Modelos predictivos de producción de energías renovables

Transcripción

1 Modelos predictivos de producción de energías renovables José R. Dorronsoro, IIC-UAM IIC

2 Misión Centro de Investigación + Desarrollo + innovación. Creado en 1989 por ADIC (Asociación para el Desarrollo de la Ingeniería del Conocimiento) y de la que hoy forman parte cuatro socios. Desarrollo de productos únicos y adaptables basados en investigaciones propias y en colaboración. Autofinanciación con la venta de nuestros productos y servicios. Reinversión del 100% de los beneficios en I+D+i. Auspicia tres cátedras de patrocinio con la UAM. IIC

3 El IIC se dedica a innovar en seis grandes áreas de gran valor para las organizaciones, centradas a su vez en varias actividades: Áreas de innovación Gestión de patrones de comportamiento Gestión del talento Modelado y predicción Detección en tiempo real del fraude en transacciones bancarias. Lynx, Lynx Simulador Detección y desarrollo del talento en personas, equipos y organizaciones. evalue, edevelop, ecat, efeedback, UMCs, Biblioteca de recursos Predicción de producción y demanda energética. EA2, Kernel EA2 Procesos en red social Text & Opinion Mining Técnicas Bioinferencia Optimización organizativa y gestión de la difusión de información en redes sociales. AROS, earos, eviral Herramientas para la clasificación de textos y estados de opinión. Analizador comparativo de léxico de apoyo en medicina traslacional. Digna IIC

4 El problema Predicción de energías renovables inmediatas : Solar (fotovoltaica, termosolar), eólica Solar vs eólica: escenarios opuestos tecnológica y físicamente Tecnológicamente Fotovoltaica: muchas plantas pequeñas, impacto energético aún modesto, relativamente poco telemedidas (aproximadamente 25% de potencia instalada) Termosolar: pocas plantas (todavía), relativamente grandes, 100% en telemedida, operables ( y operadas!) Eólica: numerosos parques, relativamente grandes, muy monitorizados IIC

5 El problema Físicamente la producción eólica presenta Alta fluctuación: incrementos y decrementos aleatorios Poca inercia: no hay persistencia Escenarios posibles (mucho/poco viento) pero no determinantes Físicamente la producción solar presenta Dos escenarios extremos: día despejado/día de lluvia, de predicción más fácil En día despejado: incrementos/decrementos deterministas, alta inercia Rango intermedio más o menos amplio y más difícil IIC

6 Generación fotovoltaica vs eólica 7000 Producción Enero Producción Agosto Producción eólica Enero 2011 Producción eólica Agosto IIC

7 Qué predecir Opción obvia: energía producida en parques eólicos, plantas solares No afectada por operabilidad: Poca en eólica y fotovoltaica; mucho mayor en termosolar Energía fotovoltaica: Predicción fácil en las buenas plantas, difícil en las malas Agregación difícil (al menos en España) Energía eólica : Predicción difícil en los parques malos y en los buenos La agregación ayuda IIC

8 Por qué predecir Concurrencia al mercado eléctrico: menos retribución si hay error A medio plazo (mercado diario) y corto (intradiarios) Planificación de la generación: menores costes de reserva si hay buena predicción A medio plazo (tras casación de ofertas) Operación del sistema eléctrico: estabilidad crucial A corto plazo Características futuras del sistema eléctrico: Vehículo eléctrico, como demandante o como almacenador Gestión activa de la demanda Mayor demanda de energía y (tal vez ) más cara IIC

9 Cómo predecir Usando siempre el sentido común y las mejores herramientas e información disponibles Tomando como base la mejor información meteorológica Utilizando modelos algorítmico-estadísticos potentes y contrastados De primera generación: redes neuronales, métodos de núcleos De segunda generación Aprovechando oportunidades de reducción de varianza Combinación de modelos Agregación de predicciones IIC

10 Modelos de primera generación Redes neuronales: benchmark Regresión no lineal + regularización + aproximación universal efectiva Uso complicado en alta dimensionalidad Métodos de núcleos: la nueva referencia Error epsilon-insensitivo + regularización + no linealidad via núcleos Elegante, potente y robusto frente a alta dimensión, pero complejo Aspectos a tener en cuenta Utilización no siempre sencilla, incluso si hay software de terceros Construcción de modelos relativamente costosa en tiempo Sensibilidad a la muestra: necesidad de ajuste periódico Diversos meta-parámetros a ajustar: tarea previa IIC

11 Modelos de primera generación: predicción IIC

12 Modelos de primera generación: error IIC

13 Modelos de segunda generación Sobre técnicas avanzadas en Aprendizaje Automático (AA) Derivados de aplicaciones punteras de gran efectividad en otros campos Por qué? Crecimiento constante de la información disponible Por la dificultad intrínseca del problema Por mayor detalle de fuentes actuales: meteorología a 0.05º, a diferentes niveles de presión Por disponibilidad creciente de datos en tiempo real Por aparición de nuevas fuentes de datos Consecuencia: muchos más datos y de mayores dimensiones Más riqueza predictiva pero mayor complejidad de datos y modelos Necesidad de depurar y entender fuentes actuales y nuevas IIC

14 Escenario 1: qué situación meteorológica habrá mañana? Modelos globales: han de valer para cualquier escenario, incluso extremos Pueden mejorarse por modelos locales? Se pueden identificar escenarios locales? Perspectiva AA: clustering (agrupación) Enfoque estándar: k-medias Supone métrica euclídea y datos homogéneos Alternativa: Difusion Maps (DMs) Reducción de dimensionalidad y homogeneización de métricas k-medias mucho más efectivas tras aplicar DMs IIC

15 Histogranas: k-medias+dms vs k-medias k-medias+dm k-medias IIC

16 Clusters: k-medias+dms vs kmedias k-means+dms k-means IIC

17 Escenario 2: qué variables afectan a un parque? Solución simple: usar todas y quedarse con las más relevantes Dificultad: cómo? Métodos estándar (filter, wrapper) demasiado artesanales Alternativa: modelos sparse Penalizar a la vez el error en predicción y la complejidad de modelos Ejemplo: modelos lineales sparse Lasso, Elastic Net, Garrote (Escuela de Stanford) Error cuadrático (fácil) + penalización no lineal convexa (difícil) Construcción ad hoc hasta hace poco Enfoque actual: optimización proximal iterativa Garantía de convergencia y flexibilidad de aplicación IIC

18 Parque 1 Correlación Nodos relevantes IIC

19 Parque 2 Correlación Nodos relevantes IIC

20 Gran oportunidad Viento y sol globales Primera fase: fabricantes, implantadores, operadores Impulso en España: planes nacionales y Segunda fase: tecnologías del conocimiento Impulso en España: mercado eléctrico consolidado, alta penetración eólica Impulso global: demanda energética, costes, sostenibilidad Gran oportunidad global: Operación eléctrica homogénea Predicción meteorológica global Demanda global de energía Aprovechable con cercanía al estado del arte meteorológico y predictivo IIC

21 Muchas gracias! blog.iic.uam.es Instituto de Ingeniería del Conocimiento C/ Francisco Tomás y Valiente, nº 11 EPS, Edificio B, 5ª Planta UAM Madrid Tlf.: (+34) Mvl.: (+34) Fax.: (+34) iic@iic.uam.es IIC