En las últimas décadas, el aprovechamiento de las fuentes de energía limpia se ha convertido en una necesidad imperiosa para mitigar el cambio climático. La energía eólica es una de las fuentes de energía limpia que más puede contribuir debido a su disponibilidad en todo el globo terráqueo y a su versatilidad para abastecer energía eléctrica a la red eléctrica o a sistemas aislados, y al sector residencial de grande o pequeña escala. Sin embargo, el uso efectivo del recurso eólico generalmente se ve afectado por su alta intermitencia causada por los cambios aleatorios de velocidad y dirección del viento. Entre los problemas más relevantes que deben resolverse para lograr una explotación efectiva de esta energía se encuentran la predicción a largo plazo del recurso eólico para estimar la energía eléctrica que podría ser generada, y el dimensionamiento óptimo de los aerogeneradores para satisfacer necesidades específicas de abasto de energía eléctrica. Estos problemas son bastante complejos y requieren herramientas más sofisticadas que los métodos convencionales para obtener soluciones satisfactorias. En este artículo se presentan los métodos que se han desarrollado en el Instituto Nacional de Electricidad y Energías Limpias (INEEL), dentro de uno de sus proyectos Cátedras CONACYT, para resolver los problemas mencionados mediante paradigmas que conjugan técnicas de Inteligencia Artificial (IA) y conceptos de teoría de probabilidades.

El calentamiento global que ha alcanzado un punto crítico con graves consecuencias para el medio ambiente en nuestro planeta, aunado al constante incremento de la demanda energética y a una inminente limitación en el abastecimiento de energía proporcionada por los combustibles fósiles, hacen necesario y urgente el uso intensivo de fuentes de energía renovables, así como el uso responsable de la energía generada por cualquier medio.

La energía eólica es una de las más utilizadas actualmente para generar energía eléctrica ya que es un recurso que se encuentra en diversos sitios geográficos, lo cual resulta conveniente para la generación de energía descentralizada. Entre sus principales ventajas se encuentra que es inagotable y la emisión de gases de efecto invernadero proveniente de su aprovechamiento es mucho menor que la proveniente de combustibles fósiles, causando un menor impacto negativo al medio ambiente. Por otra parte, entre sus principales desventajas se encuentran su intermitencia, implicando una fuente no controlada de energía, su baja densidad energética, por lo que se requieren grandes superficies de instalación de la tecnología convertidora, a su vez, esta tecnología suele ser de mayor costo que la de las convencionales, y aún no es posible almacenarla fácilmente, aunque actualmente hay una intensa actividad en el desarrollo de dispositivos de almacenamiento.

México es uno de los primeros 10 países en el mundo con mayor potencial eólico. Con la finalidad de incentivar la generación distribuida de electricidad y proporcionar herramientas para ayudar al desarrollo sustentable de comunidades, se utiliza un enfoque estadístico junto con herramientas de IA para analizar el potencial eólico de una zona, así como la posibilidad de usar esta energía para resolver necesidades en esa comunidad.

En el proyecto Cátedra-CONACYT, cuyo objetivo principal es aplicar herramientas de IA para la solución de problemas en la generación y uso de energía, se han propuesto paradigmas novedosos empleando probabilidad y estadística junto con técnicas de IA para resolver este tipo de problemas para fuentes intermitentes de energía.

El recurso eólico cuenta con un alto grado de incertidumbre, o intermitencia, debido a que tanto la velocidad como la dirección del viento no son constantes, por lo que resulta más adecuado utilizar un enfoque estadístico y probabilístico para su estudio, en lugar de un enfoque determinista, que es lo más común, lo que conlleva a solucionar problemas más complejos enfrentándose así a nuevos retos.

En particular, existen preguntas importantes antes de la instalación de aerogeneradores para la explotación del recurso eólico en un lugar dado, que involucran análisis complejos, difíciles de resolver con los métodos convencionales, tales como métodos analíticos o numéricos. No obstante, la IA ofrece herramientas novedosas que pueden proporcionar soluciones satisfactorias a estos retos con alto grado de complejidad e incertidumbre.

Predicción probabilística del recurso eólico con programación genética.
Uno de los primeros puntos a considerar antes de instalar aerogeneradores es la cantidad de energía eléctrica que será producida. La predicción de la energía eléctrica producida por el viento se puede hacer a muy corto, corto, mediano o largo plazo. Entre más largo es el horizonte de predicción es más complejo el procedimiento y el error en la predicción es mayor. Para predicciones de muy corto a mediano plazo, que va desde minutos hasta una semana, existen varios métodos estadísticos y de IA, sin embargo, para predicciones de largo plazo, de una semana hasta un año, la mayoría de los métodos se basan en estimaciones de promedios de velocidad de viento. En el INEEL se desarrolló una metodología de predicción probabilística de largo plazo utilizando herramientas de IA y tomando en cuenta la naturaleza intermitente del recurso eólico.

* Borunda, M., Rodríguez-Vázquez K., Garduño, R., de la Cruz, J., Antúnez-Estrada, J. y Jaramillo, O.A. (2020). Long-term estimation of wind power by probabilistic forecast using Genetic Programming. Energies 13(8): 1885.

Dado que la velocidad del viento cambia constantemente, el recurso eólico puede ser caracterizado por funciones de densidad de probabilidad ajustadas a la distribución de velocidades medidas en un periodo, que generalmente se considera anual. La mayoría de los sitios pueden caracterizarse por funciones de densidad de probabilidad tipo Weibull, aunque hay sitios que presentan otro comportamiento y son mejor caracterizados por otras funciones de densidad de probabilidad, como las de Kappa, Rayleigh y bimodal de Weibull, entre otras. Cada una de estas funciones se caracteriza por uno, dos o más parámetros. Una vez caracterizado el recurso eólico en un sitio se pueden ajustar los parámetros de la función para el periodo que se quiere predecir (anual, estacional, mensual o semanal).

Conociendo la evolución de las funciones de densidad de probabilidad de la velocidad del viento mediante sus parámetros, así como las principales variables meteorológicas (temperatura, radiación, etc.) correspondientes a esos periodos, es posible predecir los parámetros de la función de densidad de probabilidad en un periodo futuro utilizando programación genética (PG). La PG es una herramienta de IA muy exitosa para resolver problemas de predicción basada en los algoritmos evolutivos. La PG consiste en desarrollar automáticamente programas de computadoras, siguiendo los operadores genéticos de cruzamiento y mutación de generaciones, para encontrar los parámetros que ajusten una función minimizando una función de aptitud que en este caso corresponde al error medio absoluto entre el valor predicho y el valor real.

Prediciendo probabilísticamente la función de densidad de probabilidad de la velocidad del viento para el periodo de interés e integrándola bajo la curva de potencia, que caracteriza la producción de potencia eléctrica de un aerogenerador en función de la velocidad de viento, es posible estimar la potencia generada del aerogenerador en un tiempo futuro.

Evaluación técnica de aerogeneradores con razonamiento probabilístico (inteligencia Bayesiana).
La razón principal para generar energía es cubrir las necesidades de una comunidad. Asimismo, la energía eólica contribuye a la descentralización de la energía, generando un beneficio directo en la comunidad, ya sea abasteciendo de energía a los sistemas aislados o proporcionando energía a las comunidades conectadas al Sistema Eléctrico Nacional, favoreciendo la disminución de emisión de gases contaminantes y/o reduciendo los costos de la energía. La factibilidad de la explotación de esta energía depende de la necesidad que se quiera satisfacer y del recurso eólico disponible en el sitio. Una vez más, este es un problema complejo que involucra la intermitencia de la fuente de energía, por lo que es más conveniente emplear enfoque estadístico, utilizando la función de distribución de probabilidad de la velocidad del viento. Por otra parte, el abastecimiento total o parcial de energía involucra incertidumbre, ya que en una comunidad difícilmente se puede precisar la demanda energética requerida a lo largo del tiempo. Este tipo de problemas se pueden resolver tomando en cuenta la naturaleza estadística del recurso eólico más la incertidumbre del consumo utilizando un sistema de toma de decisiones probabilístico e inteligente, es decir, usando inteligencia Bayesiana.

Por ejemplo, en el sector residencial a menudo se encuentran usuarios con un alto consumo energético. Este exceso en el consumo de energía deriva principalmente de las condiciones climatológicas que son diferentes para cada zona geográfica a lo largo del año y se ve reflejado en un aumento del precio de la tarifa de energía eléctrica. En zonas con buen recurso eólico se puede pensar que la explotación del mismo podría ayudar a la comunidad, proporcionando la energía en exceso para satisfacer su demanda de forma que los usuarios mantuvieran una tarifa baja del precio de kWh. Sin embargo, existen algunas variables complejas que tienen que considerarse: el límite de energía para convertirse en un usuario de alto consumo, así como el recurso eólico disponible, dependen de la zona geográfica, la época del año y las condiciones climatológicas donde se encuentra la comunidad, asimismo, la energía producida depende del recurso eólico y del tipo de aerogenerador empleado. Un sistema de toma de decisiones construido con redes Bayesianas resulta útil para evaluar la factibilidad de instalar un tipo de tecnología de aerogeneradores en un determinado sitio. Este sistema es un modelo gráfico probabilista que incluye las dependencias condicionales entre las variables del problema, incluyendo una función de utilidad que proporcionará una utilidad mayor o menor con base en las decisiones tomadas.

De esta forma, la intermitencia del recurso eólico queda incorporada en la función de probabilidad de la velocidad del recurso, así como la necesidad es modelada mediante una distribución de probabilidades del consumo energético que toma en cuenta su incertidumbre. La factibilidad de satisfacer la necesidad se incluye mediante la decisión, que producirá un valor mayor o menor de la utilidad con base en que sea acertada o no. Una vez más, en la mayoría de las ocasiones el problema se resuelve de forma determinista mediante valores promedios, sin tomar en cuenta la incertidumbre intrínseca del problema.

*Borunda, M., de la Cruz, J., Garduño-Ramírez, R., y Nicholson, A. (2020). Technical assessment of small-scale wind power for residential use in Mexico: A Bayesian intelligence approach. PLoS ONE 15(3): e0230122.

En el INEEL, a través de uno de los proyectos Cátedras CONACYT, se han desarrollado métodos novedosos que proporcionan soluciones satisfactorias a los retos que enfrenta el aprovechamiento óptimo de fuentes de energía limpia e intermitente, tales como la eólica y solar, mediante la creación de paradigmas que conjugan técnicas de inteligencia artificial (redes Bayesianas, programación genética) con conceptos de probabilidad y estadística.

Autora:
Mónica Borunda Pacheco, monica.borunda@ineel.mx