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 la característica fluctuante del viento es necesario incorporar modelos de pronóstico de energía eólica, de modo de suministrar información para realizarse el despacho óptimo de energía en el sistema eléctrico. Este trabajo presenta los resultados de ocho modelos de pronóstico desarrollados, siendo cuatro en base a un híbrido de modelo numérico de mesoescala y regresión lineal (WRF-RL) y cuatro en base a modelo numérico de mesoescala y redes neuronales artificiales (WRF-RNA). Los resultados fueron evaluados para un total de 31 parques eólicos ubicados en Uruguay, y el modelo que mostró el mejor desempeño fue un modelo híbrido del tipo WRF-RNA. En un análisis del ciclo diario, considerando un pronóstico con la suma de potencia de todos los parques eólicos, los resultados muestran que los menores valores de sesgo (bias) fueron de los modelos en base a WRF-RNA, así como menores valores de error medio absoluto (entre 10% y 6.5%), compararado con el modelo WRF-RL (entre 14 % y 9 %).

In Uruguay, 34.43 percent of the energy matrix comes from wind energy. Given the wind’s fluctuating characteristics it is a necessity to incorporate wind energy prediction models in order to give the proper information to achieve an optimal energy dispatch in the electrical system. This paper presents the results of the eight prediction models developed, with four being based on an hybrid of the mesoscale numeric model and linear regression (WRF-RL) and four based on the mesoscale numeric model and artificial neural networks (WRF-RNA). The results were evaluated for a total of 31 wind farms located in Uruguay, and the model that showed the best performance was the WRF-RNA one. When analyzing a daily cycle, considering a forecast with the power of all wind farms combined, the results show that the WRF-RNA models had not only the lowest bias value, but the lowest mean absolute error (between 10 and 6.5 percent) when compared to the WRF-RL models (between 14 and 9 percent).