Un grupo de investigación de la UAH desarrolla un sistema para predecir la velocidad del viento con redes neuronales

MADRID 30 Jun. (EUROPA PRESS) -

Un grupo de investigación de la Universidad de Alcalá de Henares (UAH) ha desarrollado, con colaboración de un grupo de la Universidad Complutense de Madrid (UCM), un sistema para predecir la velocidad del viento con redes neuronales, lo que permitirá calcular la producción energética de los parques eólicos con dos días de antelación, según informó hoy el centro educativo.

"El objetivo del método híbrido que hemos desarrollado es predecir la velocidad del viento en cada uno de los aerogeneradores de un parque eólico", explicó el profesor del departamento de Teoría de la Señal de la UAH y responsable, junto a José Antonio Portilla, de la investigación, Sancho Salcedo.

Para desarrollar el nuevo método, los científicos han partido de la información que facilita el Global Forecasting System, un modelo global de predicción del Centro Nacional de Predicción Ambiental de EE.UU. Los datos de este sistema cubren toda la Tierra con una resolución de aproximadamente cien kilómetros, y son de acceso libre en Internet.

Portilla y Salcedo logran más detalle en la predicción integrando también el llamado 'modelo de meso-escala de quinta generación' (MM5), del Centro Nacional de Investigación Atmosférica de EE.UU., pensado para mejorar la resolución hasta 15x15 kilómetros.

"Esta información todavía no es suficiente para predecir la velocidad del viento en un aerogenerador concreto, y por eso aplicamos redes neuronales artificiales", aclaró Salcedo, indicando que estas redes "son sistemas automáticos de aprendizaje y procesamiento de información que simulan el funcionamiento del sistema nervioso de los animales".

En este caso utilizan los datos de temperatura, presión atmosférica y velocidad del viento que suministran los modelos de predicción, así como los que recogen los propios aerogeneradores. Con estos datos y una vez "entrenado el sistema" se facilitan predicciones sobre la velocidad del viento con una antelación de entre una y 48 horas.

MÁS PRODUCCIÓN, MÁS AHORRO

Y es que los parques eólicos están obligados por ley a facilitar estas previsiones a Red Eléctrica Española (REE), la empresa que transporta la electricidad y opera el sistema eléctrico español. Tanto los parques eólicos como fotovoltaicos son sancionados económicamente por la REE si se desvían en su producción energética respecto a las previsiones facilitadas.

Así, los resultados obtenidos con este nuevo sistema muestran una mejora en la predicción de un poco más del 2 por ciento respecto al modelo anterior. "Aunque pueda parecer un pequeño avance, en realidad es muy considerable, ya que estamos hablando de una mejora en la predicción de producción de energía que puede significar millones de euros", subrayó Salcedo.

"Si se conoce la predicción de velocidad de viento en un aerogenerador se puede estimar su producción de energía y, por lo tanto, sumando las predicciones en cada 'aero' se puede predecir la producción de un parque eólico completo", concluyó Portilla. La metodología ya se ha aplicado "con muy buenos resultados" en el parque eólico de La Fuensanta, en Albacete.

Este trabajo ha sido desarrollado dentro del grupo de investigación GHEODE de la UAH, integrado por los doctores Sancho Salcedo y José Antonio Portilla y por los investigadores Ángel Pérez Bellido y Emilio G. Ortiz García. Además, los resultados del estudio se han divulgado en la revista 'Renevable Energy'.

Actualmente, el grupo continúa mejorando el método, y recientemente han propuesto la utilización de varios modelos de predicción global en lugar de uno sólo, según han publicado este año en la revista 'Neurocomputing'. De esta forma se obtienen varios conjuntos de entrenamiento, que después se aplican a bancos de redes neuronales para obtener un pronóstico más preciso de la velocidad del viento en los aerogeneradores.

Este sistema también puede aplicarse a parques fotovoltaicos para la predicción de la nubosidad y en explotaciones agrícolas para el pronóstico de heladas.