New hybrid neuro-evolutionary algorithms for renewable energy and facilities management problems

Abstract

Esta tesis tiene como objetivo la optimización de la explotación de recursos energéticos renovables, así como la mejora en la gestión de instalaciones en ingeniería oceánica y aeropuertos, usando métodos computacionales híbridos pertenecientes a una rama de la Inteligencia Artificial (IA), denominada aprendizaje máquina, para este fin. Hoy en día, los combustibles fósiles constituyen la fuente energética más importante del planeta, sin embargo, estas formas de energía contribuyen al Cambio Climático en gran medida, afectando los ecosistemas severamente. Por esta razón, se tiende gradualmente al uso de fuentes de energía renovables que garanticen un desarrollo sostenible. Sin embargo, se observa una lenta evolución en este sentido, y la única cuestión que cabe preguntarse es cuándo las energías renovables tendrán mayor penetración en el sistema que los actuales combustibles fósiles. Para responder a esta pregunta, una buena manera es centrarse en el principal inconveniente de este tipo de energías: la variabilidad natural inherente al recurso. Esto significa que las predicciones sobre los parámetros más importantes de los que dependen las energías renovables son necesarias para conocer la cantidad de energía que será obtenida en un momento dado. El otro tema abordado en esta tesis está relacionado con los parámetros que influyen en diferentes actividades marinas y aeropuertos, cuyo conocimiento de su comportamiento es necesario para desarrollar una correcta gestión de las instalaciones en estos entornos. Por ejemplo, la altura significativa de las olas (Hs) es un parámetro básico en la caracterización de las olas, muy importante para el desarrollo de actividades marinas como el diseño y mantenimiento de barcos, estructuras marinas, convertidores energéticos de ola, etc. Por otro lado, la escasa visibilidad en los aeropuertos, normalmente causada por la niebla, es otro aspecto fundamental para el correcto desarrollo de actividades aeroportuarias, y que puede causar retrasos en los vuelos, desvíos y cancelaciones, o accidentes en el peor de los casos. En este trabajo se ha realizado un análisis del estado del arte de los modelos de aprendizaje máquina que se utilizan actualmente, con el objetivo de resolver los problemas asociados a los temas tratados con anterioridad. Diferentes contribuciones han sido propuestas: - Uno de los pilares esenciales de este trabajo está centrado en la estimación de los parámetros más importantes en la explotación de energías renovables. Con este propósito, los algoritmos Vectores Soporte para Regresión (VSR), Redes Neuronales (RN) (Perceptrones Multicapa (MLP) y Máquinas de Aprendizaje Extremo (MAE)) y Procesos Gaussianos son utilizados en diferentes problemas prácticos. El rendimiento de estos algoritmos es analizado en cada uno de los experimentos realizados, tanto la precisión de los mismos como la especificación de las características internas. - Otro de los aspectos tratados está relacionado con problemas de selección de características. Concretamente, con el uso de algoritmos evolutivos como Algoritmos de Agrupación Genética (AAG) o los algoritmos de Optimización de Arrecife de Coral (OAC) hibridizados con otros métodos de aprendizaje máquina como clasificadores y regresores. En este sentido, el AAG o OAC analizan diferentes conjuntos de características para obtener aquel que resuelva el problema con la mayor precisión, y el regresor empleado proporciona la predicción en función de las características obtenidas por el Algoritmo Genético (AG), reduciendo el coste computacional con gran fiabilidad en los resultados. La metodología mencionada es aplicada a múltiples problemas: predicción de Hs, relevante en aplicaciones energéticas y actividades marinas, estimación de eventos puntuales como son las rampas de viento (ERV), variaciones indeseables en la potencia eléctrica producidas por un parque eólico, predicción de la radiación solar global en áreas de España y Australia, realmente importante en términos de energía solar, y la estimación de eventos de baja visibilidad en aeropuertos. Los casos prácticos citados son desarrollados con el consecuente análisis previo de la base de datos empleada, normalmente, en términos de variables meteorológicas.