Predicción ordinal de rampas de viento usando Echo State Networks de complejidad reducida
Hits: 8615
- Research areas:
- Year:
- 2018
- Type of Publication:
- In Proceedings
- Keywords:
- Echo state networks, energía eólica, Clasificación ordinal, Rampas de viento, Redes neuronales recurrentes
- Authors:
- Book title:
- Proceedings of the 2018 Conference of the Spanish Association for Artificial Intelligence (CAEPIA2018)
- Pages:
- 132-138
- Organization:
- Granada (Spain)
- Month:
- 23rd-26th October
- ISBN:
- 978-84-09-05643-9
- BibTex:
- Abstract:
- Las Renovables son la fuente de energı́a que más ha crecido en los últimos años a nivel mundial. En particular, la energı́a eólica en Europa es actualmente la que tiene un mayor crecimiento, estando su capacidad de producción en la segunda posición, por detrás del gas natural. Existen una serie de problemas que complican la integración del recurso eólico en la red eléctrica. Uno de ellos es conocido como rampas de viento, que son incrementos o decrementos de gran magnitud en la velocidad del viento en un tiempo reducido. Estas rampas de viento pueden dañar las turbinas en los parques eólicos, ası́ como reducir los ingresos generados a partir de la producción del parque. Actualmente, la mejor forma de afrontar este problema es predecir estas rampas de viento, de forma que se puedan parar las turbinas con suficiente antelación, evitando ası́ los daños que puedan producirse. Para realizar esta predicción, se suelen utilizar modelos que puedan aprovechar la información temporal. Uno de los modelos más conocidos con estas caracterı́sticas son las redes neuronales recurrentes. En este trabajo utilizaremos las conocidas como Echo State Networks (ESNs), las cuales han demostrado obtener un buen rendimiento en predicción de series temporales. En concreto, proponemos utilizar ESNs de complejidad reducida para afrontar un problema de predicción de rampas de viento en tres parques eólicos en España. A nivel metodológico, se comparan tres arquitecturas diferentes de red, dependiendo de la configuración de las conexiones de la capa de entrada con el reservoir o directamente con la capa de salida. Los resultados muestran que, por lo general, los mejores resultados son obtenidos por la estructura Delay Line Reservoir with Feedback (DLRB) y que el aumento en el rendimiento obtenido por la arquitectura de Doble reservoir con respecto a la arquitectura de Simple reservoir es mı́nima, y teniendo en cuenta el gran aumento de complejidad computacional de la arquitectura Doble, concluimos que los mejores resultados son obtenidos por la combinación de la estructura DLRB con la arquitectura Simple.