La transición energética hacia las energías renovables es algo ineludible hoy en día, y en este proceso la analítica avanzada y predictiva juega un papel vital para su correcta implementación en las redes eléctricas.
Siguiendo con la temática del artículo sobre Inteligencia Artificial en las energías renovables, hoy os traemos uno de los casos de uso más importantes de estas técnicas, enfocado en la correcta implementación de estas energías en las redes eléctricas.
Una red eléctrica es un sistema extremadamente complejo que debe equilibrar en todo momento la demanda y la generación. Para ello el gestor de la red cuenta con modelos que le permiten estimar cuál va a ser la demanda y la producción en un momento dado. Estos modelos ayudarán a poder tomar las decisiones correctas a la hora de gestionar la producción que se vuelca a la red.
Es aquí donde entra la aplicación del Aprendizaje Automático supervisado junto con otras técnicas de análisis avanzado para desarrollar modelos de predicción que permitan determinar la producción a futuro de las energías renovables. El caso más complejo y en el que se centrará este artículo será en la estimación de la producción eólica.
Predicción de la producción eólica mediante técnicas de Machine Learning
Creación de los modelos de predicción
Como comentábamos, predecir la producción eólica es una tarea de gran complejidad. La generación eólica depende principalmente del viento que haya en las ubicaciones de generación, por ello los datos de viento son los principales predictores de la generación eólica para un momento dado y serán el input principal de los modelos.
Es importante tener en cuenta que cuando tratamos de hacer predicciones a futuro los datos con los que se alimenta el modelo son, tanto datos pasados ya conocidos, como datos a futuro fruto de previsiones. En el caso presentado, estas previsiones son realizadas por los modelos meteorológicos de las distintas agencias.
En cuanto a la morfología de los datos empleados, se podrían definir como instantáneas que definen el módulo y componente del viento en cada momento. Estos datos se dan sobre los distintos puntos de una cuadrícula que representa un área geográfica, como se puede ver en la imagen a continuación.
Para el procesado mediante aprendizaje supervisado de estos datos se aplicarán principalmente técnicas de visión artificial mediante redes neuronales convolucionales para analizar las instantáneas y mediante redes neuronales recurrentes para el análisis de la evolución temporal de los vientos.
Otro predictor también relevante, sobre todo a la hora de crear los modelos de previsión a corto plazo serán las producciones pasadas. Estas producciones pasadas pueden ser utilizadas de distintas maneras, desde pasarse como un simple punto de partida para calcular producciones futuras a realizarse análisis de series temporales aplicando técnicas estadísticas como ARIMA o SARIMA e incluso mediante redes neuronales recurrentes LSTM.
Principales fuentes de error en los modelos
Pese al buen desempeño de estos modelos, la transición a energías renovables genera a su vez nuevas problemáticas que afectan a la precisión de los modelos de predicción.
Por ejemplo, con el aumento de la potencia renovable instalada en una red eléctrica también aumenta la frecuencia de momentos puntuales en los que se tiene que reducir o parar parte de la producción renovable. Estos fenómenos puntuales atienden a diversas causas como puede ser un exceso de producción, la sobrecarga de ciertas líneas de alta tensión o el mantenimiento de los generadores eólicos.
Esto conlleva a una pérdida puntual considerable de la capacidad de predicción de los modelos dado que la predicción será mayor que la producción real. Actualmente esta es una de las principales fuentes de error en los modelos de predicción.
Otra fuente de incertidumbre importante es aquella derivada del error de los datos utilizados por los modelos. Principalmente los datos de viento proceden de los modelos de las agencias meteorológicas, las cuales no informan del error que estos datos suelen tener.
¿Por qué es importante mejorar las predicciones de producción eléctrica?
- Contar con buenas predicciones es algo primordial para el buen ejercicio de los gestores de redes eléctricas y poder realizar una buena organización de la producción.
- Si se quiere seguir aumentando la potencia renovable instalada, mejorar las predicciones es imprescindible. El error de los modelos es medido porcentualmente y al aumentar la potencia instalada también aumentará la discrepancia absoluta entre potencia real y predicha.
- Facilitar mejores datos a los gestores de los parques eólicos también contribuirá a que estos puedan mejorar su capacidad de organización. Por tanto podrán llevar a cabo una mejor planificación evitando los costes derivados de forzar una reducción inesperada de la producción y ajustando las paradas de mantenimiento a los momentos más convenientes.
- En última instancia los usuarios de la red eléctrica también se verán beneficiados. En primer lugar podrán acceder a un suministro de mayor calidad, es decir, con menos fluctuaciones. Además los precios de la electricidad serán más ajustados a la producción real por mejorarse la precisión de la potencia subastada a diario.
¿Cómo puede ayudar la analítica prescriptiva a mejorar estos modelos de predicción?
Creando modelos de estimación de periodos de producción reducida
La analítica avanzada podría tener un gran impacto a la hora de mejorar la predicción de la producción eólica ayudando a predecir los momentos puntuales en los que se reduce la producción.
Con los datos de la producción disponibles y los modelos de predicción acompañados de información en tiempo real e histórica sobre el estado de la red eléctrica, la producción se podría analizar para determinar en qué momentos se da esta reducción de la producción y por ende determinar los factores que más influyen.
Una vez obtenidos los modelos que determinen estos momentos excepcionales se podría implementar en los modelos de predicción eólica para corregir la influencia de estas situaciones excepcionales.
Mejorar la incertidumbre de los datos de entrada
Si bien es cierto que el uso de redes neuronales tiende a suavizar la variabilidad de los datos de entrada mediante el uso de algoritmos de aprendizaje como puede ser el descenso del gradiente y sus derivados, esto no quita que trabajando con mejores datos los modelos puedan mejorar sustancialmente.
Actualmente, uno de los grandes hándicaps en el análisis y gestión eólica es la falta de datos meteorológicos. Pese al esfuerzo puesto en estandarizar y motivar la toma de datos para facilitar y mejorar la gestión eólica, estos siguen siendo escasos.
Por ello, contando con el conocimiento y las herramientas adecuadas se podrían desarrollar estrategias conjuntas para la toma de datos meteorológicos en los emplazamientos de generación. Estos datos mediante el empleo de ciencia de datos y analítica avanzada podrían usarse no solo para mejorar los modelos de predicción sino también para reforzar la toma de decisiones y evaluar posibles emplazamientos para nuevas instalaciones eólicas entre otros usos.