ESPECIAL ENERGÍAS RENOVABLES Redes neuronales para predecir la producción de eólica Uno de los principales problemas de la energía eólica es la imprevisibilidad de su producción, debida principalmente a la aleatoriedad meteorológica (a su vez agravada por los ‘efectos de vacío’ relacionados con la complejidad orográfica del campo eólico) y a los posibles fallos de las turbinas. GIANLUCA SUSI UPM-UCM CENTRO DE TECNOLOGIA BIOMEDICA (MADRID) ; UNIVERSIDAD DE ROMA TOR VERGATA. GIACOMO CAPIZZI Y GRAZIA LO SCIUTO DEPARTMENT OF ELECTRICAL, ELECTRONICS AND INFORMATICS ENGINEERING, UNIVERSITY OF CATANIA, CATANIA, ITALY SEBASTIAN BRUSCA DEPARTMENT OF ENGINEERING, UNIVERSITY OF MESSINA, MESSINA, ITALY Para los sistemas eólicos, que tienen que calcular con antelación la generación en función del consumo previsto, estos factores pueden aumentar el coste operativo de la red eléctrica e incluso generar potenciales amenazas para la fiabilidad del suministro. Para poder predecir la producción de energía de un parque eólico, hemos realizado un sistema basado en redes neuronales de tercera generación o SNN (por sus siglas en inglés: Spiking Neural Networks). Para la implementación de esta arquitectura se ha usado la herramienta ‘NeuCube’, desarrollada por el centro de investigación Kedri de Nueva Zelanda. A partir de datos como intensidad y dirección del viento en las horas anteriores, el sistema es capaz de predecir con buena aproximación la cantidad de energía que será generada por una turbina eólica (que llamaremos T), situada en el interior de un parque eólico, en la próxima hora. La predicción es también capaz de tener en cuenta los efectos de vacío debidos a la interacción entre los elementos del parque eólico sobre su producción de energía considerando su orografía. En este trabajo la predicción de la energía eólica se ha enfrentado con un pronóstico a corto plazo basado en múltiples puntos de observación. Para lograr este objetivo, el sistema desarrollado ha sido probado para solucionar dos problemas a la vez: • Un problema de regresión predictiva, ya que queremos predecir la energía de la próxima hora basándonos en datos pasados. Fig. A la izquierda, el sistema de predicción realizado: las señales de intensidad y dirección del viento detectadas por las tres torres anemométricas entran en el sistema de predicción, que predice el valor de energía producido por una turbina perteneciente al campo eólico considerado. A la derecha, el modelo 3D del parque eólico de Vizzini (Italia). • Un problema inverso debido a que las torres están ubicadas en posiciones diferentes y distantes con respecto a la turbina T. Las señales de entrada, en este caso, no están expuestas al mismo viento que T. El sistema está formado por tres bloques: • ‘Data encoding block’. Utilizando los algoritmos adecuados, este bloque permite codificar la información de la señales de la torres en secuencias de impulsos. • ‘SNN block’. En NeuCube, el 80% de las neuronas son excitatorias y el 20% inibitorias, y connectadas a través de una topología Small World y sujetas a un algoritmo de plasticidad sináptica. • ‘Prediction block’. Aquí es donde ocurre la segunda etapa de aprendizaje: las neuronas de este bloque están entrenadas para asociar los patrones de impulsos generados por el SNN block a los valores ‘target’. Los datos de entrenamiento (‘samples’) están organizados en diferentes ‘packages’, cada uno de los cuales refleja la actividad de cinco días: • Series temporales de dirección y velocidad del viento de tres torres anemométricas, muestreadas a intervalos de 10 minutos. • El ‘target’ está representado por los valores de energía producidos por la turbina T en la hora posterior. El ‘SNN block’ está compuesto por 1.000 neuronas ‘spiking’ (organizadas en un cubo de 10*10*10). Las neuronas de input han sido elegidas sobre la base de acuerdo con las posiciones reales de las torres en el campo eólico. Debido a la multitud de parámetros de ‘NeuCube’, se ha realizado un paso de optimización de los modelos SNN mediante pruebas ‘trial & error’. Resultados Los errores de predicción, calculados en términos de MAD y MAPE, son los siguientes: • MAD = 0.1249 • MAPE = 19.03% Este sistema se ha aplicado a una planta de energía eólica compuesta por 28 turbinas y 3 torres anemométricas, ubicada en el área rural del municipio de Vizzini, en la provincia de Catania (Italia). Los resultados muestran que el presente método se puede aplicar con éxito para predicciones de generación de energía eólica en parques eólicos reales. Teniendo en cuenta que los datos suministrados a la red (tanto durante el entrenamiento como las pruebas) también contienen datos que representan funcionamientos incorrectos, el modelo se puede aplicar con éxito para predicciones de generación de energía eólica en parques eólicos reales también en presencia de fallos �� Referencia bibliográfica: S. Brusca, G.Capizzi, G.Lo Sciuto, G.Susi. A new design methodology to predict wind farm energy production by means of a spiking neural network– based system. International journal of Numerical Modeling. Wiley (2017-2019) 40 energética XXI · 191 · NOV19
Energetica magazines noviembre 2019
To see the actual publication please follow the link above