Wind power forecasting for the Villonaco wind farm using AI techniques

Transcripción

1 Wind power forecasting for the Villonaco wind farm using AI techniques A. Reyes 1, P. H. Ibargüengoytia 1, J. Diego Jijón 2, Tania Guerrero 2, Uriel García 1, and M. Borunda 3 1. Instituto Nacional de Electricidad y Energías Limpias -México (INEEL) 2. Instituto Nacional de Eficiencia Energética y Energías Renovables- Ecuador(INER) 3. Programa cátedras CONACYT-México

2 Contenido Introducción Características del parque eólico Villonaco Metodología Técnicas de IA utilizadas Redes neuronales Redes Bayesianas dinámicas Resultados experimentales Conclusiones y trabajo futuro Agrupamiento

3 Abstract In this paper, we present a methodology to build wind power forecasting models from data using a combination of artificial intelligence techniques such as artificial neural networks and dynamic Bayesian nets. A model recalibration function is applied to raw discrete models in order to gain an extra accuracy. The experiments ran for the unit 1 of the Villonaco wind farm in Ecuador demonstrated that the selection of the best predictor can be more useful than selecting a single high-efficiency approach.

4 Introducción El comportamiento del viento presenta alto grado de aleatoriedad, incertidumbre e intermitencia. Asimismo, las fuentes de información de este recurso como torres meteorológica y SCADAS pueden inducir ruido en la información o huecos en los registros de datos. Las técnicas convencionales para caracterizar el viento no son tan efectivas por lo que se propone utilizar la inteligencia artificial. En este trabajo se pretende demostrar el poder de la inteligencia artificial para resolver problemas complejos como la predicción de potencia en un parque usando como base los datos de producción del parque eólico Villonaco.

5 Parque Villonaco Construido en la provincia de Loja, en la Cordillera de los Andes al sur del Ecuador a 2720 metros sobre el nivel del mar. Escenario ideal para investigación por ser el primer parque eólico instalado a gran altura. Características: orografía compleja, alta rugosidad del terreno y alta densidad del aire (0.89 kg/m 3 ). Los emplazamientos eólicos son construidos en lugares llanos, con inclinaciones mínimas y con densidades del aire cercanas a los 1.22 kg/m 3 o sobre el nivel del mar.

6 Comportamiento del viento en Villonaco ( ) Aerogenerador 1

7 Metodología

8 Data pre-process Speed (m/s) Speed (m/s)

9 REDES BAYESIANAS Teoría de probabilidad Teoría de gráfos REDES BAYESIANAS

10 REDES BAYESIANAS DAG (gráfico acíclico dirigido) Nodos: representan variables (objetos) Arcos: representan dependencia condicional (causalidad) H P(H) P(E H) 1.Estructura de la red (cualitativo). 2.Probabilidades a priori y condicionales (cuantitativo). E P( H E) P( E H) P( H P( E) )

11 Red Bayesiana

12 Redes Bayesianas Dinámicas Redes Bayesianas (estáticas) modelan las relaciones probabilistas de un conjunto de n variables X={X 1, X 2,..,X n }. Dada cierta evidencia en algunas variables, se calcula la probabilidad posterior en las demás variables. El razonamiento se lleva a cabo en un instante de tiempo (foto del proceso) y en un lugar. 12

13 Sistemas dinámicos En sistemas dinámicos, las variables son ahora series de tiempo X t. X t ={X t 1, X t 2,..,X t n}. El espacio probabilista se forma por los valores que puede tomar cada variable X i en cada tiempo relevante t. La distribución de probabilidad se convierte en un espacio muy complejo. 13

14 Red Bayesiana dinámica a 5 hrs. 14

15 Data post-process

16 Redes neuronales Las RNA's propuestas por las ciencia de la computación y las neurociencias son resultado del estudio de las funciones y estructuras del cerebro. Modelos computacionales basados en estos antecedentes biológicos para resolver problemas complejos como: Reconocimiento de patrones Procesamiento rápido de la información Aprendizaje y adaptación

17 Redes neuronales de tipo biológico Una neurona consta de un cuerpo de la célula o soma que contiene el núcleo de la célula. Del núcleo derivan varias fibras llamadas dendritas y una fibra larga llamada axón. Dendrita: llevan señales de los nervios al cuerpo de la célula. Axón: lleva señales de salida de la neurona a las dendritas de otras neuronas. Sinapsis: uniones entre neuronas. Existen neuronas, cada una con conexiones a otras neuronas con pulsos eléctricos de milisegundos.

18 Nodo o unidad básica de una neurona Modelo matemático simple de una neurona. La activación de salida de la unidad es:, donde a es la activación de salida de la unidad j y es el peso en el enlace desde la unidad j a esta unidad.

19 Funciones de activación Existen diferentes funciones de activación g Función umbral (o escalón) Función rampa Función sigmoidal (o logística) Función gaussiana

20 Red neuronal multicapa RNA multicapa con una capa oculta y 10 entradas.

21 BP-Backpropagation Rumelhart, Hinton y Williams (1986) basandose en trabajos de (Werbos 74) y (Parker 82). Método para que la RNA aprendiera la asociación entre patrones de entrada y las clases correspondientes. Técnica de optimización diseñada para minimizar una función objetivo: M 1 2 e w dk yk ( w) 2 k 1

22 RESULTADOS EXPERIMENTALES Se realizó una serie de pruebas con datos horarios del aerogenerador No. 1 del parque villonaco. Se usaron datos históricos de velocidad de viento (m/s) y potencia (kw) registrados durante 2014 y Para las pruebas se usaron las herramientas: Weka, OpenMarkov y una herramienta propietaria para aprendizaje bayesiano.

23 RED DINÁMICA La Red Dinámica presentada fuer elaborada con datos del parque eólico Villonaco (Aerogenerador 1, año 2014)

24

25 Experimental results

26 PERCEPTRÓN MULTICAPA (1 CAPA OCULTA, 3 NODOS) ESTADISTICAS DE CLASIFICACIÓN

27 ESTADISTICAS DE CLASIFICACIÓN (CONTINUACIÓN )

28

29 Experimental results

30 CONCLUSIONES Se aplicó la metodología a datos del parque eólico Villonaco (A1) Se realizó un preprocesamiento para eliminación de outliers. Se obtuvo un modelo de predicción mediante redes bayesianas dinámicas (DBN) Se recalibró la salida del modelo Bayesiano (DBN*) Se aproximó una función de viento anual con una red neuronal (ANN). Se compararán resultados para los modelos construidos (DBN,DBN*,ANN).

31 CONCLUSIONES The experiments demonstrated that: i) a combination of predictors could be more useful than a single high-efficiency approach, and ii) that a recalibrated Bayesian model (DBN*) resulted to be more efficient than an Artificial Neural Network model (ANN).

32 Preguntas de investigación Es posible obtener perfiles de viento con fines de hacer modelos de predicción eficientes? Podremos caracterizar el comportamiento del viento en cierto periodo de tiempo?

33 Definición Clustering es el proceso de agrupar datos en clases o clusters de modo que los objetos de un cluster tengan alta similaridad entre ellos y baja con objetos del otros clusters. La medida de similaridad esta basada en los atributos que describen los objetos. Los grupos pueden ser: exclusivos, con traslapes, probabilísticos, jerarquicos. Aplicaciones: caracterizar clientes o empleados, formar taxonomías, clasificar documentos, etc.

34 Potencia MW Potencia MW Potencia MW Metodología Perfil de viento 1 Datos de perfil1 Hora Perfil de viento 2 Datos históricos de viento Algoritmos de agrupamiento Datos de perfil2 Herramientas de IA (ANN / DBN). Hora Datos de perfil n. Perfil de viento n Hora

35 Referencias [1] Pablo H. Ibargüengoytia, Alberto Reyes, Inés Romero León, David Pech, Uriel Garcia, Eduardo F. Morales, L. Enrique Sucar, Wind Power Forecasting Using Dynamic Bayesian Models, A. Gelbukh et al. (Eds.): MICAI 2014, Part II, LNAI 8857, pp Springer International Publishing Switzerland (2014) [2] Pablo H. Ibargüengoytia, Alberto Reyes, Uriel Garcia, Inés Romero León, David Pech, and Mónica Borunda, A Tool for Learning Dynamic Bayesian Networks for Forecasting, MICAI 2015, Part II, LNAI 9414, Springer International Publishing, Switzerland (2015) [3] C. Monteiro, R. Bessa, V. Miranda, A. Botterud, J. Wang and G. Conzelmann, Wind Power Forecasting: State-of-the-Art-2009, Argonne National Laboratory, Decision and Information Sciences Division, Porto, Portugal, 2009, ANL/DIS-10-1 [4] Pablo H. Ibargüengoytia, Alberto Reyes, Uriel Garcia, Inés Romero León, David Pech, Evaluating Probabilistic graphical models for forecasting, Intelligent Systems Applications in Power ISAP-2015, Porto, Portugal, Septiembre del 2015.

36 Referencias Ian H. Witten, Eibe Frank, Mark A. Hall; Data Mining: Practical Machine Learning Tools and Techniques, Third Edition (The Morgan Kaufmann Series in Data Management Systems) 3rd Edition; K-means tutorial Expectation maximization tutorial

37 Muchas gracias!!