| Tesis Doctorales de la Universidad de Alcalá |
| PRONÓSTICO MULTIVARIABLE DE GENERACIÓN EÓLICA - SOLAR MEDIANTE ALGORITMOS HÍBRIDOS MEJORADOS DE APRENDIZAJE PROFUNDO PARA LA OPERACIÓN EN TIEMPO REAL DE REDES ELÉCTRICAS | | Autor/a | Herrera Casanova, Reinier | | Departamento | Electrónica | | Director/a | Santos Pérez, Carlos | | Codirector/a | Conde Enríquez, Arturo | | Fecha de depósito | 24-07-2026 | | Periodo de exposición pública | 25 de julio a 7 de septiembre de 2026 | | Fecha de defensa | Sin especificar | | Modalidad | Presencial | | Programa | Electrónica: Sistemas Electrónicos Avanzados. Sistemas Inteligentes (RD 99/2011) | | Mención internacional | No | | Resumen | La creciente penetración de fuentes de energía renovable (Renewable Energy Sources, RES), en particular la energía solar fotovoltaica (Photovoltaic, PV) y la energía eólica, plantea importantes desafíos para la operación segura y estable de los sistemas eléctricos. En este contexto, el pronóstico preciso de la generación renovable se convierte en un elemento esencial para la toma de decisiones operativas y el mantenimiento de la estabilidad de frecuencia. Esta tesis aborda de manera integral el desarrollo de una metodología avanzada para el pronóstico de energía solar PV y eólica, así como su impacto directo en el control de frecuencia de microrredes aisladas.
La investigación se centra en un horizonte temporal de muy corto plazo (15 min) y propone un marco de pronóstico basado en una red neuronal con memoria de largo y corto plazo bidireccional (Bidirectional Long Short-Term Memory, BiLSTM). El marco se complementa con un algoritmo robusto de preprocesamiento de datos, diseñado para mejorar la calidad y la consistencia de la información de entrada. También se integra un algoritmo de optimización Bayesiana (Bayesian Optimization, BO) para el ajuste automático de los hiperparámetros del modelo. Además, se incorpora un enfoque de pronóstico probabilístico basado en el método de remuestreo bootstrap. Esto permite la generación de intervalos de predicción que cuantifican la incertidumbre asociada a las predicciones determinísticas de las fuentes renovables.
El enfoque propuesto se evalúa en distintos escenarios operativos, incluyendo condiciones atípicas caracterizadas por la presencia de ruido blanco y la pérdida parcial o total de información debido a fallos temporales en los sensores de medición. Asimismo, se emplean técnicas de inteligencia artificial explicable (Explainable Artificial Intelligence, XAI), específicamente la eliminación recursiva de características (Recursive Feature Elimination, RFE), para analizar la importancia global de las variables de entrada del modelo. Los resultados demuestran que el enfoque propuesto es capaz de mantener un alto nivel de precisión, robustez y capacidad de adaptación, incluso en escenarios de elevada incertidumbre y degradación de los datos.
Finalmente, los pronósticos se integran directamente en un esquema de control proactivo de frecuencia de una microrred. Dicha integración evidencia una relación directa entre la precisión predictiva y la magnitud de las desviaciones de frecuencia. Además, se confirma que una mejora en la calidad de los pronósticos se traduce en un control de frecuencia más eficiente. Esto contribuye a la reducción del riesgo operativo y al aumento de la resiliencia de la microrred ante eventos críticos y altos niveles de penetración de fuentes renovables. De manera general, esta tesis propone una metodología de pronóstico avanzada, flexible y escalable. Asimismo, demuestra su relevancia práctica al establecer un vínculo directo entre la calidad del pronóstico y la estabilidad operativa de las microrredes modernas. |
|
