Aplicación de técnicas de aprendizaje automático a la predicción de la producción de parques eólicos.

Abstract

Este Trabajo de Fin de Máster se centra en implementar y comparar modelos de aprendizaje automático para predecir la producción de energía eólica, crucial debido a la naturaleza intermitente y variable de los recursos eólicos. Predicciones precisas mejoran la eficiencia del mercado eléctrico, estabilizan la red y reducen desviaciones, mejorando así el resultado económico de la energía eólica. El estudio examina métodos predictivos desde simples hasta avanzados, incluyendo el Método Naive, Modelos ARIMA, Perceptrón Multicapa (MLP), Redes Neuronales Recurrentes (RNN) y sus variantes avanzadas (LSTM y GRU), y Gradient Boosting Machines (GBM). Utiliza datos históricos de producción y predicciones meteorológicas, preprocesados para eliminar valores atípicos y normalizados para su uso en los modelos.

Las predicciones se realizan para horizontes de tiempo relevantes en el mercado eléctrico intradiario español, evaluando los modelos según el error absoluto medio (MAE) para cada horizonte. El estudio encuentra que modelos más simples, centrados en datos históricos recientes y predicciones meteorológicas, como MLP y GBM, tienen mejor desempeño para pronósticos a corto y medio plazo.

Además, se analiza el impacto económico de corregir desviaciones de programación con las predicciones sobre un mes. Los resultados muestran un beneficio económico significativo (16% de mejora) al participar en el mercado continuo intradiario, en comparación con solo el mercado diario, debido a la reducción de desviaciones finales que penalizan el resultado económico.

El TFM concluye que mejorar la precisión de las predicciones a corto y medio plazo es esencial para obtener mejores resultados económicos y subraya la importancia de validar y optimizar los modelos en condiciones operativas reales. Sugiere explorar estrategias óptimas de oferta en el mercado eléctrico para mejorar el rendimiento económico y optimizar la gestión de la producción de energía eólica.

This Master's Thesis focuses on implementing and comparing machine learning models to predict wind energy production, which is crucial due to the intermittent and variable nature of wind resources. Accurate predictions improve the efficiency of the electricity market, stabilize the grid, and reduce deviations, thereby enhancing the economic outcome of wind energy.

The study examines predictive methods ranging from simple to advanced, including the Naive Method, ARIMA Models, Multilayer Perceptron (MLP), Recurrent Neural Networks (RNN) and their advanced variants (LSTM and GRU), and Gradient Boosting Machines (GBM). It uses historical production data and weather forecasts, preprocessed to remove outliers and normalized for model usage.

Predictions are made for relevant time horizons within the Spanish intraday electricity market, evaluating the models based on the mean absolute error (MAE) for each horizon. The study finds that simpler models, focused on recent historical data and weather forecasts, such as MLP and GBM, perform better for short and medium-term forecasts.

Additionally, the economic impact of correcting scheduling deviations with these predictions is analyzed over a month. The results show a significant economic benefit (16% improvement) when participating in the continuous intraday market compared to only the daily market, due to the reduction of final deviations that penalize economic outcomes.

The thesis concludes that improving the accuracy of short and medium-term predictions is essential for better economic results and emphasizes the importance of validating and optimizing models in real operational conditions. It suggests exploring optimal bidding strategies in the electricity market to further enhance economic performance and optimize wind energy production management.