Técnicas de inteligencia computacional en de viento en...
Transcript of 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
Predicción a corto plazo de velocidad de viento
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
Predicción a corto plazo de velocidad de viento
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
Predicción a corto plazo de velocidad de viento
Modelo propuesto inicialmente:1 modelo global.MM5MLP
GHEODE
Predicción a corto plazo de velocidad de viento
Variaciones:1 modelo global.MM5SVM
GHEODE
Predicción a corto plazo de velocidad de viento
Se puede mejorar el modelo original?Mantener el esquema.MM5 varias parametrizacionesUso de varios modelos globalesGeneración de diversidad
GHEODE
Predicción a corto plazo de velocidad de viento
Bancos de MLPs
GHEODE
Predicción a corto plazo de velocidad de viento
Bancos de SVMrs.Estructura I
GHEODE
Predicción a corto plazo de velocidad de viento
Bancos de SVMrs.Estructuras II y III
GHEODE
Predicción a corto plazo de velocidad de viento
Bancos de SVMrs.Estructuras IV y V
GHEODE
Predicción a corto plazo de velocidad de viento
Bancos de SVMrs.Estructura VI
GHEODE
Predicción a corto plazo de velocidad de viento
Situación del parque y orografía.
Resultados
GHEODE
Predicción a corto plazo de velocidad de viento
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
Predicción a corto plazo de velocidad de viento
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
Predicción a corto plazo de velocidad de viento
GHEODE
Bancos de MLPs
Turbina 1
Predicción a corto plazo de velocidad de viento
GHEODE
Bancos de SVM (struc. II) vs. bancos de MLPs(Turbina 5)
Bancos de SVMs Bancos de MLPs
Predicción a corto plazo de velocidad de viento
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
Diseño óptimo de Parques Eólicos
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
Diseño óptimo de Parques Eólicos
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
Diseño óptimo de Parques Eólicos
Potencia del parque de N turbinas.
Función final de optimización:
GHEODE
Diseño óptimo de Parques Eólicos
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
Diseño óptimo de Parques Eólicos
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
Diseño óptimo de Parques Eólicos
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
Potencia: 14310 KW/año
Numero de Turbinas 30
GHEODE
Diseño óptimo de Parques Eólicos
Caso 2 Viento Constante a 12 m/s en cualquier dirección
Estudio G. Mosetti
Fitness 0.0017371
Potencia: 9244.7 KW/año
Numero de Turbinas 19
Estudio Grady
Fitness, 0.0015666
Potencia: 17220 KW/año
Numero de Turbinas 39
GHEODE
Diseño óptimo de Parques Eólicos
Caso 3: Viento No Constante en cualquier dirección
Estudio G. Mosetti
Fitness 0.00099405
Potencia: 13 460 KW/año
Numero de Turbinas 15
Estudio S. Grady
Fitness, 0.00080314
Potencia: 32 038 KW/año
Numero de Turbinas 39
GHEODE
Diseño óptimo de Parques Eólicos
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
Diseño óptimo de Parques Eólicos
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