Desarrollo de un modelo para la predicción de la potencia eléctrica de un parque eólico mediante el empleo de las redes neuronales artificiales

  1. PORTERO AJENJO, ULISES
Zuzendaria:
  1. José Antonio Carta González Zuzendaria
  2. Sergio Velázquez Medina Zuzendaria

Defentsa unibertsitatea: Universidad de Las Palmas de Gran Canaria

Fecha de defensa: 2016(e)ko otsaila-(a)k 10

Epaimahaia:
  1. Antonio Sánchez Káiser Presidentea
  2. Jaime González Hernández Idazkaria
  3. Baltasar Peñate Suárez Kidea
  4. Julieta Schallenberg Rodríguez Kidea
  5. Pastora María Bello Bugallo Kidea

Mota: Tesia

Laburpena

La capacidad de maximizar la contribución de la energía eólica, como fuente de generación de energía eléctrica no gestionable, a la demanda así como su integración en los mercados eléctricos, depende en gran medida del grado de predicción de la misma. Este hecho se hace aún más importante cuando se trata de sistemas eléctricos insulares débiles, como son los que se encuentran en el archipiélago canario, donde cada isla posee su propio sistema eléctrico insular aislado del resto de éstas y del sistema eléctrico peninsular. En la literatura científica se han propuesto diferentes métodos de predicción de la potencia eléctrica de origen eólico utilizando diversas técnicas para la generación de los modelos. En la presente tesis se propone el desarrollo de modelos para la predicción a corto plazo de la potencia eléctrica de parques eólicos utilizando las redes neuronales artificiales. Para ello se ha utilizado la información de parques eólicos reales ubicados en el archipiélago canario. Se estudian las mejoras obtenidas en la precisión de los modelos según sea la información que se escoja en las variables de la capa de entrada de la red neuronal. Además se valora económicamente dichas mejoras por la reducción de la penalización económica debida al desvío en la predicción. Por otro lado, se desarrolla un modelo dinámico de curva de potencia global de parque eólico empleando las redes neuronales artificiales. Éste se compara con la propia curva de potencia del aerogenerador (modelo estático) para analizar las mejoras del primero sobre éste. Entre los resultados obtenidos se observó que la precisión del modelo puede mejorar entre un 8% y un 13% según sea la información que se considere en la capa de entrada de la red neuronal a la hora de generar el modelo.