Técnicas de inteligencia artificial para la predicción de energía renovable

Abstract

A greater social concern about climate change and the future of our planet together with efficiency improvements in producing renewable energies have made this a rising sector in the last decade. Thus, to estimate the daily produced energy is important for its integration into the electric system, especially for isolated systems as the Canary Islands. The main problem in the forecasting of the energy that will be generated in the next days lies in the dependence of renewable energy on atmospheric conditions, which makes these have a highly variable nature. In this work, we propose to combine time series of the produced renewable energy, synoptic meteorological conditions and machine learning techniques, specifically, artificial neural networks (ANN) to forecast the daily energy generated in each island. Some statistical metrics (RMSE, R2 and BIAS) are used to compare the results of three different types of ANN trained with different data inputs: DA: where the inputs are just the time series of generated energy. SP: where the inputs are just the atmospheric sea level pressure in an area around the Canary Islands. DAP: which is a combination of the other two, and the inputs are the atmospheric sea level pressure and the time series of generated energy. Those results are also compared with those obtained for the simplest persistence method (ZOH) and with a traditional method for the prediction of time series (ARMA). Finally, very varied results where obtained, with some cases in which the ANNs significantly improve the ZOH results, and other cases in which there is no significant improvement. In general, for solar energy, DA and DAP are the most reliable, being in all cases better than the ZOH. For wind energy, DA and DAP are also the most reliable, excepting for the cases of La Palma and Gran Canaria in which the best model is SP. Unlike for solar energy, these models do not provide a significant improvement with respect to the ZOH.

Una mayor preocupaci´on social sobre el cambio clim´atico y el futuro del planeta junto a mejoras de rendimiento en la obtenci´on de energ´ıas renovables han hecho del mismo un sector en auge durante la ´ultima d´ecada. Sin embargo, la predictibilidad de estas es un gran problema ya que, al contrario que una planta t´ermica, la disponibilidad de la energ´ıa solar y e´olica no es continua, ya que poseen una naturaleza altamente variable. Por tanto, hacer una estimaci´on previa de las energ´ıas renovables generadas cada d´ıa es de gran importancia para la integraci´on de estas en el sistema el´ectrico, sobre todo para sistemas aislados como los de Canarias. En este trabajo se propone el uso de herramientas de aprendizaje autom´atico. En concreto, se implementan redes neuronales artificiales (ANN) para realizar las predicciones de energ´ıa diaria generada en cada isla. Se han utilizado algunas m´etricas estad´ısticas (RMSE, R2 y BIAS) para comparar los resultados obtenidos con tres modelos de ANNs, entrenadas con distintas entradas: DA: la entrada para esta red es s´olo la serie temporal de energ´ıa generada. SP: las entradas de esta red son s´olo las presiones atmosf´ericas a nivel del mar en un entorno de Canarias. DAP: esta red es una combinaci´on de las dos anteriores, las entradas son las presiones atmosf´ericas a nivel del mar y la serie temporal de energ´ıa generada. Esos resultados se han comparado, adem´as, con los obtenidos por el m´etodo de persistencia m´as sencillo (ZOH) y por un m´etodo tradicional de predicci´on de series temporales (ARMA). Hecho esto, se obtuvieron unos resultados muy diversos, con algunos casos en los que las ANN superan en gran medida al ZOH y otros en los que la mejora no es notable (esto se puede observar en los cuadros 1 - 11). A modo general, para la energ´ıa solar, DA y DAP suelen ser los m´as eficientes, superando en todos los casos al ZOH. Para la energ´ıa e´olica, DA y DAP son tambi´en los m´as eficientes, salvo en los casos de La Palma y Gran Canaria en los que el mejor modelo es SP. A diferencia del caso de energ´ıa solar, la mejora de estos con respecto al ZOH no suele ser muy grande.