Comunicación presentada al V Congreso Smart Grids
Autores
- Fermín Rodríguez Lalanne, Doctorando, Ceit-IK4
- Ainhoa Galarza Rodríguez, Doctora e Investigadora, Ceit-IK4
- Luis Fontán Agorreta, Doctor e Investigador Senior, Ceit-IK4
Resumen
Esta comunicación científica muestra tanto los pasos para el desarrollo como la validación de una herramienta que permite predecir la energía solar generada en horizontes de tiempo cercanos. A pesar de que en los últimos años se viene haciendo una apuesta en firme por la implementación de generadores renovables para obtener una energía más limpia, existe una serie de desafíos a los que estas fuentes alternativas han tenido y están teniendo que hacer frente: en primer lugar, las curvas de producción y de demanda energética deben casar en todo momento para garantizar el control de cualquier sistema eléctrico; sin embargo, la volatilidad de estas fuentes introduce una gran incertidumbre y complica la casación de ambas curvas; en segundo lugar, las empresas de generación de energía necesitan una estimación precisa de la energía que serán capaces de producir al día siguiente, de cara a vender dicha energía en el POOL. La herramienta que se presenta en esta comunicación aborda la problemática que surge en relación al control de sistemas que están basados en la energía solar debido a su volatilidad. La capacidad de la herramienta desarrollada para predecir la radiación solar futura en un horizonte de tiempo cercano permitirá estimar con una elevada fiabilidad la producción de energía, optimizando así tanto el control de la red tradicional como el control de otros sistemas, como las microredes, que obtienen la energía de fuentes renovables. Asimismo, en aras de validar tanto el método de optimización como la fiabilidad de la herramienta final, se han escogido ubicaciones con condiciones climáticas diferentes. De esta forma, se apreciará el grado de precisión de la herramienta y cómo varía esta en función del lugar geográfico seleccionado.
Palabras clave
Energía Solar, Modelo de Predicción, Inteligencia Artificial, Optimización de Control
Introducción
Debido a algunos factores como el crecimiento de la demanda eléctrica, el cambio climático y la desregulación del mercado, la red eléctrica ha sufrido numerosos cambios en los últimos años. Estos cambios están planteando retos que no se espera que las redes de energía tradicionales vayan a ser capaces de superar por sí solas (S. A. Kalogirou, C. Neocleous, S. Paschiardis, C. Schizas, “Wind speed prediction using artificial neural networks”. In: Proc. European Symp. on Intelligent Techniques ESIT’99, Crete (Greece). Armstead, H.C.H., 1983, Geothermal Energy, E. & F.N. Spon Ltd, Londres). Una de las alternativas que está cobrando mayor peso y que la red tradicional no sería capaz de afrontar por sí misma, es la de la generación distribuida mediante la incorporación de energías renovables. Entre los beneficios que ofrece la generación distribuida destacan: la mejora en la fiabilidad, reducción de pérdidas e integración de renovables. En lo que a los inconvenientes se refiere, esta alternativa incrementa el número de agentes a controlar, por lo que la complejidad del sistema se va incrementando a medida que se introducen nuevos generadores. Asimismo, se pueden dar situaciones en las que no se pueda garantizar la estabilidad y la frecuencia de las ondas de tensión y corriente. En esta situación, las microrredes se pueden emplear como una plataforma tanto para integración de tecnologías de generación distribuida renovable, como para superar los efectos negativos que se han citado.
Aunque hay que tener en cuenta que las tecnologías de origen renovable afrontan la necesidad de una energía sostenible, su dependencia de las condiciones climáticas genera complicaciones a la red de energía (A. K. Mishra and L. Ramesh, “Application of Neural Networks in Wind Power [Generation] Prediction,” in International Conference on Sustainable Power Generation and Supply, 2009). En lo que a la generación solar se refiere, la variación de la irradiación solar no es solo diurna, sino que además también varía en función de las condiciones meteorológicas. Este es el motivo por el que es necesario predecir con el mayor grado de acierto posible la producción de energía, si se quiere tener un sistema lo más equilibrado posible.
Esta comunicación científica presenta la validación de un modelo de predicción para la generación de energía solar. La herramienta desarrollada se basa en una Red Neuronal Artificial (RNA) y es capaz de predecir, con un alto nivel de precisión, la energía que producirán las tecnologías solares en el corto plazo, 10 minutos.
Metodología
Elección del modelo de predicción
En la bibliografía se pueden encontrar diferentes métodos para predecir los parámetros meteorológicos necesarios relacionados con la generación solar. Los modelos se clasifican en: modelos simples y múltiples.
En lo que a los modelos simples se refiere, se pueden distinguir de nuevo dos grupos; por un lado, los modelos físicos, como puede ser la predicción numérica de las variables meteorológicas y, por otro lado, los métodos estadísticos. Dentro de los métodos estadísticos se encuentran el método de persistencia, modelos autorregresivos, redes neuronales artificiales y máquinas de vectores de soporte. La fuerza de estos métodos reside en dos factores: el horizonte de predicción y la disponibilidad de bases de datos fiables. Los modelos múltiples se basan en la combinación de modelos simples. More et al. (N. Sharma, P. Sharma, D. Irwin and P. Shenoy, “Predicting Solar Generation from Weather Forecasts Using Machine Learning,” in IEEE International Conference of Smart Grid Communications, Brussels, 2011) se decantan a favor de los modelos múltiples, argumentando que los parámetros climáticos no pueden obtenerse de un solo método debido a su variabilidad.
Además, en lo que a la predicción de parámetros meteorológicos se refiere, hay que tener en cuenta que la complejidad que entraña el desarrollo de los modelos múltiples es mayor que la de los modelos simples. Si bien hay bibliografía (N. Sharma, P. Sharma, D. Irwin and P. Shenoy, “Predicting Solar Generation from Weather Forecasts Using Machine Learning,” in IEEE International Conference of Smart Grid Communications, Brussels, 2011), (P. Zhao, J. Wang, J. Xia, Y. Dai, Y. Sheng and J. Yue, “Performance evaluation and accuracy enhancement of a day-ahead wind power forecasting system in China,” Renewable Energy, vol. 43, pp. 234-241, 2012) en la que se propone esta alternativa, también existen artículos científicos (A. K. Mishra and L. Ramesh, “Application of Neural Networks in Wind Power [Generation] Prediction,” in International Conference on Sustainable Power Generation and Supply, 2009), (A. Mellit and A. Massi, “A 24-h forecast of solar irradiance using artificial neural network: Application for performance prediction of a grid-connected PV plant at Trieste, Italy,” Solar Energy, vol. 84, pp. 807-821, 2010) en los que se han obtenido resultados satisfactorios mediante los modelos simples. Debido a la diversidad de modelos existentes en la bibliografía y los resultados que se han obtenido mediante Redes Neuronales Artificiales (RNA) en estudios previos, se ha elegido este modelo simple para el desarrollo de la herramienta que se presenta.
Las RNA son una forma de inteligencia artificial que se basa en la digitalización de las habilidades humanas. Hay que tener en cuenta que el procesamiento de datos en la informática tradicional funciona de forma diferente al cerebro humano. El funcionamiento complejo, no lineal y paralelo del cerebro humano, le permite superar incluso a los mejores ordenadores convencionales en ciertas áreas como el reconocimiento de patrones y la percepción (S. Haykin, Neural Networks and Learning Machines – 3rd ed., Upper Saddle River: Pearson Education, Inc., 2009). La inteligencia artificial ha sido capaz de aumentar las capacidades de los ordenadores copiando el sistema de procesamiento de información biológica que tiene lugar en el cerebro humano. En concreto, las RNA son capaces de simular, para un entorno, la red neuronal biológica que existe en el cerebro humano y así reconocer patrones y predecir valores futuros. Después de probar varios de los tipos de RNA, se ha elegido la arquitectura de red neuronal recurrente de capa para desarrollar la herramienta.
Ser capaces de generar predicciones razonablemente buenas a partir de valores que la RNA no ha visto previamente, se conoce como generalización (S. Haykin, Neural Networks and Learning Machines – 3rd ed., Upper Saddle River: Pearson Education, Inc., 2009). Esto se consigue mediante el entrenamiento de la RNA, y es lo que permite obtener buenos resultados en diferentes tareas, tales como predicción y clasificación en el reconocimiento de patrones. Las RNA se entrenan con algoritmos de aprendizaje, un proceso que consiste en modificar de forma ordenada los diferentes parámetros que componen la red hasta que se obtiene el error mínimo (S. Haykin, Neural Networks and Learning Machines – 3rd ed., Upper Saddle River: Pearson Education, Inc., 2009). Después de revisar la bibliografía, se ha escogido el algoritmo Levenberg-Marquardt (LM) debido a su robustez (A. Mellit and A. Massi, “A 24-h forecast of solar irradiance using artificial neural network: Application for performance prediction of a grid-connected PV plant at Trieste, Italy,” Solar Energy, vol. 84, pp. 807-821, 2010).
La selección de la base de datos y de las variables
La selección de la base de datos es el paso más importante en el proceso de diseño de una red neuronal artificial [7]. Es primordial, para el rendimiento de la red neuronal, que la base de datos utilizada para el aprendizaje tenga la mayor precisión posible. La proximidad y la validez de los datos son los factores más relevantes al considerar si la base de datos es aceptable. La bibliografía disponible sobre redes neuronales recurrentes sugiere que es preferible el uso de datos históricos durante un período de tiempo prolongado (A. Mellit and A. Massi, “A 24-h forecast of solar irradiance using artificial neural network: Application for performance prediction of a grid-connected PV plant at Trieste, Italy,” Solar Energy, vol. 84, pp. 807-821, 2010; L. B. Mohammed, M. A. Hamdan, E. A. Abdelhafez and W. Shaheen, “Hourly Solar Radiation Prediction Based on Nonlinear Autoregressive Exogenous [Narx] Neural Network,” Jordan Journal of Mechanical and Industrial Engineering, vol. 7, no. 1, pp. 11-18, 2013); por lo tanto, se ha elegido una base de datos que abarca el período comprendido entre 2015 y 2016.
Antes de empezar a diseñar la red neuronal, es necesario realizar un análisis de los posibles parámetros de entrada que se van a utilizar, ya que estos deben caracterizar el proceso. Por lo tanto, se debe llevar a cabo un estudio para determinar qué variables conformarán las entradas definitivas de la red neuronal. En este caso, se ha utilizado la correlación de Pearson de Excel. Los análisis de correlación se utilizan en la estadística de datos para verificar si existe una relación entre dos variables diferentes. La correlación de Pearson se representa a través de su grado de fuerza, variando desde una correlación fuerte negativa a una correlación fuerte positiva (ver Figura 1).
Una vez identificadas las variables relevantes, es necesario recopilar los datos y prepararlos antes de entrenar la red neuronal. Asimismo, es necesario revisar las bases de datos que se vayan a utilizar, ya que pueden existir valores o series de datos que no se hayan registrado correctamente. La corrección de estos valores se hace mediante interpolación o con ecuaciones de suavizado exponencial en función de la extensión de los datos afectados. Además, los valores empleados en la etapa aprendizaje se deben normalizar, de forma que los valores máximos y mínimos de cada parámetro queden comprendidos entre 0 y 1. Este proceso se realiza para obtener un aprendizaje más rápido y conseguir posteriormente mejores resultados (S. A. Kalogirou, “Artificial neural networks in renewable energy systems applications: a review,” Renewable and Sustainable Energy Reviews, vol. 5, pp. 373-401, 2001). Dado que los datos de entrada a la RNA se han normalizado, las predicciones también se obtendrán normalizadas; por lo tanto, el valor predicho debe ser desnormalizado antes de que pueda contrastarse con las mediciones reales.
Debido a que el objetivo de la RNA solar es la predicción de la irradiación solar, se ha decidido que una de las entradas de la red sea el conjunto de los valores de la irradiación en las 24 horas previas al momento que se desea predecir. Además, se ha analizado la relación entre la irradiación solar y la presión atmosférica, la temperatura y la humedad para determinar si estas variables deberían incluirse también como entradas en la RNA. La Figura 2 muestra los resultados de dicho análisis en Vitoria-Gasteiz, Álava, España.
En cuanto a la correlación entre la presión y la irradiación solar, se puede decir que no existe una correlación entre estos parámetros debido a que los valores se distribuyen en ambos sentidos, por lo que esta variable no se utilizará como una entrada a la ANN. Los valores de la humedad relativa del aire y la temperatura frente a la irradiación solar muestran que existe una relación negativa y positiva respectivamente entre estas variables. Sin embargo, dependiendo de la estación y del día de la muestra, los coeficientes muestran una fuerte variabilidad. Esto indica que las relaciones entre estas variables no son estables, y por esa razón no se han incluido como entradas en la RNA. Además, debido a la variación de la irradiación solar a lo largo del año, se decidió hacer un análisis para averiguar si era necesario tener en cuenta este efecto de alguna forma. Tal y como era de prever, el valor máximo de irradiación es mayor en verano que en invierno. Después de este análisis, los datos que se introdujeron en la RNA se dividieron en estaciones para que este fenómeno quedase reflejado; la base de datos se dividió de la siguiente manera: invierno (1), primavera (2), verano (3) y otoño (4).
Por otra parte, es evidente que tanto el amanecer como la puesta del sol varían a lo largo del año, luego el número de horas de sol es más alto en verano que en invierno. Para reflejar estos fenómenos, los datos se han dividido en diferentes períodos: Mañana (1) datos entre 00:00 y 5:50, Mediodía (2) entre 06:00 y 11:50, Tarde (3) entre 12: 00 y 17:50, y Noche (4) intervalos entre 18:00 y 23:50.
Estructura de la red neuronal
Para determinar la estructura óptima de la RNA solar, i.e. el retraso y el número de neuronas (S. Haykin, Neural Networks and Learning Machines – 3rd ed., Upper Saddle River: Pearson Education, Inc., 2009), se han empleado los datos entre enero y abril de 2015 para probar diferentes estructuras en cada una de las seis ubicaciones seleccionadas. Para determinar el retraso, se fija el número de neuronas y el parámetro relacionado con el retraso. El procedimiento para fijar el número de neuronas es el mismo, pero en este caso se fija el retraso.
Se ha verificado que una RNA con la misma estructura y entrenada en diferentes momentos hará predicciones similares, pero no dará exactamente los mismos valores. Para garantizar que se escoge la mejor estructura, cada ensayo de la Tabla I se ha repetido cinco veces. Mientras que los valores de la columna de “Entrenamiento” se obtuvieron mediante el promedio de los valores del Error Cuadrático Medio (ECM) de cada una de las cinco pruebas desde el 2 de enero de 2015 hasta el 11 de enero de 2015, los de «Validación» se obtuvieron a partir del promedio de los valores del ECM desde el 2 de enero de 2017 hasta el 11 de enero de 2017. Una vez realizadas las pruebas, se decidió crear una RNA con un retraso de 1:2 y 10 neuronas para el caso de Vitora-Gasteiz, Álava, España.
Resultados y discusiones
Una vez concluido el proceso de aprendizaje, se analizó la precisión con la que la RNA era capaz de predecir valores fuera de la base de datos empleada en la etapa de aprendizaje. En Tabla II se presentan los resultados obtenidos con la RNA para diferentes días en función del grado de nubosidad. Los valores de las columnas de “Energía predicha” y “Energía generada” corresponden a la energía predicha o generada a lo largo de todo el día.
Por otro lado, y a modo de ejemplo, la Figura 3a muestra la predicción que la RNA proporciona para el 2 de enero de 2017, catalogado como día parcialmente nublado. La línea discontinua hace referencia a las medidas reales, mientras que la línea continua representa los valores predichos. El ECM calculado a partir de las predicciones realizadas por la RNA para este día es 29.89 W/m2. En la Figura 3b se observa cómo la gran mayoría de los errores se encuentran dentro de la campana de distribución normal, en concreto, cerca del error casi nulo. Asimismo, se puede observar cómo existen algunos valores poco representativos en las colas de la campana; estos hacen referencia a los cambios súbitos en los que la RNA pierde precisión.
Para terminar con la etapa de de validación del desarrollo de la herramienta de predicción solar, se han realizado dos pruebas adicionales. Por un lado, se ha realizado la predicción del año 2017 al completo, de forma que se puede analizar el grado de acierto de la herramienta desarrollada (ver Figura 4); hay que destacar que en el 55% de las ocasiones se ha cometido un error inferior al 2%. La media del error cometido por la herramienta en el año 2017 en la ubicación de Vitora-Gasteiz ha sido 2.72%. Por otro lado, se ha efectuado este mismo análisis con los diferentes ensayos mostrados en la Tabla I para comprobar que realmente la estructura escogida era la óptima (ver Tabla III).
Finalmente, en la Tabla IV se presentan los resultados de las ubicaciones seleccionadas. Aunque, todas pertenecen al norte de la Península Ibérica, se ha tratado de escoger localidades en las que la radiación solar y la climatología fuesen lo más dispar posible; en (Atlas de radiación solar) se puede comprobar dichas diferencias. En lo que respecta a los resultados, resaltar que para todas las ubicaciones el error medio es inferior al 3.5%. Asimismo, en todas las ubicaciones, en más del 50% de los casos el error es inferior al 2%, llegando al 73% en el caso de Bardenas.
Conclusiones
Esta comunicación presenta una herramienta capaz de predecir la energía solar a corto plazo, en concreto, en los próximos 10 minutos. Su utilidad se basa en que las predicciones realizadas sirven para conocer cuál va a ser la energía generada mediante las tecnologías solares, teniendo un mayor control sobre las mismas y evitando desajustes en la red. Los resultados (ver Tablas II y IV) muestran que la precisión dada por la RNA final es suficientemente alta como para poder ayudar en el control de las diferentes redes que tengan generadores solares conectados, debido a que se reduce la incertidumbre de la irradiación solar. Asimismo, la Figura 3a demuestra que la herramienta es capaz de seguir la evolución de la irradiación a lo largo del día.