Solar and Wind Power Generation Modeling for the Spanish Electrical System

Abstract

Este trabajo evalúa modelos para la modelización a medio plazo de factores de capacidad horaria para energía solar fotovoltaica, solar térmica y eólica, con el objetivo de apoyar a los planificadores y operadores de redes en un contexto de mayor integración de energías renovables. Doce modelos seleccionados de cuatro familias de modelos diferentes - modelos estadísticos, modelos de aprendizaje automático, modelos de aprendizaje profundo y modelos de transformadores - se probaron a través de nueve métricas de evaluación que abarcan el ajuste de la distribución, la consistencia temporal, la coherencia y la precisión del valor extremo. Los resultados revelan que la idoneidad de los modelos varía: TimeMixer capta mejor los componentes de frecuencia de la energía solar fotovoltaica, que son el principal factor impulsor de esta serie, iTransformer destaca por gestionar mejor la mayor complejidad de la energía solar térmica, y VARMAX es óptimo para la menor relación señal-ruido de la energía eólica. Una función de pérdida SERA personalizada mejoró la predicción de eventos de viento extremo, aunque sigue habiendo problemas para modelizar con precisión los datos eólicos.

This work evaluates models for medium-term modeling of hourly capacity factors for solar PV, solar TH, and wind power, aiming to support grid planners and operators in a context of higher renewable energy integration. Twelve models selected from four different model families – statistical models, machine learning models, deep learning models and transformer models – were tested across nine evaluation metrics encompassing the distribution fit, temporal consistency, coherence, and extreme value accuracy. Findings reveal model suitability varies: the TimeMixer best captures solar PV frequency components which are the main driving factor for this series, iTransformer excels by best handling solar TH higher complexity, and VARMAX is optimal for wind’s lower signal to noise ratio. A custom SERA loss function improved extreme wind event prediction, though challenges remain in accurately modelling wind data.