Predicción ordinal de rampas de viento usando Echo State Networks de complejidad reducida

Research areas:

• Methodology - Machine learning

Year:

2018

Type of Publication:

In Proceedings

Keywords:

Echo state networks, energía eólica, Clasificación ordinal, Rampas de viento, Redes neuronales recurrentes

Authors:

• Dorado-Moreno, Manuel
• Gutiérrez, Pedro Antonio
• Salcedo-Sanz, Sancho
• Prieto, Luis
• Hervás-Martínez, César

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:

@conference{Dorado2018CAEPIA, author = "Manuel Dorado-Moreno and Pedro Antonio Guti{\'e}rrez and Sancho Salcedo-Sanz and Luis Prieto and C{\'e}sar Herv{\'a}s-Mart{\'i}nez", abstract = "Las Renovables son la fuente de energı́a que m{\'a}s ha crecido en los {\'u}ltimos a{\~n}os a nivel mundial. En particular, la energı́a e{\'o}lica en Europa es actualmente la que tiene un mayor crecimiento, estando su capacidad de producci{\'o}n en la segunda posici{\'o}n, por detr{\'a}s del gas natural. Existen una serie de problemas que complican la integraci{\'o}n del recurso e{\'o}lico en la red el{\'e}ctrica. 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 da{\~n}ar las turbinas en los parques e{\'o}licos, ası́ como reducir los ingresos generados a partir de la producci{\'o}n 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 antelaci{\'o}n, evitando ası́ los da{\~n}os que puedan producirse. Para realizar esta predicci{\'o}n, se suelen utilizar modelos que puedan aprovechar la informaci{\'o}n temporal. Uno de los modelos m{\'a}s 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 predicci{\'o}n de series temporales. En concreto, proponemos utilizar ESNs de complejidad reducida para afrontar un problema de predicci{\'o}n de rampas de viento en tres parques e{\'o}licos en Espa{\~n}a. A nivel metodol{\'o}gico, se comparan tres arquitecturas diferentes de red, dependiendo de la configuraci{\'o}n 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 combinaci{\'o}n de la estructura DLRB con la arquitectura Simple.", booktitle = "Proceedings of the 2018 Conference of the Spanish Association for Artificial Intelligence (CAEPIA2018)", isbn = "978-84-09-05643-9", keywords = "Echo state networks, energ{\'i}a e{\'o}lica, Clasificaci{\'o}n ordinal, Rampas de viento, Redes neuronales recurrentes", month = "23rd-26th October", organization = "Granada (Spain)", pages = "132-138", title = "{P}redicci{\'o}n ordinal de rampas de viento usando {E}cho {S}tate {N}etworks de complejidad reducida", url = "sci2s.ugr.es/caepia18/proceedings/docs/CAEPIA2018_paper_88.pdf", year = "2018", }

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.