APROVECHANDO LA INFORMACIÓN SINÓPTICA PARA MEJORAR EL PRONÓSTICO DE ENERGÍA EÓLICA Y FOTOVOLTAICA: UN ENFOQUE DE APRENDIZAJE AUTOMÁTICO
La integración de energías renovables en las redes eléctricas requiere pronósticos robustos que garanticen una operación y planificación confiables. La generación de energía eólica y fotovoltaica depende fuertemente de las condiciones meteorológicas, lo que hace que su predicción sea un desafío. Este estudio evalúa la hipótesis de que la incorporación de información atmosférica a escala sinóptica, junto con datos meteorológicos locales, puede mejorar los pronósticos de generación al capturar la modulación que los patrones de circulación de gran escala ejercen sobre las condiciones en los sitios de las centrales eléctricas.
Un modelo de regresión supervisada (XGBoost, un algoritmo de árboles de decisión potenciado por gradiente) fue entrenado y evaluado, mediante validación cruzada, para cada una de las 46 centrales eólicas y 27 fotovoltaicas ubicadas en México y China. Los predictores locales incluyeron velocidad del viento, densidad del aire, radiación solar y temperatura, complementadas con variables sinópticas derivadas de datos a gran escala mediante mapas autoorganizados o análisis de componentes principales, técnicas que permiten extraer patrones característicos de circulación atmosférica para cada paso de tiempo. El desempeño del modelo se comparó con y sin la inclusión de variables sinópticas en un esquema de pronóstico retrospectivo, cuantificando así la contribución de la información de gran escala.
Los resultados indican que la incorporación de información sinóptica mejora las predicciones a escala local, con ganancias más pronunciadas en la generación de energía eólica que en la fotovoltaica, y con ciertas regiones beneficiándose más de este enfoque, todo ello manteniendo un bajo costo computacional para aplicaciones operativas. Este estudio resalta el valor de integrar la meteorología sinóptica con datos a nivel de planta en modelos de aprendizaje automático aplicados al pronóstico de energías renovables.