Reducción de dimensionalidad para análisis de la generación de potencia en un parque eólico

Abstract

Un parque eólico es un sistema dinámico complejo, donde decenas de aerogeneradores interactúan entre sí a través de estelas turbulentas. Los datos registrados durante la operación de un parque pueden esconder información valiosa que puede ser aprovechada para optimizar la distribución espacial de las turbinas, diseñar estrategias de control en tiempo real, y aprender sobre la fluidodinámica subyacente. El objetivo de este trabajo es extraer y analizar patrones espaciotemporales dominantes en la dinámica de la generación de potencia en un parque eólico a partir de datos de operación reales. Además, se aplica descomposición en valores singulares (SVD), correlación y regresión para realizar la reducción de dimensionalidad de variables y establecer la importancia de cada variable. Finalmente se utiliza la regresión para predecir la potencia total del parque. Primero se muestran los antecedentes que contienen las bases con las cuales se realiza el trabajo. Luego se presenta la formulación del problema y de los algoritmos utilizados. Finalmente se presentan los resultados para analizar y concluir sobre los resultados obtenidos. Se estudia un conjunto datos el cual proviene de una central eólica instalada en Chile. Se trabajará con el lenguaje computacional Python y con librerías de código abierto que contienen implementaciones de los algoritmos a utilizar. Primero se muestran y analizan los resultados de la distribución espacial de potencia que entrega la SVD que permite tener un acercamiento a la fluido dinámica del sistema. Luego se muestran los gráficos de acumulación de energía y valores singulares, lo que permite realizar la disminución de dimensionalidad como también estudiar las variables importantes. Luego se realiza la comparación entre la distribución espacial de potencia y variables externas, de manera de encontrar que variable es la que describe cada distribución espacial de potencia. Con lo anterior, se realiza una reconstrucción de potencia tomando una SVD de rango 8. Finalmente se comparan los resultados de la predicción de la potencia total del sistema. Se logra reducir la dimensionalidad del parque de 55 a 8 patrones espaciales de potencia, lo que cual es un gran avance, también, se logra predecir la potencia total del sistema en diferentes ventanas. También es posible predecir la potencia del sistema en su distribución espacial. Mediante la SVD y la correlación se logra captar cuál de las variables describe los primeros 5 modos, lo que permite conocer las variables que describen mejor la dinámica del sistema.