Contribución al desarrollo de una herramienta operativa de predicción meteorológica microescalar

Abstract

[ES] La predicción meteorológica microescalar resulta de gran importancia en el sector eólico, al proporcionar una información muy relevante para estimar la producción de energía esperable en un marco temporal de unos pocos días. Aún cuando dicha predicción es posible empleando una estrategia de anidamiento entre modelos globales, mesoescalares y microescalares, el coste computacional de la resolución de estos modelos hace imposible su implementación en herramientas operativas (que sean capaz de proporcionar resultados en un tiempo sensiblemente inferior al tiempo simulado). A fin de obtener herramientas de este tipo, en la industria se desarrollan técnicas basadas en aprendizaje automático (típicamente empleando redes neuronales artificiales) que, alimentadas por conjuntos de datos relevantes, permitan una correlación entre predicciones mesoescalares (disponibles a unos días vistas a través de las diferentes agencias meteorológicas) y registros mesoescalares (a partir de datos medidos en campo) para un determinado emplazamiento. El presente Trabajo Fin de Máster se enmarca en un enfoque diferente, basado en las técnicas de modelado reducido. En particular, se propone la simulación meteorológica acoplada de modelos mesoescalares y microescalares con la herramienta de simulación Weather Research and Forecasting Model (WRF), desarrollada por diferentes laboratorios estadounidenses desde hace algo más de veinte años (se puede consultar más información sobre este código en https://www.mmm.ucar.edu/weather-research-and- forecasting-model), la extracción de modos que permitan describir la dinámica de los modelos microescalares, la derivación de un modelo de orden reducido basado en la dinámica de estos modos y cuyos coeficientes (en vez de ser calculados mediante la proyeccion del modelo físico sobre el conjunto de modos, lo que requeriría un trabajo de programación enorme) serán identificados a partir de la evolución de las amplitudes observadas. En relación con el anterior objetivo global, el Trabajo Fin de Máster que se propone abordaría los siguientes objetivos específicos: (a) Análisis de los patrones espacio-temporales que aparecen en las simulaciones meteorológicas anidadas, considerando tanto los patrones que aparecen en el dominio más reducido del anidamiento (correspondiente al modelo microescalar) como los que aparecen en el dominio más grosero (asociado éste a los modelos de predicción mesoescalar). Al margen de técnicas más estándar para la extracción de patrones, como las técnicas de descomposición ortogonal propia (POD) o las de descomposición dinámica modal (DMD), se considerarán otras como el uso de la transformada wavelet. (b) Construcción de un modelo de orden reducido para la dinámica del modelo meteorológico mesoescalar, capaz de relacionar los valores de los campos en el interior de estos dominios coincidentes con la frontera del dominio microescalar y los valores en la frontera del dominio mesoescalar (o bien en aquellos puntos donde se disponga de una predicción meteorológica mesoescalar). Este modelo servirá para transformar las predicciones mesoescalares en el periodo que se quiere simular en condiciones de contorno para el modelo microescalar, simulando el proceso de anidamiento. Para los objetivos anteriores se considerará en particular un emplazamiento para el cual se dispone de un amplio conjunto de datos. A fin de limitar la complejidad del Trabajo Fin de Máster, se elegirán datos correspondientes a días con una atmósfera seca. La consecución de los objetivos anteriores representaría un paso importante de cara a la construcción de una técnica rápida de predicción microescalar a partir de predicciones mesoescalares.

[EN] This work is part of the development process of an operative tool for microscalar meteorological forecast, using dimensional reduction techniques, specifically it is used the identification of dynamic systems in order to obtain a reduced order model that describes the dynamics of the original system. The numerical model for meteorological simulation WRF and the theoretical principles of reduced order modeling are introduced. The approach adopted is centred on POD (Proper Orthogonal Decomposition) modes, which allow to describe separately spatial patterns (modes) and temporal evolution (amplitudes) by separation of variables. The advantage of this method is that a system can be modelled accurately with just a few characteristic POD modes, achieving a drop-off in the number of degrees of freedom of the system and a remarkable reduction of the computing time.