Impacto del error de predicci on de viento en el

predespacho de un sistema eminentemente t ermico

con alta penetraci on e olica.
Javier Toro, Esteban Gil
Departamento de Ingeniera El ectrica
Universidad T ecnica Federico Santa Mara
Email: javier.toro@alumnos.usm.cl, esteban.gil@usm.cl
AbstractEste documento se centra en evaluar el impacto del
error de predicci on de la velocidad del viento en la operaci on
de corto plazo del Sistema Interconectado del Norte Grande
(SING) - el cual es mayoritariamente t ermico - desde el punto de
vista de los costos de generaci on, costos de encendido/apagado
y generaci on de las centrales a Diesel. Para los modelos de
pron ostico se utilizar a la serie de tiempo hist orica del recurso
e olico, con un horizonte de pron ostico de 24 horas. Los modelos
de ajustes ser an del tipo Estacionales Autoregresivos Integrados
de Media M ovil (SARIMA). La evaluaci on del impacto del error
se llevar a a cabo mediante simulaciones del sistema en un modelo
de producci on, el cual propone separar los generadores conven-
cionales en dos grupos, unidades lentas y r apidas. En primera
instancia se realizar a el predespacho considerando, por separado,
las realizaciones de pron ostico de potencia e olica. Con lo anterior,
se jar a el estado (encendido/apagado) de las unidades lentas.
Posteriormente, se resolver a el despacho considerando la potencia
e olica real. El predespacho y el despacho considera limitaciones
en las rampas de los generadores y para la activaci on de la
reserva, tiempos mnimos de encendido y apagado para las
unidades convencionales y costos de encendido y apagado de
estas mismas. Cabe destacar que la incertidumbre del recurso
e olico ser a considerada a trav es de la resoluci on del predespacho
de forma determinista y utilizando programaci on estoc astica.
Index Termscostos de generaci on, despacho, error de
predicci on, modelos de pron ostico, predespacho, programaci on
estoc astica.
I. INTRODUCCI ON
Actualmente, las centrales de ERNC m as pujantes son del
tipo hidroel ectrica, e olica y solar. Dentro de las anteriores,
la que ha tomado mayor auge a nivel mundial en el ultimo
tiempo es la energa e olica. Prueba de lo anterior son las
polticas implementadas, por ejemplo, en Europa [1] y Estados
Unidos [2]. En particular en Chile, a partir del 2008 se
realizaron cambios regulatorios para estimular las ERNC, lo
que desemboc o en la puesta en evaluaci on de varios proyectos
en el pas, lo que conllevar a en los pr oximos a nos a un
creciente desarrollo de la energa e olica.
Uno de los principales problemas que tiene la energa e olica,
adem as de problemas regulatorios, es la gran variabilidad que
presenta el recurso durante el da, lo que se traduce en grandes
aumentos o disminuciones de la potencia despachada que
pueden entregar en un intervalo corto de tiempo. Esto redunda
en enormes dicultades para obtener la selecci on optima de
unidades despachadas (pre-despacho), y adem as, los nive-
les optimos de generaci on para las unidades convencionales
(despacho). Cabe se nalar que la selecci on optima de unidades
despachadas se realiza con un da de anticipaci on, por lo que
adem as de ser una fuente de preocupaci on la variabilidad de
la velocidad del viento, tambi en lo es su difcil estimaci on
para el da siguiente, agregando de este modo una fuente
de incertidumbre al predespacho. Para enfrentar la naturaleza
estoc astica del viento, se han propuesto diversas metodologas
de estimaci on del recurso e olico [3] [4], adem as de enfrentar el
problema del predespacho-despacho utilizando programaci on
estoc astica [5] o determinista. Para la primera, se consideran
distintos escenarios posibles de velocidad del viento [6]-[9],
considerando adem as otras fuentes de incertidumbre tales
como salida de componentes del sistema el ectrico de potencia,
incertidumbre en la demanda, etc. Por otro lado, para la
segunda se considera el valor esperado del pron ostico de viento
(un solo escenario) [10][11]. En particular para este trabajo
se utilizar an modelos de pron ostico de Box-Jenkins [12] de
series de tiempo para realizar el pron ostico del valor esperado
del viento. Adem as se utilizar an estos mismos modelos para
generar escenarios de pron ostico del recurso e olico.
La enorme variabilidad y difcil predecibilidad del recurso
e olico puede generar un enorme problema en la seguridad de
los sistemas el ectricos de potencia, debido a que la sobre
estimaci on del pron ostico del viento redundara en que la
reserva del sistema deba reaccionar ante aquello, lo que en
un caso extremo podra llevar a colapsar al sistema. Por otro
lado, una sub estimaci on del recurso redundara en que el
predespacho sea incorrecto debido a que se encenderan m as
unidades con respecto al resuelto sin considerar error en la
predicci on de la velocidad del viento, lo que implicar a que
los costos de generaci on del sistema aumenten. Debido a lo
anterior, se han planteado diversas metodologas que permitan
el c alculo de las reservas de forma estoc astica, las cuales
toman en consideraci on las incertidumbres modeladas en el
sistema tales como velocidad de viento, demanda energ etica,
salidas forzadas de componentes, etc. [13] [14].
Esta investigaci on se centra en evaluar el impacto del error
de predicci on de la velocidad del viento en el Sistema del
Norte de Chile (SING, el cual es altamente t ermico, desde
el punto de vista de los costos de generaci on totales, costos
de encendido/apagado y de la generaci on por tecnologa. Lo
que se desea es visualizar como una peque na diferencia en el
ajuste del modelo de pron ostico puede repercutir al sistema.
Tpicamente los ajustes de modelos de Box-Jenkins se realizan
de acuerdo al Criterio de Informaci on de Akaike (AIC). La
evaluaci on del error de pron ostico de los modelos se realiza
comparando principalmente la desviaci on est andar normal-
izada, costos de generaci on, costos de encendido/apagado y
generaci on de las centrales a Diesel.
Este paper se estructura de la siguiente forma. Primero,
en la II se discutir a sobre la obtenci on de los datos e olicos;
en la secci on III se determinar an los modelos de pron ostico
a utilizar y aquellos que ser an usados como comparaci on.
Luego, en la secci on IV se describir an las caractersticas del
sistema el ectrico a evaluar (SING), escenarios a estudiar ante
la incorporaci on del recurso e olico, la relaci on existente entre
la demanda el ectrica y potencia e olica adem as de como se
resolver a el problema, restricciones y supuestos. Finalmente
en la secci on V se mostrar an los resultados de la simulaci on
y la secci on VI presentar a las conclusiones de este trabajo.
II. RECURSO E OLICO
Para los prop ositos de esta investigaci on, el pron ostico de
la potencia e olica se realizar a indirectamente a trav es de la
estimaci on de la velocidad del viento, debido a que la no
linealidad de la curva potencia-velocidad tiende a aumentar
a un m as la variabilidad del recurso, generando de este modo
mayores errores al estimar directamente la potencia e olica.
Una vez estimada la velocidad, se proceder a al c alculo de
la potencia e olica a trav es de la curva potencia-velocidad
que simule el efecto parque [18] [19]. Los datos hist oricos
de velocidad son obtenidos gracias al proyecto Terrenos de
propiedad scal para proyectos de generaci on energ etica a
partir de energas renovables, impulsado por el Ministerio
de Energa (MINENERG

IA) y la Agencia Alemana de Co-

operaci on T ecnica (GTZ). En particular, en este trabajo se
utilizar a una serie hist orica de un sensor de velocidad ubicado
al Interior de la Regi on de Antofagasta. Los valores de la serie
hist orica del Interior se encuentran medidos para una altura de
80 metros. Finalmente, se considerar a el valor promedio del
perl dentro de una hora, debido a que el predespacho se
resolver a en dicho intervalo. Cabe se nalar que el generador
e olico no se encuentran actualmente construido, sino a un est a
en etapa de proyecto en el SING.
III. MODELOS DE PRON OSTICO
A. Comportamiento de los datos
La evaluaci on del desempe no del generador e olico ser a eval-
uado para el mes de Enero del a no 2011, por ende, se requiere
de los datos hist oricos de los perles de viento anteriores a
dicho mes para poder realizar el pron ostico. Los modelos de
pron ostico utilizados para estimar los perles de velocidad
ser an en base a los modelos lineales de Box-Jenkins. En
general para este tipo de modelos la serie de tiempo se puede
descomponer en tres componentes: estacionalidad, tendencia
y aleatoria. Cabe destacar que el efecto estacional resulta
bastante intuitivo en el caso de los perles de viento, dado que
la diferencia de temperaturas que se dan en el intervalo del
da, genera que los vientos tengan efectos estacionales diarios.
B. Ajuste del modelo de pron ostico
Dada la armaci on anterior, se procede a determinar el
orden m as adecuado que represente al modelo Auto Regresivo
Media Movil Estacional (SARIMA), lo cual se realizar a en
el software R [15] mediante el paquete forecast [16]. La
m etrica para detectar el mejor ajuste ser a utilizando el Criterio
de Informaci on de Akaike (AIC), el cual es una medida
estadstica de la probabilidad de un modelo, penalizando seg un
la complejidad (cantidad de par ametros ajustados) del mismo.
Para el an alisis, se realiz o un barrido considerando un modelo
SARIMA (p,d,q)(P,D,Q)
24
con rango de valores de cada uno
de los coecientes entre 0 y 1. Algunos resultados se muestran
en la I.
Tabla I
TABLA DE AIC PARA PERFIL DE VIENTO DEL INTERIOR
Modelo p d q P D Q AIC
1 1 0 1 1 1 1 25817.67
2 1 1 1 1 1 1 25824.81
3 1 1 1 1 0 1 25997.93
4 1 0 1 0 1 1 25918.92
5 1 0 1 1 0 0 27112.51
Para la simulaci on se utilizar a el modelo 1 y como contraste
el modelo 5. Los modelos que representen el menor AIC se de-
nominar an C1 y el de contraste C2, adem as CP corresponder a
a la resoluci on del predespacho-despacho con conocimiento
perfecto, vale decir, considerar a la resoluci on con los valores
reales de viento.
Cabe se nalar que al hacer el ajuste del modelo a trav es de
un modelo ARMA se obtiene un AIC de 28291.21, el cual es
peor que los modelos ajustados anteriormente.
C. Pron ostico y generaci on de perles e olicos
La predicci on del recurso e olico para los modelos deter-
ministas se realiza considerando que
t
=0, sin embargo, para
considerar la incertidumbre del recurso e olico en la progra-
maci on estoc astica es necesario contar con varios perles de
predicci on. En particular para este trabajo, se considera que

t
es una normal cuya esperanza y varianza se calcula a partir
de los residuos obtenidos del ajuste del modelo. Cabe destacar
que la esperanza tiende a cero.
Una vez considerado lo anterior es posible realizar Monte
Carlo [20] para obtener una cantidad deseada de perles.
En este trabajo se realizan 1000 muestras por da para cada
modelo de pron ostico. Una vez hecho lo anterior, para efec-
tos de este trabajo, las muestras se reducen a 6 utilizando
la t ecnica de clustering denominada Partitioning Around
Medoids (PAM,[21]) la cual utiliza la distancia euclidiana
entre series de tiempo como medida de cercana, permitiendo
que un elemento del mismo grupo represente al cluster. Las
probabilidades de ocurrencia son obtenidas mediante la raz on
entre el n umero de muestras asignadas a cada grupo, dividido
por el total de muestras.
P
o
w
e
r
O
u
t
p
u
t
[
p
u
]
0 5 10 15 20 25 30 35
Wind Speed [m/s]
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Turbine
Farm UpLand
Farm LowLand
Fig. 1. Curva utilizada para la transformaci on potencia velocidad.
D. Medida de rendimiento de la predicci on
Una vez obtenido el pron ostico de viento para cada modelo,
se procede a transformarlo en potencia a trav es de la curva
potencia-velocidad que simula el efecto parque [18] [19],
presentada en la gura 1. En particular se utiliz o la curva
UpLand.
La medida de rendimiento de los modelos de pron ostico
m as utilizada se basa en calcular y comparar la desviaci on
est andar normalizada del error de pron ostico. El resultado de
la anterior, para cada modelo y ubicaci on del generador, se
muestra en la tabla II.
Tabla II
DESVIACI ON EST ANDAR NORMALIZADA DEL ERROR DE PRON OSTICO
PARA CADA MODELO
Modelo de pron ostico
Norm.
Interior [pu]
CP 0
C1 0.193
C2 0.213
Cabe destacar que lo anterior est a en valores en por unidad
de MW, por lo que a medida que la capacidad instalada del
generador e olico aumenta, tambi en lo hace la dispersi on de
sus datos, por lo que las diferencias del funcionamiento del
sistema de potencia pueden cambiar dr asticamente a valores
elevados.
IV. CASO DE ESTUDIO
A. Sistema Interconectado del Norte Grande
Este trabajo abordar a el problema del predespacho-despacho
en el SING para el mes de Enero del a no 2011, el cual
llevar a a cabo mediante optimizaciones diarias de los costos de
generaci on y con una resoluci on horaria. Habitualmente quien
resuelve este problema es el Centro de Despacho Econ omico
del Norte Grande, el cual es el Operador Independiente del
Sistema (ISO) del SING en Chile.
Las simulaciones ser an llevadas a cabo utilizando PLEXOS
[22]. Para minimizar los costos de operaci on del sistema,
PLEXOS utiliza Programaci on Entera Mixta (MIP), el cual
formula el problema matem atico y lo resuelve a trav es del
solver XPress [23].
El SING es un sistema de naturaleza altamente t ermica, el
cual posee alrededor de 3.9 GW de capacidad instalada las
cuales son utilizadas para abastecer principalmente a cargas
industriales (90%) y el resto a residenciales. Un resumen de
la capacidad instalada clasicada por tipo de combustible se
presenta en la tabla III [24].
Tabla III
GENERACI ON INSTALADA EN 2011.
Tipo de Generaci on MW %
Carb on 2065.8 53.1
Gas 1451.5 37.3
Diesel 358.4 9.2
Hidro 15.2 0.4
Total Instalada 3890.9 100
B. Incorporaci on del recurso e olico
El parque e olico es cticio y se conectar a en el nodo
de Calama. Para incluir estas unidades en el predespacho
se considera que su generaci on corresponder a a los valores
predichos de acuerdo a la secci on III. Con ello, se ja el
predespacho de las unidades de carb on y gas (unidades lentas)
y posteriormente, una vez jadas las unidades, se resolver a
el problema considerando los valores reales de viento. El
problema se resolver a bajo los siguientes escenarios:
Parque en el Interior: se considerar an parques de capaci-
dad instalada de 100 MW, 200 MW, 300 MW, 400 MW.
Los anteriores escenarios ser an resueltos evaluando cinco
casos:
Conocimiento perfecto (CP): En este, se tiene
conocimiento perfecto del viento, por ende, sirve
como cota inferior de los costos de generaci on dado que
no existe error en el pron ostico del recurso e olico.
Conocimiento incierto modelo de pron ostico C1
utilizando programaci on determinista (C1-D): El
conocimiento del viento no es del todo perfecto y se
tiene un grado de error asociado al pron ostico. Por ende,
la resoluci on del predespacho no ser a optima y existir an
unidades encendidas y/o apagadas que no corresponden
al optimo entregado en CP.
Conocimiento incierto modelo de pron ostico C1 uti-
lizando programaci on estoc astica (C1-E): Se utilizar a el
modelo C1 para generar la cantidad de perles e olicos de
acuerdo a lo mencionado en la sub secci on III-C. Al igual
que el caso anterior, la resoluci on del predespacho no ser a
optima y existir an unidades encendidas y/o apagadas que
no corresponden al optimo entregado en CP.
Conocimiento incierto modelo de pron ostico C2
utilizando programaci on determinista (C2-D): El
conocimiento del viento no es del todo perfecto y se
tiene un grado de error asociado al pron ostico. Pese a
que el modelo de pron ostico, al igual que C1, es un
SARIMA. La diferencia radica en que la desviaci on
est andar normalizada del error de pron ostico de potencia
es mayor en este caso.
Conocimiento incierto modelo de pron ostico C2 uti-
lizando programaci on estoc astica (C2-E): Se utilizar a el
modelo C2 para generar la cantidad de perles e olicos
1 3 5 7 9 11 13 15 17 19 21 23
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
Boxplot horario de potencia en p.u. Generador Interior
Horas
P
o
t
e
n
c
i
a

e

l
i
c
a

[
p
u
]
Fig. 2. Boxplot horario central ubicada en el Interior.
de acuerdo a lo mencionado en la sub secci on III-C.
Pese a que el modelo de pron ostico, al igual que C1, es
un SARIMA. La diferencia radica en que la desviaci on
est andar normalizada del error de pron ostico de potencia
es mayor en este caso, por ende, la generaci on de perles
y su posterior agrupamiento generar a un resultado distinto
a C1-E.
C. Variabilidad potencia e olica
El an alisis de los datos permite descubrir que los perles de
viento tienen un comportamiento estacional diario. Lo anterior
queda retratado en el boxplot de la gura 2 con la unidad de
potencia en por unidad de MW. Se puede apreciar que presenta
una mayor variabilidad de datos a lo largo del da, con la
mayor parte de su generaci on concentrada en las horas de la
madrugada.
D. Resoluci on del problema, restricciones y supuestos
El predespacho-despacho ser a resuelto utilizando el m etodo
del costo marginal, cuya funci on objetivo se minimizan los
costos totales de generaci on. Las entradas al modelo son la
demanda del sistema, capacidades de los generadores, energa
e olica y energa e olica estimada. El predespacho es resuelto
en una base horaria, con una mirada a futuro de un da, para
obtener el mnimo costo de operaci on sujeto a las restricciones
de abastecimiento de la demanda, rampas y tiempos mnimos
de encendido/apagado.
Las restricciones y supuestos que se consideraron en la
resoluci on predespacho-despacho se presentan a continuaci on.
Se considera un mes de simulaci on (Enero-2011) para la
evaluaci on del impacto del error de pron ostico del recurso
e olico en el predespacho-despacho.
El predespacho es resuelto para el caso de CP, con el valor
real del recurso e olico, mientras que para los otros casos
(C1-D, C1-E, C2-D y C2-E), con los valores predichos
de potencia e olica. En el caso de los modelos estoc asticos
es con los perles de potencia e olica.
Una vez jado el encendido/apagado dado por la res-
oluci on del predespacho, el despacho se realiza con los
valores reales de viento.
No son consideradas salidas forzadas ni mantenimiento
de unidades, pues no se busca analizar adem as la incer-
tidumbre asociada a estos par ametros.
Se ja la reserva seg un los valores utilizados actualmente
por el CDEC-SING. Estos son 30MW de reserva en giro
y 70MW de reserva operativa.
Los datos de las centrales como costos de combustible,
rampas, costos de encendido/apagado y tiempos mnimo
de encendido/apagado son obtenidos a partir de la base
de datos del CDEC-SING.
Se considera que las variaciones en la demanda son
mucho menores que las del recurso e olico por lo que
no son tomadas en cuenta (conocimiento perfecto de la
demanda).
Las unidades a diesel se suponen de partida r apida con
respecto al resto de las unidades.
No se considera el sistema de transmisi on. Caso uninodal.
Se asume que los costos de operaci on y mantenimiento
de la central e olica son cero.
V. RESULTADOS
Se evaluar a el desempe no del SING durante el mes de Enero
del a no 2011 bajo lo descrito en la secci on IV, incorporando
los parques e olicos dados por los modelos de pron ostico
entregados en la secci on III. Se determinar an los costos totales
de generaci on, costos de encendido/apagado y la generaci on
por tecnologa para cada modelo y capacidad instalada. Lo
anterior se realizar a considerando programaci on determinista
y estoc astica, con el n de cuanticar los efectos del error
de predicci on del recurso e olico en el sistema el ectrico de
potencia.
A. Costos totales de generaci on
A continuaci on se proceder a a entregar los costos totales
de generaci on considerando distintos niveles de penetraci on
e olica, en el SING, para el mes de Enero del a no 2011.
En la Fig. 3 se pueden apreciar los costos de generaci on
totales, considerando distintos niveles de penetraci on e olica.
Como ayuda tambi en se tiene la Tabla IV. De ella se de-
sprende que para peque nos niveles de penetraci on e olica,
por ejemplo para 100 [MW], los modelos de pron ostico, ya
sea resolvi endose el pre despacho a trav es de programaci on
determinista o estoc astica, se obtienen resultados bastante sim-
ilares. Sin embargo, a medida que los niveles de penetraci on
aumentan, los modelos comienzan a diferenciarse desde el
punto de vista de los costos de generaci on. En particular se
puede apreciar que los casos C1-D y C1-E son los que mejor
se comportan, por el contrario C2-D y CD-E lo hacen de peor
forma. Cabe mencionar que el error de pron ostico del recurso
e olico repercute directamente en el encendido y apagado de
las unidades, por ende, estos estados dieren completamente
de acuerdo a la capacidad instalada de las granjas e olicas y
del caso evaluado. Para poder visualizar con mayor detalle las
0 100 200 300 400 500
37000
37500
38000
38500
39000
39500
40000
40500
41000
Potencia elica instalada [MW]
C
o
s
t
o
s

t
o
t
a
le
s

E
n
e
r
o

d
e

g
e
n
e
r
a
c
i
n

[
M
M
U
$
]
Costos totales de generacin del mes de Enero para cada modelo


CP
C1D
C2D
C1E
C2E
Fig. 3. Costos totales de generaci on considerando distintos errores de
pron ostico de generaci on e olica.
diferencias de los costos de generaci on de los modelos con
respecto al caso con predicci on perfecta se presenta la tabla
IV.
Tabla IV
VARIACI ON PORCENTUAL DE LOS COSTOS DE GENERACI ON CON
RESPECTO CP.
Determinstico Estoc astico
Pot. E olica [MW] 101111 101100 101111 101100
100 0.76% 0.71% 0.64% 0.89%
200 0.97% 1.33% 0.96% 1.43%
300 1.03% 1.51% 0.93% 1.49%
400 1.08% 2.01% 1.12% 1.95%
B. Necesidad de regulaci on
Dentro de los costos totales de generaci on se encuentran
los costos de encendido y apagado de las unidades los cuales
se muestran en la gura 4 por cada tecnologa. En la anterior
se puede apreciar que independiente de la capacidad e olica
instalada, para la resoluci on determinista, los costos de de
encendido/apagado son m as altos en el caso del modelo que
presenta mayor desviaci on est andar normalizada. Por otro
lado, se puede apreciar que C1-E tiene una mejor respuesta
que C1-D, mas no es este el comportamiento de C2-E con
respecto a C2-D. Finalmente, se puede visualizar que los
costos de encendido y apagado de las centrales a Diesel para
los modelos de pron ostico, utilizando programaci on determin-
ista o estoc astica, son mayores con respecto al conocimiento
perfecto. Lo anterior se debe a que son estas centrales r apidas
las que deben hacer la regulaci on de energa en caso de sobre
estimaci on del recurso e olico.
C. Generaci on centrales a Diesel
A continuaci on se proceder a a entregar la cantidad de
generaci on de las centrales a Diesel, considerando distintos
niveles de penetraci on e olica, en el SING, para el mes de
Enero del a no 2011. La anterior queda retratada en la gura
5 y de ella se puede concluir que a medida que aumenta la
potencia instalada de la central e olica, la generaci on a Diesel
es m as necesaria debido a que la variabilidad del recurso
CP
C1D
C1E
C2D
C2E
CP
C1D
C1E
C2D
C2E
CP
C1D
C1E
C2D
C2E
CP
C1D
C1E
C2D
C2E
Fig. 4. Costos de encendido/apagado por tecnologa considerando distintos
errores de pron ostico de generaci on e olica.
0 100 200 300 400 500
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
5.5
6
Potencia elica instalada [MW]
G
e
n
e
r
a
c
i
n

d
e

c
e
n
t
r
a
le
s

a

D
ie
s
e
l
[
G
W
h
]
Generacin de centrales a Diesel para cada modelo. Mes de Enero


CP
C1D
C2D
C1E
C2E
Fig. 5. Generaci on centrales Diesel considerando distintos errores de
pron ostico de generaci on e olica.
e olico aumenta y con ello la necesidad de regulaci on descrita
anteriormente.
VI. CONCLUSIONES
Al desear evaluar la operaci on de corto plazo de un sistema
el ectrico de potencia incorporando ERNC, resulta indispens-
able manejar modelos de pron ostico que permitan estimar la
velocidad del viento, debido a la necesidad de determinar
con antelaci on que unidades estar an encendidas y apagadas
(predespacho). Lo anterior se puede realizar utilizando la
metodologa tradicional de series de tiempo, en particular es
posible saber con antelaci on que existen efectos estacionales
diarios (dados por la diferencia de temperaturas entre da y
noche) y anuales (dado por las estaciones del a no) en el caso
del recurso e olico. En este trabajo se utiliza el m etodo del AIC
para encontrar que modelos se ajustan de forma m as correcta
y el al recurso e olico y se puede apreciar que el modelo que
m as se asemeja a este es el, en todas las m etricas visualizadas
anteriormente, es el que presenta menor AIC.
En el SING los modelos de pron ostico, ya sea de forma
determinista o estoc astica, presentan resultados bastante sim-
ilares para peque nos niveles de penetraci on, sin embargo, al
superar la barrera de los 200 MW, comienza a volverse im-
portante el efecto de determinar un buen pron ostico o el poder
contar con medidas adicionales para cubrir la variabilidad
del viento. Una de estas medidas es utilizar programaci on
estoc astica, la cual considera la incertidumbre del recurso
e olico a trav es de una distribuci on de probabilidad, a la cual
se le toman muestras y ocupan t ecnicas de cluster para poder
tener una soluci on en un tiempo acotado.
Tambi en se pudo notar la necesidad de regulaci on de las
centrales a Diesel, quienes a medida que aumenta la pene-
traci on e olica y el ajuste del modelo es peor, deben ser las
encargadas de generar m as y a la vez encenderse y apagarse
m as veces con respecto al conocimiento perfecto. Una medida
para reparar lo anterior es considerar una mayor cantidad de
requerimientos de reserva en giro, de modo que variaciones
en la generaci on e olica respecto a sus valores pronosticados
sean asumidos por centrales m as baratas, aunque m as lentas.
Finalmente cabe mencionar que pese a que la programaci on
estoc astica entrega una soluci on robusta frente a la incer-
tidumbre del recurso e olico, resulta indispensable el poder
manejar un buen modelo de pron ostico de modo tal de poder
generar los perles de viento para ser ingresados como entrada
a la resoluci on estoc astica. En particular se puede apreciar
que C2-E tiene un menor rendimiento que C2-D, empero, el
rendimiento de C1-E es mejor que el de todos los escenarios
evaluados. Esto se debe a que los perles generados son de un
modelo que presenta un menor AIC. Con respecto a aquello,
en la secci on III se calcul o de igual modo el AIC de un
modelo ARMA, el cual era mayor con respecto a los SARIMA
evaluados; lo que hace suponer que el rendimiento de este, ya
sea de forma determinista o estoc astica sera peor que a los
evaluados anteriormente.
A. Trabajo a futuro
En primer lugar resultara interesante ver el efecto del
sistema de transmisi on y con ello, como se diferencian los
modelos. Luego, para poder reducir a un m as la incertidumbre
del recurso e olico es posible utilizar la t ecnica de la progra-
maci on enrrollada o Rolling Planning. A lo largo del estado
del arte se puede apreciar que se ha usado para sistemas
con operaci on descentralizada, sin embargo, sus efectos en
un sistema centralizado no han sido estudiados y ellos pueden
ser muy prometedores.
Por otro lado, resultara atractivo el evaluar distintas formas
de determinar la reserva necesaria para hacer frente a la
incertidumbre del recurso e olico. Algunos autores consideran
que el valor de la reserva est a directamente relacionado
con la desviaci on est andar de los residuos del modelo de
pron ostico. Otros se nalan que debiese asignarse un valor al de-
sprendimiento de carga, de modo que esta variable aparezca en
la funci on objetivo y se pueda optimizar. Mientras que otros,
plantean la evaluaci on de las reservas de forma estoc astica.
REFERENCES
[1] Pure Power: Wind Energy Targets for 2020 and 2030,
EWEA 2010. Fecha visita: 10/08/2013. Sitio web:
http://www.ewea.org/
[2] AWEA, Market Report. Fecha visita: 10/08/2013. Sitio web:
http://www.awea.org/.
[3] Giebel, Gregor and Brownsword, Richard and Kariniotakis,
George and Denhard, Michael and Draxl, Caroline, The state-
of-the-art in short-term prediction of wind power: A literature
overview, ANEMOS, 2011,
[4] L. Fern andez, Modelos avanzados para la predicci on a corto
plazo de la producci on el ectrica de parques e olicos. Tesis
Doctoral.
[5] S. Takriti, J. Birge, and E. Long, A stochastic model for the
unit commitment problem, IEEE Trans. Power System.
[6] Barth, H. Brand, P. Meibom, and C. Weber. A stochastic
unit-commitment model for the evaluation of the impacts of
integration of large amounts of intermittent wind power. In
Probabilistic Methods Applied to Power Systems, 2006.
[7] P. Meibom, R. Barth, H. Brand, and C. Weber. Wind power
integration studies using a multistage stochastic electricity
system model. In Power Engineering Society General Meeting,
2007.
[8] A. Tuohy, E. Denny, and M. OMalley. Rolling unit commitment
for systems with signicant installed wind capacity. In Power
Tech, 2007 IEEE Lausanne.
[9] Tuohy, P. Meibom, E. Denny, and M. OMalley. Unit com-
mitment for systems with signicant wind penetration. IEEE
Transactions on Power Systems.
[10] Roy Billinton and Guang Bai. Generating capacity adequacy
associated with wind energy. IEEE Transactions on Energy
Conversion.
[11] B. C. Ummels, M. Gibescu, E. Pelgrum, W. L. Kling, and
A. J. Brand. Impacts of wind power on thermal generation
unit commitment and dispatch. IEEE Transactions on Energy
Conversion
[12] Focken, Ulrich and Lange, Matthias. Physical approach to
short-term wind power prediction, Springer.
[13] P.A. Ruiz, C.R. Philbrick, E. Zak, K.W. Cheung, P.W. Sauer,
Uncertainty Management in the Unit Commitment Problem.
IEEE Transactions on Power Systems, 2009.
[14] P.A. Ruiz, C.R. Philbrick, and P.W. Sauer, Wind Power Day-
Ahead Uncertainty Management through Stochastic Unit Com-
mitment Policies. Proceedings Power Systems Conference and
Exhibition. March 2009
[15] R Development Core Team. R: A Language and Environment
for Statistical Computing.
[16] Rob J Hyndman, Forecasting functions for time series and
linear models, Journal of Statistical Software, vol. 26, N

3,
2008.
[17] Francisco Caballero. Selecci on de modelos mediante criterios
de informaci on en an alisis factorial. Aspectos te oricos y com-
putacionales. Tesis doctoral, Granada, 2011.
[18] J. R. McLean (Garrad Hassan and Partners Ltd.), Equivalent
Wind Power Curves. Tech report for TradeWind Consortium,
July 2008.
[19] Per Norgaard and Hannele Holttimen, A Multi-Turbine Power
Curve Approach. In Nordic Wind Power Conference, March
2004.
[20] Nicholas Metropolis, S. Ulam. The Monte Carlo Method.
Journal of the American Statistical Association, Vol. 44, No.
247. (Sep., 1949), pp. 335-341.
[21] L. Kaufman and P. J. Rousseeu. Finding Groups in Data. John
Wiley and Sons, 1989.
[22] Energy Exemplar. PLEXOS for Power Systems-Power Mar-
ket Simulation and Analysis Software (computer software).
September 2012.
[23] Bob Daniel. Xpress-Optimizer Reference Manual. Fair Isaac
Corporation, Leamington Spa, Warwickshire, UK, June 2009.
[24] Capacidad Instalada por Combustible Periodo 2004-2013,
CDEC-SING. Fecha visita: 10/08/2013. Sitio web: www.cdec-
sing.cl