Tese de mestrado integrado. Engenharia Mecânica. Faculdade de Engenharia. Universidade do Porto. 2009

Estágio realizado na NORDEX e orientado pelo Eng.º Pedro Rodrigues / Tese de mestrado integrado. Engenharia Electrotécnica e de Computadores (Major Energia). Faculdade de Engenharia. Universidade do Porto. 2009

Tese de mestrado integrado. Engenharia Electrotécnica e de Computadores (Major Energia). Faculdade de Engenharia. Universidade do Porto. 2009

Tese de mestrado integrado. Engenharia Civil. Faculdade de Engenharia. Universidade do Porto. 2010

Tese de mestrado integrado. Engenharia Electrotécnica e de Computadores - Major Energia. Faculdade de Engenharia. Universidade do Porto. 2008

Tese de mestrado integrado. Engenharia Electrotécnica e de Computadores (Major Energia). Faculdade de Engenharia. Universidade do Porto. 2009

Tese de mestrado integrado. Engenharia Civil (especialização em Construções). Faculdade de Engenharia. Universidade do Porto. 2008

Tese de mestrado integrado. Engenharia Mecânica. Faculdade de Engenharia. Universidade do Porto. 2010

Estágio realizado na SPI - Sociedade Portuguesa de Inovação e orientado pelo Eng.º João Medina / Tese de mestrado. Engenharia de Serviços e Gestão. Faculdade de Engenharia. Universidade do Porto. 2009

Tomando en cuenta la reciente incorporación de varios parques eólicos al SIC y la naturaleza estocástica de la velocidad del viento, se hace imprescindible contar con una herramienta que sea capaz de pronosticar el nivel de generación en un parque eólico, de manera de facilitar y optimizar la programación diaria manteniendo la calidad de suministro por parte del CDEC; organismo encargado de garantizar la operación de las instalaciones del sector eléctrico en Chile. El objetivo general de este trabajo es desarrollar un predictor de potencia activa para el Parque Eólico Canela para un horizonte máximo de 36 horas, entregándose los resultados no sólo en términos del valor esperado de la predicción, sino también a través de la generación de intervalos del 95% confianza. Para realizar este trabajo, se han analizado datos históricos de velocidad de viento y potencia activa del Parque Eólico Canela provistos por ENDESA ECO, así como predicciones diarias de velocidad de viento provistas por la DGAC. Los datos han sido tomados con un tiempo de muestreo de 1 hora. Para el desarrollo del modelo predictor se han probado modelos lineales FIR y ARX, que consideran como variables de entrada la velocidad de viento, la potencia y sus retardos; y un modelo no lineal (red neuronal MLP), que considera como entrada sólo la velocidad del viento. Además se implementó un modelo de referencia (modelo de referencia de Nielsen). El modelo que mostró mejores resultados es la red neuronal MLP con una mejora de un 62% en el error cuadrático medio con respecto al modelo de referencia, superando ampliamente al modelo ARX, que mostró una mejora del 25% y al modelo FIR, que mostró una mejora del 10%. Para la calibración de estos modelos se asume conocida con exactitud la velocidad del viento en el futuro, condición que es posteriormente relajada para dar paso a la utilización de la predicción de velocidad de viento de la DGAC. Luego, se ha realizado una caracterización del error de predicción de la velocidad del viento entregada por la DGAC en función del horizonte de predicción y del valor de la predicción. Como entrada al predictor se ha utilizado la predicción de velocidad de viento provista por la DGAC, la cual es perturbada con realizaciones del proceso estocástico que caracteriza el error de predicción ejecutándose una simulación de Monte Carlo. La salida del predictor es el valor medio de las salidas de cada iteración de la simulación. El intervalo de confianza es calculado como el menor rango de potencia que acumule el 95% de probabilidad de ocurrencia en el histograma de salida. El predictor ha logrado un error absoluto medio en torno al 12% en un horizonte de 36 horas, mejorando al método simple en 2,3 p.p. Este valor es cercano a los obtenidos por los mejores modelos de predicción desarrollados por empresas que prestan el servicio de predicción de potencia para parques eólicos. Además, se ha realizado una comparación con una predicción simple que consiste en calcular la potencia utilizando como entrada al modelo directamente la predicción de velocidad de viento. El método implementado mejora en hasta un 7% al método simple. El nuevo método implementado es muy exacto con un error medio cercano al 0%, a diferencia del método simple que tiene un error medio de un -8%. El método es computacionalmente eficiente, se requieren menos de 10 segundos para obtener una predicción de potencia para las próximas 36 horas. Como líneas de investigación futuras se propone principalmente estudiar las fuentes de error de la predicción de velocidad del viento de la DGAC e incorporarlas al modelo desarrollado con el objetivo de lograr mejores predicciones de potencia.