• Es importante pronosticar la velocidad del viento para aprovechar e integrar las energías renovables en los procesos de producción de electricidad.

Dentro del Ciclo de Conferencias sobre Aplicaciones en Inteligencia Artificial en el Sector Energía, que se realiza en el Instituto Nacional de Electricidad y Energías Limpias (INEEL), se contó con la participación del Dr. Guillermo Santamaría Bonfil, quien participa con una cátedra Conacyt en la Gerencia de Tecnologías de la Información.

El trabajo del Dr. Santamaría está relacionado con el pronóstico de la velocidad del viento, así como la generación de potencia eólica con un día de anticipación, por lo que inició su charla con una revisión de las técnicas que se pueden utilizar para pronóstico, comparó algoritmos y enfatizó hechos como el que la velocidad del viento es altamente intermitente y la integración a la red de los sistemas de generación eólica, así como su administración pueden incidir en costos elevados. Por ejemplo, realizar un buen y acertado pronóstico es tan importante como que se ha descubierto que el 10% de las desviaciones en el pronóstico incurren en un 30% de la desviación de la generación de potencia.

Entrando en materia indicó que en la actualidad se tienen dos grandes rubros en los cuales se puede realizar el pronóstico: por un lado, están los modelos inspirados en la física y en la matemática de los fenómenos atmosféricos, por otro lado, están los modelos estadísticos. Este trabajo está relacionado con los modelos estadísticos, en los cuales, algunas de las herramientas más representativas son: el modelo persistente, el modelo autorregresivo como el Método de Box-Jenkins Crew y finalmente los modelos de Machine Learning como redes neuronales, árboles de decisión, máquinas de vectores de regresión, etc.

Su estudio se basa en el pronóstico a corto plazo (minutales, horarios y hasta un día de anticipación), este tipo de metodologías sirve para conocer los eventos de subida o baja de potencia, para el control de turbinas, para la integración de las operaciones en la red, así como para el despacho de energías y las gestiones del mercado de energía del día siguiente.

Por lo cual, se utilizaron datos históricos de la velocidad del viento para hacer un modelo de pronóstico para estimar tanto la velocidad del viento como la potencia generada desde una hora hasta 24 horas, es decir hasta un día de anticipación. Los datos son procesados y normalizados, para después usar la técnica de Teoría de caos denominada Reconstrucción de espacio-fase para obtener un espacio n-dimensional a partir de una serie de tiempo. Una vez hecho esto, el modelo se entrena y es validado. El modelo utilizado es una máquina de vectores de regresión sintonizado por un algoritmo genético.

Las conclusiones fueron que, después de varias pruebas en diferentes horizontes de pronóstico, el 50% de la distribución de los errores obtenidos se encontraron muy cercanas al cero para un horizonte de 1 hora, pero conforme se amplía el horizonte se aumenta el porcentaje de error. También se encontró que el modelo propuesto es más preciso y tienen menos varianza que el modelo de referencia y es menos susceptible a los eventos de subidas y bajadas.

Con estos estudios, el INEEL contribuye en desarrollar mejores metodologías y herramientas para implementar soluciones en el aprovechamiento de las energías renovables, en beneficio del sector energía y de México.