banner.jpg
  • Comunicaciones Suncast

El impacto del cambio de hora en la predicción de energías renovables

Actualizado: 9 sept

Por Pedro Correa, Ingeniero de Machine Learning en Suncast.



Suncast desarrolla innovación tecnológica para las energías renovables. Para brindar nuestros servicios utilizamos modelos de redes neuronales artificiales que predicen el comportamiento de centrales fotovoltaicas y eólicas. Estas redes neuronales son entrenadas utilizando datos, por lo tanto, una mayor cantidad y calidad de datos permite un mejor desempeño de las predicciones.


En Chile existen dos husos horarios, correspondientes a invierno y verano. Los sistemas de medición no están correctamente automatizados para aplicar el cambio de horario en los datos, para cuando empiece el horario de invierno los datos quedarán registrados sin dicho cambio y por lo tanto, quedarán desfasados.


Actualmente, el área de Inteligencia Artificial de Suncast está haciendo una revisión general de los datos de nuestros clientes, aplicando este y otros métodos de preprocesamiento. A su vez, a medida que los datos preprocesados se almacenan en nuestra base de datos, se re-entrenan los modelos predictivos de cada central usando dichos datos.


Con el fin de ilustrar el impacto del preprocesamiento en el desempeño de los modelos predictivos, en la Figura 1 se muestra un gráfico con el error medio absoluto (MAE) antes y después del entrenamiento del modelo realizado por Suncast con los datos corregidos, en el marco del Servicio de Predicción Solar para una central generadora de 136 megawatts (MW) ubicada en la región de Antofagasta en Chile. Como se puede ver, antes de la corrección, el MAE oscila entre el 5% y 10% aproximadamente, mientras que luego de esta, el error se encuentra entre un 1% y un 4%.





Figura 1: Error de predicción antes y después de realizar el ajuste del cambio de horario en los datos.


Por último, es importante señalar que existen eventos propios de la operación de centrales eléctricas, tales como fallas o limitación por parte del regulador, que también provocan datos anómalos. En estos casos, la pérdida de producción no se relaciona con las condiciones meteorológicas, por lo que si utilizamos un modelo entrenado en base solamente a la meteorología, nuestras predicciones no serán precisas.


Frente a esto, Suncast ha desarrollado el servicio avanzado de Predicción de Energía, el cual entrega al cliente acceso a la Herramienta Predicción, desde la cual es posible ingresar con anticipación valores de limitación y disponibilidad de la central, aportando al modelo predictivo información muy valiosa que le permitirá obtener predicciones mucho más cercanas a la realidad del parque.