1); %Cogemos nº valores hacia atrás 1º estación vel=X(i:i+var-1,2); pot=T(i:i+var-1); dir1=X(i:i+var-1,3); %Cogemos nº valores hacia atrás de las demás estaciones vel1=X(i:i+var-1,4); DVP=[DVP;dir',vel',dir1',vel1',pot'];%hacemos la matriz X Pred=T(i+var:i+var+var1-1);%Sólo cogemos Nº valores hacia delante (var1) del target08/LZ Pt=[Pt;Pred']; %hacemos la matriz salida a predecir, target
Anexo II: Código fuente de las FUNCIONES más importantes implementadas en Matlab para la ejecución de la Tesis. 11 11 Z2=Z(i+var:i+var+var1-1,1);%Sólo cogemos nº valores hacia delante (var1=3) Z1=[Z1;Z2']; %hacemos la matriz salida de los costes de desvío end [solucion] = netingenio(DVP,Pt,solucion,var1,c,z,Z1); %Hallar la función "ingenionet" y hallar la net, sacar la salida y hallar la corr Y,T z=z+1; end end function [solucion] = netingenio(DVP,Pt,solucion,var1,c,z,Z1) DVP=DVP'; %Antigua X, tratada para los datos de predicción horaria Pt=Pt'; trainFcn = 'trainlm'; % Levenberg-Marquardt % Create a Fitting Network hiddenLayerSize = 10; net = fitnet(hiddenLayerSize,trainFcn); % Choose Input and Output Pre/Post-Processing Functions % For a list of all processing functions type: help nnprocess net.input.processFcns = {'removeconstantrows','mapminmax'}; net.output.processFcns = {'removeconstantrows','mapminmax'}; % Setup Division of Data for Training, Validation, Testing % For a list of all data division functions type: help nndivide net.divideFcn = 'dividerand'; % Divide data randomly net.divideMode = 'sample'; % Divide up every sample net.divideParam.trainRatio = 70/100; net.divideParam.valRatio = 15/100; net.divideParam.testRatio = 15/100; % Choose a Performance Function % For a list of all performance functions type: help nnperformance net.performFcn = 'mse'; % Mean squared error % Choose Plot Functions % For a list of all plot functions type: help nnplot % net.plotFcns = {'plotperform','plottrainstate','ploterrhist', ... % 'plotregression', 'plotfit'}; % Train the Network [net,tr] = train(net,DVP,Pt); % Test the Network Y = net(DVP); error=Pt-Y; m1=0; m=0; v=0; MARE1=[]; NMAE1=[];
Anexo II: Código fuente de las FUNCIONES más importantes implementadas en Matlab para la ejecución de la Tesis. 12 d2=[]; pot=660*4; %Potencia parque de Ingenio %pot=850*9; %Potencia parque de Lanzarote for j=1:size(Pt,1) error1=error(j,:); Pt1=Pt(j,:); Y1=Y(j,:); for k=1:size(Pt,2) %Para hallar el MARE filtrando los valores pequeños if Pt1(k)>=0.1*pot; m=m+abs(error1(k)/Pt1(k)); v=v+1; m1=m1+abs(error1(k)/2640); end %disp(Pt(k)); end MARE=m/v; MARE1=[MARE1,MARE]; NMAE=m1/v; NMAE1=[NMAE1,NMAE]; mT=mean(Pt1); %media del target (valores observados) d = 1-(sum((Y1-Pt1).^2)/sum((abs(Y1-mT)+abs(Pt1-mT)).^2)); %Hallamos el IOA d2=[d2,d]; end %----------COSTE DESVIO-------------------------------- cd2=[]; cd1=abs(error); cd1=cd1'; cd2=cd1.*Z1;%Se multiplica la matriz error con los CD %for i=var1+1:size(Pt,2) % cd2=[cd2;cd1(i)*Z1(i)]; %Se multiplican los dos vectores uno a uno %end cd=mean(cd2,1)/1000;%Se halla la media del vector resultante por %columnas y se divide por 1000 para pasar de Mw a Kw. cdt=mean(cd);%Media total (1 valor final de toda la matriz) %------------------------------------------------------ %p = perform(net,Pt,Y); r = regression(Pt,Y); r1=mean(r); %hallamos la media de la correlación MARE2=mean(MARE1); NMAE2=mean(NMAE1); d3=mean(d2); %Hallamos la media del IOA SDE=sqrt((sum((MARE1-MARE2).^2))/(var1-1)); %Desviación típica %MSE=mse(net,X,Pt); solucion{z,1}=net; solucion{z,2}=DVP'; solucion{z,3}=Pt'; solucion{z,4}=Y'; solucion{z,5}=r; % Correlación por columnas solucion{z,6}=r1; %Correlación total solucion{z,7}=MARE1'; %Media por columnas solucion{z,8}=MARE2; %Media total solucion{z,9}=d2'; %IOA por columnas solucion{z,10}=d3; %IOA total solucion{z,11}=NMAE1'; %NMAE por columnas solucion{z,12}=NMAE2; %NMAE total
Anexo II: Código fuente de las FUNCIONES más importantes implementadas en Matlab para la ejecución de la Tesis. 13 13 solucion{z,13}=SDE; %SDE total solucion{z,14}=c; %Estaciones introducidas solucion{z,15}=cd; %Coste Desvío solucion{z,16}=cdt; %Coste Desvío total (1 valor) end