IEEE Power & Energy Magazine - Spanish - November/December - 102

de previsión, el Operador Australiano de Mercados Energéticos
desarrolló un modelo de aprendizaje automático
(basado en una red de creencia bayesiana) entrenado con
más de 20 millones de puntos de datos de errores de previsión
históricos.
Utilizando como entrada las condiciones meteorológicas
previstas con una semana de antelación, el modelo de aprendizaje
automático da una probabilidad condicional del nivel
esperado de error de previsión en esas condiciones. Entonces,
el error de previsión esperado de la red se utiliza en
la evaluación de las fuentes con una semana de antelación
para indicar la cantidad de generación de reserva por encima
del nivel de demanda previsto necesaria y así garantizar un
suministro de energía confiable.
Innovación e investigación futura
La precisión de las herramientas operativas de previsión de
las energías renovables sigue siendo escasa en situaciones
difíciles como la evolución de los frentes meteorológicos.
Una mayor precisión se traduce en una mayor competitividad
de las FER en los mercados y en un funcionamiento más
eficiente y seguro del sistema eléctrico.
Estos factores estimulan una intensa investigación a nivel
internacional en el campo de la previsión de energías renovables.
Teniendo en cuenta la cadena de modelos, así como
las brechas y cuellos de botella asociados que se muestran en
la figura 1, surgen numerosas direcciones de investigación
futura. Algunas se derivan de las nuevas fuentes de datos
disponibles (es decir, lidares, radares, cámaras de cielo y
satélites), que permiten un mejor modelado de las variables
meteorológicas y de la producción de FER. Los modelos
NWP pueden beneficiarse de las centrales FER como sensores
distribuidos para la asimilación de datos.
Los modelos de previsión de FER deben tener en cuenta
múltiples fuentes de datos, al contrario del enfoque principal,
en el que se establecen modelos a la medida de fuentes
de datos específicas (p. ej., imágenes de satélite para predicciones
FV con una antelación de hasta 6 horas). Los enfoques
más generales pueden conducir a una cadena de modelos
más sencilla en la que los modelos de previsión pueden
abarcar múltiples marcos temporales.
Más allá de la convergencia en las escalas temporales,
se necesitan los modelos basados en la previsión jerárquica
para permitir la compatibilidad de las predicciones y la
incertidumbre asociada a diferentes escalas geográficas.
Trabajos recientes han demostrado que el uso de los datos de
los sitios vecinos de la FER mejora la precisión de un sitio.
Una de las direcciones relacionadas es desarrollar enfoques
para el intercambio de datos que respeten las restricciones de
privacidad y confidencialidad, acompañados de conceptos
de mercado de datos que faciliten y fomenten que los propietarios
de los datos los compartan.
Los aportes de las técnicas de inteligencia artificial pueden
apoyar el procesamiento masivo de flujos de datos. Pueden
utilizarse en el desarrollo de análisis prescriptivos para
102
ieee power & energy magazine
la toma de decisiones (p. ej., en el comercio) basados en los
datos de entrada, y al mismo tiempo sustituir los múltiples
pasos de previsión y optimización, como se muestra en la
figura 8.
Por último, continuamente aparecen nuevos casos de
aplicación en los que se requieren productos de previsión
clásicos o nuevos. El reto principal es cómo desarrollar
herramientas de apoyo a la toma de decisiones
que tengan en cuenta de manera eficiente las incertidumbres
inherentes, una cantidad masiva de datos en
streaming, y características que apoyen la toma de decisiones
informadas por parte de la persona que esté al
corriente. Se están llevando a cabo iniciativas de investigación
multidisciplinar que demuestran los beneficios
de la colaboración para abordar la compleja naturaleza
de estos problemas.
Lecturas complementarias
B. Li y J. Zhang, " A review on the integration of probabilistic
solar forecasting in power systems " (Una revisión
sobre la integración de la previsión solar probabilística
a los sistemas eléctricos), Solar Energy, vol. 207, n.°10,
págs. 777-795, septiembre de 2020. doi: 10.1016/j.solener
.2020.06.083.
C. Sweeney, R. J. Bessa, J. Browell y P. Pinson, " The future
of forecasting for renewable energy " (El futuro de la
previsión de las energías renovables), Wiley Interdisciplinary
Rev., Energy Environ., vol. 9, n.° 2, pág. e365, marzo/
abril de 2020. doi: 10.1002/wene.365.
F. Fahiman, S. Disano, S. M. Erfani, P. Mancarella y C.
Leckie, " Data-driven dynamic probabilistic reserve sizing
based on dynamic Bayesian belief networks " (Dimensionamiento
de reserva probabilístico dinámico basado en datos y
fundamentado en redes dinámicas de creencias bayesianas),
IEEE Trans. Power Syst., vol. 34, n.°| 3, pág. 2281-2291,
mayo de 2019. doi: 10.1109/TPWRS.2018.2884711.
L. Cavalcante, R. J. Bessa, M. Reis y J. Browell, " LASSO
vector autoregression structures for very short-term wind
power forecasting " (Estructuras de autorregresión vectorial
LASSO para la previsión de la energía eólica a muy corto
plazo), Energía eólica, vol. 20, n.° 4, págs. 657-675, abril de
2017. doi: 10.1002/we.2029.
X. G. Agoua, R. Girard y G. Kariniotakis, " Short-term
forecasting of photovoltaic power prospatio-temporal
duction "
(Previsión espacio-temporal a corto plazo de la
producción de energía fotovoltaica) IEEE Trans. Sustain.
Energy, vol. 9, n.° 2, págs. 538-546, 2018. doi: 10.1109/
TSTE.2017.2747765.
Biografías
Jack Fox pertenece al Operador Australiano de Mercados
Energéticos, Melbourne, Australia.
Erik Ela pertenece al Instituto de Investigación de Energía
Eléctrica, Knoxville, Tennessee, EE. UU.
noviembre/diciembre 2021
IEEE Power & Energy Magazine - Spanish - November/December

Table of Contents for the Digital Edition of IEEE Power & Energy Magazine - Spanish - November/December
