Resumen de Generación de escenarios de producción eólica para el análisis probabilístico de la operación de sistemas de energía eléctrica

Álvaro Jaramillo Duque

• El objetivo general de la tesis consiste en generar trayectorias de la producción eólica futura para el análisis probabilístico de los sistemas de energía eléctrica. Esta información puede ser utilizada para el comercio en los mercados de energía, para la determinación y la resolución de restricciones en la operación del sistema, para la estimación de las reservas de energía, entre otros usos. De esta forma, se facilita la integración de las fuentes no gestionables, y en particular, de la energía eólica. Para conseguir este objetivo se desarrolló un modelo estocástico de la producción eólica. Este modelo genera escenarios de producción condicionados por la predicción a corto plazo. El modelo caracteriza las trayectorias simuladas basándose en la información obtenida del comportamiento pasado del parque eólico: producciones reales y sus respectivas previsiones a diferentes horizontes de predicción. Este tipo de información es la que usualmente poseen los productores eólicos y el operador del sistema, de forma que son los únicos datos disponibles para obtener el modelo. El modelo se desarrolla partiendo de la teoría de las funciones cópula, como una herramienta para el modelado multivariante de variables aleatorias. Para el modelo multivariante es necesario obtener los modelos para las funciones de densidad univariantes de los errores de la predicción. Para obtener estos modelos se parte de los datos de un parque eólico, predicciones y producciones donde se identifican las características de las variables. Para las funciones marginales univariantes, primero se considera un modelo paramétrico basado en la distribución beta; como segunda alternativa, se considera una técnica de estimación de la función de densidad mediante funciones kernel, siendo este un método no paramétrico. Los dos modelos, paramétrico y no paramétrico, no consiguen modelar de forma adecuada los errores de la predicción eólica cuando la producción real del parque es cero. Para resolver este problema se utiliza la regresión logística, un método que permite estimar la probabilidad de una variable con respuesta cualitativa, en este caso, de las producciones nulas. Una vez que se estima el modelo que obtiene la probabilidad de que ocurra una producción nula, dada la predicción, se adaptan los modelos antes descritos para obtener las funciones de densidad que modelan correctamente los errores en la predicción de producción eólica. En ambos modelos, paramétrico y no paramétrico, se implementaron estimaciones adaptativas de los parámetros. A medida que pasa el tiempo, el modelo obtiene nueva información del comportamiento del parque, en este caso, de las producciones reales y sus respectivas predicciones. Los nuevos datos son incluidos y ponderados de acuerdo a su relevancia y antigüedad, dando una característica adaptativa al modelo, de forma que logran replicar los comportamientos estacionales de la producción eólica. Los modelos estimados para las funciones marginales univariantes son evaluados y comparados durante el procedimiento. Se determina que el modelo no paramétrico, mediante funciones kernel y la regresión logística, tiene un mejor desempeño que la técnica de modelado paramétrica, que utiliza la distribución beta y la regresión logística. Finalmente, se estima la estructura de dependencia de las variables aleatorias desde el dominio uniforme. Se convierten las variables aleatorias al dominio uniforme, mediante la función de distribución de probabilidad obtenida con las funciones kernel y la regresión logística. De esta forma, se elimina la influencia del dominio original de las variables aleatorias. Con las funciones de densidad univariantes y la estructura de dependencia, se construye un modelo multivariante para la producción eólica, usando las funciones cópula. Con el modelo propuesto se pueden generar trayectorias posibles de la producción y obtener los intervalos de confianza. Dos modelos han sido desarrollados, el primero representa la dependencia temporal (corto plazo) en la producción de un parque y el segundo representa la dependencia espacial-temporal de varios parques en una misma zona. Con un número considerable de escenarios simulados es posible estimar la incertidumbre de la producción, no solo en términos de potencia, sino también en cantidad de energía desviada. Esta información es utilizada para desarrollar medidas de compensación de los desvíos en la producción eólica, aplicadas a problemas de complejidad real. En el primer problema se propone la utilización de un método de optimización, buscando maximizar los ingresos de la operación conjunta de una central hidroeléctrica reversible y un parque eólico. En el segundo problema se representan diversas medidas de compensación como problemas de optimización, donde se busca cubrir los desvíos de la producción de un grupo de parques eólicos. En los problemas de optimización, el modelo del sistema eléctrico es representado explícitamente. A partir de las trayectorias simuladas de la producción eólica futura se determinan los niveles de incertidumbre, en términos tanto de potencia como de energía futura. La incertidumbre de la producción es incluida en un problema de optimización que usa una central hidroeléctrica reversible con el objetivo de reducir el costo de los desvíos. En todos los resultados obtenidos para este problema, se consiguió un beneficio al comparar la operación independiente respecto a la operación conjunta. El método propuesto puede ser extendido a otros aspectos de la operación de sistemas de energía eléctrica. La central hidroeléctrica reversible se usa para minimizar los desvíos debidos a los errores en la predicción de la potencia eólica, cuando el productor eólico participa en el mercado. De esta forma, los agentes pueden reducir el riesgo al que están expuestos debido a la incertidumbre asociada a la producción eólica y a los precios de la energía de reserva. Finalmente, se comparan diferentes alternativas para compensar los desvíos de la producción eólica en un sistema de energía eléctrica. Las medidas propuestas se prueba en un sistema basado en el caso IEEE 30 Bus Test Case, incluido en MATPOWER, con el objetivo de simular la complejidad de un pequeño sistema real. Las diferentes alternativas se validan mediante un Flujo de Potencia Probabilístico (FPP), empleando el método de Monte Carlo, donde se considera la incertidumbre de la producción eólica de un grupo de parques eólicos. Mediante este método se puede estimar el valor de cualquiera de las variables del sistema de energía eléctrica por medio de su función de densidad de probabilidad, por ejemplo, el nivel de carga de las líneas de transmisión, las pérdidas del sistema, el uso de los elementos de almacenamiento, etc. La influencia de la producción eólica y los efectos del almacenamiento en el sistema de energía eléctrica pueden apreciarse comparando las variables de salida (generación, intercambio entre áreas, pérdidas del sistema y uso del almacenamiento) del Flujo de Potencia Probabilístico (FPP). ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------