RT info:eu-repo/semantics/masterThesis
T1 Forecasting of renewable energy resources using ensemble prediction systems based on machine learning and deep learning techniques
A1 Alonso Siverio, Luis
A2 Máster Universitario en Energías Renovables
AB La situación actual de nuestro modelo energético, fuertemente basado en los combustiblesfósiles, resulta incompatible con los objetivos de sostenibilidad y eficiencia marcados porlas principales organizaciones internacionales, que buscan mitigar los efectos del cambioclimático (European Commission, 2019). Esto impone la necesidad de buscar alternativasque faciliten la penetración e integración de energías renovables en los sistemaseléctricos.Este trabajo busca la obtención de uno o varios modelos de predicción del recurso solary eólico que permitan favorecer la integración de sus respectivas tecnologías en elporfolio energético a nivel regional, con garantías de estabilidad operativa para su redeléctrica. Para ello, se han empleados sistemas de predicción por conjuntos (EnsemblePrediction Systems -EPS), utilizando modelos numéricos de predicción meteorológicabasados en el Weather Research and Forecasting model (WRF) (NCAR, 2020) y técnicasde inteligencia artificial (IA) para mejorar los resultados de sus simulaciones.La zona específica de estudio es el área de influencia del Instituto Tecnológico y deEnergías Renovables (ITER, 2019c), donde se ha modelizado la velocidad del viento y lairradiancia global hemisférica con una resolución espacial de 1 km y una resolucióntemporal de 1h. Para este propósito se ha dispuesto de 12 meses de datos, tanto simuladoscomo observados [1/08/2019-14/08/2020]. Los primeros provienen de 48 simulacionesdiarias correspondientes a diferentes configuraciones del WRF. Los segundos, son datosmedidos por estaciones meteorológicas ubicadas en el emplazamiento.Tras diseñar el código correspondiente en Python y haber pretratado los datos, se hanentrenado, evaluado, comparado y optimizado 11 algoritmos regresivos de aprendizajeautomático diferentes, obteniendo resultados de ajuste notablemente mejores que los delas clásicas simulaciones numéricas. En particular, se han determinado dos modelos EPSbasados en algoritmos KNN (K-Nearest Neighbours) y MLP (Multilayer Perceptron) quehan alcanzado un coeficiente de determinación satisfactorio para ambas variables(r2=0.78 y r2=0.81 respectivamente), reduciendo significativamente el error medioabsoluto (MAE) de ~ 3 m/s a 1.14 m/s y de ~134 W/m2a 95 W/m2, así como el biaspromedio (MBE) en un 99.5% y un 84.3% respectivamente.Estos resultados son prometedores, pues próximos análisis podrían corroborar la utilidadde ambos modelos en la predicción energética renovable. En cualquier caso, justifican lautilización de técnicas de machine learning (ML) y deep learning (DL) para elaborarmodelos EPS basados en simulaciones numéricas. Además, podrían suponer la base paraun protocolo de postratamiento de estas, adaptable a diferentes localizaciones.
YR 2021
FD 2021
LK http://riull.ull.es/xmlui/handle/915/22745
UL http://riull.ull.es/xmlui/handle/915/22745
LA en
DS Repositorio institucional de la Universidad de La Laguna
RD 25-abr-2024