To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Estado del Arte en la Predicción de FRNC

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Contenido

• Pronósticos de FRNC: ¿Qué son y por qué se requierenpara la operación?

• Variabilidad del Recurso: Conocer los factores queafectan el recurso es el primer paso para pronosticarlo.

• Metodologías de pronóstico: ¿Cómo se realizan lospronósticos de FRNC?

• Errores típicos en los pronósticos: ¿Cuáles son loserrores típicos que se reportan en la literatura?

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Pronósticos de FERNC

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Pronósticos de generación de las FERNC

• Realizar programas degeneración más cercanos a larealidad, reduciendo lasdesviaciones y la necesidad dereservas.

• Optimizar el uso de los recursosrenovables.

• Mejorar los procesos deplaneación a diferenteshorizontes y la preparación a laocurrencia de fenómenosmeteorológicos que afectan lageneración renovable.

¿Para qué sirven los pronósticos de generación de las FERNC?

Fuente: Greening The Grid (2016) PRONÓSTICO DE GENERACIÓN DE ENERGÍA EÓLICA Y SOLAR

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Utilidad de los Pronósticos

Fuente: Greening The Grid (2016) PRONÓSTICO DE GENERACIÓN DE ENERGÍA EÓLICA Y SOLAR

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Propuesta regulatoria de XM

Para afrontar la variabilidad e incertidumbre de las FERNC, XM ha propuesto realizar pronósticos de sugeneración.

Fuente: XM – Proyecto de integración de FERNC al SIN

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Variabilidad del Recurso

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Variabilidad e incertidumbre

A diferencia de los recursosconvencionales, las fuentes renovables ylos recursos de generación distribuidosson altamente variables y sus programasde generación son inciertos.

Esto se debe a que la generación de lasfuentes renovables no convencionalesdepende directamente del recurso.

• Irradiación Solar

• Velocidad del Viento

• Caudal

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

¿De que depende esta variabilidad?

• Fenómenos globales de baja

frecuencia como ENSO o NAO

• Fenómenos estacionales como el

paso de la ITCZ

• Sistemas meteorológicos tropicales,

como la oscilación de Madden Julian,

las Ondas del Este, las ondas Kelvin,

y los huracanes

• Sistemas de mesoescala

• Ciclos diurnos y características

locales

Fuente:http://www.cpc.ncep.noaa.gov/products/analysis_monitoring/ensocycle/ensocycle.shtml

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

¿De que depende esta variabilidad?

Fuente: Chunzai Wang, 2007, “Variability of the Caribbean Low-Level Jet and its relationsto climate” Clim Dyn (2007) 29:411–422

• Fenómenos globales de baja

frecuencia como ENSO o NAO

• Fenómenos estacionales como el

paso de la ITCZ

• Sistemas meteorológicos tropicales,

como la oscilación de Madden Julian,

las Ondas del Este, las ondas Kelvin,

y los huracanes

• Sistemas de mesoescala

• Ciclos diurnos y características

locales

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

¿De que depende esta variabilidad?

• Fenómenos globales de baja

frecuencia como ENSO o NAO

• Fenómenos estacionales como el

paso de la ITCZ

• Sistemas meteorológicos

tropicales, como la oscilación de

Madden Julian, las Ondas del Este,

las ondas Kelvin, y los huracanes

• Sistemas de mesoescala

• Ciclos diurnos y características

localesFuente: https://www.nhc.noaa.gov/

Un ejemplo (https://earth.nullschool.net)

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

¿De que depende esta variabilidad?

• Fenómenos globales de baja

frecuencia como ENSO o NAO

• Fenómenos estacionales como el

paso de la ITCZ

• Sistemas meteorologicos tropicales,

como la oscilación de Madden Julian,

las Ondas del Este, las ondas Kelvin,

y los huracanes

• Sistemas de mesoescala

• Ciclos diurnos y características

locales Datos de GOES 16, NOAA

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

¿De que depende esta variabilidad?

• Fenómenos globales de baja

frecuencia como ENSO o NAO

• Fenómenos estacionales como el

paso de la ITCZ

• Sistemas meteorologicos tropicales,

como la oscilación de Madden Julian,

las Ondas del Este, las ondas Kelvin,

y los huracanes

• Sistemas de mesoescala

• Ciclos diurnos y características

locales

Nube lenticular en Rio Negro

Inversión térmica en Medellín

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

¿De que depende esta variabilidad?

• Fenómenos globales de baja

frecuencia como ENSO o NAO

• Fenómenos estacionales como el

paso de la ITCZ

• Sistemas meteorologicos tropicales,

como la oscilación de Madden Julian,

las Ondas del Este, las ondas Kelvin,

y los huracanes

• Sistemas de mesoescala

• Ciclos diurnos y características

localesFuente: http://www.comet.ucar.edu

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

¿A qué se debe la incertidumbre en los pronósticos?Inclusive si conociéramos a la perfección las ecuaciones de un sistema, errores en las condiciones iniciales llevarían a que no pudiésemos predecir con total precisión las condiciones futuras del sistema. 𝑑𝑥

𝑑𝑡= 𝜎 𝑦 − 𝑥

𝑑𝑦

𝑑𝑡= 𝑟𝑥 − 𝑦 − 𝑥𝑧

𝑑𝑧

𝑑𝑡= 𝑥𝑦 − 𝑏𝑧

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Metodologías de pronóstico

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Metodologías de pronóstico

Existen diferentes tipos de metodologías de pronóstico:

• Metodologías estadísticas

• Metodologías basadas en modelos dinámicos.

• Metodologías basadas en aprendizaje de maquina

• Una combinación de las anteriores.

El tipo de metodología a utilizar depende del fenómeno a pronosticar y el horizonte de este pronostico.

NREL (2015) Best Practices Handbook for the Collection and Use of Solar Resource Data for Solar Energy Applications

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Metodologías de pronóstico

Existen diferentes tipos de metodologías de pronóstico:

• Metodologías estadísticas

• Metodologías basadas en modelos dinámicos.

• Metodologías basadas en aprendizaje de maquina

• Una combinación de las anteriores.

El tipo de metodología a utilizar depende del fenómeno a pronosticar y el horizonte de este pronostico.

NREL (2015) Best Practices Handbook for the Collection and Use of Solar Resource Data for Solar Energy Applications

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Metodologías Estadísticas

Se basan en la historia de la generación de la planta parapronosticar la generación futura.

Entre estos métodos se encuentran:• Métodos de persistencia.

• Modelos Autoregresivos, de media móvil, estacionales (SARIMA).

• Regresiones lineales.

• Ciclos anuales, diarios, tendencias.

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Modelo de Persistencia

• El pronostico estadístico más simple es un pronostico de persistencia.

• Para un pronostico de persistencia se asume que la generación actual seguirá constante para todos los periodos futuros.

• Sin embargo, no debe usarse directamente para el pronóstico solar.

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Modelo de Persistencia SolarMétodo de ‘Clear-Sky’

𝐾𝑡 =𝐺𝐻𝐼𝑡𝐶𝑆𝑡

• Se aplica el método depersistencia sobre el cociente delGHI actual y el GHI en condicionesdespejadas (CS).

• Esto equivale a asumir que lascondiciones que afectan el GHIpersistirán en el tiempo.

• El método tiene en cuenta el efectoastronómico sobre el GHI.

𝐾𝑡+1 = 𝐾𝑡

𝐺𝐻𝐼𝑡+1 = 𝐾𝑡 𝐶𝑆𝑡+1

Otros métodos como modelos auto regresivos pueden también aplicarse sobre K.

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Pronostico Clear Sky

Realizado con PVlib: https://pvlib-python.readthedocs.io/en/latest/index.html

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Modelos SARIMA

Los modelos SARIMA son una combinación de modelos auto-regresivos y de media móvil que tienen en cuenta tendencias y la estacionalidad de la serie.

• Modelos Autoregresivos

• Modelos de Media Móvil

• Estacionalidad

• Tendencia

𝑃𝑡 = 𝛼𝑃𝑡−1 + ϵAR-1

-10

-8

-6

-4

-2

0

2

4

6

8

10

0 50 100 150 200 250 300 350

AR1 Ruido

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Pronostico SARIMA

𝑃𝑡 =1

𝑁

𝑛=1

𝑁

𝑃𝑡−𝑛 𝛼

0

1

2

3

4

5

6

7

8

0 20 40 60 80 100 120

Observacion Pronostico

Los modelos SARIMA son una combinación de modelos auto-regresivos y de media móvil que tienen en cuenta tendencias y la estacionalidad de la serie

• Modelos Autoregresivos

• Modelos de Media Móvil

• Estacionalidad

• Tendencia

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Pronostico SARIMA

Datos: Número de manchas solares mensuales. http://sidc.be/silso/newdataset

Los modelos SARIMA son una combinación de modelos auto-regresivos y de media móvil que tienen en cuenta tendencias y la estacionalidad de la serie

• Modelos Autoregresivos

• Modelos de Media Móvil

• Estacionalidad

• Tendencia

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Pronostico SARIMA

Los modelos SARIMA son una combinación de modelos auto-regresivos y de media móvil que tienen en cuenta tendencias y la estacionalidad de la serie

• Modelos Autoregresivos

• Modelos de Media Móvil

• Estacionalidad

• Tendencia

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Ejemplo SARIMA para pronóstico Solar

Realizado con Statsmodels: http://www.statsmodels.org/stable/index.html

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

NREL (2015) Best Practices Handbook for the Collection and Use of Solar Resource Data for Solar Energy Applications

Metodologías de pronóstico

Existen diferentes tipos de metodologías de pronóstico:

• Metodologías estadísticas

• Metodologías basadas en modelos dinámicos.

• Metodologías basadas en aprendizaje de maquina

• Una combinación de las anteriores.

El tipo de metodología a utilizar depende del fenómeno a pronosticar y el horizonte de este pronostico.

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Modelos Dinámicos

• Para horizontes temporales mayores a unas cuantas horas, los modelos

dinámicos meteorológicos proveen las mejores predicciones.

• Varias agencias meteorológicas producen modelos meteorológicos dinámicos

globales. Por ejemplo:

• ECMFW

• NCEP - GFS y GEFS

• JMA-GSM

• CA – MSC y GDPS

• La resolución espacial hace que sea necesario parametrizar la convección y la

radiación.

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Segunda ley de Newton

Conservación de la masa

Primera ley de la termodinámica

Conservación de trazadores químicos, incluyendo vapor de agua

Ecuación ideal de gases

Ecuaciones que resuelven los modelos meteorológicos

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Ejemplo de GFS de NCEP

Pronóstico determinístico GFS para Junio 06 del 2017. Descargado de:• http://nomads.ncep.noaa.gov/

Se actualiza cada 6 horas.L ~ Global, T ~ 5 días∆x ~ 25km, ∆t ~ 6 hr

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Modelos meteorológicos regionales

Para mejorar la resolución de los modelos se pueden resolver modelos meteorológicos regionales.

Dominios de Integración del Modelos NAM de la NOAAFuente: http://www.emc.ncep.noaa.gov/mmb/namgrids/#HIRESW

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

¿Por qué se usan modelos regionales?

• Una resolución de 0.25° (~25km) no resuelve las dinámicas atmosféricas propias de cada región.

• La topografía afecta profundamente la meteorología de la región.

• Los modelos regionales pueden simular mejor estas dinámicas.

Fuente: XM – Proyecto de integración de FERNC al SIN

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Limitaciones de los modelos meteorológicos

• En los modelos globales, la resolución espacial de los modelos no permite

resolver procesos locales, por lo que las nubes y la convección profunda

son parametrizadas.

• Los procesos radiativos también son parametrizados teniendo en cuenta

la composición atmosférica.

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Metodologías de pronóstico

Existen diferentes tipos de metodologías de pronóstico:

• Metodologías estadísticas

• Metodologías basadas en modelos dinámicos.

• Metodologías basadas en aprendizaje de maquina

• Una combinación de las anteriores.

El tipo de metodología a utilizar depende del fenómeno a pronosticar y el horizonte de este pronostico.

NREL (2015) Best Practices Handbook for the Collection and Use of Solar Resource Data for Solar Energy Applications

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Aprendizaje de Máquina

• En los últimos años los métodos basado en el aprendizaje de maquina han ganado popularidad.

• Los métodos se pueden considerar como una extensión de los métodos estadísticos.

𝑬

𝑴𝟏

…

𝑴𝟐

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Metodologías de pronóstico

Existen diferentes tipos de metodologías de pronóstico:

• Metodologías estadísticas

• Metodologías basadas en modelos dinámicos.

• Metodologías basadas en aprendizaje de maquina

• Una combinación de las anteriores.

El tipo de metodología a utilizar depende del fenómeno a pronosticar y el horizonte de este pronostico.

NREL (2015) Best Practices Handbook for the Collection and Use of Solar Resource Data for Solar Energy Applications

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Post-procesamiento estadístico de modelos dinámicos

• Los modelos dinámicos presentan

sesgos y diferencias estadisticas

respeco a las observaciones.

• Para relacionar las variables del

modelo con las variables medidas

se realiza un post-procesamiento

estadístico.

• Esto se conoce como Model Output

Statistics (MOS). Se pueden usar

diferentes metodologias para MOS,

como regresiones lineales, ajuste

cuantil-cuantil, redes neuronales,

entre otros metodos.Fuente: The Comet Program - http://www.comet.ucar.edu

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Pronostico Meteorológico

Modelo de planta (Conversión a

energía)

Calibración estadística con la

información histórica

Pronóstico de generación

Objetivo

Fuente: XM – Proyecto de integración de FERNC al SIN

Post-procesamiento estadístico de modelos dinámicos

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Imágenes Satelitales• Útiles para horizontes de 15 minutos a

unas cuantas horas

• La velocidad de las nubes observadas en las imágenes satelitales permite estimar valores futuros de GHI.

• Este método ignora procesos de formación de nubes por lo que solo es útil para horizontes cortos de tiempo.

• Se usan métodos estadísticos para relacionar los datos satelitales con las medidas en el sitio del proyecto.

Datos de GOES 16, NOAA

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Errores Típicos

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

¿Comó se evaluan los pronosticos?

𝑀𝐴𝐸 =1

𝑁

𝑛=1

𝑁

𝐸𝑛 − 𝐸𝑛

𝑅𝑀𝑆𝐸 =1

𝑁

𝑛=1

𝑁

𝐸𝑛 − 𝐸𝑛2

𝑆𝑒𝑠𝑔𝑜 =1

𝑁

𝑛=1

𝑁

𝐸𝑛 − 𝐸𝑛

• Sesgo

• Error absoluto medio

• Error cuadrático medio

• Correlación

Sesgo -0.012MAE 1.112RMSE 1.427

-4

-3

-2

-1

0

1

2

3

4

0 5 10 15 20

Ejemplo pronostico de persistencia

Pronóstico Observación Desviación

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Errores Típicos

En los siguientes artículos se reportan los errores típicos de plantas eólicas, solares y de agregados de estasplantas:

• Ernst et. al, 2007, Predicting the wind, IEEE power & Energy magazine https://ieeexplore.ieee.org/document/4383126

• Tuohy et. Al. (2015) Solar Forecasting. IEEE power and Energy Magazine https://ieeexplore.ieee.org/abstract/document/7299804

• Hodge, et al, 2012, Wind Power Forecasting Error Distributions: An International Comparison https://www.nrel.gov/docs/fy12osti/56130.pdf

• EPRI, 2017, Solar Power Forecasting for Grid Operations: Evaluation of Commercial Providers https://www.epri.com/#/pages/product/000000003002012135/?lang=en

Debe tenerse en cuenta que estos errores varían significativamente dependiendo de factores meteorológicos, de su ubicación geográfica y de los sistemas que se tengan implementados para los pronósticos.

To

do

s lo

s d

ere

ch

os r

ese

rva

do

s p

ara

XM

S.A

. E

.S.P

.

Calle 12 sur 18 - 168 Bloque 2

PBX (57 4) 317 2244 - FAX (57 4) 317 0989

@XM_filial_ISA

Medellín - Colombia