Clima y energía eólica en Bélgica.


Podemos predecir la generación de energía eólica en Bélgica. En el año 2020 el 20% de la energía consumida provendrá de la energía renovable (World Energy Council). En particular, Bélgica, al norte de Europa tiene una política definida y agresiva de crecimiento de la generación de energía eólica. El país debe contribuir a la consecución del objetivo común de que el 13% de su consumo sea basado en a partir de fuentes renovables (European Wind Energy Association y Renewable Energy Directive - European Commission). ¿Podemos predecir la generación de energía eólica en Bélgica de manera confiable en base a los datos del clima? Sí, en base a Big Data y a modelos basados en algoritmos de Inteligencia Artificial (IA), en BerecoLabs hemos logrado hacerlo con errores menores a 2%.

En el 2012 el porcentaje de energías renovables consumidas fue del 6.8% mostrando un incremento constante desde 2005, cuando sólo el 2.3% respondía a éste tipo de energías. Gran parte de este incremento se debe al aumento de la producción de energía eólica, tanto onshore como offshore.


Figura 1. Ubicación de las granjas eólicas en Bélgica.

LOS DESAFÍOS DE LA ENERGÍA EÓLICA


La generación de energía eólica posee dos grandes dificultades, por un lado, es incierta y por el otro, sus excedentes son difíciles de almacenar para utilización futura. Por esto es deseable contar con predicciones confiables de generación, para poder garantizar la satisfacción de la demanda de consumo. Además, para permitir el crecimiento esperado de la generación según los objetivos de cada nivel regional.


METODOLOGÍA


En BerecoLabs estamos desarrollando y aplicando abordajes relacionados con Big Data y con el uso de modelos basados en algoritmos de Inteligencia Artificial (IA). Luego de la captura de datos sobre los parques eólicos en Bélgica y sobre el clima (datos históricos y pronósticos), hemos identificado configuraciones óptimas de parámetros para los modelos que se manifiestan en una mayor eficacia para “aprender” de los datos y mejorar los pronósticos. En la Figura 2 se puede ver una comparación entre las mediciones de generación de energía eólica y los resultados obtenidos por los modelos. Cabe mencionar que los resultados que estamos generando muestran consistentemente errores inferiores a 2%.


Figura 2. Comparación de las mediciones de generación de energía eólica y los resultados de los modelos de pronóstico.

ANÁLISIS DE RESULTADOS


En la Figura 3 se observa la variación de ambos parámetros para doce de los modelos estudiados. Se encuentra así que el modelo que realiza el mejor pronóstico es la que posee dos capas ocultas empleando la función tangente hiperbólica en la primera capa y la función sigmoidea en la segunda. Con la misma se obtiene el mínimo valor de RMSE y el máximo Índice de Acuerdo de todos los modelos.


Figura 3. RMSE e índice de acuerdo para algunas de las configuraciones de modelos estudiadas.

El paradigma de las energías renovables es amplio y se encuentra en pleno desarrollo en un marco de lograr mayores estándares de sustentabilidad. Como lo muestra este caso de estudio, en los próximos años seguirá habiendo un incremento en la demanda de energía y será cada vez más importante poder contar con herramientas y estrategias que permitan volver confiables la incorporación de fuentes de energía renovables como la eólica, que por su naturaleza, y por depender de las variables del clima, son difíciles de predecir para comprender la oferta disponible y de almacenar los excesos.

En este marco un pronóstico mejorado permite: 1) reducir los costos de operación de la red de suministro energético eólico, 2) planificar la distribución del mismo con el fin de satisfacer a una demanda creciente de forma estable y 3) de esta forma ayudar a migrar el consumo energético hacia las energías renovables. En BerecoLabs buscamos innovar desarrollando nuevos y creativos abordajes para utilizar la mayor abundancia de datos (Big Data) y la posibilidad de generar modelos más inteligentes y con capacidad de “aprender” para enfrentar algunos de los desafíos más relevantes de este tiempo.