Upload
others
View
2
Download
0
Embed Size (px)
Citation preview
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
Estado del Arte en la Predicción de FRNC
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
Contenido
• Pronósticos de FRNC: ¿Qué son y por qué se requierenpara la operación?
• Variabilidad del Recurso: Conocer los factores queafectan el recurso es el primer paso para pronosticarlo.
• Metodologías de pronóstico: ¿Cómo se realizan lospronósticos de FRNC?
• Errores típicos en los pronósticos: ¿Cuáles son loserrores típicos que se reportan en la literatura?
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
Pronósticos de generación de las FERNC
• Realizar programas degeneración más cercanos a larealidad, reduciendo lasdesviaciones y la necesidad dereservas.
• Optimizar el uso de los recursosrenovables.
• Mejorar los procesos deplaneación a diferenteshorizontes y la preparación a laocurrencia de fenómenosmeteorológicos que afectan lageneración renovable.
¿Para qué sirven los pronósticos de generación de las FERNC?
Fuente: Greening The Grid (2016) PRONÓSTICO DE GENERACIÓN DE ENERGÍA EÓLICA Y SOLAR
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
Utilidad de los Pronósticos
Fuente: Greening The Grid (2016) PRONÓSTICO DE GENERACIÓN DE ENERGÍA EÓLICA Y SOLAR
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
Propuesta regulatoria de XM
Para afrontar la variabilidad e incertidumbre de las FERNC, XM ha propuesto realizar pronósticos de sugeneración.
Fuente: XM – Proyecto de integración de FERNC al SIN
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
Variabilidad e incertidumbre
A diferencia de los recursosconvencionales, las fuentes renovables ylos recursos de generación distribuidosson altamente variables y sus programasde generación son inciertos.
Esto se debe a que la generación de lasfuentes renovables no convencionalesdepende directamente del recurso.
• Irradiación Solar
• Velocidad del Viento
• Caudal
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
¿De que depende esta variabilidad?
• Fenómenos globales de baja
frecuencia como ENSO o NAO
• Fenómenos estacionales como el
paso de la ITCZ
• Sistemas meteorológicos tropicales,
como la oscilación de Madden Julian,
las Ondas del Este, las ondas Kelvin,
y los huracanes
• Sistemas de mesoescala
• Ciclos diurnos y características
locales
Fuente:http://www.cpc.ncep.noaa.gov/products/analysis_monitoring/ensocycle/ensocycle.shtml
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
¿De que depende esta variabilidad?
Fuente: Chunzai Wang, 2007, “Variability of the Caribbean Low-Level Jet and its relationsto climate” Clim Dyn (2007) 29:411–422
• Fenómenos globales de baja
frecuencia como ENSO o NAO
• Fenómenos estacionales como el
paso de la ITCZ
• Sistemas meteorológicos tropicales,
como la oscilación de Madden Julian,
las Ondas del Este, las ondas Kelvin,
y los huracanes
• Sistemas de mesoescala
• Ciclos diurnos y características
locales
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
¿De que depende esta variabilidad?
• Fenómenos globales de baja
frecuencia como ENSO o NAO
• Fenómenos estacionales como el
paso de la ITCZ
• Sistemas meteorológicos
tropicales, como la oscilación de
Madden Julian, las Ondas del Este,
las ondas Kelvin, y los huracanes
• Sistemas de mesoescala
• Ciclos diurnos y características
localesFuente: https://www.nhc.noaa.gov/
Un ejemplo (https://earth.nullschool.net)
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
¿De que depende esta variabilidad?
• Fenómenos globales de baja
frecuencia como ENSO o NAO
• Fenómenos estacionales como el
paso de la ITCZ
• Sistemas meteorologicos tropicales,
como la oscilación de Madden Julian,
las Ondas del Este, las ondas Kelvin,
y los huracanes
• Sistemas de mesoescala
• Ciclos diurnos y características
locales Datos de GOES 16, NOAA
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
¿De que depende esta variabilidad?
• Fenómenos globales de baja
frecuencia como ENSO o NAO
• Fenómenos estacionales como el
paso de la ITCZ
• Sistemas meteorologicos tropicales,
como la oscilación de Madden Julian,
las Ondas del Este, las ondas Kelvin,
y los huracanes
• Sistemas de mesoescala
• Ciclos diurnos y características
locales
Nube lenticular en Rio Negro
Inversión térmica en Medellín
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
¿De que depende esta variabilidad?
• Fenómenos globales de baja
frecuencia como ENSO o NAO
• Fenómenos estacionales como el
paso de la ITCZ
• Sistemas meteorologicos tropicales,
como la oscilación de Madden Julian,
las Ondas del Este, las ondas Kelvin,
y los huracanes
• Sistemas de mesoescala
• Ciclos diurnos y características
localesFuente: http://www.comet.ucar.edu
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
¿A qué se debe la incertidumbre en los pronósticos?Inclusive si conociéramos a la perfección las ecuaciones de un sistema, errores en las condiciones iniciales llevarían a que no pudiésemos predecir con total precisión las condiciones futuras del sistema. 𝑑𝑥
𝑑𝑡= 𝜎 𝑦 − 𝑥
𝑑𝑦
𝑑𝑡= 𝑟𝑥 − 𝑦 − 𝑥𝑧
𝑑𝑧
𝑑𝑡= 𝑥𝑦 − 𝑏𝑧
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
Metodologías de pronóstico
Existen diferentes tipos de metodologías de pronóstico:
• Metodologías estadísticas
• Metodologías basadas en modelos dinámicos.
• Metodologías basadas en aprendizaje de maquina
• Una combinación de las anteriores.
El tipo de metodología a utilizar depende del fenómeno a pronosticar y el horizonte de este pronostico.
NREL (2015) Best Practices Handbook for the Collection and Use of Solar Resource Data for Solar Energy Applications
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
Metodologías de pronóstico
Existen diferentes tipos de metodologías de pronóstico:
• Metodologías estadísticas
• Metodologías basadas en modelos dinámicos.
• Metodologías basadas en aprendizaje de maquina
• Una combinación de las anteriores.
El tipo de metodología a utilizar depende del fenómeno a pronosticar y el horizonte de este pronostico.
NREL (2015) Best Practices Handbook for the Collection and Use of Solar Resource Data for Solar Energy Applications
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
Metodologías Estadísticas
Se basan en la historia de la generación de la planta parapronosticar la generación futura.
Entre estos métodos se encuentran:• Métodos de persistencia.
• Modelos Autoregresivos, de media móvil, estacionales (SARIMA).
• Regresiones lineales.
• Ciclos anuales, diarios, tendencias.
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
Modelo de Persistencia
• El pronostico estadístico más simple es un pronostico de persistencia.
• Para un pronostico de persistencia se asume que la generación actual seguirá constante para todos los periodos futuros.
• Sin embargo, no debe usarse directamente para el pronóstico solar.
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
Modelo de Persistencia SolarMétodo de ‘Clear-Sky’
𝐾𝑡 =𝐺𝐻𝐼𝑡𝐶𝑆𝑡
• Se aplica el método depersistencia sobre el cociente delGHI actual y el GHI en condicionesdespejadas (CS).
• Esto equivale a asumir que lascondiciones que afectan el GHIpersistirán en el tiempo.
• El método tiene en cuenta el efectoastronómico sobre el GHI.
𝐾𝑡+1 = 𝐾𝑡
𝐺𝐻𝐼𝑡+1 = 𝐾𝑡 𝐶𝑆𝑡+1
Otros métodos como modelos auto regresivos pueden también aplicarse sobre K.
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
Pronostico Clear Sky
Realizado con PVlib: https://pvlib-python.readthedocs.io/en/latest/index.html
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
Modelos SARIMA
Los modelos SARIMA son una combinación de modelos auto-regresivos y de media móvil que tienen en cuenta tendencias y la estacionalidad de la serie.
• Modelos Autoregresivos
• Modelos de Media Móvil
• Estacionalidad
• Tendencia
𝑃𝑡 = 𝛼𝑃𝑡−1 + ϵAR-1
-10
-8
-6
-4
-2
0
2
4
6
8
10
0 50 100 150 200 250 300 350
AR1 Ruido
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
Pronostico SARIMA
𝑃𝑡 =1
𝑁
𝑛=1
𝑁
𝑃𝑡−𝑛 𝛼
0
1
2
3
4
5
6
7
8
0 20 40 60 80 100 120
Observacion Pronostico
Los modelos SARIMA son una combinación de modelos auto-regresivos y de media móvil que tienen en cuenta tendencias y la estacionalidad de la serie
• Modelos Autoregresivos
• Modelos de Media Móvil
• Estacionalidad
• Tendencia
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
Pronostico SARIMA
Datos: Número de manchas solares mensuales. http://sidc.be/silso/newdataset
Los modelos SARIMA son una combinación de modelos auto-regresivos y de media móvil que tienen en cuenta tendencias y la estacionalidad de la serie
• Modelos Autoregresivos
• Modelos de Media Móvil
• Estacionalidad
• Tendencia
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
Pronostico SARIMA
Los modelos SARIMA son una combinación de modelos auto-regresivos y de media móvil que tienen en cuenta tendencias y la estacionalidad de la serie
• Modelos Autoregresivos
• Modelos de Media Móvil
• Estacionalidad
• Tendencia
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
Ejemplo SARIMA para pronóstico Solar
Realizado con Statsmodels: http://www.statsmodels.org/stable/index.html
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
NREL (2015) Best Practices Handbook for the Collection and Use of Solar Resource Data for Solar Energy Applications
Metodologías de pronóstico
Existen diferentes tipos de metodologías de pronóstico:
• Metodologías estadísticas
• Metodologías basadas en modelos dinámicos.
• Metodologías basadas en aprendizaje de maquina
• Una combinación de las anteriores.
El tipo de metodología a utilizar depende del fenómeno a pronosticar y el horizonte de este pronostico.
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
Modelos Dinámicos
• Para horizontes temporales mayores a unas cuantas horas, los modelos
dinámicos meteorológicos proveen las mejores predicciones.
• Varias agencias meteorológicas producen modelos meteorológicos dinámicos
globales. Por ejemplo:
• ECMFW
• NCEP - GFS y GEFS
• JMA-GSM
• CA – MSC y GDPS
• La resolución espacial hace que sea necesario parametrizar la convección y la
radiación.
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
Segunda ley de Newton
Conservación de la masa
Primera ley de la termodinámica
Conservación de trazadores químicos, incluyendo vapor de agua
Ecuación ideal de gases
Ecuaciones que resuelven los modelos meteorológicos
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
Ejemplo de GFS de NCEP
Pronóstico determinístico GFS para Junio 06 del 2017. Descargado de:• http://nomads.ncep.noaa.gov/
Se actualiza cada 6 horas.L ~ Global, T ~ 5 días∆x ~ 25km, ∆t ~ 6 hr
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
Modelos meteorológicos regionales
Para mejorar la resolución de los modelos se pueden resolver modelos meteorológicos regionales.
Dominios de Integración del Modelos NAM de la NOAAFuente: http://www.emc.ncep.noaa.gov/mmb/namgrids/#HIRESW
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
¿Por qué se usan modelos regionales?
• Una resolución de 0.25° (~25km) no resuelve las dinámicas atmosféricas propias de cada región.
• La topografía afecta profundamente la meteorología de la región.
• Los modelos regionales pueden simular mejor estas dinámicas.
Fuente: XM – Proyecto de integración de FERNC al SIN
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
Limitaciones de los modelos meteorológicos
• En los modelos globales, la resolución espacial de los modelos no permite
resolver procesos locales, por lo que las nubes y la convección profunda
son parametrizadas.
• Los procesos radiativos también son parametrizados teniendo en cuenta
la composición atmosférica.
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
Metodologías de pronóstico
Existen diferentes tipos de metodologías de pronóstico:
• Metodologías estadísticas
• Metodologías basadas en modelos dinámicos.
• Metodologías basadas en aprendizaje de maquina
• Una combinación de las anteriores.
El tipo de metodología a utilizar depende del fenómeno a pronosticar y el horizonte de este pronostico.
NREL (2015) Best Practices Handbook for the Collection and Use of Solar Resource Data for Solar Energy Applications
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
Aprendizaje de Máquina
• En los últimos años los métodos basado en el aprendizaje de maquina han ganado popularidad.
• Los métodos se pueden considerar como una extensión de los métodos estadísticos.
𝑬
𝑴𝟏
…
𝑴𝟐
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
Metodologías de pronóstico
Existen diferentes tipos de metodologías de pronóstico:
• Metodologías estadísticas
• Metodologías basadas en modelos dinámicos.
• Metodologías basadas en aprendizaje de maquina
• Una combinación de las anteriores.
El tipo de metodología a utilizar depende del fenómeno a pronosticar y el horizonte de este pronostico.
NREL (2015) Best Practices Handbook for the Collection and Use of Solar Resource Data for Solar Energy Applications
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
Post-procesamiento estadístico de modelos dinámicos
• Los modelos dinámicos presentan
sesgos y diferencias estadisticas
respeco a las observaciones.
• Para relacionar las variables del
modelo con las variables medidas
se realiza un post-procesamiento
estadístico.
• Esto se conoce como Model Output
Statistics (MOS). Se pueden usar
diferentes metodologias para MOS,
como regresiones lineales, ajuste
cuantil-cuantil, redes neuronales,
entre otros metodos.Fuente: The Comet Program - http://www.comet.ucar.edu
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
Pronostico Meteorológico
Modelo de planta (Conversión a
energía)
Calibración estadística con la
información histórica
Pronóstico de generación
Objetivo
Fuente: XM – Proyecto de integración de FERNC al SIN
Post-procesamiento estadístico de modelos dinámicos
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
Imágenes Satelitales• Útiles para horizontes de 15 minutos a
unas cuantas horas
• La velocidad de las nubes observadas en las imágenes satelitales permite estimar valores futuros de GHI.
• Este método ignora procesos de formación de nubes por lo que solo es útil para horizontes cortos de tiempo.
• Se usan métodos estadísticos para relacionar los datos satelitales con las medidas en el sitio del proyecto.
Datos de GOES 16, NOAA
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
¿Comó se evaluan los pronosticos?
𝑀𝐴𝐸 =1
𝑁
𝑛=1
𝑁
𝐸𝑛 − 𝐸𝑛
𝑅𝑀𝑆𝐸 =1
𝑁
𝑛=1
𝑁
𝐸𝑛 − 𝐸𝑛2
𝑆𝑒𝑠𝑔𝑜 =1
𝑁
𝑛=1
𝑁
𝐸𝑛 − 𝐸𝑛
• Sesgo
• Error absoluto medio
• Error cuadrático medio
• Correlación
Sesgo -0.012MAE 1.112RMSE 1.427
-4
-3
-2
-1
0
1
2
3
4
0 5 10 15 20
Ejemplo pronostico de persistencia
Pronóstico Observación Desviación
To
do
s lo
s d
ere
ch
os r
ese
rva
do
s p
ara
XM
S.A
. E
.S.P
.
Errores Típicos
En los siguientes artículos se reportan los errores típicos de plantas eólicas, solares y de agregados de estasplantas:
• Ernst et. al, 2007, Predicting the wind, IEEE power & Energy magazine https://ieeexplore.ieee.org/document/4383126
• Tuohy et. Al. (2015) Solar Forecasting. IEEE power and Energy Magazine https://ieeexplore.ieee.org/abstract/document/7299804
• Hodge, et al, 2012, Wind Power Forecasting Error Distributions: An International Comparison https://www.nrel.gov/docs/fy12osti/56130.pdf
• EPRI, 2017, Solar Power Forecasting for Grid Operations: Evaluation of Commercial Providers https://www.epri.com/#/pages/product/000000003002012135/?lang=en
Debe tenerse en cuenta que estos errores varían significativamente dependiendo de factores meteorológicos, de su ubicación geográfica y de los sistemas que se tengan implementados para los pronósticos.