stringtranslate.com

Previsión de energía eólica

Una previsión de energía eólica corresponde a una estimación de la producción esperada de uno o más aerogeneradores (denominado parque eólico ) en un futuro próximo, 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.

Escalas de tiempo de las previsiones

La previsión de la generación de energía eólica se puede considerar 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 la energía eólica se han centrado en utilizar más datos como entrada para los modelos involucrados y en proporcionar estimaciones de incertidumbre junto con las predicciones proporcionadas tradicionalmente. [ cita necesaria ]

Motivo de las previsiones de energía eólica

En la red eléctrica se debe mantener en todo momento el equilibrio entre el consumo y la generación de electricidad; de lo contrario, pueden producirse perturbaciones en la calidad o el suministro de la energía. La generación eólica es una función directa de la velocidad del viento y, a diferencia de los sistemas de generación convencionales, no es fácilmente gestionable , 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 encenderse). una central de carbón y 12 horas una nuclear). [4] El problema se vuelve más complejo una vez que la energía eólica comienza a proporcionar más de un pequeño porcentaje de la electricidad total suministrada a la red. Mejores pronósticos permiten a las empresas de servicios públicos desplegar menos reservas rotativas, generalmente generadores a base de gas natural. [4]

Las empresas de servicios públicos suelen solicitar las previsiones en dos escalas de tiempo distintas: [5]

  1. se utiliza pronóstico a corto plazo (de minutos a 6 horas) para ajustar las reservas giratorias;
  2. La empresa de servicios públicos utiliza el pronóstico a largo plazo (día a semana) para planificar la combinación energética o comprar electricidad de otros proveedores. Normalmente, esta información se necesita "día por delante" (por ejemplo, antes de las 6 a. m.), pero los mercados tienden a no operar los fines de semana y días festivos, por lo que ocasionalmente se utilizan pronósticos más largos.

Los desafíos que enfrentan las empresas de servicios públicos cuando se inyecta generación eólica en un sistema eléctrico dependen de la proporción de esa energía renovable y de qué tan bien conectada esté la red. [6] La energía eólica en Dinamarca cubre 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 a satisfacer en un momento dado) es en ocasiones superior al 100%. A diferencia de algunas zonas ventosas de EE.UU., que carecen de suficiente capacidad de red, esta se exporta fácilmente. [7]

El gestor del sistema de transporte (TSO) es responsable de gestionar el equilibrio eléctrico en la red: en cualquier momento, la producción de electricidad debe coincidir con el consumo. Por ello, el uso de medios de producción se programa con antelación para dar respuesta a los perfiles de carga. La carga corresponde al consumo total de electricidad en el área de interés. Los perfiles de carga suelen obtenerse mediante previsiones de carga de gran precisión. Para confeccionar el programa diario, los TSO pueden considerar sus propios medios de producción de energía, si los tienen, y/o pueden comprar generación de energía a Productores Independientes de Energía (IPP) y empresas de servicios públicos , a través de contratos bilaterales o consorcios de electricidad. En el contexto de la desregulación, cada vez aparecen más actores en el mercado, rompiendo así la situación tradicional de empresas de servicios públicos integradas verticalmente con monopolios cuasi locales. Dos mecanismos principales componen los mercados de electricidad. El primero es el mercado spot donde los participantes proponen cantidades de energía para el día siguiente a un costo de producción determinado. Un sistema de subasta permite fijar el precio spot de la electricidad para los distintos períodos en función de las distintas ofertas. El segundo mecanismo es el equilibrio de la generación de energía, que coordina el GRT. Dependiendo de las carencias y excedentes de energía (por ejemplo, debido a fallos de las centrales eléctricas o a la intermitencia en el caso de las instalaciones de energía eólica), el GRT determina las sanciones que pagarán los PIE que incumplieron sus obligaciones. En algunos casos también existe un mercado intradiario para tomar acciones correctivas. [ cita necesaria ]

Para ilustrar este mecanismo del mercado de la electricidad, consideremos el mercado de la electricidad holandés . Los participantes del mercado, denominados Partes Responsables del Programa (PRP), presentan sus ofertas precio-cantidad antes de las 11 a.m. para el período de entrega que cubre el día siguiente desde la medianoche hasta la medianoche. La Unidad de Tiempo de Programa (PTU) en el mercado de balance es de 15 minutos. Se exige el equilibrio de la potencia media de 15 minutos a todos los productores y consumidores eléctricos conectados a la red, quienes a tal efecto podrán organizarse en subconjuntos. Dado que estos subconjuntos se denominan Programas, el equilibrio en la escala de 15 minutos se denomina Saldo de Programa. El saldo del programa ahora se mantiene utilizando los cronogramas 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 necesaria ]

El Desequilibrio del Programa lo liquida el Operador del Sistema, con tarifas diferentes para el Desequilibrio del Programa negativo y el Desequilibrio del Programa positivo. Un desequilibrio del programa positivo indica que en realidad se produce más energía de lo previsto. En el caso de la energía eólica, la producción eólica realizada es mayor que la producción eólica prevista. Y viceversa, en el caso de un Desequilibrio del Programa negativo por energía eólica. [ cita necesaria ]

Obsérvese que los costos de los desequilibrios positivos y negativos pueden ser asimétricos, dependiendo del mecanismo de equilibrio del mercado. En general, los productores de energía eólica se ven penalizados por este sistema de mercado, ya que una gran parte de su producción puede estar sujeta a sanciones. [ cita necesaria ]

Paralelamente a su utilización para la participación en el mercado, las previsiones de energía eólica pueden utilizarse para el funcionamiento combinado óptimo de la generación eólica y convencional, la generación de energía 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 reservas para compensar las eventuales faltas de producción eólica. [ cita necesaria ]

Metodología general

Se utilizan varias técnicas de diversos grados de sofisticación para la predicción a corto plazo de la generación eólica: [8]

Los enfoques avanzados para la predicción de la energía eólica a corto plazo requieren predicciones de variables meteorológicas como entrada. Luego, se diferencian en la forma en que se convierten las predicciones de variables meteorológicas en predicciones de producción de energía eólica, a través de la llamada curva de potencia . Estos métodos avanzados se dividen tradicionalmente en dos grupos. El primer grupo, denominado 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. Paralelamente, el segundo grupo, denominado enfoque estadístico, se concentra en capturar la relación entre las predicciones meteorológicas (y posiblemente mediciones históricas) y la producción de energía a través de modelos estadísticos cuyos parámetros deben estimarse a partir de datos, sin hacer ninguna suposición sobre los fenómenos físicos.

Predicción de variables meteorológicas

La generación de energía eólica está directamente relacionada con las condiciones climáticas y, por lo tanto, el primer aspecto de la previsión de energía eólica es la predicción de los valores futuros de las variables climáticas necesarias a nivel del parque eólico. Esto se hace mediante el uso de modelos de predicción numérica del tiempo (NWP). Dichos modelos se basan en ecuaciones que gobiernan los movimientos y fuerzas que afectan el 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 temperatura, velocidad, humedad y presión, en una serie de puntos de la cuadrícula. Las variables meteorológicas necesarias para la predicción de la energía eólica incluyen obviamente la velocidad y 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. En cuanto al eje temporal, la duración prevista de la mayoría de los modelos operativos hoy en día se sitúa entre 48 y 172 horas de antelación, lo que se adecua a los requisitos para la aplicación de energía eólica. La resolución temporal suele ser entre 1 y 3 horas. Los modelos de PNT imponen su resolución temporal a los métodos de predicción de energía eólica a corto plazo, ya que se utilizan como información directa.

Las predicciones de variables meteorológicas las proporcionan los institutos meteorológicos. Los meteorólogos emplean modelos atmosféricos para pronósticos meteorológicos a corto y mediano plazo. Un modelo atmosférico es una aproximación numérica de la descripción física del estado de la atmósfera en un futuro próximo y normalmente 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 cantidades físicas en varios niveles verticales en una cuadrícula horizontal y escalonando en el tiempo hasta varias horas después del inicio. Hay varias razones por las que los modelos atmosféricos sólo 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 la salida sólo 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 mucho menos cuando se publica el resultado. Las predicciones de variables meteorológicas se emiten varias veces al día (comúnmente entre 2 y 4 veces al día) y están disponibles pocas horas después del inicio del período de pronóstico. Esto se debe a que se necesita algo de tiempo para adquirir y analizar la gran cantidad de mediciones utilizadas como entrada para los modelos de PNT, luego ejecutar el modelo y verificar y distribuir las series de pronóstico de salida. Esta brecha es un punto ciego en los pronósticos de un modelo atmosférico. Como ejemplo en los Países Bajos, KNMI publica 4 veces al día los valores esperados de velocidad y dirección del viento, temperatura y presión para el período comprendido entre 0 y 48 horas después de la inicialización del modelo atmosférico Hirlam con datos medidos, y luego el período anterior. La entrega prevista es de 4 horas.

Se encuentran disponibles muchos modelos atmosféricos diferentes, desde herramientas de investigación académica hasta instrumentos totalmente operativos. Además de la propia naturaleza del modelo (procesos físicos o esquemas numéricos), existen algunas diferencias distintivas claras entre ellos: dominio temporal (desde varias horas hasta 6 días de anticipación), área (varios 10.000 km 2 para un área que cubre la mitad del planeta) , resolución horizontal (de 1 km a 100 km) y resolución temporal (de 1 hora a varias horas).

Uno de los modelos atmosféricos es el Modelo de Área Limitada de Alta Resolución, abreviado HIRLAM , que se utiliza frecuentemente en Europa. HIRLAM viene en muchas versiones; por eso es mejor hablar de "un" HIRLAM que de "el" HIRLAM. Cada versión es mantenida por un instituto nacional como el KNMI holandés, el DMI danés o el FMI finlandés . Y cada instituto tiene bajo su protección varias versiones, divididas en categorías como: operativa, preoperativa, semioperativa y con fines de investigación.

Otros modelos atmosféricos son

Tenga en cuenta que ALADIN y COSMO también se utilizan en otros países de Europa, mientras que BOM ha utilizado UM en Australia.

Enfoque físico de la previsión de energía eólica

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 estas previsiones a la ubicación deseada y a la altura del eje de la turbina. Los métodos de pronóstico basados ​​en la física constan de varios submodelos que en conjunto traducen el pronóstico del viento en un determinado 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 a la hora de desarrollar un método de predicción puramente físico (como las primeras versiones del Prediktor danés). La idea central de los enfoques físicos es refinar los PNT utilizando consideraciones físicas sobre el terreno, como la rugosidad, la orografía y los obstáculos, y modelando el perfil del viento local que posiblemente tenga en cuenta la estabilidad atmosférica. Las dos principales alternativas para hacerlo son: (i) combinar la modelación del perfil del viento (con un supuesto logarítmico en la mayoría de los casos) y la ley de resistencia geostrófica para obtener vientos en superficie; (ii) utilizar un código CFD (Dinámica de Fluidos Computacional) que permita calcular con precisión el campo de viento que verá el parque, considerando una descripción completa del terreno.

Una vez conocido el viento a nivel del parque y a la altura del buje, el segundo paso consiste en convertir la velocidad del viento en potencia. Habitualmente esa tarea se realiza con curvas de potencia teórica proporcionadas por el fabricante del aerogenerador. Sin embargo, dado que varios estudios han demostrado el interés de utilizar curvas de potencia derivadas empíricamente en lugar de curvas teóricas, las curvas de potencia teóricas se consideran cada vez menos. Al aplicar una metodología física, el modelado de la función que da la generación eólica a partir de NWP 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 pronóstico que pueden deberse al modelo NWP o a su enfoque de modelado, los modeladores físicos a menudo integran estadísticas de resultados del modelo (MOS) para los pronósticos de potencia posteriores al procesamiento.

Enfoque estadístico para la previsión de la energía eólica

Los métodos de predicción estadística se basan en uno o varios modelos que establecen la relación entre valores históricos de potencia, así como valores históricos y previstos de variables meteorológicas, y mediciones de energía eólica. Los fenómenos físicos no se descomponen ni se tienen en cuenta, incluso si el conocimiento del problema es crucial para elegir las variables meteorológicas adecuadas y diseñar modelos adecuados. Los parámetros del modelo se estiman a partir de un conjunto de datos disponibles en el pasado y se actualizan periódicamente durante el funcionamiento en línea teniendo en cuenta cualquier nueva información 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 del tema y se construyen a partir de datos de una manera bastante mecánica. En el caso de la predicción de energía eólica, los modelos estructurales serían aquellos que incluyen una modelización de las variaciones diurnas de la velocidad del viento, o una función explícita de predicción de 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 a los que se les puede inyectar conocimiento previo. Luego hablamos del modelado de caja gris. Los modelos estadísticos suelen estar compuestos por una parte autorregresiva, para captar el comportamiento persistente del viento, y por una parte 'meteorológica', que consiste en la transformación no lineal de las predicciones de variables meteorológicas. La parte autorregresiva permite mejorar significativamente la precisión del pronóstico para horizontes de hasta 6 a 10 horas de anticipación, es decir, durante un período durante el cual el uso exclusivo de información de pronóstico meteorológico puede no ser suficiente para superar la persistencia.

Hoy en día, los principales avances de 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 pronóstico, 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 una red neuronal para mejorar las previsiones. [9]

Incertidumbre en las previsiones de energía eólica

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 producción de energía eólica se proporcionan tradicionalmente en forma de pronósticos puntuales, es decir, un valor único para cada tiempo de anticipación, que corresponde a la expectativa o al resultado más probable. Tienen la ventaja de ser fácilmente comprensibles porque se espera que este valor único diga todo sobre la generación futura de energía. Hoy en día, una parte importante de los esfuerzos de investigación sobre predicción de energía eólica todavía se centra 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 para instancia. Estos esfuerzos pueden conducir a una disminución significativa del nivel de error de predicción.

Sin embargo, incluso comprendiendo y modelando mejor 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 se tiene de los procesos que influyen en los acontecimientos futuros. Por lo tanto, además de las previsiones puntuales de 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 actual, 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 en la predicción. En el ejemplo de la aplicación comercial, los estudios han demostrado que una estimación fiable de la incertidumbre en la predicción permite a los productores de energía eólica aumentar significativamente sus ingresos en comparación con el uso exclusivo de un método de predicción puntual avanzado. Otros estudios de este tipo se ocupan de la cuantificación dinámica óptima de los requisitos de reservas, [11] del funcionamiento óptimo de sistemas combinados, incluido el eólico, o de la regulación multiárea y multietapa. Se esperan cada vez más esfuerzos de investigación sobre la incertidumbre en la predicción y temas relacionados.

Hay una serie de preguntas que aún no han sido respondidas, según un informe de una coalición de investigadores de universidades, industria y gobierno, apoyado por el Centro Atkinson para un Futuro Sostenible de la Universidad de Cornell . Incluyen:

El informe también proporciona posibles herramientas utilizadas para respaldar esta investigación necesaria. [10]

Exactitud

La correlación entre la producción eólica y la predicción puede ser relativamente alta, con un error medio sin corregir del 8,8% en Alemania durante un período de dos años. [12]

Ver también

Notas

  1. ^ Devi 2021, pag. 80.
  2. ^ Devi 2021, pag. 80-81.
  3. ^ Hanifi 2020, pag. 3766.
  4. ^ ab Haupt 2015, págs. 47–48.
  5. ^ Alto 2015, pag. 48.
  6. ^ Haupt 2015, págs.47.
  7. ^ "La energía eólica es cada vez mejor y proporciona más valor a la red". RenovarEconomía . 19 de septiembre de 2022 . Consultado el 19 de septiembre de 2022 .
  8. ^ Hanifi 2020, págs. 3766–3771.
  9. ^ Elkin, Carl; Witherspoon, Sims (26 de febrero de 2019). "Google optimiza los parques eólicos con DeepMind ML para predecir la producción de energía en 36 horas". mente profunda.google .
  10. ^ abc Zehnder y Warhaft, Alan y Zellman. «Colaboración Universitaria en Energía Eólica» (PDF) . Universidad de Cornell . Consultado el 17 de agosto de 2011 .
  11. ^ S. Meyn, M. Negrete-Pincetic, G. Wang, A. Kowli y E. Shafieepoorfaard (marzo de 2010). "El valor de los recursos volátiles en los mercados eléctricos". Presentado a la 49ª Conferencia. en Dic. y Control . Archivado desde el original el 18 de diciembre de 2012 . Consultado el 12 de julio de 2010 .{{cite web}}: CS1 maint: multiple names: authors list (link)
  12. ^ http://www.iset.uni-kassel.de/abt/FB-I/publication/03-06-01_onl_mon_and_pred_wp_re-gen.pdf [ enlace muerto permanente ]

Referencias

enlaces externos