Predicción de demanda y producción de energía eléctrica mediante redes neuronales y validación de los resultados mediante ensayos realizados en el laboratorio de recursos energéticos distribuidos de la UPV

Abstract

[ES] El objetivo de este TFM es aplicar una metodología para predecir la producción y generación de energía de la microrred del Laboratorio de Recursos Energéticos Distribuidos de la UPV (LabDER) usando redes neuronales artificiales. Esta metodología se puede extrapolar a otras microrredes.

Se dispone la potencia generada en tiempo real para cada una de las fuentes: solar fotovoltaica, eólica y baterías. Además, se dispone de datos meteorológicos tales como irradiación, velocidad de viento, temperatura ambiente entre otros. Con esta información se pretende predecir las curvas de demanda y de generación global de cada componente para optimizar la gestión de la energía.

El tratamiento de los datos y la predicción se realizará mediante el lenguaje Python y usando la herramienta tensorflow. Tensorflow es una herramienta que permite generar diferentes tipos de redes neuronales como es el caso del clásico ¿perceptrón¿, redes convolucionales o redes recurrentes. Con el fin de obtener mejores resultados, esta herramienta permite crear redes neuronales artificiales con diferentes algoritmos de optimización para su entrenamiento.

La primera parte de este trabajo consistirá en adaptar los datos de entrada (datos de la red y datos meteorológicos) para que pueden ser utilizados como inputs en la red neuronal. Posteriormente se seleccionarán los diferentes tipos de redes neuronales según lo que se decida predecir. Por ejemplo, para la producción global diaria, se podrían obtener resultados óptimos mediante un perceptrón clásico, mientras que para obtener la curva de producción sería mejor trabajar con redes neuronales recurrentes.

Finalmente, mediante Tensorflow se puede definir una red neuronal con sus diferentes capas, el ritmo de aprendizaje y el algoritmo de entrenamiento entre otros. Esta herramienta permite crear una red a medida para obtener resultados adaptando los diferentes parámetros para así conseguir un mejor entrenamiento. Este tipo de redes implica un alto coste computacional.