la predicción solar en la operación de plantas termosolaresprosol.uc3m.es/presentacion4.pdf ·...

La predicción solar en la operación de

plantas termosolares

Departamento Técnico, Área de meteorología

Mercedes Fernández León

12/11/2018

1

Índice

1 Introducción

2 Análisis de previsiones en plantas operadas por Abengoa

3 Estudios previsiones de IDN

a. Intercomparación de proveedores en España. Forecasting

b. Nowcasting con satélite frente a nowcasting con MPN+tiempo real (España)

c. Nowcasting con satélite y modelo

d. Nowcasting con satélite y forecasting con MPN en Sudáfrica

2

1 Introducción

3

4

España5 plataformas

Distribución de Plantas termosolares operadas por AbengoaIntroducción

EE.UU.2 plantas CCP ▪ Solana 280 MW con

almacenamiento• Mojave 200 MW

Sudáfrica3 plantas 2 CCP y 1 torre ▪ Khi Solar One, 100 MW con

almacenamiento vapor• Kaxu Solar One, 100 MW con

almacenamiento• Xina Solar One, 100 MW con

almacenamiento

5

Ubicaciones en España de las plantas termosolares operadas por AbengoaIntroducción

Plataforma de Extremadura (Logrosán)4 plantas CCP de 50 MW

Plataforma de Ciudad Real (Arenas de San Juan)2 plantas CCP de 50 MW

Plataforma de Écija 2 plantas CCP de 50 MW

Plataforma de Córdoba (El Carpio)2 plantas CCP de 50 MW

Plataforma de Solúcar(Sanlúcar la Mayor, Sevilla)3 plantas CCP de 50 MW2 plantas de torre 20+10 MW

2 4

5

3

1

El tiempoPlanta

Termosolar

Predictabilidad

Gestionabilidad

Operación de la planta

Introducción

Las plantas termosolares depende fuertemente del recurso solar

Por tanto, las mejoras de las previsiones meteorológicas incrementan la gestionabilidad, predictabilidad y la operación de las plantas

¿Por qué se necesitan previsiones meteorológicas?

¿Por qué se necesitan previsiones meteorológicas?

Mercado eléctrico

El conocimiento de la previsión meteorológica permite estimar la producción de la planta pudiéndose adaptar a las necesidades de la red y así mismo, obtener el mayor rendimiento posible en función del precio de venta de la energía.

Previsiones meteorológicas

(radiación, viento, temperatura, humedad,

etc.)

Mercado eléctrico

Mediante el conocimiento de la previsión se puede operar las plantas termosolares de forma óptima y con un mayor aprovechamiento del recurso.

Apoyándose en la previsión meteorológica se pueden planificar las actividades de mantenimiento evitando riesgo personales y materiales.


MantenimientoMantenimiento


7

Introducción

Alcances de la predicción meteorológica en las plantas termosolares

Ambos tipos de predicciones son necesarios para la operación de plantas termosolares

Predicción muy corto plazo - Nowcasting2•

•

•

•

•

•

Predicción medio- corto plazo - Forecasting1

8

Predicción IDNIntroducción

15 ‘

Sistemas de nowcasting estadístico

Cámara de cielo

Imágenes de satélite

MNP

Descripción del nowcasting

1h 5h2h 3h 4h 5h 6h

Introducción

Organigrama 2 - Funciones por departamento

Sistemas de cámaras

Algoritmos de decisión de nubes

Movimiento de nubes

Mediante modelos globales, de área

limitada o mesoescalares

Técnicas de machine learning a la salida de los

modelos

Satélite Modelo numéricoModelo técnico de

la planta

Predicción del mapa de IDN

10

Estudio de imágenes consecutivas

Derivar vector de movimiento

Identificación de pixeles con nube a 6 horas vista

Paso de pixel a IDN mediante inteligencia artificial

Introducción Descripción del nowcasting

Título diapositiva - augue

11

Organigrama 2 - Funciones por departamentoIntroducción Descripción del nowcasting

2 Análisis de previsiones en plantas operadas por Abengoa

12

Parámetros de desvío de IDN

13

Análisis de previsiones en plantas operadas por Abengoa


14


Parámetros estadísticos


15


Persistencia


16


Tabla de contingencia


17


• Tipo A IDNdía < 0.25*IDNMax

• Tipo B 0.25*IDNMax< IDNdía < 0.5*IDNMax

• Tipo C 0.5*IDNMax< IDNdía < 0.75*IDNMax

• Tipo D IDNdía > 0.75*IDNMax

Tipos de días (IDN mensual acumulada máxima, IDNMax)

2.aEstudio 1 – Intercomparación de proveedores en España. Forecasting

18

Intercomparación proveedores

19

Abril a Septiembre 2014

MI4 ASE Proveedor 1 Proveedor 2 Proveedor 3 Proveedor 4 Proveedor 5Noviembre 32,0% 34,7% 29,8% NaN NaN NaNDiciembre 21,2% 28,3% 25,3% NaN NaN NaN

Enero 57,1% 65,4% 42,6% NaN NaN NaNFebrero 50,8% 58,9% 48,8% NaN 64,3% 74,3%Marzo 35,9% 46,1% 33,7% NaN 35,2% 33,8%Abril 36,7% 43,6% 38,1% 42,4% 44,7% 41,6%Mayo 22,6% 23,2% 20,3% 23,0% 25,6% 22,7%Junio 29,0% 33,7% 29,2% 28,5% 29,9% 28,9%Julio 20,9% 25,2% 23,4% 22,8% 21,0% 21,2%

Agosto 11,1% 15,5% 16,7% 22,8% 13,4% 12,0%Septiembre 45,1% 49,9% 51,6% 45,3% 43,1% 44,2%

Sanlucar MD MI1 MI2 MI3 MI4 MI5 MI6ASE 26,93% 25,46% 26,89% 25,18% 25,18% 23,85% 24,89%Proveedor 1 30,40% 29,34% 30,74% 29,22% 29,22% 28,19% 31,23%Proveedor 2 27,33% 27,33% 27,33% 27,33% 27,24% 24,44% 26,36%Proveedor 3 35,13% 29,69% 29,69% 29,35% 29,35% 26,70% 27,20%Proveedor 4 27,22% 27,30% 27,52% 27,21% 27,21% 24,83% 24,98%Proveedor 5 26,30% 26,30% 25,94% 25,94% 25,94% 22,65% 23,31%

Plataforma de Sanlúcar

2.bEstudio 2 – Nowcasting con satélite frente a nowcasting con MPN+tiempo real (España)

20

127 días (6 nov 2013 – 12 mar 2014)

31% de días con transitorios

Tipo de día

A B C D

nº 42 18 22 46

% 33 14 17 36

Intervalo de DNI

1 2 3 4

< 200 400 800 1000

≥ 0 200 400 800

Plataforma de SanlúcarNowcasting con Satélite en P. Sanlúcar

A


0

100

200

300

400

500

600

700

800

900

DN

I (W

/m2 )

A127 días (6 nov 2013 – 12 mar 2014)

31% de días con transitorios

Tipo de día

A B C D

nº 42 18 22 46

% 33 14 17 36

Intervalos de DNI

1 2 3 4

< 200 400 800 1000

≥ 0 200 400 800


DNI (muestreo 1h, alcance 1 h) predicción vs. real

Tipo de día

A B C D Σ

MAE(W/m2)

166 294 171 82 152

rMAE(%)

>100 0,95 35 12 39

MBE(W/m2)

138 179 84 -53 61

RMSE(W/m2)

293 374 239 139 251

rRMSE(%)

>100 >100 49 21 64

CC 0,39 0,43 0,76 0,93 0,78

SMAE -2,13 -0,50 0,06 0,39 -0,21

SRMSE -1,59 -0,48 -0,02 0,28 -0,310 100 200 300 400 500 600 700 800 900 1000

0

100

200

300

400

500

600

700

800

900

1000

DNI real (W/m2)

DN

I pre

dic

ha

(W/m

2 )

DAB+C


DNI (muestreo 1 h, alcance 1 h) predicción vs. real

0 100 200 300 400 500 600 700 800 900 10000

100

200

300

400

500

600

700

800

900

1000

DNI real (W/m2)

DN

I pre

dic

ha

(W/m

2 )

DAB+C

Intervalo Real

PC 0,65 1 2 3 4 SR

1 379 34 34 0 0,85

2 30 6 17 0 0,11

3 63 36 153 47 0,51

4 26 21 93 201 0,59

POD 0,76 0,06 0,51 0,81


1 2 3-50

0

50

100

150

200

250

300

Alcance (h)

W/m

2

MAE MBE RMSE

DNI (muestreo 1 h, alcance 1-3 h) predicción vs. real vs. Nowcasting real-time

Desvíos relativamente estables en el tiempo

Metodología consistente

Desvíos estables en alcance

Metodología consistente

rMAE (nowcasting satélite) ~ 40%

rRMSE (nowcasting satélite) ~ 70%

Mejores resultados con real-time feed-back

rMAE (nowcasting realtime) ~ 30%

rRMSE (nowcasting realtime) ~ 45%

Satelite Tipo de día

A B C D Σ

MAE(W/m2)

166 294 171 82 152

rMAE(%)

>100 0,95 35 12 39

MBE(W/m2)

138 179 84 -53 61

RMSE(W/m2)

293 374 239 139 251

rRMSE(%)

>100 >100 49 21 64

CC 0,39 0,43 0,76 0,93 0,78

SMAE -2,13 -0,50 0,06 0,39 -0,21

SRMSE -1,59 -0,48 -0,02 0,28 -0,31

Tiempo real Tipo de día

A B C D Σ

MAE(W/m2)

86 210 169 74 113

rMAE(%)

68 35 11 29

MBE(W/m2)

45 -4 -43 -38 -9

RMSE(W/m2)

135 268 229 110 172

rRMSE(%)

87 47 17 44

CC 0,32 0,38 0,68 0,95 0,88

SMAE -0,62 -0,08 0,06 0,45 0,10

SRMSE -0,20 -0,06 0,02 0,43 0,10


2.c Estudio 3 – Nowcasting con satélite y modelo

27

28

1h - May 1h - June 2h - May 2h - June

MAE (W/m2)/ rMAE (%) 135.6 (22.7) 116.0 (19.7) 154.1 (25.1) 122.0 (20.3)

RMSE (W/m2)/ rRMSE (%) 208.9 (35.0) 196.8 (33.5) 241.1 (39.3) 212.2 (35.3)

MBE(W/m2) 84.8 39.8 89.4 50.3

Skill MAE (%) 3.4 21.0 27.9 42.0

Plataforma de SanlúcarNowcasting con Satéite

Nowcasting con Satélite

Nowcasting con modelo MPN nowcasting/forecasting

30

1h - Mayo 1h - Junio 24h – Mayo 24h - Junio

MAE (W/m2)/ rMAE (%) 112.8 (21.2) 100.9 (20.1) 115.8 (21.8) 116.6 (23.2)

RMSE (W/m2)/ rRMSE (%) 154.3 (29.0) 155.5 (31.0) 163.7 (30.8) 187.0 (37.3)

MBE(W/m2) 9.8 17.6 14.6 41.0

Nowcasting con modelo MPN nowcasting/forecasting


En mayo, la diferencia máxima del rMAE para todo el horizonte temporal es de 3.5 %, mientrasque en junio la diferencia es de 4.5 %.

En la predicción de IDN con MPN el rMAE no cambia en el rango del nowcasting ambos meses…

….. No es el mejor producto para el nowcasting de IDN (2 primeras horas).

Plataforma de Sanlúcar Nowcasting de producción: Metodología

IDN medida por pirheliómetro

Predicción de IDN mediante satélite

Predicción de IDN basada en MPN meteorológico

Producción bruta predicha (FGP)

Producción real bruta de una planta de 50 MW de la Plataforma de Sanlúcar

IDN real Producción bruta

de la planta (OPG)

Performance Model

Producción bruta modelada (MGP)

Satélite FGP

MPN FGP

Planta termosolar

Performance Model

Performance Model

Plataforma de Sanlúcar Nowcasting de producción: Desviación de la producción real

Comparación entre MGP y OPG

- La inercia del fluido produce un desplazamiento entre las curvas de IDN y de producción.

- En condiciones de saturación la producción no se afectada por bajadas de la curva IDN

(800-1000 W/M2 en verano).

- La diferencia entre ambas producciones es de un 8% para toda la bases de datos elegida. .


Para el día 9 de junio de 2015 , día con nubosidad, la desviación entre la producción bruta modelada y

la producción bruta de la planta es del 12 %.

- Está más condicionada por factores técnicos y humanos.

- Son plantas no totalmente automáticas.


Para el 5 de junio de 2015, día sin nubes, la desviación entre la producción bruta modelada y la

producción bruta real de la planta es del 3%.

Conclusión

Se debe tener en cuenta al MGP para determinar la influencia de factores humanos y

técnicos.

Plataforma de Sanlúcar Nowcasting de producción: Predicción MPN y Satélite

- Ambos meses las desviaciones de IDN y del producción bruta presentan curvas paralelas con el tiempo. La causa de este paralelismo se debe a que hay una relación directa entre la desviación de producción y de

IDN . Este efecto se observa tanto con predicciones basadas en productos satelitales como de MPN.

- En junio la diferencia entre rMAE de la IDN y el de la producción bruta decrece a lo largo del tiempo.

Plataforma de Sanlúcar Nowcasting de producción: Predicción MPN y Satélite

- En las primera 5 horas, las predicciones de MPN (IDN y producción bruta) presentan un rMAEestable mientras que las prediccines de satélite tienen una pendiente positiva que producen un

incremento de rMAE con el tiempo.

- En las primeras 2 horas, el rMAE del FGP con satélite es menos que el valor obtenido con satélitepor tanto bajo este horizonte el uso de satélite es más adecuado que modelo.

Futuro

Trás el estudio anteriormente presentado se extrajo la necesidad de

reducer el error de las predicciones con satélite. La propuesta fue el uso

de técnicas de postproceso que incorporen las medidas de IDN en tiempo

real de la planta.

Además, sería necesario ver el tipo de previsión que el modelo técnico

precisa en base a su diseño. Está preparado para la entrada de radiación

real.

Plataforma de Sanlúcar Conclusiones del estudio

2.dEstudio 4 – Nowcasting con satélite y forecasting con MPN en Sudáfrica

43

Proveedor 1 Proveedor 2 Proveedor 3

IDNMAE 94,72 142,60 131,24

RMSD 144,82 203,85 192,63Correl 0,9679 0,9391 0,9415

ProducciónMAE 7,17 8,53 9,35RMSD 15,45 17,07 18,14Correl 0,9669 0,9582 0,9527

Planta de Xina Forecasting de IDN y producción


IDNMAE 29% 43% 40%

RMSD 44% 62% 59%

Correl 0,9679 0,9391 0,9415

ProducciónMAE 9% 11% 12%

RMSD 19% 21% 22%Correl 0,9669 0,9582 0,9527

Periodo: 14/04/2017-14/05/2017


IDNMAE 94,72 142,60 131,24

RMSD 144,82 203,85 192,63

Correl 0,9679 0,9391 0,9415

ProducciónMAE 7,17 8,53 9,35RMSD 15,45 17,07 18,14

Correl 0,9669 0,9582 0,9527

Planta de Xina Forecasting de IDN y producción


IDNMAE 29% 43% 40%

RMSD 44% 62% 59%

Correl 0,9679 0,9391 0,9415

ProducciónMAE 9% 11% 12%

RMSD 19% 21% 22%Correl 0,9669 0,9582 0,9527

Periodo: 14/04/2017-14/05/2017

Planta de Xina Nowcasting de IDN

rMAEHorizonte Enero Febrero Marzo

30 min 14,87% 15,57% 21,02%45 min 15,05% 15,77% 21,40%

1h 15,47% 15,91% 21,51%2h 16,51% 17,69% 21,58%3h 16,36% 18,20% 24,80%

- Se observa que el desvío aumenta con el horizonte temporal.

- La previsión con satélite es mejor que el método de la persistencia por encima de 1 hora (SMAE >0).

SMAE

Horizonte Enero Febrero Marzo30 min -0,04 -0,10 -0,4945 min 0,18 0,13 -0,20

1h 0,28 0,26 0,012h 0,49 0,48 0,373h 0,61 0,60 0,45

Periodo: enero-febrero-marzo 2018

Mercedes Fernández León

Gracias

[email protected]

Departamento técnico, Abengoa Servicios

47

la predicción solar en la operación de plantas termosolaresprosol.uc3m.es/presentacion4.pdf ·...

Documents