Desarrollan un método para identificar la ubicación de proyectos eólicos y fotovoltaicos con la máxima producción  

Share

Un grupo de científicos de la Universidad Rey Fahd de Petróleo y Minerales de Arabia Saudí ha desarrollado un nuevo método para la ubicación de proyectos eólicos y fotovoltaicos que, según afirman, proporciona un modelado «más realista» de los parámetros inciertos en comparación con los enfoques estocásticos convencionales.

El nuevo modelo utiliza características de aprendizaje profundo para la predicción de la radiación solar y, según se informa, es capaz de identificar ubicaciones con la máxima producción de energía y la mínima varianza en la producción de energía. Su novedad consiste en utilizar la optimización distribucionalmente robusta (DRO) para tener en cuenta las incertidumbres en la previsión de la radiación solar y la velocidad del viento.

Por lo general, la DRO sólo tiene en cuenta información distributiva parcial para evaluar la solución óptima y toma el peor caso sobre una familia de distribuciones de probabilidad de variables inciertas. «El modelo de optimización con restricciones de azar DRO es una solución menos conservadora que el modelo robusto para representar las incertidumbres de previsión de los aerogeneradores y la producción del sistema fotovoltaico», explican los académicos.

Además, el modelo se basa en una Unidad Recurrente Cerrada (GRU), una versión simplificada del modelo de memoria a largo plazo (LSTM), que es un tipo de red neuronal recurrente capaz de aprender la dependencia del orden en problemas de predicción secuencial.

La técnica LSTM toma las partes relevantes de un modelo de aprendizaje automático preentrenado y las aplica a un problema nuevo pero similar. La GRU realiza las mismas operaciones pero con menos pasos y aprende las dependencias entre pasos temporales en series temporales y datos secuenciales.

Los científicos aplicaron su nueva metodología a la ubicación de proyectos fotovoltaicos y eólicos en Arabia Saudí y descubrieron que es un enfoque «menos conservador» en la previsión de incertidumbres que los modelos de optimización robusta multiobjetivo.

Investigaron 28 ubicaciones potenciales y tuvieron en cuenta datos meteorológicos históricos recopilados entre 2010 y 2020. «Consiste en instantáneas que se toman cada diez minutos», explicaron. «Cada instantánea consta de las siguientes entradas de fecha; temperatura, humedad relativa, presión atmosférica, velocidad del viento, dirección del viento, precipitaciones, nevadas, profundidad de la nieve, irradiación de onda corta y velocidad del viento a 100 m».

Según los investigadores, el resultado de la prueba demostró que la tendencia de previsión del modelo DRO se aproxima más a los datos reales registrados, en comparación con los registrados por un modelo de optimización robusta más antiguo y sencillo.

«Nuestro enfoque da lugar a una modelización más realista de las variables inciertas que los modelos deterministas o robustos», señala el documento. «Los resultados también demostraron que los emplazamientos candidatos con velocidades de viento bajas o los emplazamientos candidatos cercanos entre sí son muy poco recomendables de acuerdo con el mapa de velocidad media del viento y el mapa de irradiación solar horizontal global de Arabia Saudí».

La novedosa metodología se presentó en el artículo «Multi-objective distributionally robust approach for optimal location of renewable energy sources» (Enfoque multiobjetivo distributivamente robusto para la localización óptima de fuentes de energía renovables), publicado en la revista Alexandria Engineering Journal.

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.

Popular content

El almacenamiento en España, cerca del paso final: conclusiones del AEPIBAL Day 2024
29 noviembre 2024 A lo largo de casi 15 paneles, los numerosos apuntes del sector clave en el desarrollo del almacenamiento en España –MITECO, CNMC, REE y gobiernos de...