Predicción de generación de potencia en instalaciones eólicas conectadas a la red mediante redes neuronales artificiales

Abstract

En el presente trabajo se diseñó e implementó un algoritmo para predecir la serie de tiempo de la potencia producida mediante un sistema de energía eólica para aerogeneradores a 60 metros de altura en una planta de Baja California Sur, usando tres arquitecturas de redes neuronales con diferentes tipos de entrenamiento y un método estadístico de predicción ARMA, para obtener un error de estimación mínimo en la predicción de la variable de interés. Este trabajo fue motivado dado que la energía renovable ha tenido un aumento significativo en la estructura energética mundial donde los sistemas eólicos han demostrado un rápido desarrollo y grandes beneficios. Se observan y prevén grandes sistemas de producción eólicos, incluso en la península de Yucatán, así como un gran impacto en los sistemas de energía ya existentes. Se obtuvieron datos de potencia producida por las turbinas eólicas y mediciones de velocidad de viento cada 5 minutos, las cuales se promediaron para presentarlas cada 15 minutos. Después de la captura y procesamiento de los archivos de datos, se obtuvo la serie de tiempo de la producción de potencia y la serie de tiempo de velocidad de viento. Mediante métodos descriptivos se analizaron tablas y gráficos para los datos de las series de tiempo. Para aprovechar la información de la serie de tiempo de la mejor forma posible, se encontró una dimensión del sistema mediante la aplicación de teoría de embebimiento a la serie de tiempo de potencia. El resultado del método de Cao para la serie de tiempo de potencia fue de 8, lo que indica cuantos retrasos deben ser empleados como dimensión mínima para aproximar la función objetivo. Se desarrolló un modelo de predicción de generación de potencia mediante un perceptrón multicapa, con algoritmo de entrenamiento Levenberg-Marquardt, en el cual se observó la evolución de la adaptación de la predicción según el número de épocas transcurridas en el aprendizaje.

Un segundo modelo de predicción, el cual es una red neuronal wavelet entrenada con el filtro extendido de Kalman. Este demostró ser el de mejor resultado en cuanto a la predicción con respecto a la eficiencia en el aprendizaje y reducción de número de épocas de entrenamiento con respecto a los demás métodos, pero también requiere un mayor tiempo y fuerza de computo. Con base a todo lo anterior, los resultados de este trabajo exponen que es posible modelar el comportamiento de generación de potencia mediante redes neuronales artificiales. Ante lo ya mencionado, las redes neuronales son una potente herramienta útil para encontrar relaciones fuertemente no lineales de grandes volúmenes de datos y pueden ser usadas en múltiples áreas de la ciencia. En trabajos futuros se plantea utilizar este método para la predicción de potencia en campos eólicos a pasos de una hora mediante series de tiempo de rangos de una hora, aplicados a la potencia eléctrica o velocidad de viento.