Predicción de corto plazo de generación de energía de un sistema microeólico empleando redes neuronales Long Short-Term Memory

Abstract

En primer lugar, se fundamenta la importancia de las Redes Inteligentes en el contexto de la Transición Energética. Las predicciones, de producción o demanda, juegan un rol clave para diferentes tipos de análisis y operación de este tipo de redes. Se describen las diferentes técnicas para la resolución de tal problema y se destacan las Redes Neuronales, particularmente las Long Short-Term Memory. A partir de esto se desarrolló una herramienta predictiva de corto plazo de producción de energía de una instalación MicroEólica basada en una Long Short-Term Memory. Para su entrenamiento se emplean datos de velocidad y dirección de viento, registrada por el Servicio Meteorológico Nacional y por el Observatorio Hidro-Meteorológico de Córdoba, en el primer caso registros de información histórica y en el segundo los pronósticos de tales parámetros para el día siguiente. Para complementar los datos de entrenamiento se dispone de la energía generada por una Microturbina. Se muestran resultados promisorios en las predicciones. También se relaciona la energía específica del recurso y la producción de energía según diferentes velocidades y direcciones de viento. Esto último se considera un aporte para la comprensión de la complejidad del modelado físico del viento y la producción de una Microturbina.

The importance of Smart Grids in the context of the Energy Transition is justified. Forecasting, of production or demand, play a key role for different types of analysis or operation of this type of networks. The different techniques used to solve this problem are described and Neural Networks, particularly Long Short-Term Memory, are highlighted. From this, the objective is to develop a short-term predictive tool for energy production of a MicroWind installation based on a Long ShortTerm Memory. For training, data on wind speed and direction are used, recorded by the National Meteorological Service and by the Hydro-Meteorological Observatory of Córdoba, in the first case records of historical information and in the second, forecasts of such parameters for the following day. In both cases, the information is freely available. The energy generated by a MicroWind is used to complement the training data. Promising results are shown in the predictions. The specific energy of the resource and the energy production according to different wind speeds and directions are also related. The latter is considered a contribution to the understanding of the complexity of physical modeling of the wind and the production of a MicroWind.