IEEE Power & Energy Magazine - Spanish - Noviembre/Diciembre 2017 - 55

La información sobre la incertidumbre de futuras predicciones
ya juega un papel fundamental en la protección de la
seguridad del suministro.

Modelo
determinístico
de NWP

Algoritmo de aprendizaje
estadístico

Distribución
de probabilidad
espacial/marginal

(a)
Diversas
parametrizaciones
del modelo de NWP
Perturbaciones de la
condicióninicial/límite

Posproceso

Calibrado

Modelo
de conversión
de potencia

Extremos inclusivos
de conjuntos
físicos

Estructura
de dependencia
estadística

Escenarios
espaciotemporales

(b)
Modelo
determinístico
de NWP

Algoritmo
de aprendizaje
estadístico
(c)

gráfico 6. Los procedimientos estándar para generar predicciones de incertidumbre para fuentes de energía renovables.
Las flechas negras indican dónde tiene lugar la generación de los denominados miembros del conjunto.

el valor real del parámetro de predicción. El error de pre-
dicción es la desviación real entre el valor de predicción y el
valor medido en un momento dado, mientras que la incerti-
dumbre de predicción se refiere a un rango de posibles valo-
res en el futuro; el error de predicción también puede refe-
rirse a una medición de error, por ejemplo, un error absoluto
medio. La predicción de incertidumbre debe ser condicional
con base en un conjunto de variables explicativas (depen-
dientes del flujo), como la velocidad del viento pronosticada,
el valor esperado de los niveles de generación, la dispersión
de conjuntos meteorológicos, etc. La construcción sencilla
de distribuciones empíricas a partir del error de predicción
histórica no es una verdadera incertidumbre de predicción.
La incertidumbre de predicción puede estimarse con tres
procesos estándar (Gráfico 6):
1)	 algoritmos estadísticos
2)	 predicciones de conjunto físicas
3)	 predicciones de conjunto estadísticas.
En el primer proceso, un algoritmo de aprendizaje estadís-
tico (por ejemplo, aprendizaje automático) con una función
de pérdida adecuada se ajusta a los datos de potencia y NWP
en un momento histórico, y genera predicciones de incerti-
dumbre desde una NWP operativa. Otros métodos, como el
noviembre/diciembre 2017	

algoritmo de conjunto analógico, buscan entre predicciones
históricas aquellas predicciones anteriores más análogas a la
predicción actual. Esas observaciones forman la distribución
de probabilidad de la incertidumbre de predicción.
Se sabe que la integración de la información procedente
de series temporales geográficamente distribuidas o de una
red de NWP mejora la precisión de la predicción de la incer-
tidumbre y es el objetivo de investigaciones recientes. La
desventaja es que este proceso no produce una representa-
ción espaciotemporal de la incertidumbre de predicción, ni
existe una dependencia física de los resultados, ya que se
basa en la climatología pasada.
El segundo proceso puede considerarse como posproceso
de una serie de miembros del conjunto de NWP, es decir,
un conjunto de predicciones de NWP producidas al per-
turbar las condiciones iniciales o límites, o como resultado
de diferentes sistemas de parametrización de un modelo de
NWP (el denominado enfoque de varios sistemas) que se
convierte, en una fase posterior, en potencia con un método
de ajuste de curva. El conjunto de NWP está configurado
para representar la incertidumbre física del clima con anti-
cipación en lugar de la incertidumbre como una función de
la experiencia adquirida. En la práctica, esto significa que
ieee power & energy magazine 	

55
Table of Contents for the Digital Edition of IEEE Power & Energy Magazine - Spanish - Noviembre/Diciembre 2017
