Análisis de la influencia de parámetros meteorológicos y funcionales en la estimación de la potencia eólica mediante el empleo de técnicas de machine learning

Abstract

La energía es una de las claves esenciales que marcan el nivel de desarrollo de un país o región, erigiéndose como uno de los retos actuales la búsqueda de soluciones que permitan satisfacer la cobertura de la demanda eléctrica con los mayores niveles posibles de independencia energética y sostenibilidad económica. Ante el posible agotamiento de los recursos energéticos fósiles, la energía eólica se presenta como una alternativa renovable, sólida y madura que podría dar cobertura, al menos es una parte importante a la demanda creciente en los sistemas eléctricos. Dichos escenarios de máxima penetración de energía eólica sólo son posibles si se disponen de medios para cuantificar el potencial eólico de los proyectos singulares, ya sea con fines relacionados con el prediseño de las instalaciones o para el desarrollo de predicciones que ayuden en su gestión a tiempo real, paliando una de las principales dificultades de dicha tecnología, la intermitencia del recurso eólico. En esta tesis, se evalúa la influencia de determinados parámetros relacionados con aspectos meteorológicos y técnicos, con el propósito de mejorar las estimaciones de potencia eólica cuando se emplean técnicas de Machine Learning (ML) para la predicción. Asimismo, se evalúa la eficiencia de tres técnicas ML, Support Vector Regression (SVR), Random Forest (RF) y Artificial Neural Networks (ANN), en la búsqueda de aquella alternativa que pueda considerarse como más eficiente en la resolución de problemas relacionados con el ajuste a largo (metodología MCP) y a corto plazo (predicción). Entre las soluciones propuestas, se han planteado el uso de métodos Feature Selection (FS) para la búsqueda automática y exhaustiva de las variables que aportan significancia a los modelos, y un test no paramétrico de permutación pareado con el que se evalúa de una manera más objetiva la fiabilidad de los modelos cuando se comparan entre ellos. De entre los principales resultados obtenidos cabe destacar que, frente a la tendencia de sólo considerar las velocidades y direcciones como variables de partida de estos modelos, la inclusión de la densidad del aire no sólo mejora los resultados sino que lo hace de forma significativa tanto cuando el objetivo es la estimación de las densidades de potencia (WPD) o la potencia de una turbina eólica (WTPO). De las tres técnicas ML evaluadas, SVR y RF presentan una mejora significativa a la tradicional arquitectura ANN, aspectos que han sido discutidos y publicados en el marco de la presente tesis doctoral.