Desarrollo de una metodología híbrida basada en modelos numéricos y algoritmos de aprendizaje automático para la estimación de potencia eléctrica generada mediante tecnología eólica

Abstract

La creciente tendencia en integrar tecnologías de generación de energía eléctrica a partir de fuentes renovables en los sistemas eléctricos ha derivado en una importante demanda por disponer de sistemas de predicción de los recursos eólico y solar lo más precisos posibles para poder planificar adecuadamente las actividades de producción de energía eléctrica . En el caso concreto de la predicción del recurso eólico, el desafío es ciertamente retador debido a la naturaleza altamente variable y caótica del viento, especialmente en horizontes temporales cortos. En este contexto, los modelos numéricos de predicción meteorológica constituyen herramientas fundamentales para simular el comportamiento atmosférico. Sin embargo, la disruptiva aparición de la inteligencia artificial está transformando la predicción meteorológica tal y como se conoce hasta ahora, pues está demostrando altas capacidades para realizar predicciones con una precisión nunca antes vista.

En esta memoria de tesis doctoral se expone el desarrollo de una metodología híbrida que combina la información física proporcionada por dos modelos numéricos, el WRF (Weather Research and Forecasting) y el reanálisis ERA5, junto con algoritmos de aprendizaje automático, en particular, métodos de ensamble. Esta metodología, basada en integrar, por un lado, la base física que proporcionan los modelos numéricos, y, por otro lado, la capacidad adaptativa y predictiva de los algoritmos de aprendizaje automático, mejora significativamente la precisión en la estimación de la potencia eléctrica generada mediante tecnología eólica a corto plazo.

El estudio de la metodología híbrida se ha llevado a cabo utilizando los datos horarios del año 2022, de la potencia eléctrica generada por un parque eólico ubicado en La Mudarra, municipio de la provincia de Valladolid (Castilla y León, España). En esta memoria se describe la evaluación llevada a cabo para conocer el rendimiento de distintos algoritmos de regresión, observándose una mejora significativa en la precisión cuando se utilizan conjuntamente los datos del WRF y ERA5 frente al uso individual de cada fuente. Entre los algoritmos probados, destacan por su rendimiento Random Forest y LightGBM.

Asimismo, se presentan los resultados de una validación independiente del sistema de predicción WRF que ha sido adaptado y puesto en operación para desarrollar este trabajo. A este fin, se han utilizando datos observacionales del radiosondeo de la estación de Madrid, cercana al aeropuerto Adolfo Suárez Madrid-Barajas. Esta validación se centró en dos franjas horarias (00:00 y 12:00 UTC) durante el mes de julio del año 2015. El análisis permitió comprobar la coherencia de las salidas del modelo WRF con las observaciones reales incluso con datos ausentes, lo que evidenció, además, su capacidad para complementar la información disponible con errores aceptables.

Los resultados obtenidos ponen de manifiesto el potencial las aproximaciones híbridas para generar predicciones más robustas y ajustadas a las condiciones locales. La metodología propuesta resulta versátil y aplicable a diferentes emplazamientos, por lo que puede ayudara contribuir al desarrollo de sistemas de predicción más fiables que favorezcan una mejor integración de la energía eólica en la red eléctrica.