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 emplazamiento propuesto durante entre ocho y 12 meses. Esas mediciones se correlacionan con datos históricos y se utilizan para evaluar la capacidad de generación de energía del emplazamiento.
En la Conferencia Internacional Conjunta sobre Inteligencia Artificial, que se celebra a finales de este mes, investigadores del MIT presentarán una nueva técnica estadística que produce predicciones de la velocidad del viento mejores que las técnicas existentes, incluso cuando utiliza solo tres meses de datos. Eso podría ahorrar tiempo y dinero a las compañías eléctricas, especialmente en la evaluación de emplazamientos para parques eólicos marinos, donde el mantenimiento de las estaciones de medición resulta especialmente costoso.
“Hablamos con personas del sector eólico y descubrimos que utilizaban un mecanismo muy, muy simplista para estimar el recurso eólico de un emplazamiento”, afirma Kalyan Veeramachaneni, investigador científico del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT y primer autor del nuevo artículo. En concreto, señala Veeramachaneni, la práctica habitual en el sector consiste en modelar las correlaciones en los datos de velocidad del viento mediante una denominada distribución gaussiana, es decir, la «curva de campana» familiar de la estadística básica.
“Los datos aquí no son gaussianos; eso lo sabemos todos”, afirma Veeramachaneni. “Se puede ajustar una curva de campana a los datos, pero eso no es una representación precisa de ellos.”
Normalmente, un consultor en energía eólica encuentra correlaciones entre las mediciones de velocidad del viento realizadas en el emplazamiento propuesto y las realizadas, durante el mismo periodo, en una estación meteorológica cercana cuyos registros se remontan a décadas atrás. Sobre la base de esas correlaciones, el consultor ajusta los datos históricos de la estación meteorológica para obtener una aproximación de las velocidades del viento en el nuevo emplazamiento.
El modelo de correlación es lo que en estadística se conoce como distribución conjunta. Eso significa que representa la probabilidad no solo de una medición concreta en un emplazamiento, sino también de que dicha medición coincida con una medición concreta en el otro. Según Veeramachaneni, los consultores del sector eólico suelen caracterizar esa distribución conjunta como una distribución gaussiana.
Curvas diferentes
La primera novedad del modelo que Veeramachaneni desarrolló con sus colegas —Una-May O’Reilly, investigadora científica principal del CSAIL, y Alfredo Cuesta-Infante, de la Universidad Rey Juan Carlos de Madrid— es que puede incorporar datos de más de una estación meteorológica. En algunos de sus análisis, los investigadores utilizaron datos de 15 o más emplazamientos adicionales.
Pero su principal ventaja es que no se limita a las distribuciones de probabilidad gaussianas. Además, puede utilizar distintos tipos de distribuciones para caracterizar los datos de diferentes emplazamientos y puede combinarlas de distintas maneras. Incluso puede emplear las denominadas distribuciones no paramétricas, en las que los datos no se describen mediante una función matemática, sino mediante una colección de muestras, de forma similar a como un archivo de música digital consiste en muestras discretas de una onda sonora continua.
Otro aspecto del modelo es que puede encontrar correlaciones no lineales entre conjuntos de datos. El análisis de regresión estándar, del tipo que se utiliza habitualmente en el sector eólico, identifica la línea recta que mejor aproxima una dispersión de puntos de datos según alguna medida de distancia. Pero a menudo una línea curva ofrecería una aproximación mejor. El modelo de los investigadores permite contemplar esa posibilidad.
Validación
Los investigadores aplicaron primero su técnica a datos recogidos por un anemómetro situado en la parte superior del MIT Museum, que pretendía instalar una turbina eólica en su tejado. Una vez que tuvieron pruebas de la precisión de su modelo, lo aplicaron a datos facilitados por una importante consultora del sector eólico.
Con solo tres meses de datos históricos de la empresa correspondientes a un determinado emplazamiento de parque eólico, Veeramachaneni y sus colegas lograron predecir las velocidades del viento durante los dos años siguientes con una precisión tres veces mayor que la de 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 la Ciencia, que se recoge en el nuevo artículo, su enfoque revisado podría duplicar la precisión de sus predicciones.
Justin Dauwels, profesor adjunto de ingeniería eléctrica en la Universidad Tecnológica de Nanyang, es experto en “cópulas”, la técnica estadística que los investigadores del MIT utilizaron para acoplar distintos tipos de distribuciones de probabilidad. “El equipo de Veeramachaneni propuso un modelo sumamente adecuado para una aplicación significativa en el mundo real”, afirma Dauwels. “Al describir con precisión la estadística no gaussiana, los modelos basados en cópulas superan a los modelos gaussianos clásicos, al proporcionar distribuciones marginales precisas en los lugares de prueba a partir de muchas menos mediciones. Esta metodología tiene un gran valor práctico y estoy convencido de que será aplicable a muchos otros problemas de la vida real.”
Este artículo se publica en colaboración con MIT News. La publicación no implica que el Foro Económico Mundial respalde las opiniones expresadas.
Para estar al día con la Agenda, suscríbase a nuestro boletín semanal.
Autor: Larry Hardesty es redactor colaborador de MIT News.
Imagen: Un parque eólico marino se alza en el agua cerca de la isla danesa de Samso el 19 de mayo de 2008. REUTERS/Bob Strong.
