Investigadores de la Universidad de Chung-Ang, en Corea, utilizan el aprendizaje profundo para desarrollar un modelo de previsión para la gestión eficiente de las redes eléctricas. El modelo predice con precisión parámetros inciertos relacionados con las fuentes de energía renovables para la operación de microrredes, su demanda de energía y los precios de mercado.
El nuevo modelo de pronóstico basado en el aprendizaje profundo desarrollado recientemente por estos investigadores emplea una red de memoria a corto plazo y un programa de respuesta a la demanda para manejar las incertidumbres de las fuentes de energía renovables mejor que los modelos de predicción existentes.
Predecir con precisión las fuentes de energía renovables
A la hora de interconectar las fuentes de energía renovable (RES) a las redes de suministro de energía, las microrredes, que integran fuentes de energía renovables y no renovables y sistemas de almacenamiento de energía, son una solución prometedora. Sin embargo, su operación eficiente es un desafío debido a la disponibilidad inestable y las incertidumbres de las fuentes de energía renovables. Los operadores de microrredes no pueden presentar ofertas rentables en el mercado de energía del día siguiente. En este escenario, existe una necesidad evidente de predecir con precisión las incertidumbres en las fuentes de energía renovables, su demanda de energía y los precios de mercado.
Los investigadores explican que los métodos de predicción convencionales existentes consideran varios escenarios futuros posibles y sus probabilidades, un enfoque con varios inconvenientes, incluida una baja precisión de predicción. Para superarlos, los investigadores de la Universidad de Chung-Ang han recurrido a modelos basados en el aprendizaje profundo. Si bien hacen predicciones precisas, sus hiperparámetros, variables que controlan el proceso de aprendizaje, deben optimizarse adecuadamente.
Modelo de pronóstico novedoso basado en el aprendizaje profundo
En este contexto, el profesor Mun-Kyeom Kim del Departamento de Ingeniería de Sistemas Energéticos de la Universidad Chung-Ang de Corea, en colaboración con Hyung-Joon Kim, propusieron recientemente un modelo de pronóstico novedoso basado en el aprendizaje profundo para predecir con precisión los parámetros inciertos, para una operación de microrred óptima y rentable. Su trabajo se publicó en febrero en la revista Applied Energy.
El método de pronóstico basado en datos propuesto emplea un modelo de memoria a corto plazo (LSTM), una red neuronal artificial con conexiones de retroalimentación. Sus hiperparámetros se optimizan mediante un algoritmo genético de optimización de red de partículas de peso adaptativo (GA-AWPSO), mientras que un mecanismo de atención global (GAM) identifica características importantes a partir de los datos de parámetros de entrada. Según los investigadores, ambos algoritmos pueden ayudar a superar las limitaciones de los métodos convencionales y mejorar la precisión y eficiencia de la predicción del modelo LSTM.
Extracción de datos y respuesta a la demanda
En su trabajo, los investigadores también desarrollaron un programa de extracción de datos y respuesta a la demanda basada en incentivos (DM-CIDR) para manejar las incertidumbres relacionadas con la demanda de energía y los precios del mercado. Se utilizaron puntos para identificar la estructura de agrupamiento (OPTICS) y los algoritmos k-vecino más cercano (k-NN) para determinar las tasas de incentivo óptimas para los usuarios en el mercado energético diario.
Para demostrar el rendimiento de su modelo GA-AWPSO-LSTM-GAM y su programa DM-CIDR, los investigadores los implementaron en los datos históricos del mercado energético de la interconexión Pensilvania-Nueva Jersey-Maryland, en Estados Unidos. El modelo tuvo un error de pronóstico más bajo que los modelos de predicción existentes y proporcionó los mejores valores de correlación para predecir la disponibilidad de fuentes de energía renovables. En concreto, obtuvo un valor de coeficiente de determinación de 0,96 para paneles solares, superando al obtenido de los modelos existentes.
Con estos hallazgos, los investigadores de la Universidad de Chung-Ang tienen esperanzas en su modelo de predicción propuesto.