Un pronóstico de energía eólica corresponde a una estimación de la producción esperada de una o más turbinas eólicas (denominadas parque eólico ) en el futuro cercano, hasta un año. [1] Los pronósticos generalmente se expresan en términos de la potencia disponible del parque eólico, ocasionalmente en unidades de energía [ cita requerida ] , lo que indica el potencial de producción de energía durante un intervalo de tiempo.
La previsión de la generación de energía eólica puede considerarse en diferentes escalas de tiempo, dependiendo de la aplicación prevista: [2] [3]
Para las dos últimas posibilidades, la resolución temporal de las predicciones de energía eólica oscila entre 10 minutos y algunas horas (dependiendo de la duración de la previsión). Las mejoras en la previsión de energía eólica se han centrado en utilizar más datos como entrada para los modelos implicados y en proporcionar estimaciones de incertidumbre junto con las predicciones proporcionadas tradicionalmente. [ cita requerida ]
En la red eléctrica, en todo momento debe mantenerse un equilibrio entre el consumo y la generación de electricidad; de lo contrario, pueden producirse perturbaciones en la calidad o el suministro de energía. La generación eólica es una función directa de la velocidad del viento y, a diferencia de los sistemas de generación convencionales, no es fácil de gestionar , por lo que las fluctuaciones de la generación eólica requieren la sustitución de energía por otras fuentes que podrían no estar disponibles en un corto plazo (se necesitan 6 horas para poner en marcha una planta de carbón y 12 horas para una nuclear). [4] El problema se vuelve más complejo una vez que la energía eólica comienza a proporcionar más que un pequeño porcentaje de la electricidad total suministrada a la red. Unas mejores previsiones permiten a las empresas de servicios públicos desplegar menos reservas en funcionamiento, normalmente generadores basados en gas natural. [4]
Las previsiones suelen ser solicitadas por las empresas de servicios públicos en dos escalas temporales distintas: [5]
Los desafíos que enfrentan las empresas de servicios públicos cuando se inyecta energía eólica en un sistema eléctrico dependen de la proporción de esa energía renovable y de lo bien conectada que esté la red. [6] La energía eólica en Dinamarca satisface casi la mitad de la demanda eléctrica del país, mientras que la penetración instantánea (es decir, la producción instantánea de energía eólica en comparación con el consumo que se debe satisfacer en un momento dado) a veces supera el 100%. A diferencia de algunas partes ventosas de los EE. UU., que carecen de suficiente capacidad de red, esta se exporta fácilmente. [7]
El operador del sistema de transmisión (OST) es responsable de gestionar el balance eléctrico en la red: en cualquier momento, la producción de electricidad tiene que coincidir con el consumo. Por lo tanto, el uso de los medios de producción se programa con antelación para responder a los perfiles de carga. La carga corresponde al consumo total de electricidad en el área de interés. Los perfiles de carga suelen darse mediante previsiones de carga que son muy precisas. Para elaborar el programa diario, los OST pueden considerar sus propios medios de producción de energía, si los tienen, y/o pueden comprar la generación de energía a productores independientes de energía (IPP) y empresas de servicios públicos , a través de contratos bilaterales o pools de electricidad. En el contexto de la desregulación, aparecen cada vez más actores en el mercado, rompiendo así la situación tradicional de las empresas de servicios públicos integradas verticalmente con monopolios cuasi locales. Dos mecanismos principales componen los mercados de electricidad. El primero es el mercado spot, en el que los participantes proponen cantidades de energía para el día siguiente a un coste de producción determinado. Un sistema de subastas permite fijar el precio spot de la electricidad para los distintos períodos en función de las diferentes ofertas. El segundo mecanismo es el equilibrio de la generación de energía, que está coordinado por el OST. En función de las carencias y excedentes de energía (por ejemplo, debido a fallos en las centrales eléctricas o a la intermitencia en el caso de las instalaciones de energía eólica), el GRT determina las penalizaciones que deberán pagar los IPP que no hayan cumplido con sus obligaciones. En algunos casos, también existe un mercado intradiario para tomar medidas correctivas. [ cita requerida ]
Para ilustrar este mecanismo del mercado eléctrico, considere el mercado eléctrico holandés . Los participantes del mercado, denominados Partes Responsables del Programa (PRP), presentan sus ofertas de precio-cantidad antes de las 11 am para el período de entrega que cubre el día siguiente de medianoche a medianoche. La Unidad de Tiempo del Programa (PTU) en el mercado de equilibrio es de 15 minutos. El equilibrio de la potencia promedio de 15 minutos es requerido por todos los productores y consumidores eléctricos conectados a la red, quienes para este propósito pueden estar organizados en subconjuntos. Dado que estos subconjuntos se denominan Programas, el equilibrio en la escala de 15 minutos se denomina Balance del Programa. El Balance del Programa ahora se mantiene utilizando los programas de producción emitidos el día antes de la entrega y los informes de medición (distribuidos el día después de la entrega). Cuando la potencia medida no es igual a la potencia programada, el Desequilibrio del Programa es la diferencia entre la suma realizada de producción y consumo y la suma prevista de producción y consumo. Si solo se tiene en cuenta la producción de energía eólica, el Desequilibrio del Programa se reduce a la producción eólica realizada menos la producción eólica prevista. El desequilibrio del programa es el error de previsión de la producción eólica. [ cita requerida ]
El operador del sistema liquida el desequilibrio del programa, con tarifas diferentes para el desequilibrio negativo del programa y el desequilibrio positivo del programa. Un desequilibrio positivo del programa indica que se ha producido más energía de la prevista. En el caso de la energía eólica, la producción eólica realizada es mayor que la prevista. Y viceversa, en el caso de un desequilibrio negativo del programa de energía eólica. [ cita requerida ]
Cabe señalar que los costos de los desequilibrios positivos y negativos pueden ser asimétricos, dependiendo del mecanismo de mercado de equilibrio. En general, los productores de energía eólica se ven penalizados por dicho sistema de mercado, ya que una gran parte de su producción puede estar sujeta a sanciones. [ cita requerida ]
Además de su utilización para la participación en el mercado, las previsiones de energía eólica pueden utilizarse para optimizar el funcionamiento combinado de la generación eólica y convencional, la generación eólica e hidroeléctrica, o la energía eólica en combinación con algunos dispositivos de almacenamiento de energía. También sirven como base para cuantificar las necesidades de reserva para compensar las eventuales faltas de producción eólica. [ cita requerida ]
Para la predicción a corto plazo de la generación eólica se utilizan varias técnicas de distintos grados de sofisticación: [8]
Los métodos avanzados para la previsión de la energía eólica a corto plazo requieren predicciones de variables meteorológicas como entrada. Luego, difieren en la forma en que las predicciones de las variables meteorológicas se convierten en predicciones de la producción de energía eólica, a través de la denominada curva de potencia . Estos métodos avanzados se dividen tradicionalmente en dos grupos. El primer grupo, conocido como enfoque físico, se centra en la descripción del flujo de viento alrededor y dentro del parque eólico, y utiliza la curva de potencia del fabricante para proponer una estimación de la producción de energía eólica. En paralelo, el segundo grupo, conocido como enfoque estadístico, se concentra en capturar la relación entre las predicciones meteorológicas (y posiblemente las mediciones históricas) y la producción de energía a través de modelos estadísticos cuyos parámetros deben estimarse a partir de los datos, sin hacer ninguna suposición sobre los fenómenos físicos.
La generación de energía eólica está directamente relacionada con las condiciones meteorológicas y, por lo tanto, el primer aspecto de la previsión de energía eólica es la predicción de los valores futuros de las variables meteorológicas necesarias a nivel del parque eólico. Esto se hace utilizando modelos de predicción numérica del tiempo (NWP). Estos modelos se basan en ecuaciones que rigen los movimientos y las fuerzas que afectan al movimiento de los fluidos. A partir del conocimiento del estado real de la atmósfera, el sistema de ecuaciones permite estimar cuál será la evolución de las variables de estado, por ejemplo, la temperatura, la velocidad, la humedad y la presión, en una serie de puntos de la cuadrícula. Las variables meteorológicas que se necesitan como entrada para la predicción de la energía eólica incluyen obviamente la velocidad y la dirección del viento, pero también posiblemente la temperatura, la presión y la humedad. La distancia entre los puntos de la cuadrícula se denomina resolución espacial de los NWP. La malla suele tener un espaciado que varía entre unos pocos kilómetros y hasta 50 kilómetros para los modelos de mesoescala. Con respecto al eje temporal, la longitud de previsión de la mayoría de los modelos operativos actuales es de entre 48 y 172 horas, lo que se ajusta a los requisitos de la aplicación de la energía eólica. La resolución temporal suele estar comprendida entre 1 y 3 horas. Los modelos NWP imponen su resolución temporal a los métodos de previsión de energía eólica a corto plazo, ya que se utilizan como entrada directa.
Los institutos meteorológicos proporcionan predicciones de variables meteorológicas. Los meteorólogos emplean modelos atmosféricos para realizar pronósticos meteorológicos a corto y medio plazo. Un modelo atmosférico es una aproximación numérica de la descripción física del estado de la atmósfera en el futuro cercano y, por lo general, se ejecuta en una supercomputadora. Cada cálculo comienza con las condiciones iniciales que se originan a partir de mediciones recientes. El resultado consiste en el valor instantáneo esperado de las magnitudes físicas en varios niveles verticales en una cuadrícula horizontal y en pasos de tiempo de hasta varias horas después del inicio. Hay varias razones por las que los modelos atmosféricos solo se aproximan a la realidad. En primer lugar, no todos los procesos atmosféricos relevantes están incluidos en el modelo. Además, las condiciones iniciales pueden contener errores (que, en el peor de los casos, se propagan) y el resultado solo está disponible para puntos discretos en el espacio (tanto horizontal como vertical) y en el tiempo. Finalmente, las condiciones iniciales envejecen con el tiempo: ya son antiguas cuando comienza el cálculo, y más aún cuando se publica el resultado. Las predicciones de las variables meteorológicas se emiten varias veces al día (normalmente entre 2 y 4 veces al día) y están disponibles pocas horas después del comienzo del período de previsión. Esto se debe a que se necesita un tiempo para adquirir y analizar la gran cantidad de mediciones utilizadas como entrada para los modelos NWP, luego ejecutar el modelo y verificar y distribuir la serie de pronósticos de salida. Esta brecha es un punto ciego en las previsiones de un modelo atmosférico. Como ejemplo en los Países Bajos, KNMI publica 4 veces al día los valores esperados de velocidad del viento, dirección del viento, temperatura y presión para el período comprendido entre 0 y 48 horas después de la inicialización del modelo atmosférico Hirlam con los datos medidos, y luego el período antes de la entrega de la previsión es de 4 horas.
Existen muchos modelos atmosféricos diferentes, desde herramientas de investigación académica hasta instrumentos plenamente operativos. Además de la naturaleza misma del modelo (procesos físicos o esquemas numéricos), existen algunas diferencias claras entre ellos: dominio temporal (desde varias horas hasta seis días de antelación), área (desde varios miles de km2 hasta un área que cubre la mitad del planeta), resolución horizontal (desde 1 km hasta 100 km) y resolución temporal (desde 1 hora hasta varias horas).
Uno de los modelos atmosféricos es el Modelo de Área Limitada de Alta Resolución, abreviado HIRLAM , que se utiliza con frecuencia en Europa. El HIRLAM se presenta en muchas versiones; por eso es mejor hablar de "un" HIRLAM en lugar de "el" HIRLAM. Cada versión es mantenida por un instituto nacional como el holandés KNMI , el danés DMI o el finlandés FMI . Y cada instituto tiene varias versiones bajo su tutela, divididas en categorías como: operacional, preoperacional, semioperacional y para fines de investigación.
Otros modelos atmosféricos son
Tenga en cuenta que ALADIN y COSMO también son utilizados por otros países de Europa, mientras que UM ha sido utilizado por BOM en Australia.
Los pronósticos meteorológicos se dan en nodos específicos de una cuadrícula que cubre un área. Dado que los parques eólicos no están situados en estos nodos, es necesario extrapolar estos pronósticos en la ubicación deseada y a la altura del buje de la turbina. Los métodos de pronóstico basados en la física constan de varios submodelos que en conjunto entregan la traducción del pronóstico del viento en un cierto punto de la cuadrícula y nivel de modelo, al pronóstico de energía en el sitio considerado. Cada submodelo contiene la descripción matemática de los procesos físicos relevantes para la traducción. Por lo tanto, el conocimiento de todos los procesos relevantes es crucial al desarrollar un método de predicción puramente físico (como las primeras versiones del Prediktor danés). La idea central de los enfoques físicos es refinar los NWP utilizando consideraciones físicas sobre el terreno, como la rugosidad, la orografía y los obstáculos, y modelando el perfil del viento local posiblemente teniendo en cuenta la estabilidad atmosférica. Las dos alternativas principales para hacerlo son: (i) combinar el modelado del perfil del viento (con un supuesto logarítmico en la mayoría de los casos) y la ley de arrastre geostrófico para obtener vientos de superficie; (ii) utilizar un código CFD (Computational Fluid Dynamics) que permita calcular con precisión el campo de viento que verá el parque, considerando una descripción completa del terreno.
Cuando se conoce el viento a nivel del parque eólico y a la altura del buje, el segundo paso consiste en convertir la velocidad del viento en potencia. Por lo general, esta tarea se lleva a cabo con curvas de potencia teóricas proporcionadas por el fabricante de la turbina eólica. Sin embargo, dado que varios estudios han demostrado el interés de utilizar curvas de potencia derivadas empíricamente en lugar de las teóricas, las curvas de potencia teóricas se tienen cada vez menos en cuenta. Al aplicar una metodología física, el modelado de la función que proporciona la generación eólica de los generadores de viento numéricos en ubicaciones determinadas alrededor del parque eólico se realiza de una vez por todas. Luego, la función de transferencia estimada se aplica en consecuencia a las predicciones meteorológicas disponibles en un momento dado. Para tener en cuenta los errores sistemáticos de predicción que pueden deberse al modelo de PNT o a su enfoque de modelado, los modeladores físicos a menudo integran estadísticas de salida del modelo (MOS) para el posprocesamiento de las predicciones de potencia.
Los métodos de predicción estadística se basan en uno o varios modelos que establecen la relación entre los valores históricos de potencia, así como los valores históricos y previstos de las variables meteorológicas y las mediciones de la energía eólica. Los fenómenos físicos no se descomponen ni se tienen en cuenta, aunque el conocimiento del problema es crucial para elegir las variables meteorológicas correctas y diseñar modelos adecuados. Los parámetros del modelo se estiman a partir de un conjunto de datos anteriores disponibles y se actualizan periódicamente durante la operación en línea teniendo en cuenta cualquier información nueva disponible (es decir, pronósticos meteorológicos y mediciones de potencia).
Los modelos estadísticos incluyen modelos lineales y no lineales, pero también modelos estructurales y de caja negra. Los modelos estructurales se basan en la experiencia del analista sobre el fenómeno de interés, mientras que los modelos de caja negra requieren poco conocimiento de la materia y se construyen a partir de datos de una manera bastante mecánica. En lo que respecta a la previsión de energía eólica, los modelos estructurales serían aquellos que incluyen un modelado de las variaciones diurnas de la velocidad del viento o una función explícita de las predicciones de las variables meteorológicas. Los modelos de caja negra incluyen la mayoría de los modelos basados en inteligencia artificial, como las redes neuronales (NN) y las máquinas de vectores de soporte (SVM). Sin embargo, algunos modelos están "entre" los dos extremos de ser completamente de caja negra o estructurales. Este es el caso de los sistemas expertos, que aprenden de la experiencia (de un conjunto de datos) y para los que se puede inyectar conocimiento previo. Hablamos entonces de modelado de caja gris. Los modelos estadísticos suelen estar compuestos por una parte autorregresiva, que permite captar el comportamiento persistente del viento, y por una parte "meteorológica", que consiste en la transformación no lineal de las previsiones de las variables meteorológicas. La parte autorregresiva permite mejorar significativamente la precisión de las previsiones para horizontes de hasta 6-10 horas de antelación, es decir, para un periodo durante el cual el uso exclusivo de la información de las previsiones meteorológicas puede no ser suficiente para superar a la persistencia.
En la actualidad, los principales avances en los enfoques estadísticos para la predicción de la energía eólica se concentran en el uso de múltiples pronósticos meteorológicos (de diferentes oficinas meteorológicas) como entrada y combinación de pronósticos, así como en el uso óptimo de datos de medición distribuidos espacialmente para la corrección de errores de predicción o, alternativamente, para emitir advertencias sobre incertidumbres potencialmente grandes.
DeepMind de Google utiliza redes neuronales para mejorar la previsión. [9]
Los diseños actuales son óptimos sólo para condiciones estables y no turbulentas. Las herramientas de diseño que tienen en cuenta la inestabilidad y la turbulencia están mucho menos desarrolladas. [10]
Las predicciones de la producción de energía eólica se ofrecen tradicionalmente en forma de pronósticos puntuales, es decir, un único valor para cada momento de previsión, que corresponde a la expectativa o al resultado más probable. Tienen la ventaja de ser fácilmente comprensibles porque se espera que este único valor indique todo sobre la generación de energía futura. Hoy en día, una parte importante de los esfuerzos de investigación sobre pronósticos de energía eólica todavía se centran únicamente en la predicción puntual, con el objetivo de asimilar cada vez más observaciones en los modelos o refinar la resolución de los modelos físicos para representar mejor los campos de viento a escala muy local, por ejemplo. Estos esfuerzos pueden conducir a una reducción significativa del nivel de error de predicción.
Sin embargo, incluso con una mejor comprensión y modelado de los procesos meteorológicos y de conversión de energía, siempre habrá una incertidumbre inherente e irreducible en cada predicción. Esta incertidumbre epistémica corresponde al conocimiento incompleto que uno tiene de los procesos que influyen en los eventos futuros. Por lo tanto, como complemento a los pronósticos puntuales de la generación eólica para las próximas horas o días, es de gran importancia proporcionar medios para evaluar en línea la precisión de estas predicciones. En la práctica, hoy en día, la incertidumbre se expresa en forma de pronósticos probabilísticos o con índices de riesgo proporcionados junto con las predicciones puntuales tradicionales. Se ha demostrado que algunas decisiones relacionadas con la gestión y el comercio de energía eólica son más óptimas cuando se tiene en cuenta la incertidumbre de la predicción. Para el ejemplo de la aplicación comercial, los estudios han demostrado que la estimación confiable de la incertidumbre de la predicción permite al productor de energía eólica aumentar significativamente sus ingresos en comparación con el uso exclusivo de un método avanzado de pronóstico puntual. Otros estudios de este tipo tratan sobre la cuantificación dinámica óptima de los requisitos de reserva, [11] el funcionamiento óptimo de sistemas combinados que incluyen viento, o la regulación multiárea de múltiples etapas. Se esperan cada vez más esfuerzos de investigación sobre la incertidumbre de la predicción y temas relacionados.
Según un informe elaborado por una coalición de investigadores de universidades, la industria y el gobierno, con el apoyo del Centro Atkinson para un Futuro Sostenible de la Universidad de Cornell , todavía quedan varias preguntas por responder. Entre ellas se incluyen las siguientes:
El informe también proporciona posibles herramientas que se pueden utilizar para apoyar esta investigación necesaria. [10]
La correlación entre la producción eólica y la predicción puede ser relativamente alta, con un error promedio no corregido del 8,8% en Alemania durante un período de dos años. [12]
{{cite web}}: CS1 maint: multiple names: authors list (link)