Grado de precisión de las herramientas de predicción

EJERCICIO DE PREDICCIÓN

Alberto CeñaDirector Técnico

NOVIEMBRE 2005Proyecto cofinanciado con el programa PROFIT

15/12/2005 2

LOS BENEFICIOS DE LA PREDICCION

15/12/2005 3

LA OPERACIÓN DEL SISTEMA

15/12/2005 4

BENEFICIOS DE LA PROGRAMACION DE LA PRODUCCION

• Mejora de la gestión del Sistema Eléctrico y de la utilización de la reserva rodante.

• Reducción del coste de los desvíos.

Para que sea realmente eficaz hay que poner a punto los procedimientos de recogida y tratamiento de la información.

15/12/2005 5

INCIDENCIA EN LOS COSTES DE GENERACIONOrden de Mérito precio CO2 20 €/ton

precio combustibles Abril 05

0,00

1,00

2,00

3,00

4,00

5,00

6,00

7,00

8,00

0 5000 10000 15000 20000 25000 30000 35000 40000 45000 50000

MW

cent

€/kW

h

Coste sin CO2

Coste conCO2

Demanda de43.000 MW

Demanda de43.500 MW

Hidráulica

Eólica

Nuclear

Ciclo Combinado

Carbón

Contrato EDF 550Mw

Cogeneración

Fuel oil

15/12/2005 6

PARTICIPACION EN EL MERCADO DE LA ENERGIA EOLICA

15/12/2005 7

90%

74%

52%

43%

34%30%

20%

50%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

jan-05 feb-05 mar-05 apr-05 may-05 jun-05 jul-05 sep-05

CASI TODOS LOS PRODUCTORES DE ENERGÍA EÓLICA REALIZAN OFERTAS EN EL MERCADO DE LA ELECTRICIDAD

(unidades: cent €/kWh)

0123456789

10

Precio deMercado

Prima Incentivo Garantía decapacidad

Desvío Predicción Agente deMercado

Total

0,73-0,24

4,88

8,59

2,92

0,48-0,05 -0,08

0

1

2

3

4

5

6

7

Tarifa regulada Desvios Predicción Total

0 06,58 6,58

Opción mercado

Opción Tarifa

15/12/2005 8

PARTICIPACIÓN EN EL MERCADO

• Objetivo: Impulsar la integración de todas las formas de generación y dar una mayor liquidez al mercado electrico.

• Metodología:

1. Los parques realizan ofertas de forma agregada y pueden hacerlo conjuntamente con otras instalaciones en régimen especial como la cogeneración.

2. Soportan el sobrecoste por la gestión de sus desvíos al haberse anulado la liquidación anticipada.

15/12/2005 9

FUNCIONAMIENTO DEL MERCADO

SERVICIOS COMPLEMENTARIOS

Programa

Diario Viable

Resultado

Casación

Programas

Horarios Finales

Programas

Horarios Operativos

SOLUCIÓN RESTRICCIONES TÉCNICAS

Contratos Bilaterales Nacionales

OTROS PROCESOS GESTIÓN TÉCNICA

Programa

Base de

Funcionamiento

MERCADO DIARIO

+ Contratos

Bilaterales

Internacionales

6 MERCADOS INTRADIARIOS

OPERADOR MERCADO OPERADOR SISTEMA

15/12/2005 10

PROCEDIMIENTO• Programación 14 horas antes de cada día, por la tanto la

programación del día D deberá hacerse antes de las 10:00 del día D + 1.

• Las precisiones será ajustadas para cada mercado intradiario de acuerdo con la siguiente periodificación límite:

CRONOLOGÍA MERCADO DIARIO E INTRADIARIOS

SESION 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Mercado diario

Intradiario 1

Intradiario 2

Intradiario 3

Intradiario 4

Intradiario 5

Intradiario 6

6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Periodo presentación de ofertas

Periodo sesión cerrada

Periodo programación

EJERCICIO DE PREDICCIÓN+

SIMULACION DEL MERCADO

15/12/2005 12

OBJETIVOS PRINCIPALES

• Analizar el grado de precisión de la predicción de producción eléctrica de la energía eólica.

• Identificar los principales factores que inciden en los errores y los procedimientos para minimizarlos.

15/12/2005 13

OBJETIVOS COMPLEMENTARIOS

• Desarrollar y poner a punto la metodología uniforme en la presentación de los errores.

• Determinar los procedimientos necesarios para los intercambios de los datos, tanto para un parque como para un conjunto de ellos.

• Avanzar en los criterios para la optimización de generación interparques, sin superar la potencia máxima evacuable.

• Realizar el análisis coste/beneficio para los propietarios de los parques y para el sistema en su conjunto.

15/12/2005 14

LOS PARQUES PARTICIPANTES

15/12/2005 15

PARQUES IMPLICADOS. SE CUBRE LA TOPOGRAFIA NACIONAL

Parques Propietario Terreno

El Pilar CEZ MedioBuenavista DESA CostaVillacastín SINAE Complejo

Pena Da Loba ECYR ComplejoMuela IBERD. Llano

Punta Gaviota IDAE CostaPáramo de Poza 1 ENERFIN Medio

15/12/2005 16

PARQUES PARTICIPANTES

Punta Gaviota

15/12/2005 17

EL PILAR: PARQUE SEMICOMPLEJO

15/12/2005 18

BUENAVISTA: PARQUE DE COSTA

15/12/2005 19

VILLACASTIN: PARQUE COMPLEJO

15/12/2005 20

PARAMO DE POZA: PARQUE LLANO

15/12/2005 21

PENA DA LOBA: PARQUE COMPLEJO

15/12/2005 22

PREDICTORES

15/12/2005 23

PREDECIR EL VIENTO ES COMPLEJOFuente: CRC Solutions

15/12/2005 24

ESTRUCTURA DE LOS MODELOSDatos meteorológicos globales

Modelo meso escala: NWP

ESTADÍSTICO

PREDICCIÓN DEPRODUCCIÓN

PREDICCIÓNCORREGIDA

DATOS DEPARQUE

MODELO DEPARQUE

Datos Primarios

Datos meteorológicos corregidos

HIRLAM, MM5 o PROMES

Modelo global

Refinamiento adicional, sólo en algunos casos

15/12/2005 25

EJERCICIO PEE: PREDICTORES IMPLICADOS

• METEOLOGICA

• GARRAD & HASSAN

• METEOTEMP

• CASANDRA ENERGY SERVICES CO.

• CENER

• METEOSIM

• ALEASOFT

• AEOLIS

15/12/2005 26

LAS DIFERENCIAS ENTRE LOS MODELOS

• HERRAMIENTAS DE CALCULO:Físicos/EstadísticosEstadísticos

• DATOS DE PARTIDA PARA LA PUESTA A PUNTO DE LOS MODELOS: en unos casos basta con la producción global del parque, en otros datos por aerogeneradores.

• INFORMACIÓN DURANTE LA PREDICCION, SOBRE TODO DE CARA A LOS MERCADOS INTRADIARIOS.

• SUMINISTRO DE PREDICCIONES:Servicios externos.Se ejecutan en el propio parque.

15/12/2005 27

METODOLOGIA METEOSIM

Modelo global(GFS)

Modelo mesoescala

(MASS)

MOS(modelo

estadístico)

Producción y viento últimos

60 días

PREDICCIÓNDE PRODUCCIÓN

15/12/2005 28

METODOLOGIA GARRAD & HASSAN

Modelo global 1

(GFS)

Modelo mesoescala

1

GH

MACHINE

POWER MODEL

(curva de potencia)

Producción

1week-1month

PREDICCIÓN

DE PRODUCCIÓN

Modelo global 2

Modelo global 3

Modelo mesoescala

2

Modelo mesoescala

3

PROVIDERS

15/12/2005 29

METODOLOGIA CENER

Modelo global

(GFS)

Modelo mesoescala

(MM5)

MOS

(modelo estadístico)

Medidas LocalesPREDICCIÓN

DE PRODUCCIÓN

15/12/2005 30

METODOLOGIA CASANDRA

Modelo global(GFS)

Modelo mesoescala(PROMES)

APOLOredes neuronales

Medidas Locales24H

Otros modelos auxiliares de

Casandra

PREDICCIÓNDE

PRODUCCIÓN

15/12/2005 31

METODOLOGIA METEOLOGICA

DOWNSCALING CURVA DE POTENCIA

Históricos con la misma situación

atmosférica

PREDICCIÓN

DE PRODUCCIÓN

Modelo europeo ECMWF

15/12/2005 32

METODOLOGIA METEOTEMP

MOS FILTRO de errores sistemáticos

HistóricosPREDICCIÓN DE PRODUCCIÓN

Modelo europeo ECMWF

Observaciones

CORRECCIÓN

15/12/2005 33

PROCEDIMIENTO OPERATIVO

15/12/2005 34

SÍNTESIS DEL PROCEDIMIENTO EJERCICIO PEE

15/12/2005 35

NECESIDADES DE DATOS• La puesta a punto de los modelos exige datos de al menos un año

de producción

• Para el funcionamiento los diferentes modelos requieren distintos datos:

• Datos meteorológicos y de producciones a nivel de máquinas.

• Datos agregados de predicción de parque y tiene protocolos no representativa.

• No se necesitan datos del parque, excepto de disponibilidad.

La introducción de la programación supone una mejora en equipamientos y gestión de los parques.

15/12/2005 36

APLICACIÓN-Página de INICIO

15/12/2005 37

APLICACIÓN-menú de pestañas

15/12/2005 38

PROBLEMAS DURANTE EL INTERCAMBIO DE INFORMACIÓN

PROBLEMAS DE INTERCAMBIOS DE INFORMACION:• Desarrollo de una aplicación totalmente nueva• Implantar los formatos de intercambio de información

establecidos por PEE• Diferente información requerida por los predictores• Dificultad de acceder al dato de disponibilidad on-line• Restricciones impuestas por compañías promotoras• Obligación de mantener la confidencialidad de la información en

todo momento

15/12/2005 39

RESULTADOS

15/12/2005 40

PARAMETROS UTILIZADOS

15/12/2005 41

EVOLUCION DE LOS ERRORES A LARGO DEL EJERCICIO

15/12/2005 42

ERRORES PARA LOS DIFERENTES PARQUESERRORES PARA LOS DIFERENTES PARQUES

Variación del error de producción en cada parque Sep '04 - Sep '05

0

50

100

150

200

250

El Pilar Buenavista Villacastín Páramo de Poza Pena da Loba La Muela Punta Gaviota

Parque

EM

AP (%

)

Máximo Mínimo Promedio

Mejora de los errores por ajuste de los modelos, mejores datos dMejora de los errores por ajuste de los modelos, mejores datos de entrada y recorte de los e entrada y recorte de los periodos de predicción.periodos de predicción.

15/12/2005 43

EVOLUCION DEL ERROR MEDIO ABSOLUTO DE PRODUCCION POR PREDICTORES

Errores Normalizados

30

35

40

45

50

55

60

65

70

75

80

Sep Oct Nov Dic Ene Feb Mar Abr May Jun Jul Ago Sep

Mes

EMA

P

Lineal (G&H) Lineal (Cener)Lineal (Meteotemp) Lineal (Meteosim)Lineal (Aleasoft) Lineal (Casandra)Lineal (Meteológica) Lineal (Aeolis)

15/12/2005 44

EVOLUCION DEL ERROR MEDIO ABSOLUTO DE PRODUCCION POR PREDICTORES

Errores Normalizados

30

40

50

60

70

80

90

100

110

120

Sep Oct Nov Dic Ene Feb Mar Abr May Jun Jul Ago Sep

Mes

EMA

P

Meteológica MeteosimMeteotemp CasandraCener G&HAleasoft Aeolis

15/12/2005 45

RESULTADOS POR PREDICTORES:MODELOS FISICO/ESTADISITICOS

Físico/estadístico: Errores de Producción (%)

0 , 0

2 0 , 0

4 0 , 0

6 0 , 0

8 0 , 0

10 0 , 0

12 0 , 0

Compl e j o Cost a Cost a M e di o

Medio Máximo Mínimo

Físico/Estadístico: Errores de Producción (%)

0 , 0

2 0 , 0

4 0 , 0

6 0 , 0

8 0 , 0

10 0 , 0

12 0 , 0

14 0 , 0

C o mp l e j o C o mp l e j o C o s t a C o s t a

Medio Máximo Mínimo

15/12/2005 46

Estadístico :Errores de Producción (%)

0, 0

10, 0

20, 0

30, 0

40, 0

50, 0

60, 0

70, 0

Compl ej o M edi o M edi o

M e di o M áx i mo M í ni mo

Estadístico: Errores de Producción (%)

0 , 0

10 , 0

2 0 , 0

3 0 , 0

4 0 , 0

5 0 , 0

6 0 , 0

7 0 , 0

8 0 , 0

9 0 , 0

10 0 , 0

C o mp l e j o C o mp l e j o C o s t a L l a n o M e d i o M e d i o

Medio Máximo Mínimo

Estadisitico:Errores de Producción (%)

0, 0

10, 0

20, 0

30, 0

40, 0

50, 0

60, 0

70, 0

80, 0

90, 0

100, 0

C o mp l e j o C o mp l e j o

Medio Máximo Mínimo

Estadístico: Errores de Producción (%)

0 , 0

1 0 , 0

2 0 , 0

3 0 , 0

4 0 , 0

5 0 , 0

6 0 , 0

7 0 , 0

8 0 , 0

9 0 , 0

C o mp l e j o L l a n o

Medio Máximo Mínimo

RESULTADOS POR PREDICTORES:MODELOS ESTADÍSTICOS

15/12/2005 47

INCIDENCIA DE LA COMPLEJIDAD DEL TERRENO

⎟⎟⎠

⎞⎜⎜⎝

⎛=∑

=

K

jfj

11∑∑

= =

=N

i

K

j

jRifjN

ICT1 1

.1

donde,

i = 1.....N, siendo N el número de aerogeneradores del parque eólico.

j = 1.....K, siendo K el número de direcciones o sectores considerados.

Siendo:

Rij el valor de RIX (que determina la pendiente superior a una dada en el terreno donde se ubica) del aerogenerador i en la dirección o sector j.

fj la frecuencia de viento, en tanto por uno, de la dirección o sector j.

Los valores de Rij se calculan de modo sencillo mediante el modelo WAsP, a partir de la cartografía digital del emplazamiento del parque eólico y las coordenadas de los aerogeneradores.

15/12/2005 48

LA INTENSIDAD DEL VIENTO TIENE MAYOR INCIDENCIA QUE LA COMPLEJIDAD DEL TERRENO

E rro r d e e s ta d o m e d io e n fu n c ió n d e l IC T . A c u m u la d o O c t-0 4 a ju n -0 5

0

5

1 0

1 5

2 0

2 5

3 0

0 2 4 6 8 1 0 1 2 1 4

In d ic e d e C o m p le jid a d d e l T e rre n o

Erro

r de

esta

do (%

)

M o d e lo s fís ic o s M o d e lo s E s ta d ís tic o s L in e a l (M o d e lo s fís ic o s ) L in e a l (M o d e lo s E s ta d ís tic o s )

15/12/2005 49

AGRUPACION DE LOS PARQUES SIEMPRE MEJORA LOS ERRORES

oct04- sep05: y = 0.5186xR2 = 0.9138

0%

10%

20%

30%

40%

50%

60%

0% 20% 40% 60% 80% 100% 120% 140%

Error de Prod Inicial

Err

or d

e Pr

od In

divi

dual

tras

agr

egar

oct

nov

dic

ene

feb

mar

abr

may

jun

jul

ago

sep

oct04-sep05

Lineal (oct04-sep05)

15/12/2005 50

LA PRESISTENCIA MEJORA A MEDIO PLAZO

0

2000

4000

6000

8000

10000

12000

1 3 5 7 9 11 13 15 17 19 21 23

Desvio MtDesvio CaDesvio CeDesvio Pee

15/12/2005 51

DISMINUCION DE LOS ERRORES EN LOS INTRADIARIOS

Variación del Error de Producción frente a las sesiones intradiariasAbril 2.005

38,0

40,0

42,0

44,0

46,0

48,0

50,0

52,0

Diaria Int.1 Int.2 Int.3 Int.4 Int.5 Int.6

Sesión

E_Pr

od (%

)

Mercado

Tarifa

15/12/2005 52

LOS ERRORES SON MAYORES A BAJO FACTOR DE CAPACIDAD

0,0%

5,0%

10,0%

15,0%

20,0%

25,0%

30,0%

35,0%

40,0%

de 0 a 10 de 10,001 a 20 de 20,001 a 30 de 30,001 a 40 de 40,001 a 50 de 50,001 a 60 de 60,001 a 70 de 70,001 a 80 de 80,001 a 90 de 90,001 a 100

Parque 1 Parque 2 Parque 3Parque 4 Parque 5 Parque 6Parque 7 Promedio pond.

Parques. Evolución de predicción. Coste desvíos en cada tramo de CP. M D. Ene-Sep 05

EMAP vs. Cp - Septiembre 2005

0

20

40

60

80

100

120

140

0 5 10 15 20 25 30 35 40 45

Cp [%]

EMA

P [%

]

Potencial (Meteológica) Potencial (Garrad Hassan)Potencial (Meteotemp) Potencial (Casandra)Potencial (Meteosim) Potencial (Cener)Potencial (Aleasoft) Potencial (Aeolis)

15/12/2005 53

ERRORES DE PREDICCION DE VIENTO

Datos de viento bajo - La Muela

0,0

0,5

1,0

1,5

2,0

2,5

3,0

3,5

4,0

1 11 21 31 41 51 61 71 81 91 101

Vel (

m/s

)

Datos Reales Vel Potencial (0 Vel )Potencial (6 Vel )Potencial (12 Vel )Potencial (18 Vel )

Viento real

15/12/2005 54

ERRORES DE PREDICCION DE VIENTO

Datos de Viento Alto - La Muela

0

2

4

6

8

10

12

14

16

18

20

1 11 21 31 41 51 61 71 81 91 101

Vel (

m/s

)

Datos Reales VelPotencial (0 Vel)Lineal (6 Vel)Potencial (12 Vel)Potencial (18 Vel) Viento real

15/12/2005 55

LOS ERRORES DE VIENTO ENTRADA SUPONEN LA MAYOR PARTE DEL ERROR TOTAL

LOS DATOS DE SALIDA DE LOS MODELOS METEOROLÓGICOS NMP TIENEN UN IMPACTO IMPORTANTE EN LOS ERRORES

15/12/2005 56

CONCLUSIONES EJERCICIO DE PREDICCIÓN

• El error de producciónEl Error Medio Absoluto de Predicción (EMAP) es en promedio del 60%

Hay un límite del que es difícil bajar del orden del 30%.

El “down-scaling” estadístico se ha mostrado suficiente si los datos meteorológicos son apropiados.

Mejora de los errores parte de mejoras de los datos de entrada en tiempo y calidad.