XIV ERIAC

DETERMINACIÓN DE DISTRIBUCIONES DE PROBABILIDAD DE VELOCIDAD DE

VIENTO EN LA GENERACIÓN EÓLICA

R.P. AGUILAR* N.L. FURLAN

IEE - UNSJ IEE - UNSJ
Argentina Argentina

Resumen – La generación eólica se caracteriza por la incertidumbre en la disponibilidad del recurso

primario – velocidad del viento-, por lo es muy importante formular modelos que permitan describir con
cierta aproximación el potencial energético del viento en el lugar en donde se va a implementar un proyecto.
Este trabajo propone el análisis conjunto de la velocidad del viento con otras mediciones meteorológicas
como temperatura del aire, temperatura del suelo, presión barométrica, radiación solar, precipitaciones,
entre otras, para describir el comportamiento del viento.
Se utilizan herramientas estadísticas (componentes principales y análisis de conglomerados) para el
procesamiento, organización y clasificación de la información, que posteriormente se utiliza para obtener
diferentes curvas de distribución de probabilidad horarias de velocidad de viento.

Palabras clave: Generación eólica, velocidad del viento, funciones de densidad de probabilidad,
componentes principales, análisis de conglomerados

1 INTRODUCCIÓN
La generación eléctrica proveniente de fuentes renovables de energia ha conseguido un gran impulso en
los últimos años. Entre tales fuentes se destaca la generación eólica por sus características de combustible
renovable, gratuito y abundante, que no produce residuos contaminantes y que puede ser implementada en el
corto plazo. El desarrollo de tecnologías para el aprovechamiento de la energia eólica y el abaratamiento de
costos han permitido que su uso sea cada vez mas extendido a nivel mundial, siendo en muchos países
prioritario el desarrollo de proyectos de este tipo.
La generación eólica se caracteriza por la incertidumbre en la disponibilidad del recurso primario (velocidad
del viento) la cual es muy difícil de predecir. Este es uno de los principales inconvenientes en el uso de esta
energía, por lo que adquiere importancia fundamental la formulación de modelos que permitan describir con
cierta aproximación el potencial energético del viento. Para la industria es preciso conocer las variaciones de
la velocidad del viento para optimizar los diseños de las turbinas y disminuir costos. Por otro lado, los
estudios de factibilidad técnica y económica de proyectos de generación eólica requieren estimaciones
robustas del recurso eólico en el mediano y largo plazo.
Dado que el viento está relacionado con diferentes variables propias de las condiciones climáticas de cada
región, este trabajo propone que el análisis conjunto de la velocidad del viento con otras mediciones como
temperatura del aire o presión barométrica puede describir mejor el comportamiento del viento que si se lo
analiza de manera independiente. Para ello, se utilizan mediciones horarias de diferentes variables
meteorológicas recopiladas en un periodo de cinco años.
Para describir la estructura del conjunto de datos, reducir la dimensión de la matriz de datos y agrupar los
elementos en grupos homogéneos se utilizan herramientas estadísticas multivariantes. Se obtiene una curva
de densidad de probabilidad de velocidad de viento para cada grupo, y se define un año modelo de 8760
horas, donde cada hora está asignada a un grupo y a cada grupo le corresponde una curva de distribución de
probabilidad de velocidad de viento. Finalmente, se evalúa el modelo utilizando el método de Montecarlo
para encontrar el valor más probable de energía generada por un aerogenerador estándar de 1 MW.

Instituto de Energía Eléctrica–Avda. Libertador (O) 1109 -J5400ARL San Juan – Argentina - nfurlan@iee.unsj.edu.ar
2 DESCRIPCION DE LOS DATOS
Los datos utilizados corresponden a mediciones horarias registradas en la estación Dazey ND ubicada en
Dakota del Norte, Estados Unidos, en las coordenadas: latitud 47.183º, longitud -98.138; y 439 msnm de
elevación [1]. La Tabla I resume las once variables meteorológicas disponibles para el estudio junto con sus
unidades de medida y altura de medición. Las observaciones corresponden a 43 848 mediciones horarias de
las variables registradas desde la hora 1:00 del 1 de enero de 2004 hasta la hora 24:00 de 31 de diciembre de
2008. El resultado es una matriz de dimensión 43,848×11.

TABLA I. DESCRIPCIÓN DE LAS VARIABLES

Variable Abreviación Unid. Alt. Med.
Temperatura del Aire Atemp °C 1.52 m
Humedad Relativa Hrel % 1.52 m
Temp. Suelo Limpio Tsl °C -0.1 m
Temp. Suelo con Pasto Tsp °C -0.1 m
Velocidad Viento med. Vmx m/s 3m
Velocidad Viento max. Vmd m/s 3m
Dirección Viento Vdir deg 3m
Radiación Solar Srad kJ/m² 2m
Precipitación Prec mm 1m
Presión Barométrica Pbar mbar 0.61 m
Punto de Rocío Dpt °C 1.52 m

Aunque la mayoría de las variables son de conocimiento general, se describen dos de ellas que pueden no
serlo:

Humedad relativa: es la cantidad de vapor de agua que contiene una masa de aire en relación con la máxima
cantidad de vapor que podría admitir sin producirse condensación, conservando las condiciones de
temperatura y presión.

Punto de rocío: temperatura a la que empieza a condensarse el vapor de agua contenido en el aire,
produciendo rocío o neblina.

3 ESTRUCTURA DEL CONJUNTO DE DATOS

Para describir la estructura del conjunto de datos, reducir la dimensión de la matriz de datos y agrupar los
elementos en grupos homogéneos se utilizan herramientas estadísticas multivariantes. La aplicación de estas
técnicas permite el uso posterior de los datos en forma adecuada para la obtención de las distribuciones de
probabilidad buscadas.
Antes de aplicar las técnicas de análisis multivariante, es necesario estandarizar las variables para evitar que
los resultados sean afectados por las unidades de medida.
3.1 Correlación entre variables
Como primer paso se realiza un análisis de correlaciones entre pares de variables, para valorar las relaciones
lineales presentes.
La dependencia lineal se mide mediante El coeficiente de correlación rjk, entre la variable j y la variable k se
calcula como el radio entre la covarianza sjk y el producto de las varianzas sj y sk:
(1)

Los resultados obtenidos revelan dos grupos de variables con fuerte correlación lineal entre ellas: el primer
grupo, formado por temperatura del aire, temperatura del suelo (limpio y con pasto) y punto de rocío,
presentan correlaciones entre 0.87 y 0.99. El segundo grupo incluye las variables velocidad del viento media
y velocidad del viento máxima, cuya correlación es de 0.97. Todas las variables se mantienen en el análisis

2
posterior para conservar al máximo la información que puedan aportar cada una de ellas. Por otro lado, la
variable precipitación presenta muy baja correlación con el resto de variables (0.09 en el mayor de los casos).
Otra variable muy poco correlacionada con el resto es la dirección del viento (0.16 en el mayor de los casos).
3.2 Dependencia de la velocidad del viento con otras variables
El análisis conjunto de las series de tiempo y diagramas de dispersión entre pares de variables (Fig. 1)
permite sacar algunas conclusiones de la dependencia de la velocidad del viento con el resto de variables.
El comportamiento estacional de la velocidad es inverso a la temperatura pues los vientos son más fuertes
entre diciembre y mayo con temperatura promedio entre -15°C y 5°C, y decaen en los meses más calurosos
(julio y agosto) cuando la temperatura promedio es superior a 20°C, vea Fig. 1–(a). Sin embargo visto de
forma horaria, el viento aumenta junto con la temperatura, Fig. 1–(b), estos dos comportamientos diferentes
entre la velocidad del viento y la temperatura se explican con la baja correlación (0.06) entre estas dos
variables. Por otro lado, la radiación solar (Srad) y la precipitación (Prec) aportan positivamente a la
velocidad del viento, Fig. 1–(c). En cambio, la presión barométrica (Pbar) y la humedad relativa (Hrel),
tienen efecto inverso pues la velocidad es mayor cuando la presión y la humedad disminuyen (correlación
negativa). Con respecto a la dirección del viento, los vientos se presentan con mayor intensidad y frecuencia
entre la dirección norte 300° y norte 330°, Fig. 1–(d).

Fig. 1–(a). Serie de tiempo velocidad viento y Fig. 1–(b). Serie de tiempo velocidad viento y
temperatura del aire, ventana de 8760 horas temperatura del aire, ventana de 170 horas

Fig. 1–(c). Serie de tiempo velocidad viento y Fig. 1–(d). Histograma polar de velocidad y
radiación solar, ventana de 170 horas dirección del viento (rosa de los vientos)

3.3 Componentes Principales

La aplicación de la técnica de componentes principales [2] permite representar de manera óptima las
observaciones en las que se basa el análisis en un espacio de menores dimensiones, y facilita su
interpretación. La dimensión de la matriz de datos se puede reducir utilizando las 5 componentes principales
que explican el 89% de la variabilidad de los datos originales.

3
Se puede explicar la relación entre componentes y variables al mirar los coeficientes de los vectores propios
asociados a cada componente (Tabla II).

TABLA II. EXPLICACIÓN Y COEFICIENTES DE LAS COMPONENTES PRINCIPALES

Explicación Coeficientes (Vector Propio)

Comp.
(Valor Propio) Atem Hrel Tsl Tsp Vmx Vmd Vdir Srad Prec Pbar Dpt
1 36% 0.49 -0.12 0.48 0.47 -0.06 -0.01 -0.08 0.19 0.04 -0.16 0.47
2 21% -0.05 0.33 0.06 0.08 -0.6 -0.61 -0.15 -0.31 -0.01 0.16 0.06
3 14% -0.01 0.55 -0.03 0.00 0.22 0.21 -0.07 -0.46 0.28 -0.53 0.18
4 9% -0.03 -0.13 -0.02 -0.04 0.00 0.03 -0.56 0.13 0.77 0.22 -0.08
5 9% 0.01 -0.02 -0.07 -0.10 0.08 0.04 -0.81 0.02 -0.55 -0.17 0.00

La primera componente con explicación de 36% describe muy bien aquellas variables relacionadas con la
temperatura y tiene un carácter estacional; la segunda con explicación 21% describe la variabilidad de la
velocidad del viento; la tercera con explicación 14% representa la humedad relativa, presión barométrica y
radiación solar; la cuarta y quinta se relacionan con la precipitación y dirección del viento
3.4 Determinación de grupos homogéneos de observaciones
Con la matriz reducida a las cinco primeras componentes principales se realiza el análisis de conglomerados
que permite identificar 4 grupos de observaciones con alto grado de homogeneidad interna. Esta partición de
las observaciones se utiliza luego para determinar las distribuciones de probabilidades asociadas. El método
usado para formar los grupos es el algoritmo de k-medias en base a distancias euclídeas. Los resultados
indican una distribución estacional de los grupos, Fig. 2–(a), los grupos denominados G1 y G3 aparecen en
los meses de menor temperatura (invierno) y los grupos G2 y G4 corresponden los mese más cálidos
(verano). Para los meses con temperatura promedio 8°C (unos pocos meses de otoño y primavera) aparecen
combinaciones de los 4 grupos. Por otro lado, dentro de cada estación se observa que la asignación de grupos
está relacionada con el cambio de velocidad del viento, para invierno por ejemplo, el grupo G1 está asociado
a disminución de la velocidad mientras que el grupo G3 aparece cuando la velocidad aumenta vea Fig. 2–(b),
esto sucede de forma similar en los meses de verano con los grupos G2 y G4.

Fig. 2–(a). Agrupación anual de las mediciones, se ven Fig. 2–(b). Disposición de los grupos en verano,
dos pares de grupos dispuestos estacionalmente. agrupación coincide con cambios de velocidad.

4 CURVAS DE DISTRIBUCIÓN DE PROBABILIDAD

La velocidad del viento generalmente se modela con distribuciones de probabilidad de tipo Weibull o
Normal obtenidas mediante técnicas implementadas por la estadística descriptiva a partir de medidas de
tendencia central y dispersión de las mediciones de velocidad [3-4]. En este trabajo los datos de velocidad de
viento responden a un modelo de probabilidad tipo Weibull, cuya función densidad de probabilidad esta
expresada en (2) y está caracterizada por el parámetro de forma (a) y el parámetro de escala (b).

4
 (2)

En este trabajo se usan distribución de probabilidad con factor de forma igual a dos (caso particular conocido
como distribución de Rayleigh). Dado el factor de forma se obtiene el factor de escala con:

(3)

Donde: Γ: función gamma

µ: velocidad media

Para la aplicación de las curvas de probabilidad, las velocidades medidas a 3 m de altura han sido escaladas a
60 m, que es la altura del centro del rotor de los aerogeneradores, mediante el siguiente factor [5]:

ln(h / HR)
k= = 1.749 (4)
ln(ho / HR)

Donde: h = 60 m, altura eje del rotor

ho =3 m, altura de medición
HR =0.055 m, longitud de rugosidad

Los resultados para los cuatro grupos se muestran en Fig. 3.

Grupo µ (m/s) a b
G1 8.18 2 9.23
G2 6.29 2 7.10
G3 11.36 2 12.82
G4 9.81 2 11.07

Fig. 3. Aproximación de la distribución de datos de velocidad del viento mediante la función

densidad de probabilidad Weibull, datos de las funciones de densidad de cada grupo.

5 DESARROLLO Y APLICACIÓNDEL MÉTODO

5.1 Definición del Año Modelo
Las técnicas estadísticas multivariantes han sido útiles para interpretar los datos y clasificar las
observaciones dentro de grupos homogéneos. El siguiente paso es formar un año modelo donde cada hora
esté clasificada dentro de un grupo. Para ello se tomaron los resultados de las 8760 horas de los cinco años
de estudio y se consideró que la moda (valor que más se repite) es un buen estimador para definir el
conglomerado (grupo homogéneo) de pertenencia, Tabla III. La validez de este criterio se basa en que para
más del 92% de las horas la moda se repite al menos 3 veces.
Si bien no se consiguió que la moda se repita más de 3 veces para las 8760 horas, se estima que 92% es un
buen indicador de que el modelo es aceptable. Adicionalmente, el modelo podría ser mejorado si se toman
más años de mediciones.

5
 TABLA III. DEFINICIÓN DEL AÑO MODELO
Año Modelo Veces que
Hora 2004 2005 2006 2007 2008
(Moda) se Repite

1 1 1 1 3 1 1 4
2 1 1 1 3 1 1 4
3 1 1 1 1 1 1 5
:
2370 4 4 2 3 4 4 3
2371 3 4 2 1 1 1 2
2373 1 3 2 1 1 1 3
:
5465 4 4 4 4 4 4 5
5466 2 4 2 4 4 4 3
5468 2 2 2 2 2 2 5
:
8757 1 1 3 1 1 1 4
8759 1 1 1 1 1 1 5
8760 1 1 1 1 1 1 5

5.2 Modelo del Generador Eólico

Se considera un aerogenerador Bonus1000 con base en [6], las características de la unidad son:

Potencia nominal 1 MW
Velocidad de conexión 3 m/s
Velocidad nominal 16 m/s
Velocidad de corte 25 m/s
Altura del eje de la turbina 60 m

La curva de potencia de este generador responde a la expresión de Fig. 4, donde la potencia está en kW y la
velocidad en m/s:

1200

1000
Potencia [kW]

800

600

400

200

0
‐ 5  10  15  20  25  30 
Velocidad del Viento [m/s]

Fig. 4. Curva de Potencia del Generador

Eólico

5.3 Aplicación del Modelo

Una vez que los grupos del año modelo han sido definidos, se obtienen las velocidades de viento
correspondientes a cada hora mediante el método de Montecarlo, para ello se generan números aleatorios de
probabilidad uniforme entre 0 y 1 y se usa la función Weibull Acumulada Inversa de cada grupo, ecuación
(5). Se utilizan los parámetros de escala y forma obtenidos en la sección 4, Fig. 3.

6
 (5)

A partir de las velocidades obtenidas se calcula la energía producida en cada hora y con ello la energía total
anual, este proceso se repite varias veces con el fin de obtener todas las posibles combinaciones de
probabilidad (método de Montecarlo).
En ciertos casos, los ingresos de los aerogeneradores dependen de remuneraciones en base a su producción
horaria, como el precio spot o pago por potencia puesta a disposición, por ello se ha separado la producción
en dos bandas horarias, una para demanda base (22:00 a 6:00) y otra para demanda pico (7:00 a 21:00).
También se realizó la simulación usando un método tradicional que trabaja con cuatro curvas de
probabilidad, dos para demanda base y pico de verano y dos más para demanda base y pico de invierno. Los
resultados se presentan en la Tabla IV, donde además se incluye el promedio de energía que se produciría
con las velocidades medidas entre los años 2005 y 2008.

TABLA IV. ENERGÍA ANUAL

Promedio Método Normal Método Multivariable
Hora Energía Energía Error Energía Error
[MWh] [MWh] [%] [MWh] [%]
Base 900.65 937.09 4.05 927.33 2.96
Pico 2257.07 2293.28 1.60 2230.57 1.17
Total 3157.72 3230.37 2.30 3157.89 0.01

Con la metodología propuesta se logró reducir el error tanto para cada banda horaria como para la energía
total anual, en la cual el error es imperceptible. Si bien los errores del método tradicional no son demasiado
altos, estas pequeñas diferencias pueden hacerse grandes en: lugares donde los vientos son más irregulares,
para parques eólicos de varias unidades y cuando las cifras se llevan a valores en dinero, situaciones que
pueden llevar a tomar decisiones equivocadas al proyectista o diseñador.

6 CONCLUSIONES
El modelo presentado ha logrado representar con mucha aproximación el comportamiento del viento en el
largo plazo, lográndose buenos resultados para el pronóstico de energía producida por un generador eólico.
El hecho de considerar diferentes variables meteorológicas permite describir con mayor precisión la
variabilidad del viento: variables como la temperatura, humedad relativa, radiación solar y presión
barométrica tienen influencia sobre el comportamiento del recurso eólico.
La inclusión de estas variables en el modelo permitió une reducción en los errores del cálculo de la energía
producida, lo que resulta de sumo interés en términos económicos.
A pesar de que el modelo requiere un mayor esfuerzo en el análisis de datos con respecto a métodos
tradicionales que consideran solo la velocidad y dirección del viento, las herramientas computacionales
disponibles facilitan mucho la aplicación del método a cualquier conjunto de datos.

7 REFERENCIAS
[1] NDAWN Center. (2009, Sep 07). North Dakota Agricultural Weather Network. Disponible:
http://ndawn.ndsu.nodak.edu/
[2] D. Peña, Análisis de Datos Multivariantes. Madrid, 2002.
[3] E. Cadenas and W. Rivera, "Análisis Estadístico de Mediciones de la Velocidad del Viento Utilizando
la Técnica de Valores Desviados," presentado en Simposio de Metereología 2008, Santiago de
Querétaro, México, 2008.
[4] H. Di Prátula, "Evaluación de Recursos Eólicos," ed. Bahía Blanca, Argentina: Centro de Estudiantes de
Ingeniería y Agrimensura, 2009.
[5] F. Pérez, et al., "Evaluación de Inversiones de Generación Eólica en Argentina," presentado en CIDEL
Argentina 2010, Buenos Aires, 2010.
[6] DWIA. (2009, Oct 26). Programa de Cálculo de Potencia de un Aerogenerador. Disponible:
http://www.talentfactory.dk/es/tour/wres/pow/index.htm
7