Forecasting of renewable energy resources using ensemble prediction systems based on machine learning and deep learning techniques

Abstract

La situación actual de nuestro modelo energético, fuertemente basado en los combustibles fósiles, resulta incompatible con los objetivos de sostenibilidad y eficiencia marcados por las principales organizaciones internacionales, que buscan mitigar los efectos del cambio climático (European Commission, 2019). Esto impone la necesidad de buscar alternativas que faciliten la penetración e integración de energías renovables en los sistemas eléctricos. Este trabajo busca la obtención de uno o varios modelos de predicción del recurso solar y eólico que permitan favorecer la integración de sus respectivas tecnologías en el porfolio energético a nivel regional, con garantías de estabilidad operativa para su red eléctrica. Para ello, se han empleados sistemas de predicción por conjuntos (Ensemble Prediction Systems -EPS), utilizando modelos numéricos de predicción meteorológica basados en el Weather Research and Forecasting model (WRF) (NCAR, 2020) y técnicas de inteligencia artificial (IA) para mejorar los resultados de sus simulaciones. La zona específica de estudio es el área de influencia del Instituto Tecnológico y de Energías Renovables (ITER, 2019c), donde se ha modelizado la velocidad del viento y la irradiancia global hemisférica con una resolución espacial de 1 km y una resolución temporal de 1h. Para este propósito se ha dispuesto de 12 meses de datos, tanto simulados como observados [1/08/2019-14/08/2020]. Los primeros provienen de 48 simulaciones diarias correspondientes a diferentes configuraciones del WRF. Los segundos, son datos medidos por estaciones meteorológicas ubicadas en el emplazamiento. Tras diseñar el código correspondiente en Python y haber pretratado los datos, se han entrenado, evaluado, comparado y optimizado 11 algoritmos regresivos de aprendizaje automático diferentes, obteniendo resultados de ajuste notablemente mejores que los de las clásicas simulaciones numéricas. En particular, se han determinado dos modelos EPS basados en algoritmos KNN (K-Nearest Neighbours) y MLP (Multilayer Perceptron) que han alcanzado un coeficiente de determinación satisfactorio para ambas variables (r2=0.78 y r2=0.81 respectivamente), reduciendo significativamente el error medio absoluto (MAE) de ~ 3 m/s a 1.14 m/s y de ~134 W/m2 a 95 W/m2 , así como el bias promedio (MBE) en un 99.5% y un 84.3% respectivamente. Estos resultados son prometedores, pues próximos análisis podrían corroborar la utilidad de ambos modelos en la predicción energética renovable. En cualquier caso, justifican la utilización de técnicas de machine learning (ML) y deep learning (DL) para elaborar modelos EPS basados en simulaciones numéricas. Además, podrían suponer la base para un protocolo de postratamiento de estas, adaptable a diferentes localizaciones.

The current situation for our energy model, strongly based on fossil fuels, is incompatible with the efficiency and sustainability objectives defined by the main international organisms (European Commission, 2019) in order to diminish the climate change effects. This imposes the need of searching for alternatives to promote the penetration and integration of renewable energies in the electric systems. This work aims to obtain one or various forecasting models for solar and wind resources, to achieve their technologies integration at a regional level in the energy mix with operative grid stability guarantees. For that purpose, Ensemble Prediction Systems (EPSs) have been used, using Numeric Weather Prediction (NWP) models based on the Weather Research and Forecasting model (WRF) (NCAR, 2020) and machine learning techniques to improve their simulations results. More in detail, the influence area of Instituto Tecnológico y de Energías Renovables (ITER, 2019c) has been selected for the study, where wind speed (WSP) and global horizontal irradiance (GHI) have been modelized with a 1km spatial resolution and a time resolution of 1h using 48 hours forecasts. Twelve months of simulated and observational data have been used [2019-08-01 - 2020-08-14]. The first ones are provided by 48 daily simulations corresponding to different WRF configurations. The second ones correspond to measurements from meteorological stations located at that site. With the Python code designed and after the data pre-treatment, 11 different machine learning regressive algorithms have been trained, evaluated, compared, and optimized, thus obtaining fitting results remarkably better than the WRF simulations themselves. In particular, two EPS models respectively based in KNN (K-Nearest Neighbours) and MLP (Multilayer Perceptron) algorithms have been respectively achieved with satisfying results for both variables (R 2=0.78 and R 2=0.81), also reducing the mean absolute error (MAE) from ~ 3 m/s to 1.14 m/s and from ~134 W/m2 to 95 W/m2 . Mean bias error (MBE) has also been respectively reduced in an 84.3% and a 99.5%. These findings are promising since further analyses could support both models utility in the forecasting of renewable energy production. Anyway, the obtained results justify the use of machine learning (ML) and deep learning (DL) techniques to design EPSs based on numeric predictions. Besides, they could set the base for a post-treating protocol for NWP models, adaptable to other locations and resolutions if simulations and observational data are available.