La American Meteorological Society (AMS) celebró su 93º congreso anual. Esta prestigiosa sociedad promueve el desarrollo, la comunicación, la información y la formación relacionada con las ciencias oceánicas e hidrológicas desde el punto de vista meteorológico.
El equipo multidisciplinar formado por Lloyd Treinish, James Cipriani y Anthony Praino, del IBM Thomas J. Watson Research Center, y Julia Díaz y José Dorronsoro, del IIC, presentó los primeros resultados de su colaboración bajo la ponencia Precision Wind Power Forecasting via Coupling of Turbulent-Scale Atmospheric Modelling with Machine Learning Methods, que analiza la dificultad de realizar una previsión de las variables meteorológicas relacionadas con la energía eólica en zonas que experimentan frecuentes variaciones, o rampas, en las condiciones climatológicas. También propone posibles soluciones basadas en métodos de aprendizaje automático.
En particular, la conferencia expone los primeros pasos que se han llevado a cabo en el proyecto de colaboración entre el IIC y el IBM Thomas J. Watson Research Center, cuya zona geográfica de aplicación abarca cinco de las siete islas que conforman el archipiélago de las Islas Canarias. El efecto de las turbulencias está especialmente presente en el archipiélago canario por tratarse de una zona geográfica aislada y por presentar una orografía compleja que favorece la aparición de vórtices a medida que aumenta la altitud.
Predicción de meteorología
Las técnicas actuales de predicción de energía eólica, así como del resto de energías renovables, basan su metodología en la creación de modelos predictivos a partir de información histórica en forma de patrones que contienen los datos de producción de energía asociados a cada predicción meteorológica. Si bien los modelos numéricos como el NWP (Numerical Weather Prediction) proporcionan predicciones meteorológicas de hasta varios días con altas resoluciones espaciales, resulta indispensable determinar con precisión los posibles eventos climatológicos que provoquen variaciones bruscas en la generación de energía en los parques eólicos. Las principales motivaciones para la investigación en sistemas de detección de fluctuaciones son mejorar la calidad de las predicciones de energía eólica y abaratar los costes adicionales que supone el ajuste en la producción de electricidad cuando suceden estos eventos.
Detección de turbulencias con Deep Thunder
Con el objetivo de detectar con precisión las variaciones espontáneas en la energía del viento, el IBM Thomas J. Watson Research Center ha desarrollado un sistema de predicción basado en modelos físicos denominado Deep Thunder, cuya principal ventaja reside en que proporciona predicciones cada cinco minutos, con un horizonte de un día y una resolución de aproximadamente 0,006º. Estas frecuentes y rigurosas predicciones garantizan un alto nivel de detección de rampas. El sistema fue configurado inicialmente mediante una serie de experimentos numéricos llevados a cabo durante varios días de 2010 y 2011 en los que se produjeron fuertes corrientes de viento sobre el archipiélago canario. Las acciones del IIC conllevan la interpretación y selección de variables que pudieran resultar más relevantes a la hora de emitir predicciones de energía eólica.
Modelos predictivos y simplificación de información
El principal desafío que presenta la previsión meteorológica de alta resolución obtenida por Deep Thunder es el enorme volumen de información que supone cada una de las salidas del sistema. Gracias a las técnicas de aprendizaje automático integradas en el sistema de predicción de producción eólica del IIC, denominado EA2, es posible procesar estos grandes volúmenes de datos. En concreto, el sistema EA2 es capaz de generar los patrones de información que suministra Deep Thunder de forma óptima y de entrenar modelos predictivos de acuerdo con información histórica de meteorología y producción, utilizando técnicas actuales como las máquinas de vectores soporte.
Integración de los sistemas EA2 y Deep Thunder
Las labores de investigación que se están llevando a cabo en el proyecto de colaboración entre el IIC y el IBM Watson Research Center tienen como propósito fundamental, por tanto, reducir el volumen de información que proporciona Deep Thunder, seleccionar las variables meteorológicas adecuadas y aprovechar su previsión para mejorar los modelos predictivos de producción de energía de origen eólico que EA2 emite para las Islas Canarias.