Predicción de generación de energía eléctrica con un día de anticipo mediante modelos de aprendizaje supervisado a partir de datos eólicos

RESÚMEN Actualmente existe una preocupación ambiental considerable a nivel mundial, que ha dado origen una iniciativa importante sobre el uso de las energías limpias para diversos sectores. Un tercio del total de la contaminación generada a nivel mundial proviene del proceso de producción de electricidad; el cual depende en gran parte del uso de combustibles de alto contenido de CO2. En la búsqueda de un futuro con bajas emisiones de CO2 se propone como alternativa, el uso de Energías Limpias, lo que representa un desafío interesante sobre el tema de generación, transmisión y distribución de energía en la red eléctrica. El mayor desafío para el caso de la generación de energía eólica, es que es totalmente dependiente del clima, lo que origina un alto grado de intermitencia en varias escalas del tiempo, así como también, no existe un mecanismo eficaz para almacenar a gran escala la energía generada para disponer de esta en momentos de gran demanda dentro de la red eléctrica. Lo que origina problemas de estabilidad en la red eléctrica. En este trabajo, se discuten los modelos estadísticos auto regresivos clásicos Box and Jenkins aplicados a problemas de predicción y se analiza su aplicación en el sector energético. Posteriormente, se propone una metodología basada en la aplicación de estos modelos para la predicción de generación de energía eléctrica a partir de datos urbanos a una altura de 40 m. obtenidos de la Ciudad de San Francisco los cuales son medidos por estaciones meteorológicas instaladas por la SFPUC (Comisión de Servicios Públicos de San Francisco) que monitorean las características del viento en San Francisco, y datos convencionales a una altura de hasta 60 m, en un parque eólico denominado CERTE de la Ventosa de una estación anemométrica denominada la Ventosa2, ubicada en la Ciudad de Juchitán de Zaragoza, Oaxaca, México. Finalmente, se presenta el modelo y los resultados de la predicción obtenidos para la zona urbana de San Francisco y la convencional del CERTE basados en el desarrollo de la presente tesis.