técnicas de inteligencia computacional en de viento en...

GHEODE

Técnicas de inteligencia computacional en predicción de viento en parques eólicos y problemas relacionados

Sancho Salcedo SanzGrupo de Heurísticos Modernos de Optimización y Diseño de

Redes (GHEODE)Departamento de Teoría de la Señal y Comunicaciones

Universidad de Alcalá

GHEODE

Índice

Introduction.

Parte I: predicción de velocidad de viento en parques eólicosModelos híbridos físicos‐estadísticos para predicción de viento.

Generación de diversidad

Estructuras híbridas de predicción (short‐term): bancos de redesneuronales y SVM.

Parte II: problemas relacionadosDiseño óptimo de parques eólicos.

Situaciones sinópticas y predicción a largo plazo: análisis en parqueseólicos.

Clasificación de turbinas por probabilidad de rotura.

Otros problemas.

GHEODE

Introducción

GHEODE

Introducción

La Energía eólica actualmente la energía limpia de mayor expansión a

nivel mundial.

España es uno de los líderes mundiales, junto a Alemania y EEUU.

Actualmente aprox. El 15% de la energía consumida en España, proviene de parques eólicos.

El objetivo está en llegar a cifras cercanas al 20% en 2020.

“Boom de la energía eólica”:

Incremento de empresas relacionadas.

Incremento de parques e instalaciones.

Incremento significativo de la investigación en el área.

GHEODE

Introducción

Investigación en plantas eólicas (y fotovoltáicas).Predicción a corto (estimación de energía) y largo plazo (emplazamientode parques análisis de resultados).

Diseño eficiente de parques (situación, distribución de aerogeneradores, reducción de costes).

Análisis y gestión de parques (análisis de producción, evaluación de fallos).

Diseño de aerogeneradores.

Problemas difíciles, usualmente no abordables con metodología clásica.

Problemas íntimamente relacionados con la meteorología en muchasocasiones.

Algoritmos de Soft‐Computing:muy utilizados en este campo en los últimos años.

GHEODE

Introducción

Inteligencia Computacionalo Soft‐Computing

Redes Neuronales Computación Evolutiva Lógica Difusa

• Perceptrones• Perceptrones multicapa• Redes RBF• Redes de Hopfield• SVMs

• Algoritmos genéticos• Evolutivos• Particle Swarm• Programación genética

• T. neuro‐difusas• Control difuso

GHEODE

Parte I: predicción de velocidadde viento en parques eólicos

GHEODE

Predicción a corto plazo de energía

Predicción de energía en parques eólicos:

Problema clave en parques eólicos: requisito por transporte de energía (Red Eléctrica) en todos los parques eólicos y fotovoltáicos.Penalización por grandes errores de predicción.

Opciones en parques eólicos:Predicción directa a partir de datos de producción.

Predicción a partir de la velocidad de viento y curva de potencia.

A partir de la velocidad del viento es fácil obtener la curva de producción de energía del parque.

GHEODE

Predicción a corto plazo de velocidad de viento

Predicción de energía a partir de predicción de viento:

Cada empresa gestora tiene su sistema de predicción, propio o subcontratado. Evidentemente, el sistema de predicción de una empresaes secreto industrial.

Sistema de predicción propuesto: basado en modelos físicos (modelosglobales de predicción y de Meso‐escala (MM5, WRF)), y en un down‐scaling final de tipo estadístico (regresión).

Este sistema también se podría aplicar a la predicción de parquesfotovoltáicos: predicción de nubosidad o radiación en superficie.

GHEODE


La idea es obtener la predicción de la velocidad del viento específica paracada aerogenerador de un parque eólico.

Modelo de predicción global.

Modelo de meso‐escala

Modelo estadístico final

GHEODE


Modelo de predicción global: Hay aproximadamente 5 en el mundo. Predicción de variables meteorológicas a escala mundial. Precisión de 1ºx1º gratuitos (más precisión, datos caros).

Modelo de meso‐escala:Modelo MM5. Muy utilizado y de buenasprestaciones. Admite diferentes parametrizaciones y reintegrado de lasecuaciones para mejora de precisión.

Modelo estadístico final: Se precisa predicción de viento en cadaaerogenerador! Regresor a partir de datos de salida del mesoescalar.

GHEODE


Modelo propuesto inicialmente:1 modelo global.MM5MLP

GHEODE


Variaciones:1 modelo global.MM5SVM

GHEODE


Se puede mejorar el modelo original?Mantener el esquema.MM5 varias parametrizacionesUso de varios modelos globalesGeneración de diversidad

GHEODE


Bancos de MLPs

GHEODE


Bancos de SVMrs.Estructura I

GHEODE


Bancos de SVMrs.Estructuras II y III

GHEODE


Bancos de SVMrs.Estructuras IV y V

GHEODE


Bancos de SVMrs.Estructura VI

GHEODE


Situación del parque y orografía.

Resultados

GHEODE


Resultados:Tenemos resultados comparativos de todos los diferentes sistemaspropuestos en todos los aerogeneradores del parque.

Sobre datos de viento de 1 año (2006), tenemos comparacionesestadísiticas (t‐test o Fisher sign test) para comprobar la superioridad de unos modelos frente a otros.

Siempre los bancos de regresores (diversidad de modelos) proporcionanmejores resultados que el sistema con un sólo modelo global.

Mejor resultado (estadísticamente validado): Bancos de SVM, estructuraII.

En general: todos los modelos probados siguen muy bien la tendenciahoraria del viento.

GHEODE


Resultados en:S. Salcedo‐Sanz, A. M. Pérez‐Bellido, E. G. Ortiz‐García, A. Portilla‐Figueras, L. Prieto and D. Paredes, "Hybridizing the fifth generation mesoscale model with artificial neural networks for short‐term windspeed prediction," Renewable Energy, vol. 34, pp. 1451‐1457, 2009.

S. Salcedo‐Sanz, E. G. Ortiz‐García, A. M. Pérez‐Bellido, J. A. Portilla‐Figueras, L. Prieto, D. Paredes and F. Correoso, "Performance comparison of multilayer perceptrons and support vector machines in a short‐term wind speed prediction problem", Neural Network World, vol. 19, no. 1, pp. 37‐51, 2009.

S. Salcedo‐Sanz, A. M. Pérez‐Bellido, E. G. Ortiz‐García, A. Portilla‐Figueras, L. Prieto and F. Correoso, "Accurate short‐term wind speed prediction by exploiting diversity in input data using banks of artifcialneural networks," Neurocomputing, vol. 72, pp. 1336‐1341, 2009.

E. Ortiz‐García, S. Salcedo‐Sanz, A. M. Pérez‐Bellido, J. Gascón‐Moreno, A. Portilla‐Figueras and L. Prieto, “Wind speed prediction in wind farms based on support vector machines banks”, Wind Energy, underreview, 2010.

C. Hervás‐Martínez, S. Salcedo‐Sanz, P. A. Gutierrez, E. Ortiz‐García and L. Prieto, “Evolutionary Product Unit Neural Networks for Short‐term Wind Speed Forecasting in Wind Farms”, submitted to Journal of Wind Engineering and Industrial Aerodynamics, 2010.

S. Salcedo‐Sanz, E. G. Ortiz‐García, A. M. Pérez‐Bellido, A. Portilla‐Figueras and L. Prieto, “Short Term Wind Speed Prediction based on Evolutionary Support Vector Regression Algorithms,” Submitted to Expert Systems with Applications, 2009.

GHEODE

MLP como regresor, Predicción a 48h.

Turbina 15 Turbina 3


GHEODE

Bancos de MLPs

Turbina 1


GHEODE

Bancos de SVM (struc. II) vs. bancos de MLPs(Turbina 5)

Bancos de SVMs Bancos de MLPs


GHEODE

Parte II: problemas relacionados

GHEODE

Problemas relacionados

Diseño óptimo de parques eólicos:

Algoritmos evolutivos y heurísticos.

Diversos trabajos en los últimos 10 años.

Margen de mejora, líneas abiertas.

Clasificación de viento por situación sinóptica (clasif. no supervisada):

Problema completamente abierto.

Útil en el análisis de producción de parques y posibilidad de uso en predicción a largo plazo.

No hay trabajos similares en la literatura.

Clasificación de turbinas por probabilidad de rotura (clasif. supervisada):

Problema abierto.

Útil en la gestión de parques.

No hay trabajos similares en la literatura.

GHEODE

Diseño óptimo de Parques Eólicos

Generalidades

Como regla de uso se necesita un espacio aproximado de 10 hectareas.

El espaciado entre aerogeneradores depende de

El terreno

La dirección del viento

El tipo y tamaño de la turbina

El primer intento de utilizar algoritmos evolutivos fue realizado por Giancarlo Mosetti en 1994.

Hay al menos otros 5 artículos en la literatura mejorando aspectos puntuales del problema. Vamos a repasar el modelo de Grady (2005):

GHEODE


Consideracione sobre modelo de estela

Se considera un modelo sencillo de estela

En la turbina la estela del viento tiene un radio igual al radio de la misma rr.A medida que nos alejamos de la turbina el radio de la estela crece proporcionalmente. También hay un modelo de modificación de la velocidad de viento.

GHEODE


El caso de un aerogenerador que tiene delante N aerogeneradores es modelado por la siguiente ecuación

El coste del parque es considerado directamente como el coste del total de las turbinas.

Se considera una reducción máxima del coste de 1/3 sobre el total, siempre y cuando haya un número muy grande de ellas instaladas

GHEODE


Potencia del parque de N turbinas.

Función final de optimización:

GHEODE


Se considera un grid de celdas cuadradas.

100 posibles localizaciones

El ancho de cada celda es de 5 diámetros de rotor =200 m.

Con la fórmula de propagación de la estela, el valor de rr=189.9 m. No afecta a columnas adyacentes.

Parámetros del Algoritmo Genético

Codificación binaria de la solución

Selección por ranking previa al cruce y mutación

Cruce en dos puntos con probabilidades uniformes

GHEODE


Tres tipos de viento

Uniforme en dirección y a 12 m/s

Uniforme a 12 m/s en 360 º. (36 direcciones)

Viento con tres velocidades posibles, 8 m/s, 12 m/s y 17m/s y 36 direcciones posibles

Caso 1 Caso 2 Caso 3

GHEODE


Caso 1 Viento Constante a 12 m/s

Estudio G. Mosetti

Fitness, 0.0016197

Potencia: 12352 KW/año

Numero de Turbinas 26

Estudio Grady

Fitness, 0.0015436



GHEODE


Caso 2 Viento Constante a 12 m/s en cualquier dirección

Estudio G. Mosetti

Fitness 0.0017371

Potencia: 9244.7 KW/año


Estudio Grady

Fitness, 0.0015666



GHEODE


Caso 3: Viento No Constante en cualquier dirección

Estudio G. Mosetti

Fitness 0.00099405

Potencia: 13 460 KW/año


Estudio S. Grady

Fitness, 0.00080314

Potencia: 32 038 KW/año


GHEODE


Posibles mejoras en diseño de parques en tierraModelos publicados son simples, se puede considerar reducción del tamaño de grid y aplicar de forma efectiva el modelo de estela.

Consideraciones sobre el terreno. Variaciones en la orografía variaciones en viento.

Reducción del tamaño de celda (configurable).

Consideraciones sobre el tipo de turbinaUso de diferentes modelos con diferentes costes

Posibles mejoras en diseño de parques off‐shoreConsideración de restricciones y coste de profundidad.

Diferentes costes asociados a distintos tipos de turbinas.

Introducción de costes por obra civil (separación entre turbinas lo mínima posible).

GHEODE


GHEODE

Clasificación de viento por situación sinóptica

Generalidades

Problema: clasificación de vectores de viento (módulo y dirección) en diferentes clases asociadas a situaciones sinópticas.

Clasificación no supervisada (problema de clustering).

Se parte de una serie de viento de valores diarios, con su correspondiente grid de valores de presión.

Se precisa que los valores de viento asociados a cada clase sean lo más parecidos posibles, y que las clases (situaciones sinópticas) sean lo más diferentes posible.

El problema es muy útil en análisis de resultados de producción de parques (mediante diferencias en los patrones medios sinópticos de meses concretos), y se puede abordar la predicción a largo plazo de la misma forma.

GHEODE

Clasificación de viento por situación sinóptica

GHEODE

Clasificación de turbinas por probabilidad de rotura

Generalidades

Problema: clasificación de turbinas por probabilidad de rotura en los N años siguientes a su instalación (2 clases: 1 hay rotura, 0 no hay rotura).

Clasificación supervisada (datos de entrenamiento con etiquetas).

Las variables de predicción son características de las turbinas (tipo, dimensiones, etc.), variables de posicionamiento (altura, pendiente, etc), variables meteorológicas (viento medio en la turbina, viento máximo, turbulencia, temperaturas media y máximas etc.) , otras variables.

Se precisa obtener una clasificación lo más fiable posible para un determinado tipo de turbina en un parque concreto.

El problema es muy útil en la gestión de parques.

GHEODE

Otros problemas resolubles mediante técnicas de soft‐computing

Generación de series tipo para modelos de meso‐escala

Problema: partiendo de una serie de reanálisis grande (60 años), obtener una serie de 1 año lo más parecida posible a la original.

Problema de p‐medianas sin restricciones, clásico en OR. Habría que estudiar posibilidades para las distancias y resolver el problema de la variación espacial.

Diseño de turbinas

Problema: incluir inteligencia en diseño de turbinas, para adaptarlas a determinadas condiciones por ejemplo.

Optimización usualmente llevada a cabo junto con programas de simulación.

GHEODE

Técnicas de inteligencia computacional en predicción de viento en parques eólicos y problemas relacionados

Sancho Salcedo SanzGrupo de HEurísticos modernos de Optimización y Diseño de

rEdes (GHEODE)Departamento de Teoría de la Señal y Comunicaciones

Universidad de Alcalá

técnicas de inteligencia computacional en de viento en...

Documents