Modelo de previsión para gestionar redes con energías renovables

Share

A medida que las energías renovables van representando una parte mayor de nuestro suministro energético, el problema de la generación intermitente y no fácilmente predecible de energía solar y eólica se convierte en un problema mayor para los operadores de redes encargados de garantizar un suministro energético ininterrumpido.

Aunque el almacenamiento de energía será una parte importante de la solución, también pueden ser valiosos otros enfoques para gestionar la producción de recursos renovables, que podrían ser aún más eficaces con la capacidad añadida de predecir la producción de un sistema de energía renovable incluso con unas pocas horas de antelación.

Esto es lo que pretenden los investigadores de la Universidad Chung-Ang de Corea del Sur, que han desarrollado un modelo de previsión de la producción de energías renovables y otros parámetros inciertos para ayudar a que la red funcione de forma óptima y rentable para los generadores de energía.

“El método de previsión basado en datos propuesto emplea un modelo de memoria a corto plazo (LSTM), una red neuronal artificial con conexiones de realimentación. Sus hiperparámetros se optimizan mediante un algoritmo genético de optimización de enjambre de partículas con peso adaptativo (GA-AWPSO), mientras que un mecanismo de atención global (GAM) identifica las características importantes a partir de los datos de los parámetros de entrada”, explica Mun Kyeom Kim, profesor de Chung-Ang, al describir las matemáticas en las que se basa su modelo. “Ambos algoritmos pueden ayudar a superar las limitaciones de los métodos convencionales y mejorar la precisión de la predicción y la eficacia del modelo LSTM”.

El modelo también es capaz de tener en cuenta incertidumbres en la demanda y la fijación de precios. Su funcionamiento se describe por completo en el artículo “A novel deep learning-based forecasting model optimized by heuristic algorithm for energy management of microgrid” (Un novedoso modelo de previsión basado en deep learning optimizado mediante algoritmo heurístico para la gestión energética de microrredes), publicado en Applied Energy.

Los investigadores probaron su trabajo utilizando datos de la red de interconexión PJM, que cubre parte de Estados Unidos, y descubrieron que era más preciso que los modelos de red existentes, y que era particularmente eficaz en la previsión de la producción solar fotovoltaica. “Acelerará la integración de recursos renovables en las redes de suministro eléctrico, al tiempo que permitirá a los operadores de MG resolver problemas de gestión de la energía con un día de antelación”, declaró Kim. “En última instancia, puede abrir las puertas a fuentes de electricidad de emisiones cero que pueden hacer de la neutralidad de carbono para 2050 un objetivo realista de alcanzar”.

Este contenido está protegido por derechos de autor y no se puede reutilizar. Si desea cooperar con nosotros y desea reutilizar parte de nuestro contenido, contacte: editors@pv-magazine.com.