Todos los derechos reservados para XM S.A. E.S.P.

Estado del Arte en la Predicción de FRNC

Contenido

Todos los derechos reservados para XM S.A. E.S.P.

• Pronósticos de FRNC: ¿Qué son y por qué se requieren para la operación? • Variabilidad del Recurso: Conocer los factores que afectan el recurso es el primer paso para pronosticarlo.

• Metodologías de pronóstico: ¿Cómo se realizan los pronósticos de FRNC? • Errores típicos en los pronósticos: ¿Cuáles son los errores típicos que se reportan en la literatura?

Todos los derechos reservados para XM S.A. E.S.P.

Pronósticos de FERNC

Pronósticos de generación de las FERNC

Todos los derechos reservados para XM S.A. E.S.P.

¿Para qué sirven los pronósticos de generación de las FERNC?

• Realizar programas de generación más cercanos a la realidad, reduciendo las desviaciones y la necesidad de reservas. • Optimizar el uso de los recursos renovables. • Mejorar los procesos de planeación a diferentes horizontes y la preparación a la ocurrencia de fenómenos meteorológicos que afectan la generación renovable.

Fuente: Greening The Grid (2016) PRONÓSTICO DE GENERACIÓN DE ENERGÍA EÓLICA Y SOLAR

Todos los derechos reservados para XM S.A. E.S.P.

Utilidad de los Pronósticos

Fuente: Greening The Grid (2016) PRONÓSTICO DE GENERACIÓN DE ENERGÍA EÓLICA Y SOLAR

Todos los derechos reservados para XM S.A. E.S.P.

Propuesta regulatoria de XM

Fuente: XM – Proyecto de integración de FERNC al SIN Para afrontar la variabilidad e incertidumbre de las FERNC, XM ha propuesto realizar pronósticos de su generación.

Todos los derechos reservados para XM S.A. E.S.P.

Variabilidad del Recurso

Todos los derechos reservados para XM S.A. E.S.P.

Variabilidad e incertidumbre A diferencia de los recursos convencionales, las fuentes renovables y los recursos de generación distribuidos son altamente variables y sus programas de generación son inciertos. Esto se debe a que la generación de las fuentes renovables no convencionales depende directamente del recurso. • Irradiación Solar • Velocidad del Viento • Caudal

¿De que depende esta variabilidad? • Fenómenos globales de baja frecuencia como ENSO o NAO

Todos los derechos reservados para XM S.A. E.S.P.

• Fenómenos estacionales como el paso de la ITCZ • Sistemas meteorológicos tropicales, como la oscilación de Madden Julian, las Ondas del Este, las ondas Kelvin, y los huracanes • Sistemas de mesoescala • Ciclos diurnos y características locales

Fuente: http://www.cpc.ncep.noaa.gov/products/analysis_monitoring/ensocycl e/ensocycle.shtml

¿De que depende esta variabilidad? • Fenómenos globales de baja frecuencia como ENSO o NAO

Todos los derechos reservados para XM S.A. E.S.P.

• Fenómenos estacionales como el paso de la ITCZ • Sistemas meteorológicos tropicales, como la oscilación de Madden Julian, las Ondas del Este, las ondas Kelvin, y los huracanes • Sistemas de mesoescala • Ciclos diurnos y características locales

Fuente: Chunzai Wang, 2007, “Variability of the Caribbean Low-Level Jet and its relations to climate” Clim Dyn (2007) 29:411–422

¿De que depende esta variabilidad? • Fenómenos globales de baja frecuencia como ENSO o NAO

Todos los derechos reservados para XM S.A. E.S.P.

• Fenómenos estacionales como el paso de la ITCZ • Sistemas meteorológicos tropicales, como la oscilación de Madden Julian, las Ondas del Este, las ondas Kelvin, y los huracanes Un ejemplo (https://earth.nullschool.net)

• Sistemas de mesoescala • Ciclos diurnos y características locales

Fuente: https://www.nhc.noaa.gov/

¿De que depende esta variabilidad? • Fenómenos globales de baja frecuencia como ENSO o NAO

Todos los derechos reservados para XM S.A. E.S.P.

• Fenómenos estacionales como el paso de la ITCZ • Sistemas meteorologicos tropicales, como la oscilación de Madden Julian, las Ondas del Este, las ondas Kelvin, y los huracanes • Sistemas de mesoescala • Ciclos diurnos y características locales

Datos de GOES 16, NOAA

¿De que depende esta variabilidad? • Fenómenos globales de baja frecuencia como ENSO o NAO

Todos los derechos reservados para XM S.A. E.S.P.

• Fenómenos estacionales como el paso de la ITCZ • Sistemas meteorologicos tropicales, como la oscilación de Madden Julian, las Ondas del Este, las ondas Kelvin, y los huracanes

Nube lenticular en Rio Negro

• Sistemas de mesoescala • Ciclos diurnos y características locales

Inversión térmica en Medellín

¿De que depende esta variabilidad? • Fenómenos globales de baja frecuencia como ENSO o NAO

Todos los derechos reservados para XM S.A. E.S.P.

• Fenómenos estacionales como el paso de la ITCZ • Sistemas meteorologicos tropicales, como la oscilación de Madden Julian, las Ondas del Este, las ondas Kelvin, y los huracanes • Sistemas de mesoescala • Ciclos diurnos y características locales

Fuente: http://www.comet.ucar.edu

Todos los derechos reservados para XM S.A. E.S.P.

¿A qué se debe la incertidumbre en los pronósticos? Inclusive si conociéramos a la perfección las ecuaciones de un sistema, errores en las condiciones iniciales llevarían a que no pudiésemos predecir con total precisión las condiciones futuras del sistema. 𝑑𝑥 =𝜎 𝑦−𝑥 𝑑𝑡 𝑑𝑦 = 𝑟𝑥 − 𝑦 − 𝑥𝑧 𝑑𝑡 𝑑𝑧 = 𝑥𝑦 − 𝑏𝑧 𝑑𝑡

Todos los derechos reservados para XM S.A. E.S.P.

Metodologías de pronóstico

Metodologías de pronóstico Existen diferentes tipos de metodologías de pronóstico:

Todos los derechos reservados para XM S.A. E.S.P.

• Metodologías estadísticas • Metodologías basadas en modelos dinámicos. • Metodologías basadas en aprendizaje de maquina • Una combinación de las anteriores.

El tipo de metodología a utilizar depende del fenómeno a pronosticar y el horizonte de este pronostico. NREL (2015) Best Practices Handbook for the Collection and Use of Solar Resource Data for Solar Energy Applications

Metodologías de pronóstico Existen diferentes tipos de metodologías de pronóstico:

Todos los derechos reservados para XM S.A. E.S.P.

• Metodologías estadísticas • Metodologías basadas en modelos dinámicos. • Metodologías basadas en aprendizaje de maquina • Una combinación de las anteriores.

El tipo de metodología a utilizar depende del fenómeno a pronosticar y el horizonte de este pronostico. NREL (2015) Best Practices Handbook for the Collection and Use of Solar Resource Data for Solar Energy Applications

Metodologías Estadísticas

Todos los derechos reservados para XM S.A. E.S.P.

Se basan en la historia de la generación de la planta para pronosticar la generación futura. Entre estos métodos se encuentran: • • • •

Métodos de persistencia. Modelos Autoregresivos, de media móvil, estacionales (SARIMA). Regresiones lineales. Ciclos anuales, diarios, tendencias.

Modelo de Persistencia

Todos los derechos reservados para XM S.A. E.S.P.

• El pronostico estadístico más simple es un pronostico de persistencia. • Para un pronostico de persistencia se asume que la generación actual seguirá constante para todos los periodos futuros. • Sin embargo, no debe usarse directamente para el pronóstico solar.

Modelo de Persistencia Solar Método de ‘Clear-Sky’

Todos los derechos reservados para XM S.A. E.S.P.

• Se aplica el método de persistencia sobre el cociente del GHI actual y el GHI en condiciones despejadas (CS). • Esto equivale a asumir que las condiciones que afectan el GHI persistirán en el tiempo. • El método tiene en cuenta el efecto astronómico sobre el GHI.

𝐺𝐻𝐼𝑡 𝐾𝑡 = 𝐶𝑆𝑡

𝐾𝑡+1 = 𝐾𝑡 𝐺𝐻𝐼𝑡+1 = 𝐾𝑡 𝐶𝑆𝑡+1

Otros métodos como modelos auto regresivos pueden también aplicarse sobre K.

Todos los derechos reservados para XM S.A. E.S.P.

Pronostico Clear Sky

Realizado con PVlib: https://pvlib-python.readthedocs.io/en/latest/index.html

Todos los derechos reservados para XM S.A. E.S.P.

Modelos SARIMA Los modelos SARIMA son una combinación de modelos autoregresivos y de media móvil que tienen en cuenta tendencias y la estacionalidad de la serie.

AR-1 𝑃𝑡 = 𝛼𝑃𝑡−1 + ϵ 10 8 6

• • • •

Modelos Autoregresivos Modelos de Media Móvil Estacionalidad Tendencia

4 2 0 0

50

100

150

200

-2 -4 -6 -8 -10

AR1

Ruido

250

300

350

Todos los derechos reservados para XM S.A. E.S.P.

Pronostico SARIMA Los modelos SARIMA son una combinación de modelos autoregresivos y de media móvil que tienen en cuenta tendencias y la estacionalidad de la serie

𝑁

1 𝑃𝑡 = ෍ 𝑃𝑡−𝑛 𝛼 𝑁 𝑛=1

8 7

• • • •

Modelos Autoregresivos Modelos de Media Móvil Estacionalidad Tendencia

6 5 4 3 2 1 0

0

20

40

60

Observacion

80

Pronostico

100

120

Todos los derechos reservados para XM S.A. E.S.P.

Pronostico SARIMA Los modelos SARIMA son una combinación de modelos autoregresivos y de media móvil que tienen en cuenta tendencias y la estacionalidad de la serie • • • •

Modelos Autoregresivos Modelos de Media Móvil Estacionalidad Tendencia

Datos: Número de manchas solares mensuales. http://sidc.be/silso/newdataset

Todos los derechos reservados para XM S.A. E.S.P.

Pronostico SARIMA Los modelos SARIMA son una combinación de modelos autoregresivos y de media móvil que tienen en cuenta tendencias y la estacionalidad de la serie • • • •

Modelos Autoregresivos Modelos de Media Móvil Estacionalidad Tendencia

Todos los derechos reservados para XM S.A. E.S.P.

Ejemplo SARIMA para pronóstico Solar

Realizado con Statsmodels: http://www.statsmodels.org/stable/index.html

Metodologías de pronóstico Existen diferentes tipos de metodologías de pronóstico:

Todos los derechos reservados para XM S.A. E.S.P.

• Metodologías estadísticas • Metodologías basadas en modelos dinámicos. • Metodologías basadas en aprendizaje de maquina • Una combinación de las anteriores.

El tipo de metodología a utilizar depende del fenómeno a pronosticar y el horizonte de este pronostico. NREL (2015) Best Practices Handbook for the Collection and Use of Solar Resource Data for Solar Energy Applications

Modelos Dinámicos

Todos los derechos reservados para XM S.A. E.S.P.

• Para horizontes temporales mayores a unas cuantas horas, los modelos dinámicos meteorológicos proveen las mejores predicciones.

• Varias agencias meteorológicas producen modelos meteorológicos dinámicos globales. Por ejemplo: • ECMFW • NCEP - GFS y GEFS • JMA-GSM • CA – MSC y GDPS

• La resolución espacial hace que sea necesario parametrizar la convección y la radiación.

Ecuaciones que resuelven los modelos meteorológicos Segunda ley de Newton

Todos los derechos reservados para XM S.A. E.S.P.

Conservación de la masa Ecuación ideal de gases

Primera ley de la termodinámica

Conservación de trazadores químicos, incluyendo vapor de agua

Todos los derechos reservados para XM S.A. E.S.P.

Ejemplo de GFS de NCEP Pronóstico determinístico GFS para Junio 06 del 2017. Descargado de: • http://nomads.ncep.noaa.gov/ Se actualiza cada 6 horas. L ~ Global, T ~ 5 días ∆x ~ 25km, ∆t ~ 6 hr

Todos los derechos reservados para XM S.A. E.S.P.

Modelos meteorológicos regionales

Para mejorar la resolución de los modelos se pueden resolver modelos meteorológicos regionales.

Dominios de Integración del Modelos NAM de la NOAA Fuente: http://www.emc.ncep.noaa.gov/mmb/namgrids/#HIRESW

Todos los derechos reservados para XM S.A. E.S.P.

¿Por qué se usan modelos regionales? • Una resolución de 0.25° (~25km) no resuelve las dinámicas atmosféricas propias de cada región.

• La topografía afecta profundamente la meteorología de la región. • Los modelos regionales pueden simular mejor estas dinámicas. Fuente: XM – Proyecto de integración de FERNC al SIN

Limitaciones de los modelos meteorológicos

Todos los derechos reservados para XM S.A. E.S.P.

• En los modelos globales, la resolución espacial de los modelos no permite resolver procesos locales, por lo que las nubes y la convección profunda son parametrizadas. • Los procesos radiativos también son parametrizados teniendo en cuenta la composición atmosférica.

Metodologías de pronóstico Existen diferentes tipos de metodologías de pronóstico:

Todos los derechos reservados para XM S.A. E.S.P.

• Metodologías estadísticas • Metodologías basadas en modelos dinámicos. • Metodologías basadas en aprendizaje de maquina • Una combinación de las anteriores.

El tipo de metodología a utilizar depende del fenómeno a pronosticar y el horizonte de este pronostico. NREL (2015) Best Practices Handbook for the Collection and Use of Solar Resource Data for Solar Energy Applications

• En los últimos años los métodos basado en el aprendizaje de maquina han ganado popularidad.

• Los métodos se pueden considerar como una extensión de los métodos estadísticos.

𝑬

𝑴𝟏

…

Todos los derechos reservados para XM S.A. E.S.P.

Aprendizaje de Máquina

𝑴𝟐

Metodologías de pronóstico Existen diferentes tipos de metodologías de pronóstico:

Todos los derechos reservados para XM S.A. E.S.P.

• Metodologías estadísticas • Metodologías basadas en modelos dinámicos. • Metodologías basadas en aprendizaje de maquina • Una combinación de las anteriores.

El tipo de metodología a utilizar depende del fenómeno a pronosticar y el horizonte de este pronostico. NREL (2015) Best Practices Handbook for the Collection and Use of Solar Resource Data for Solar Energy Applications

Post-procesamiento estadístico de modelos dinámicos

Todos los derechos reservados para XM S.A. E.S.P.

• Los modelos dinámicos presentan sesgos y diferencias estadisticas respeco a las observaciones. • Para relacionar las variables del modelo con las variables medidas se realiza un post-procesamiento estadístico. • Esto se conoce como Model Output Statistics (MOS). Se pueden usar diferentes metodologias para MOS, como regresiones lineales, ajuste cuantil-cuantil, redes neuronales, entre otros metodos.

Fuente: The Comet Program - http://www.comet.ucar.edu

Todos los derechos reservados para XM S.A. E.S.P.

Post-procesamiento estadístico de modelos dinámicos

Objetivo Pronostico Meteorológico

Modelo de planta (Conversión a energía)

Calibración estadística con la información histórica

Pronóstico de generación

Fuente: XM – Proyecto de integración de FERNC al SIN

Imágenes Satelitales

Todos los derechos reservados para XM S.A. E.S.P.

• Útiles para horizontes de 15 minutos a unas cuantas horas • La velocidad de las nubes observadas en las imágenes satelitales permite estimar valores futuros de GHI. • Este método ignora procesos de formación de nubes por lo que solo es útil para horizontes cortos de tiempo. • Se usan métodos estadísticos para relacionar los datos satelitales con las medidas en el sitio del proyecto. Datos de GOES 16, NOAA

Todos los derechos reservados para XM S.A. E.S.P.

Errores Típicos

¿Comó se evaluan los pronosticos? • Sesgo

Ejemplo pronostico de persistencia

𝑁

1 𝑆𝑒𝑠𝑔𝑜 = ෍ 𝐸෠𝑛 − 𝐸𝑛 𝑁

4

𝑛=1

3 2

Todos los derechos reservados para XM S.A. E.S.P.

• Error absoluto medio

1 0

𝑁

1 𝑀𝐴𝐸 = ෍ 𝐸෠𝑛 − 𝐸𝑛 𝑁

0

5

10

15

20

-1 -2

𝑛=1

-3

• Error cuadrático medio 𝑁

𝑅𝑀𝑆𝐸 =

1 ෍ 𝐸෠𝑛 − 𝐸𝑛 𝑁 𝑛=1

• Correlación

2

-4

Pronóstico

Observación

Sesgo MAE RMSE

-0.012 1.112 1.427

Desviación

Errores Típicos

Todos los derechos reservados para XM S.A. E.S.P.

En los siguientes artículos se reportan los errores típicos de plantas eólicas, solares y de agregados de estas plantas: •

Ernst et. al, 2007, Predicting the wind, IEEE power & Energy magazine https://ieeexplore.ieee.org/document/4383126

•

Tuohy et. Al. (2015) Solar Forecasting. IEEE power and Energy Magazine https://ieeexplore.ieee.org/abstract/document/7299804

•

Hodge, et al, 2012, Wind Power Forecasting Error Distributions: An International Comparison https://www.nrel.gov/docs/fy12osti/56130.pdf

•

EPRI, 2017, Solar Power Forecasting for Grid Operations: Evaluation of Commercial Providers https://www.epri.com/#/pages/product/000000003002012135/?lang=en

Debe tenerse en cuenta que estos errores varían significativamente dependiendo de factores meteorológicos, de su ubicación geográfica y de los sistemas que se tengan implementados para los pronósticos.

Todos los derechos reservados para XM S.A. E.S.P.

Calle 12 sur 18 - 168 Bloque 2 PBX (57 4) 317 2244 - FAX (57 4) 317 0989 @XM_filial_ISA Medellín - Colombia