Este documento discute cómo los datos generados por organismos públicos sobre el clima y la energía pueden usarse para mejorar la contribución de las energías renovables a la red eléctrica. Describe cómo los modelos de predicción del clima y las técnicas de inteligencia artificial como las redes neuronales recurrentes pueden ayudar a predecir con mayor precisión la generación futura de energía eólica y solar, lo que permitiría una planificación más efectiva de la red eléctrica y mayores ganancias para los generadores de energía renovable. El

1. Datos, Energía y Negocio:
hacia un futuro más
sostenible
1
T. Morales
Big Data & Data Science Team Lead en Synergic Partners
2017-01-12

2. ¿Quién soy?
Experiencia Laboral
• Big Data & Data Science Team Lead en Synergic Partners para Proyectos
Analíticos de Telefónica.
• Investigador Asociado Agencia Estatal de Meteorología (AEMET) en el
desarrollo NWP para HIRLAM y ECMWF.
Background académico
• Licenciatura en Física.
• Ciclo Superior en Física Computacional.
• Master en Sistemas Expertos y Métodos Numéricos.
• PhD Candidate: Contribuciones en el uso de redes neuronales avanzadas en
los proceso de predicción en series de datos
2

3. 3
Generación de datos por parte de los
organismos públicos
Concepto OpenData
Uso de esos datos para el desarrollo de
negocio
Mercado de energía, y concretamente en
energía renovable

4. 4
Modelo determinista
Presión a nivel del mar
Velocidad del viento a 850 hPa
Modelo estocástico
Ensamble de modelos
Media y desviación estándar del viento a 850 hPa de
todo los miembros del ensamble
Model IFS

5. 5
Modelo MACC - Calidad del aire
Estaciones Calidad del aire
de la Comunidad de Madrid

6. 6
Asimilación
de datos
Modelo Verificación
Satélites
Boyas
Radar
Método Asimilación de datos
3D-VAR
4D-VAR
ENS-KalmaFilter

7. 7
Asimilación
de datos
Modelo Verificación
CRAY XC40
20 cabinas con 6912
procesadores cada una.
Fuente:
http://www.ecmwf.int/en/computing/our-facilities/supercomputer
Esquemas Numéricos
Semi-Lagrangianos Semi-Implícitos
Eulerianos
Lagrangianos

8. 8
Asimilación
de datos
Modelo Verificación
Fuente
Variational bias correction of GNSS ZTD in the HARMONIE modeling system,
Jana Sanchez Arriola & Autores

9. 9
OpenData
(*) Fuente
Using Bias-Corrected Reanalysis to Simulate Current and
Future Wind Power Output,
Staffell, Iain and Pfenninger, Stefan
Reanálisis
Modelo
Serie Temporales
(*)

10. 10
Wind Power Farm
Solar Power Farm
OpenData

11. 11
Fuente:
Red Eléctrica de España
https://demanda.ree.es/demanda.html

12. 12
¿Podríamos utilizar toda está información generada
por los modelos de predicción del tiempo para mejorar la
contribución de las energías renovables en la demanda
energética?
¿Con qué técnicas o algoritmos podríamos hacerlo?

13. 13
Inteligencia Artificial

14. 14
Redes Neurales Artificiales -
Redes Recurrentes un-folding con celdas
Redes Recurrentes un-folding con celdas
Long Short-Term Memory (LSTM)
Redes Recurrentes un-folding sin celdas

15. 15
Sequence to Sequence modelStack LSTM

16. 16
Precio de la electricidad
Tiempo
actual
Señal energía
Señal externa

17. 17
Tiempo
actual
Señal energía
Señal externa 1
Señal externa N

18. 18
1
2 3
Podium de energías
Energía sucias: Nuclear, Fuel+gas, Carbon, Hidráulica, ..
Energías limpias: Eólica, Fotovoltaica, Térmica renovable, …

19. 19
Eólica 1
2
3
Podium de energías
Energía sucias: Nuclear, Fuel+gas, Carbon, Hidráulica, ..
Energías limpias: Eólica, Fotovoltaica, Térmica renovable, …
Competición: un futuro más sostenible
Sol
Nuclear
Fuel+gas
Hidráulica

20. Futuro
más
sostenible
20
OpenDataGeneración
de datos por
parte de los
organismos
públicos
Mejora en la predicción
de cantidad de energía
renovable que contribuye
a la red
Mayor ganancia
para los
generadores de
energía renovable

21. – Preguntas
“Muchas gracias por la atención”
21