meteoexploration.com
La energía eólica es una fuente de energía variable, que depende de los cambios locales en la velocidad del viento. Un pronóstico acertado de estos cambios en el viento mejora la integración y el manejo de la energía eólica en la red. En estas páginas ofrecemos los resultados de una implementación a alta resolución del modelo meteorológico WRF-ARW a la región de la Península Ibérica e Islas Canarias. El modelo actual tiene 9 km de tamaño de celda, lo que permite una mejor definición de la topografía local y su efecto sobre el viento. En caso de una topografía compleja es posible aumentar la resolución tanto como se desee, mediante dominios anidados de menor tamaño de celda, para conseguir una simulación aun más detallada. Como condiciones iniciales y de contorno se usan los datos de modelo GFS 0p25 a 0.25° de resolución.
GFS es el acrónimo de Global Forecast System, que se ejecuta cuatro veces al dia por el US National Weather Service. Las salidas estan disponibles a 2.5, 1, 0.5 y desde enero del 2015 a 0.25 grados de resolución.
El modelo meteorológico de investigación y previsión (WRF, del ingles Weather Research and Forecasting) "es un modelo de predicción numérica del tiempo a mesoescala de próxima generación diseñado para servir tanto para la investigación atmosférica como para las necesidades de predicción operativa. Cuenta con dos núcleos dinámicos, un sistema de asimilación de datos, y una arquitectura de software que facilitan la computación en paralelo y la extensibilidad del sistema " [1]. El WRF es un esfuerzo colectivo de numerosos científicos alrededor del mundo y que se actualiza y mejora regularmente.
En zonas de montaña la resolucion del modelo es importante para simular el efecto de la topografía en el tiempo atmosférico. A una resolución de 0.5° o 0.25° los modelos globales no representan la topografia de forma precisa, y el terreno queda a veces miles de metros por debajo de la altura real. Por lo tanto es necesario utilizar modelos sobre una region más reducida pero a mayor resolución espacial.
Un ejemplo de la importancia de la resolución se ilustra en la Figura 1. Al disminuir la resolución el relieve se suaviza y altitud disminuye. los modelos meteorológicos de resolución más baja no puede simular correctamente el impacto de las montañas, como la resistencia al viento, canalización viento, precipitación orográfica, etc. y por lo tanto son menos fiables que los modelos de mayor resolución.
 |  |
| a) 30 m | b) 3 km |
 |  |
| c) 30 km | d) 60 km |
Figura 1 Modelo Digital de Elevación (MDE) de los Andes áridos a diferente resolución (30 m, 4 km, 30 km y 60 km). Nótese como la mayor altitud es de más de 5000 m a 30 m y a 4 km, y sólo 3500 m a 60 km de resolución.
Estas diferencias en la resolución tienen un fuerte impacto al modelar la velocidad del viento como se ve en la figura 2. Notese como el WRF, en el panel derecho, puede identificar valles individuales y cómo las corrientes de viento siguen los valles principales. Esto a su vez afectará la velocidad del viento y, por tanto, las previsiones de energía eólica, el potencial eólico o la exposición de los trabajadores en operaciones a gran altitud.
 |  |
| a) GFS 0p25 | b) WRF 3 km |
Figura 2. elevación de la superficie y flujo de viento en la zona de los Andes áridos de Chile y Argentina. En el panel izquierdo se muestra una simulación del GFS a 0.25° de resolución, en el panel derecho una simulación del WRF a 4 km deresolución.
La densidad de potencia de viento, o potencia por unidad de superficie se calcula en función de la densidad del aire y la velocidad del viento como \( P = \frac{1}{2} \rho v^3 \), donde \(\rho \) es la densidad del aire y \(v\) es la velocidad del viento. En las gráficas dadas no se incluye el límite de Betz, la eficiencia del generador o la superficie barrida por el rotor. La densidad del aire se calcula en función de la presión local, temperatura y humedad, \( \rho = f(p, RH, T) \) (véase por ejemplo Brutsaert, 1983 y Jacobson, 1999).
Las curvas de potencia se han creado a partir de datos proporcionados por el fabricante o de datos publicados por NREL (National Renewable Energy Laboratory). Cuando no hay datos de la curva completa se ha utilizado una aproximación al cálculo de la parte no lineal de la misma publicada por Carrillo et al., 2013. Si usted tiene datos mas precisos para su generador, por favor comuniíuenoslo y los incluiremos en el c&aacuite;lculo.
Los mapas regionales muestran la producción relativa de energía eólica por regiones. El Índice de velocidad de viento es la velocidad media del viento a 80m sobre el suelo en los parques de la región. El índice de potencia es un índice arbitrario calculado como \( Idx = \sum_{n=1}^{n=Num parques}(WPD*IP) \), donde WPD es la densidad de potencia del viento a 80m y IP es la potencia instalada en el parque. Este índice no es un valor real de la produción, sino un indicativo de la producción potencial. El valor real puede calcularse a petición.
Se proporcionan mapas del modelo WRF y del modelo GFS de varias variables meteorológicas para dar un idea de la situación genaral sobre la Península. También se proporcionan mapas de satélite, tanto en la banda visible como infrarroja y de vapor de agua, además del mapa de alta resolución (250 m) de MODIS.
Brutsaert, W., 1982: Evaporation into the atmosphere : theory, history, and applications. Kluwer Academic, Dordrecht, 316 pp.
Carrillo, C., A. F. Obando Montaño, J. Cidrás, and E. Díaz-Dorado, 2013: Review of power curve modelling for wind turbines. Renew. Sustain. Energy Rev., 21, 572–581, doi:10.1016/j.rser.2013.01.012. http://www.sciencedirect.com/science/article/pii/S1364032113000439.
Jacobson, M. Z., 1999: Fundamentals of Atmospheric Modeling.Cambridge University Press,.
Algunas de nuestras publicaciones relacionadas
Durand, Y., G. Guyomarc’h, L. Merindol, J. G. Corripio, G. Giraud, E. Brun, and E. Martin, 2003: Ten years of operational numerical simulations of snow and mountain weather conditions and recent developments at Météo-France. Proc. Int. Conf. Alp. Meteorol. (ICAM/MAP Conf. Switzerland, from May 19 to 23, 2003,.
Durand, Y., G. Guyomarc’h, L. Mérindol, and J. G. Corripio, 2004: 2D numerical modelling of surface wind velocity and associated snow drift effects over complex mountainous oragraphy. Ann. Glaciol., 38, 59–70.
Durand, Y., G. Guyomarc’h, L. Mérindol, and J. G. Corripio, 2005: Improvement of a numerical snow drift model and field validation. Cold Reg. Sci. Technol., 43, 93–103.