Los investigadores han diseñado un modelo probabilístico para la estimación de recursos eólicos, que relaciona la distribución del viento en diferentes lugares con la que hay en el sitio que deseamos estimar o predecir.
Un equipo integrado por el profesor Alfredo Cuesta-Infante, investigador del grupo de computación de altas prestaciones de la Universidad Rey Juan Carlos (URJC), y los profesores Kalyan Veeramachaneni y Una-May O’Reilly del Computer Science and Artificial Intelligence Laboratory del Instituto Tecnológico de Massachusetts (MIT), ha sido presentado en la edición de este año de la International Joint Conference on Artificial Intelligence (IJCAI’15), celebrada en Buenos Aires. Los investigadores han diseñado un modelo probabilístico para la estimación de recursos eólicos, que relaciona la distribución del viento en diferentes lugares con la que hay en el sitio que deseamos estimar o predecir.
A la hora de decidir el lugar donde colocar una planta aerogeneradora es necesario tener en cuenta muchos factores, pero sin duda uno de los más importantes es valorar adecuadamente la potencia que el viento proporcionará en ese lugar. Dicha potencia está relacionada con la distribución de la velocidad del viento y la dirección del mismo.
El método habitual consiste en colocar una serie de anemómetros en el lugar de interés y realizar mediciones durante un periodo de tiempo, que suele durar de entre 8 y 12 meses. Después se correlacionan estas medidas con datos históricos recogidos durante el mismo periodo en estaciones meteorológicas, aeropuertos, etc., para valorar la adecuación del lugar elegido.
Campana de Gauss
Esta aproximación hace una suposición que casi nunca es adecuada: la distribución de los datos reales es una campana de Gauss, es decir, se supone que los datos son normales o están distribuidos normalmente. Sin embargo, si se analizan los datos se observa que esto no es del todo preciso.
El modelo presentado por los profesores Veeramachaneni, O’Reilly y Cuesta-Infante utiliza, en primer lugar, unas distribuciones capaces de modificar la forma de la campana llamadas ‘funciones Cópula Gaussianas’, que mejoran ampliamente los resultados. Sin embargo, este tipo de funciones aún no es capaz de capturar correctamente los casos extremos (mucho o muy poco viento), ya que, según explica el Dr. Cuesta-Infante de la URJC, “el problema es que en la estructura de dependencia subyacente seguimos teniendo la campana de Gauss. En otras palabras, es como si hubiéramos pegado a la campana unos adornos que le cambian la forma externa”.
Por tanto, el trabajo añade una segunda técnica de modelado que sólo tiene en cuenta cópulas no gaussianas. Con esta técnica, denominada Vines, los resultados son aún mejores.
Para llevar a cabo el trabajo, se instalaron anemómetros en el techo del Museo de Ciencias de Cambridge (Massachusetts) y se recogieron datos durante dos años. Por otro lado, se ha recopilado información histórica recogida en 14 aeropuertos a lo largo de Nueva Inglaterra y Nueva York. El primer año se utilizó para aprender los modelos y el segundo para validarlos.
Lo más interesante de los resultados es que con sólo tres meses de datos obtenidos, utilizando un material muy asequible -los anemómetros instalados son baratos y la información de los aeropuertos es de dominio público- es posible estimar modelos mucho más precisos de la distribución de la velocidad del viento.
Referencia bibligráfica:
Kalyan Veeramachaneni, Alfredo Cuesta-Infante, Una-May O’Reilly, “Copula Graphical Models for Wind Resource Estimation”, Proc. of the 24th Int. Joint Conf. on Artificial Intelligence (IJCAI 2015), pp. 2646 — 2654
SINC
