Ir al contenido

Dialnet


Nuevos modelos de predicción a corto plazo de la generación eléctrica en plantas basadas en energía solar fotovoltaica

  • Autores: María Sonia Terreros Olarte
  • Directores de la Tesis: Luis Alfredo Fernández Jiménez (dir. tes.)
  • Lectura: En la Universidad de La Rioja ( España ) en 2017
  • Idioma: español
  • Tribunal Calificador de la Tesis: Ignacio Juan Ramírez Rosado (presid.), Eduardo García Garrido (secret.), Mario Mañana Canteli (voc.)
  • Materias:
  • Enlaces
    • Tesis en acceso abierto en: Dialnet
  • Resumen
    • El importante aumento en el número de instalaciones generadoras de energía eléctrica basadas en fuentes renovables (fundamentalmente solares fotovoltaicas) experimentado en todo el mundo desarrollado, el aumento de la capacidad de las nuevas instalaciones, junto con la obligatoriedad de su participación en los mercados eléctricos, ha impulsado la necesidad de desarrollar modelos de predicción a corto plazo (hasta 72 horas) de la generación eléctrica en estas plantas. La precisión de estos modelos de predicción tiene, así, importantes repercusiones económicas (por su uso para preparar ofertas al mercado eléctrico) como de seguridad de la red (para la determinación de congestiones, establecimiento de reservas y gestión de otras plantas).

      El objetivo de los trabajos de investigación de esta tesis es el desarrollo de nuevos modelos de predicción a corto plazo de la energía eléctrica media horaria generada en una planta generadora basada en energía solar fotovoltaica. Los modelos utilizan como entradas variables astronómicas, valores de predicción para las variables meteorológicas y valores pasados de producción eléctrica. Proporcionan como salida la potencia eléctrica media horaria generada para horizontes de predicción a corto plazo. Además uno de los modelos desarrollado en la presente tesis, a pesar de proporcionar un punto de predicción de potencia esperado, proporciona también una predicción de la incertidumbre asociada al valor de predicción. Esta herramienta es de gran importancia, ya que facilita una más completa información de predicción permitiendo, así, mejorar la toma de decisiones. La aplicación de este último modelo proporciona la probabilidad de que la potencia que se generará en el horizonte de predicción considerado se encuentre en un intervalo u otro del rango total de potencia generable.

      Los modelos desarrollados utilizan técnicas de minería de datos: árboles de decisión y sistemas de reglas, redes neuronales artificiales, máquinas de vectores soporte, sistemas basados en lógica borrosa y algoritmos evolutivos, y poseen características distintas a las de otros publicados en la literatura internacional. Proporcionan gran cantidad de información a sus usuarios, permitiendo mejorar el rendimiento de los modelos de predicción de potencia y apoyo en su toma de decisiones. Además, la incorporación de la incertidumbre asociada a cada valor de predicción puntual puede permitir al usuario evaluar el riesgo inherente al uso de dicho valor de predicción.

      Los resultados computacionales obtenidos de los ensayos efectuados con los nuevos modelos desarrollados, muestran menores errores y/o mayores horizontes de predicción que los de otros modelos publicados en la literatura internacional.


Fundación Dialnet

Dialnet Plus

  • Más información sobre Dialnet Plus

Opciones de compartir

Opciones de entorno