Prediccin de potencia elctrica

en el parque elico Villonaco

Dr. Alberto Reyes Ballesteros
Instituto de Investigaciones Elctricas / INER
areyes@iie.org.mx

Contenido
Introduccin
Caractersticas del parque elico Villonaco
Tcnicas de IA utilizadas
Agrupamiento
Redes neuronales
Redes Bayesianas dinmicas

Metodologa
Resultados experimentales
Conclusiones

INTRODUCCIN
El comportamiento del viento presenta alto grado de
aleatoriedad, incertidumbre e intermitencia. Asimismo, las
fuentes de informacin de este recurso como torres
meteorolgica y SCADAS pueden inducir ruido en la
informacin o huecos en los registros de datos.
Las tcnicas convencionales para caracterizar el viento no son
efectivas por lo que se propone utilizar la inteligencia artificial.
En este trabajo se pretende demostrar el poder de la
inteligencia artificial para resolver problemas complejos como
la prediccin de viento usando como base los datos de
produccin del parque elico villonaco.

Preguntas de investigacin
Es posible obtener perfiles de viento con fines de hacer
modelos de prediccin eficientes?
Podremos caracterizar el comportamiento del viento en
cierto periodo de tiempo?
Cmo podemos determinar la relacin entre variables
relacionadas con los recursos renovables con fines de
diagnostico?
Cmo podemos predecir una variable dadas otras?

Parque Villonaco
2500

11 aerogeneradores:
Gold Wind 1500 kw (GW70-1500)
Radio 35 m
Altura gndola: 65 m
Activos - Eficiencia del 100 %

2000

1500

Alfa fija: 0.1428

Altura de lectura de vel. viento: 60 m

Fecha-hora
/ Vel. v. / Dir. V.
01/03/2014 12:00 am 2.34 269
01/03/2014 11:50 am 2.15 148.53

1000

500

0
0

200

400

600

Agrupamiento (clustering)

Clases. Categoras definidas por un conjunto de atributos.

Una clase puede ser un vehculo (areo, terrestre,
martimo). Cada uno se define por atributos particulares.
Por ejemplo un transporte areo se define por la
altitudMax, velDespegue, velAterrizaje, etc.
Las clases pueden tener jerarquas. Por ejemplo todos los
vehculos se definen por atributos generales como precio,
marca, modelo.
De este modo, las subclases pueden tener los atributos de
sus superclases. Esto es que un vehculo areo puede tener
atributos como: precio, marca, modelo, altitudMax,
velDespegue, velAterrizaje, etc.
Objetos. Casos particulares o instancias de las clases. En
este caso los atributos ya tienen valores. Por ejemplo:
precio=10MDD, marca=Boing, modelo=DC10,
altitudMax=50000 pies, velDespegue=5000 nudos,
velAterrizaje=2000 nudos, etc.

vehculos

areos

martimos
terrestres

Definicin
Clustering es el proceso de agrupar datos en clases o clusters de modo
que los objetos de un cluster tengan alta similaridad entre ellos y baja con
objetos del otros clusters.
La medida de similaridad esta basada en los atributos que describen los
objetos.
Los grupos pueden ser: exclusivos, con traslapes, probabilsticos,
jerarquicos.
Aplicaciones: caracterizar clientes o empleados, formar taxonomas,
clasificar documentos, etc.

Medida de similiaridad

Medida de similiaridad
Para variables numricas (lineales).
x1

x0

s1

s2

s3

Medidas de similaridad
Otras:
Variables binarias. Ej. p=true y q=false.
Variables nominales. color=negro,forma=circular
Variables mixtas: Ej. alarma=activada, textura=suave

Estrategia: Convertir todo a atributos numricos y

resolver como tal.

Algoritmos de clustering

Algoritmos de clustering

Bottom-up
(aglomeramiento)

Top down

Algoritmos de clustering

K-means

Clustering basado en probabilidades

Clustering basado en probabilidades

Expectation Maximization (EM)

Redes neuronales
Las RNA's propuestas por las ciencia de la computacin y las
neurociencias son resultado del estudio de las funciones y
estructuras del cerebro.
Modelos computacionales basados en estos antecedentes
biolgicos para resolver problemas complejos como:
Reconocimiento de patrones
Procesamiento rpido de la informacin
Aprendizaje y adaptacin

Redes neuronales
Caractersticas
Habilidad para aproximar funciones no-lineales arbitrarias.
Proveen modelos no-lineales requeridos para el diseo de controladores
no-lineales y adaptables.

Estructura paralela:
Tolerancia a fallas y rapidez de operacin.

Entrenadas con datos histricos del sistema en estudio

Habilidad para generalizar y ser adaptadas en lnea.

Aplicables a procesos multivariables.

Redes neuronales
RNA - originalmente simulacin abstracta de
sistemas nerviosos biolgicos, formados por
conjunto de unidades llamadas "neuronas".
Alan Turing (1936) estudio cerebro como forma de
ver la computacin.
McCulloch y Pitts (1943 ) Primer modelo, primeros
tericos que concibieron los fundamentos de la
computacin neuronal.

Redes neuronales de tipo biolgico

Una neurona consta de un cuerpo de
la clula o soma que contiene el
ncleo de la clula. Del ncleo
derivan varias fibras llamadas
dendritas y una fibra larga llamada
axn.
Dendrita: llevan seales de los nervios al
cuerpo de la clula.
Axn: lleva seales de salida de la neurona
a las dendritas de otras neuronas.
Sinapsis: uniones entre neuronas.

Existen 1011 neuronas, cada una con

103-104 conexiones a otras neuronas
con pulsos elctricos de milisegundos.

Idea bsica
Inspiradas en las neuronas del cerebro
se crean redes de neuronas
interconectadas.
La capa de entrada tendr tantas
neuronas como nmero de variables de
entrada y la capa de salida tantas
neuronas como variables de salida.

Nodo o unidad bsica de una neurona

Modelo matemtico simple de una neurona. La activacin de salida

de la unidad es:
, donde a es la activacin de
salida de la unidad j y
es el peso en el enlace desde la unidad j
a esta unidad.

Funciones de activacin
Existen diferentes funciones de activacin g

Funcin
umbral (o
escaln)

Funcin
rampa

Funcin
sigmoidal
(o logstica)

Funcin
gaussiana

Fases de aplicacin
Fase de aprendizaje:
aprenden por la actualizacin o cambio de los pesos
sinpticos que caracterizan a las conexiones.
Se usa un conjunto de datos o patrones de entrenamiento.

Fase de prueba:
Una vez calculados los pesos de la red, se comparan la(s)
salida(s) de la red con la salida deseada.

Estructuras de las RNA's

Una RNA se determina por
la neurona y la matriz de
pesos.
Tipos de capas de
neuronas: la de entrada, las
ocultas y la de salida.
Tipos de Conexin: hacia
delante, hacia atrs, lateral
y de retardo.

Diferentes arquitecturas

Perceptron

BP-Backpropagation
Rumelhart, Hinton y Williams (1986) basandose
en trabajos de (Werbos 74) y (Parker 82).
Mtodo para que la RNA aprendiera la
asociacin entre patrones de entrada y las
clases correspondientes.
Tcnica de optimizacin diseada
minimizar una funcin objetivo:
1 M
2
ew d k yk ( w)
2 k 1

para

Aplicaciones
(1) Clasificacin de
patrones
(2) Categorizacin
en grupos
(clusters)
(3) Aproximacin
de funciones

Aplicaciones
(4) Pronstico
(5) Optimizacin
(6) Recuperacin de
contenidos

REDES BAYESIANAS
Teora de
probabilidad

Teora de
grfos

REDES
BAYESIANAS

REDES BAYESIANAS
DAG (grfico acclico dirigido)
Nodos: representan variables (objetos)
Arcos: representan dependencia condicional (causalidad)

P(H)

P(E|H)
E

1.Estructura
(cualitativo).

de

la

red

2.Probabilidades a priori y
condicionales (cuantitativo).

P( E | H ) P( H )
P( H | E )
P( E )

Ejemplo
humo

Falta
gasolina

Falla
encendido

Falla
batera

Si despus
observamos
humo del motor,
entonces cambia
Pf(gas) y sube
Pf(batera)

Observando falla de
encendido, podemos
calcular Pf(gasolina) y
Pf(batera)
34

Interpretaciones prcticas
1. Identificando causalidad entre variables en
un proceso.
2. Representacin de la probabilidad conjunta
entre varias variables.

Temperatura del combustible

viscosidad

Relacin entre variables

temperatura

P(vis cos idad | temperatura)

viscosidad

temperatura
viscosidad

alta

baja

alta

0.1 0.95

baja

0.9 0.05

Relacin entre variables

Si utilizamos ms
visc
valores para cada
0
variable, quedara una 0.1

tabla mayor.
0.5

0.9

temperatura
0

0.1

0.5

0.9

0.0001

0.0007

0.001

0.945

0.0008

0.001

0.93

0.0008

0.0015

0.0001

0.95

temperatura

Rgimen
Trmico

viscosidad

P(vis cos idad | temperatura, Rgimen _ trmico )

Flujo comb

Oxgeno

Temp comb
quemdores

viscosidad

Rgimen
Trmico
Generacin

Red Bayesiana

Representacin de la probabilidad
conjunta
m
p

t
g

Una red Bayesiana

simplifica la representacin
de la probabilidad conjunta
de n eventos. Por ejemplo:

P(m,t,p,g,a) = P(a|t,p)P(g|t)P(t|m)P(p|m)P(m)

Redes Bayesianas Dinmicas

Redes Bayesianas (estticas) modelan las
relaciones probabilistas de un conjunto de n
variables X={X1, X2,..,Xn}.
Dada cierta evidencia en algunas variables, se
calcula la probabilidad posterior en las dems
variables.
El razonamiento se lleva a cabo en un instante
de tiempo (foto del proceso) y en un lugar.
43

Sistemas dinmicos
En sistemas dinmicos, las variables son
ahora series de tiempo Xt.
Xt ={Xt1, Xt2,..,Xtn}.
El espacio probabilista se forma por los
valores que puede tomar cada variable Xi
en cada tiempo relevante t.
La distribucin de probabilidad se convierte
en un espacio muy complejo.
44

Suposiciones:
1. Discretizar el tiempo en etapas (time slices)
regulares.
Xt =X(0), X(1),.., X(t)
Xti =X(0)i, X(1)i,.., X(t)i para i = 1..n

0:

)=

1
+1
0:
(
|
=0

Es decir, el futuro depende de toda la historia

del proceso. Sigue la complejidad.
45

Suposiciones
2. Sistema Markoviano

(0) , (1) , . . , () =

(+1 | )
=0

Es decir, el futuro es independiente del pasado

dado el presente.

46

Suposiciones
3. Sistema estacionario
((+1) |() ) es igual para toda t
Es decir, el estado siguiente del proceso
depende del estado presente, de la misma
forma en cualquier parte de la muestra (un
ao a otro, las primaveras o los inviernos).
47

Suposiciones?
La primera es obvia y no hay duda: discretizar
el tiempo. Seleccionar el time slice apropiado.
Es un sistema Markoviano?
Es una serie de tiempo estacionaria?
Segn pruebas de Dicker-Fuller, s son
estacionarias.

48

Red de Transicin para prediccin meteorolgica

49

Red Bayesiana dinmica a 5 hrs.

50

Metodologa
Potencia MW

Perfil de viento 1

Datos
de
perfil1

Hora

Algoritmos de
agrupamiento

Herramientas
de IA (ANN /
DBN)

Hora

Datos
de
perfil n

Perfil de viento n
Potencia MW

Datos
histricos de
viento

Datos
de
perfil2

Potencia MW

Perfil de viento 2

Hora

RESULTADOS EXPERIMENTALES
Se realiz una serie de pruebas con datos
horarios del aerogenerador No. 1 del parque
villonaco.
Se usaron datos histricos de velocidad de
viento (m/s) y potencia (kw) registrados
durante 2014 y 2013.
Para las pruebas se usaron las herramientas:
Weka, OpenMarkov y una herramienta
propietaria para aprendizaje bayesiano.

RESULTADOS EXPERIMENTALES

Perfiles de viento
CLUSTERING

EM
(PROBABILISTICO)

K-MEANS
(DETERMINISTICO)

EM
ESTADISTICAS DE AGRUPAMIENTO

ESTADISTICAS DE AGRUPAMIENTO (continuacin)

ESTADISTICAS DE AGRUPAMIENTO (continuacin)

K-MEANS
ESTADISTICAS DE AGRUPAMIENTO

ESTADISTICAS DE AGRUPAMIENTO (continuacin)

RESULTADOS EXPERIMENTALES
Aproximacin de
comportamiento anual de
viento
REDES NEURONALES

PERCEPTRN SIMPLE

PERCEPTRON MULTICAPA

PERCEPTRON MULTICAPA

1 CAPA OCULTA

2 CAPAS OCULTAS

3 NODOS

6 NODOS

Comportamiento del viento en Villonaco (2013-20142015) Aerogenerador 1

PERCEPTRN SIMPLE
ESTADISTICAS DE CLASIFICACIN

ESTADISTICAS DE CLASIFICACIN (continuacin)

PERCEPTRN MULTICAPA (1 CAPA OCULTA, 3 NODOS)

ESTADISTICAS DE CLASIFICACIN

ESTADISTICAS DE CLASIFICACIN (CONTINUACIN )

ESTADISTICAS DE CLASIFICACIN (CONTINUACIN )

Dependencia
condicional entre
variables y prediccin
probabilista

RED BAYESIANA
ESTTICA

RED BAYESIANA
DINMICA

RED ESTTICA

RED DINMICA

La Red Dinmica presentada fuer elaborada con datos del parque elico Villonaco
(Aerogenerador 1, ao 2014)

RED DINMICA

CONCLUSIONES
Se obtuvo para el perfil de viento en Villonaco con tcnicas
de clustering.
Se aproxim una funcin de viento anual con una red
neuronal.
Se obtuvo un modelo de prediccin mediante redes
bayesianas dinmicas.
Se compararn resultados para los modelos construidos.

Referencias
[1] Pablo H. Ibargengoytia, Alberto Reyes, Ins Romero Len, David
Pech, Uriel Garcia, Eduardo F. Morales, L. Enrique Sucar, Wind Power
Forecasting Using Dynamic Bayesian Models, A. Gelbukh et al. (Eds.):
MICAI 2014, Part II, LNAI 8857, pp. 184--197. Springer International
Publishing Switzerland (2014)
[2] Pablo H. Ibargengoytia, Alberto Reyes, Uriel Garcia, Ins Romero
Len, David Pech, and Mnica Borunda, A Tool for Learning Dynamic
Bayesian Networks for Forecasting, MICAI 2015, Part II, LNAI 9414,
Springer International Publishing, Switzerland (2015)
[3] C. Monteiro, R. Bessa, V. Miranda, A. Botterud, J. Wang and G.
Conzelmann, Wind Power Forecasting: State-of-the-Art-2009, Argonne
National Laboratory, Decision and Information Sciences Division, Porto,
Portugal, 2009, ANL/DIS-10-1
[4] Pablo H. Ibargengoytia, Alberto Reyes, Uriel Garcia, Ins Romero
Len, David Pech, Evaluating Probabilistic graphical models for forecasting,
Intelligent Systems Applications in Power ISAP-2015, Porto, Portugal,
Septiembre del 2015.

Referencias
Ian H. Witten, Eibe Frank, Mark A. Hall; Data Mining:
Practical Machine Learning Tools and Techniques, Third
Edition (The Morgan Kaufmann Series in Data Management
Systems) 3rd Edition; 2011.
K-means tutorial
http://youtu.be/zHbxbb2ye3E

Expectation maximization tutorial

http://youtu.be/AnbiNaVp3eQ

Weka 3: Data Mining Software in Java

http://www.cs.waikato.ac.nz/~ml/weka/