Pronóstico de energía eólica para horizontes temporales de corto plazo en base a modelo numérico de mesoescala y redes neuronales artificiales

Abstract

En Uruguay se tiene el 34.43% de la matriz energética de origen eólico. Dada esta realidad, y la característica fluctuante del viento en la atmósfera terrestre a escala horaria, es necesario incorporar modelos de pronósticos de energía eólica, de modo de suministrar informaciones de la generación de energía con anticipación, para que se logre hacer el despacho óptimo de energía en el sistema eléctrico. En este trabajo de tesis, se consideran los datos de generación de energía eléctrica de los parques eólicos en Uruguay, pronósticos numéricos de mesoescala referentes al mismo período de los datos de generación de los parques y el análisis del comportamiento de distintas variables atmosféricas en el período histórico de generación de energía. Con estos datos se busca optimizar los pronóosticos de energía eólica en Uruguay en base a la utilización del modelo numérico de mesoescala WRF-ARW y de redes neuronales artificiales (RNA). Se evalúan ocho modelos de pronóstico de energía eólica, basados en modelos híbridos, con el uso del modelo numérico de mesoescala WRF-ARW junto a redes neuronales artificiales (WRF-RNA) y modelo numérico WRFARW junto a regresiones lineales (WRF-RL). Los resultados fueron evaluados para un total de 31 parques eólicos (1267,4 Megawatts (MW)) y el modelo que mostró el mejor desempeño fue un modelo híbrido del tipo WRF-RNA, con datos de velocidad del viento sin corrección por análisis cluster, presentando un error medio absoluto de aproximadamente 17% considerando pronósticos individuales para cada parque eólico. En un análisis del ciclo diario, considerando un pronóstico con la suma de potencia de todos los parques eólicos, los resultados muestran los valores de sesgo (bias) más cercanos al cero para todos los modelos en base a WRF-RNA, así como menores valores de error medio absoluto (entre 10% y 6.5 %), comparado con el modelo WRF-RL (entre 14% y 9 %). De acuerdo a los resultados obtenidos, se verifica que una combinación de un modelo físico con modelo de redes neuronales artificiales, parece ser una gran herramienta para el pronóstico de la energía eólica.