Prediction techniques adapted to the estimation of energy production of photovoltaic installations integrated in virtual power plants

  1. MORENO BAEZA, GUILLERMO
Dirigida por:
  1. Pedro Martín Sánchez Director/a
  2. Carlos Santos Pérez Codirector

Universidad de defensa: Universidad de Alcalá

Fecha de defensa: 27 de junio de 2022

Tribunal:
  1. Milan Prodanovic Presidente/a
  2. Enrique Santiso Gómez Secretario
  3. Victor Becerrra Vocal
Departamento:
  1. Teoría de la Señal y Comunicaciones

Tipo: Tesis

Resumen

En la tesis se distinguen dos estrategias de predicción de irradiancia. Por una parte, una predicción híbrida de horizonte temporal diario que se compone de un modelo innovador basado en horas similares junto a otro basado en redes neuronales, cuyas predicciones se ponderan dinámicamente. En históricos reducidos, el modelo basado en horas similares produce las mayores precisiones, mientras que el modelo basado en redes neuronales reduce su error a lo largo del histórico hasta superar a este, a partir de un histórico de cuatro meses en el caso de estudio. Al convertir la instalación en un nodo dentro de un entorno de central eléctrica virtual, el modelo basado en horas similares obtiene especial relevancia, al reducir el error producido en mayor medida en comparación con otras técnicas. Por otra parte, la segunda estrategia tiene un horizonte temporal intradiario y está basado en redes neuronales recurrentes de memoria a corto plazo. En este caso, la escasez del histórico se evita usando información vía satélite de irradiancia, al ser la única información que necesita el modelo. La predicción se actualiza conforme se obtienen nuevas medidas de irradiancia en la instalación, optimizando su precisión en todo momento. Una vez predicha la irradiancia bajo diferentes horizontes temporales, se utiliza un método analítico a partir de artículos de la literatura para conocer la potencia fotovoltaica generada en la instalación, obteniendo un error bastante reducido en el método. Seguidamente, se evalúa la potencia generada en cada nodo en una central eléctrica virtual, observando que el error de predicción se reduce considerablemente y se mantienen las conclusiones observadas en los nodos individuales. A partir de las predicciones de potencia fotovoltaica se generan intervalos de predicción, ofreciendo información sobre el posible rango de potencia fotovoltaica generada en la instalación, bajo un nivel de confianza definido, considerando una distribución Laplaciana del error. Los resultados muestran que los intervalos representan adecuadamente el nivel de confianza seleccionado. Estimada la potencia fotovoltaica producida bajo diferentes horizontes temporales, se unifican las predicciones para generar en todo momento la predicción de potencia óptima. Para comprobar el potencial de los resultados finales, se emplea la estrategia en un caso de estudio de un sistema de gestión energético de baterías en el nodo real de pruebas de la Universidad. Se observa que las baterías instaladas se amortizan a lo largo de su vida útil, permitiendo utilizar estos elementos sin una pérdida económica asociada dentro de un entorno de central eléctrica virtual, donde resultan esenciales.