Predicción de potencia en el parque eólico de Villonaco, Loja, Ecuador. Alberto Reyes y Tania Guerrero INER Ecuador

Transcripción

1 Predicción de potencia en el parque eólico de Villonaco, Loja, Ecuador Alberto Reyes y Tania Guerrero INER Ecuador

2 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 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 viento usando como base los datos de producción del parque eólico villonaco.

3 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? Cómo podemos determinar la relación entre variables relacionadas con los recursos renovables con fines de diagnostico? Cómo podemos predecir una variable dadas otras?

4 Metodología Predicción de viento Perfiles de viento Aproximación de comportamiento anual de viento Dependencia condicional entre variables y predicción probabilista CLUSTERING (WEKA) REDES NEURONALES (WEKA) REDES BAYESIANAS (OPENMARKOV)

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

6 REDES NEURONALES Inspiradas en las neuronas del cerebro se crean redes de neuronas interconectadas. La capa de entrada tendrá tantas neuronas como número de variables de entrada y la capa de salida tantas neuronas como variables de salida.

7 REDES BAYESIANAS Teoría de probabilidad Teoría de gráfos REDES BAYESIANAS

8 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) )

9 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.

10 RESULTADOS EXPERIMENTALES Perfiles de viento CLUSTERING EM (PROBABILISTICO) K-MEANS (DETERMINISTICO)

11 EM ESTADISTICAS DE AGRUPAMIENTO

12 ESTADISTICAS DE AGRUPAMIENTO (continuación)

13 ESTADISTICAS DE AGRUPAMIENTO (continuación)

14

15 K-MEANS ESTADISTICAS DE AGRUPAMIENTO

16 ESTADISTICAS DE AGRUPAMIENTO (continuación)

17

18 RESULTADOS EXPERIMENTALES Aproximación de comportamiento anual de viento REDES NEURONALES PERCEPTRÓN SIMPLE PERCEPTRON MULTICAPA 1 CAPA OCULTA 3 NODOS PERCEPTRON MULTICAPA 2 CAPAS OCULTAS 6 NODOS

19 Comportamiento del viento en Villonaco ( ) Aerogenerador 1

20 PERCEPTRÓN SIMPLE ESTADISTICAS DE CLASIFICACIÓN

21 ESTADISTICAS DE CLASIFICACIÓN (continuación)

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

23 ESTADISTICAS DE CLASIFICACIÓN (CONTINUACIÓN )

24 ESTADISTICAS DE CLASIFICACIÓN (CONTINUACIÓN )

25

26 Dependencia condicional entre variables y predicción probabilista RED BAYESIANA ESTÁTICA RED BAYESIANA DINÁMICA

27 RED ESTÁTICA

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

29

30 RED DINÁMICA

31

32 CONCLUSIONES Se obtuvo para el perfil de viento en Villonaco con técnicas de clustering. Se aproximó una función de viento anual con una red neuronal. Se obtuvo un modelo de predicción mediante redes bayesianas dinámicas.