Métodos de identificación y predicción de rampas en sistemas eléctricos con generación intermitente

Abstract

La tendencia en todos los países desarrollados y en vías de desarrollo en el mundo es al alza en cuanto al consumo de energía eléctrica. Esto lleva a buscar alternativas de recursos mediante los cuales suplir esta creciente demanda y que a su vez sean amigables con el medio ambiente. En de éste ámbito surgen las ERNC, y dentro de ellas el viento asoma como una fuente de gran potencial. Si bien es cierto que el viento es una fuente limpia y gratuita de energía, no está libre de problemas. El hecho de que sea un recurso con un régimen aleatorio hace que su penetración en sistemas eléctricos presente ciertos desafíos. Dentro de estos desafíos están los asociados a las rampas de viento, aumentos o disminuciones repentinas de la potencia extraíble de este recurso. Estas rampas indudablemente son un problema ya que comprometen la operación óptima del sistema, desde el punto de vista técnico y económico. En este trabajo se desarrolló una herramienta de predicción de rampas desde un punto de vista estadístico/probabilístico mediante redes Bayesianas. En base a datos correspondientes a la central Canela I se entrenó y validó el modelo. La validación se hizo mediante la comparación de los resultados obtenidos del modelo versus los datos reales. Se compararon distintos resultados mediante una función de puntaje asociada a los verdaderos positivos, falsos positivos y falsos negativos obtenidos para cada caso. Ésta función asigna puntaje entre 0 y 1, donde 1 corresponde a la predicción perfecta. Inicialmente se probó el modelo para tiempos de anticipación de una, dos y tres horas. Los tres casos dieron resultados parecidos, con un puntaje que llega a 0,52. Como segundo caso se probó pronosticar rampas en una ventana de dos horas, obteniéndose en este caso un mejor resultado con un puntaje de 0,7. Finalmente éste se comparó con un modelo autorregresivo (AR), resultando mejor el modelo de red Bayesiana, con puntaje de 0,7 frente a 0,41 del modelo AR. Como trabajo futuro se propone probar el método con datos de otras centrales, además de mejorar el modelo para incluir la estacionalidad del recurso.