Cuando una compañía eléctrica quiere construir un nuevo parque eólico, generalmente contrata a un consultor para que realice mediciones de la velocidad del viento en el sitio propuesto durante ocho a 12 meses. Estas mediciones se correlacionan con datos históricos y se utilizan para evaluar la generación de energía del sitiocapacidad.
En la Conferencia Internacional Conjunta sobre Inteligencia Artificial a finales de este mes, los investigadores del MIT presentarán una nueva técnica estadística que arroja mejores predicciones de la velocidad del viento que las técnicas existentes, incluso cuando utiliza solo tres meses de datos. Eso podría ahorrarlas compañías eléctricas necesitan tiempo y dinero, particularmente en la evaluación de sitios para parques eólicos marinos, donde mantener estaciones de medición es particularmente costoso
"Hablamos con personas de la industria eólica y descubrimos que estaban usando un mecanismo muy, muy simplista para estimar el recurso eólico en un sitio", dice Kalyan Veeramachaneni, científico investigador del Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MITCSAIL y primer autor del nuevo artículo. En particular, dice Veeramachaneni, la práctica estándar en la industria es suponer que los datos de la velocidad del viento siguen una llamada distribución gaussiana, la "curva de campana" familiar de las estadísticas básicas.
"Los datos aquí no son gaussianos; todos lo sabemos", dice Veeramachaneni. "Se puede ajustar una curva de campana, pero esa no es una representación precisa de los datos".
Normalmente, un consultor de energía eólica encontrará correlaciones entre las mediciones de velocidad del viento en un sitio propuesto y las realizadas, durante el mismo período, en una estación meteorológica cercana donde los registros se remontan a décadas. Sobre la base de esas correlaciones, el consultorajustar los datos históricos de la estación meteorológica para proporcionar una aproximación de las velocidades del viento en el nuevo sitio.
El modelo de correlación es lo que se conoce en estadística como una distribución conjunta. Eso significa que representa la probabilidad no solo de una medición particular en un sitio, sino de la coincidencia de esa medición con una medición particular en el otro. Consultores de la industria eólica,Veeramachaneni dice, generalmente caracterizan esa distribución conjunta como una distribución gaussiana.
diferentes curvas
La primera novedad del modelo que Veeramachaneni desarrolló con sus colegas: Una-May O'Reilly, investigadora principal de CSAIL y Alfredo Cuesta-Infante de la Universidad Rey Juan Carlos de Madrid, es que puede tener en cuentaen datos de más de una estación meteorológica. En algunos de sus análisis, los investigadores utilizaron datos de 15 o más otros sitios.
Pero su principal ventaja es que no se limita a las distribuciones de probabilidad gaussianas. Además, puede usar diferentes tipos de distribuciones para caracterizar datos de diferentes sitios, y puede combinarlas de diferentes maneras. Incluso puede usar las llamadas distribuciones no paramétricas, en el que los datos se describen no por una función matemática, sino por una colección de muestras, de la misma manera que un archivo de música digital consiste en muestras discretas de una onda de sonido continua.
Otro aspecto del modelo es que puede encontrar correlaciones no lineales entre conjuntos de datos. El análisis de regresión estándar, del tipo comúnmente utilizado en la industria eólica, identifica la línea recta que mejor se aproxima a una dispersión de puntos de datos, de acuerdo con alguna medida de distanciaPero a menudo, una línea curva ofrecería una mejor aproximación. El modelo de los investigadores permite esa posibilidad.
Validación
Los investigadores primero aplicaron su técnica a los datos recopilados de un anemómetro en la parte superior del Museo MIT, que estaba buscando instalar una turbina eólica en el techo. Una vez que tuvieron evidencia de la precisión de su modelo, la aplicaron a los datos que se les proporcionaron.por un consultor importante en la industria eólica.
Con solo tres meses de datos históricos de la compañía para un sitio de parque eólico en particular, Veeramachaneni y sus colegas pudieron predecir la velocidad del viento en los próximos dos años tres veces más exactamente que los modelos existentes con ocho meses de datos. Desde entonces,los investigadores han mejorado su modelo evaluando formas alternativas de calcular distribuciones conjuntas. Según un análisis adicional de los datos del Museo de Ciencia, que se informa en el nuevo documento, su enfoque revisado podría duplicar la precisión de sus predicciones.
Fuente de la historia :
Materiales proporcionado por Instituto de Tecnología de Massachusetts . Nota: El contenido puede ser editado por estilo y longitud.
Cite esta página :