REVE
Un estudio llevado a cabo por investigadores de la Universidad Complutense de Madrid (UCM), la Universidad de Alcalá y la empresa Iberdrola Renewables trata de dar respuesta a esta pregunta enfocando el problema de una forma similar a como se hace en las predicciones de lluvias o contaminación, y es, obteniendo los patrones de presión (agrupaciones o clusters de presión) que mejor expliquen una medida de velocidad del viento en un parque eólico.
Un estudio llevado a cabo conjuntamente por la Universidad Complutense de Madrid (UCM), la Universidad de Alcalá (UAH) y la empresa Iberdrola Renewables, propone emplear la computación evolutiva para la extracción de patrones sinópticos de presión.
Este problema es especialmente interesante ya que puede ser útil para el análisis de resultados de los parques eólicos durante un periodo de tiempo dado y también para predicciones de la velocidad del viento a largo plazo.
La predicción de la velocidad del viento a largo plazo y la reconstrucción de series de velocidad del viento son dos importantes problemas a los que se suelen enfrentar las empresas que explotan parques eólicos. Aunque parecen bastante diferentes, en realidad se suelen resolver usando técnicas muy similares: en ambos casos se construye un modelo para caracterizar la velocidad del viento basándose en medidas previas reales del viento, y, posteriormente, se aplica a valores de tiempo futuros, en el caso de predicciones de la velocidad del viento a largo plazo, o a valores del pasado con el fin de reconstruir series de velocidad del viento. Se han usado técnicas diferentes para obtener estos modelos de velocidad del viento, tales como métodos estadísticos, redes neuronales, etc.
La mayoría de las técnicas existentes para construir modelos de velocidad del viento a largo plazo se basan exclusivamente en datos de velocidad del viento del pasado, y algunas de ellas incluyen otras variables atmosféricas tales como temperatura, radiación o presión local en el punto de medición. Intuitivamente, este enfoque es correcto, puesto que casi todos los modelos se desarrollan para un punto geográfico específico (normalmente un parque eólico), donde se encuentran disponibles los datos de los últimos años. Pero, ¿podría obtenerse un modelo razonablemente preciso para predicciones de velocidad del viento a largo plazo (o para la reconstrucción de series de velocidad del viento), basado en información sinóptica (por ejemplo, de presión), en lugar de solo información local, tal y como se hace actualmente para las predicciones de lluvia o polución? ¿Existe una relación directa entre la velocidad del viento en un punto dado y la situación de presión a escala sinóptica?.
La meteorología sinóptica es la rama de la meteorología que estudia los fenómenos que ocurren en el lapso de días y en escalas de longitud del orden de cientos o miles de kilómetros. Está estrechamente ligada al pronóstico del tiempo pues son los sistemas sinópticos los responsables principales de los cambios del tiempo. La información sinóptica es el conjunto de medidas de diferentes variables meteorológicas que se realizan a nivel de superficie a determinadas horas. Es de sobra conocida la relación entre las medidas sinópticas de presión y las medidas de velocidad del viento en zonas geográficas relacionadas. Así, la obtención precisa de esta relación podría ser de un gran interés para las empresas implicadas en la gestión de molinos de parques eólicos puesto que este problema está en el centro de diferentes aplicaciones tales como predicción a largo plazo de la velocidad del viento y también para análisis estacionales de resultados de producción.
El trabajo se planteó como un problema de clusterización –o agrupación de los datos en clusters- en un espacio de búsqueda formado por una rejilla o matriz (grid) de medidas sinópticas de presión. El objetivo era obtener N grupos de situaciones sinópticas de presión que produjeran los vectores de viento (módulo y dirección de la velocidad del viento) más similares en un punto dado (normalmente un proyecto de parque eólico). Se usó para ello la computación evolutiva -llamada así porque toma como base las ideas de la evolución propuestas por Charles Darwin y los descubrimientos realizados por Gregor Mendel.
En la actualidad no existen muchos algoritmos de clusterización para extraer patrones de presión bajo medidas precisas de velocidad del viento. Así pues, en este sentido, este trabajo cubre, desde la perspectiva de la inteligencia artificial, un nicho importante que solo se había abordado desde el punto de vista de la meteorología. Este es el primer trabajo que incorpora un algoritmo evolutivo para la extracción de patrones sinópticos de presión. Los investigadores han desarrollado una codificación específica en el algoritmo evolutivo para tratar este problema, y también operadores de mutación y entrecruzamiento ad-hoc que mejoran el rendimiento de la computación evolutiva en este problema. El rendimiento del algoritmo evolutivo propuesto ha demostrado ser especialmente bueno en un ejemplo real en la Península Ibérica, mejorando los resultados del algoritmo puramente meteorológico que existía previamente.
Bibliografía: L. Carro-Calvo, S. Salcedo-Sanz, N. Kirchner-Bossi, A. Portilla-Figueras, L. Prieto, R. García-Herrera, E. Hernández-Martín. Extraction of synoptic pressure patterns for long-term wind speed estimation in wind farms using evolutionary computing. Energy 36 (2011) 1571-1581.
FUENTE | UCM – mi+d
