Traducido del inglés al español - www.onlinedoctranslator.

com

energías
Artículo

Evaluación de una OfParque eólico costero utilizando

datos de la estación meteorológica, LiDAR flotante,
mástil y MERRA
Cheng Dar Yue1,*, Yi-Shegn Chiu1, Chien-Cheng Tu2y Ta-Hui Lin3
1 Departamento de Arquitectura Paisajista, Universidad Nacional de Chiayi, No. 300, Syuefu Rd., Chiayi 600, Taiwán;
[email protected]
2 Centro de Investigación para Tecnología y Estrategia Energética, Universidad Nacional Cheng Kung, No.25, Xiaodong Rd., Distrito
Norte, Ciudad de Tainan 704, Taiwán; [email protected]
3 Departamento de Ingeniería Mecánica, Universidad Nacional Cheng Kung, No.1, University Road, Ciudad de
Tainan 701, Taiwán; [email protected]
* Correspondencia: [email protected] ; Teléfono: +886-5-2717763

---- -
Recibido: 9 de noviembre de 2019; Aceptado: 30 de diciembre de 2019; Publicado: 1 de enero de 2020 ---

Abstracto:La energía eólica marina se considera una alternativa clave a los combustibles fósiles en muchas partes
del mundo. Su explotación se basa en la buena evaluación del recurso eólico. Este estudio utilizó datos de un mástil
meteorológico, un dispositivo de detección y alcance de luz flotante (LiDAR) y el Análisis retrospectivo de la era
moderna para investigación y aplicaciones, un conjunto de datos de reanálisis establecido por el Centro de
simulación climática de la NASA, para evaluar los recursos eólicos de el parque eólico marino Changhua-South. Las
velocidades medias del viento evaluadas a una altura de 105 m en el parque eólico estudiado fueron de 7,97 y 8,02
m/s según los datos obtenidos del dispositivo LiDAR flotante y de un mástil, respectivamente. Las horas a plena
carga fueron 3320,5 y 3296,5 h por año cuando se utilizaron datos del dispositivo LiDAR y del mástil,
respectivamente. La producción anual estimada de energía (PEA) con una probabilidad del 50% (PAG50) alcanzó los
314 GWh/a, mientras que los AEP con una probabilidad del 75% (PAG75) y con una probabilidad del 90% (PAG90)
fueron 283 GWh/año y 255 GWh/año, respectivamente. El PEA estimado dePAG75fue el 90% del PEA dePAG50,
mientras que el AEP estimado dePAG90fue el 81% de la PEA dePAG50. Quizás sea necesario considerar esta diferencia
al evaluar el riesgo de financiar un proyecto eólico.

Palabras clave:mástil meteorológico; LiDAR flotante; MERRA; predicción de producción de energía

1. Introducción

La energía eólica se considera una de las fuentes de energía renovable más importantes en todo el mundo
debido a su potencial de recursos y madurez del mercado. La viabilidad de la energía eólica ha mejorado
espectacularmente en los últimos años. Por lo tanto, la energía eólica parece estar logrando excelentes avances para
contribuir al 1,5◦Vías consistentes con C [1]. Es una de las soluciones de energía verde más efectivas en la política de
combustibles no fósiles de la sociedad moderna. Bajo CO2Las emisiones a lo largo de su vida útil hacen que los
parques eólicos sean una opción altamente confiable y eficiente en sitios ventosos.
A pesar de sus ventajas, la energía eólica también puede causar ciertos efectos ambientales que deben
abordarse cuidadosamente. Los estudios han indicado que la percepción visual y auditiva de las turbinas eólicas
aumentó significativamente con los niveles de ruido de las turbinas eólicas (WTN). La energía eólica terrestre tiende a
provocar ruido y molestias visuales a los residentes en zonas pobladas. Esto es particularmente evidente en Taiwán,
donde la densidad de población alcanzó 651 personas/km.2en 2018 y dos tercios de la superficie total del país son
montañosas [2]. La energía eólica marina puede evitar en gran medida estos efectos medioambientales y es más
adecuada para islas con una superficie terrestre limitada. Debido al monzón anual del noreste que sopla entre China y
Taiwán en invierno, el Estrecho de Taiwán se considera una zona excelente para la

Energías2020,13, 185; doi:10.3390/en13010185 www.mdpi.com/journal/energies

Energías2020,13, 185 2 de 20

explotación de energía eólica marina [3]. El Programa de Desarrollo Energético Nacional de Taiwán también tiene el
objetivo de sustituir el uso de combustibles fósiles y energía nuclear por el de energía eólica marina para mitigar el
calentamiento global, la contaminación atmosférica local, el riesgo asociado a la energía nuclear y la tensión en el
suministro eléctrico [4].
El desarrollo y la inversión en parques eólicos marinos se basan en una evaluación precisa de los recursos
eólicos, lo que requiere datos fiables de medición del viento y metodologías adecuadas de evaluación. Actualmente,
los dispositivos de detección y alcance de mástil y luz (LiDAR) son los métodos más utilizados en todo el mundo para
recopilar datos de energía eólica marina.5–7]. LiDAR es una incorporación relativamente reciente a las tecnologías
para medir la velocidad del viento y puede usarse para verificar un recurso eólico en diferentes sitios. LiDAR mide los
recursos eólicos a alturas superiores a 150 m sobre el nivel del suelo, lo que está mucho más allá del alcance de las
torres basculantes. En entornos donde los mástiles fijos no son factibles, LiDAR puede ser la única fuente realista
disponible para medir el viento. LiDAR se utiliza generalmente junto con mástiles fijos. La dependencia total de los
datos obtenidos mediante sensores remotos es cada vez más común a medida que su precisión y confiabilidad
continúan mejorando [8].
Desde mediados de la década de 1990 se han desarrollado conjuntos de datos de reanálisis para proporcionar datos
sobre el viento a largo plazo con una alta cobertura espacial en todo el mundo. Se crean utilizando observaciones
meteorológicas históricas para impulsar un modelo numérico de predicción del tiempo. Los datos de reanálisis tienen
registros extensos y hay datos cuadriculados disponibles en todo el mundo para cada lugar cubierto por el modelo. El Centro
de Simulación Climática de la NASA lleva a cabo el reanálisis del conjunto de datos del Análisis Retrospectivo de la Era
Moderna para Investigación y Aplicaciones (MERRA). Fue reconstruido asimilando diferentes observaciones en un modelo
global utilizando el Sistema de Asimilación de Datos Atmosféricos GEO-5 [9,10]. El conjunto de datos de reanálisis de MERRA
fue reemplazado por el conjunto de datos de reanálisis de MERRA-2 basado en una versión mejorada del sistema de
asimilación de datos del Modelo del Sistema de Observación de la Tierra Goddard, Versión 5 (GEOS-5). La resolución espacial
de los datos de MERRA-2 es de aproximadamente 50 km.×50 kilómetros [11]. Los datos de velocidad del viento obtenidos de
MERRA-2 se utilizan a menudo junto con datos de observación recopilados de estaciones meteorológicas para garantizar la
fiabilidad de la evaluación.
La optimización del diseño de un parque eólico implica identificar las ubicaciones óptimas para las turbinas eólicas en
un parque eólico para maximizar la producción energética total del parque. Un estudio utilizó un enfoque basado en la
biogeografía para optimizar el diseño de los parques eólicos maximizando la producción de energía y reduciendo el efecto de
estela [12]. Otro estudio utilizó un enfoque basado en patrones geométricos para optimizar el diseño del parque eólico
maximizando la producción total de energía de un parque eólico [13]. Park y Law emplearon un esquema de optimización
matemática para optimizar eficientemente la ubicación de las turbinas eólicas para maximizar la producción de energía de los
parques eólicos.14]. Debido a que la amenaza del calentamiento global requiere que los combustibles fósiles sean
reemplazados por energía renovable lo antes posible, maximizar la producción de energía de los parques eólicos se ha
convertido en un tema crucial en términos de optimización de los parques eólicos.
El efecto de estela provocado por la disposición matricial de los parques eólicos marinos conduce a menudo a pérdidas
de producción de energía. El efecto de estela de una turbina se puede dividir en estela cercana y estela lejana. La estela
cercana es la región que abarca dos o tres diámetros detrás de la turbina. La estela lejana es la región en la que se centra la
atención en el modelado de estelas, la interferencia de estelas, el modelado de turbulencias y los efectos topográficos.15]. Los
modelos de estela lejana se pueden clasificar en modelos de estela cinética y modelos de difusión turbulenta.dieciséis]. Los
modelos de estela cinemática se basan en un perfil de velocidad autosemejante. El modelo de la estela de Larsen [17],
Frandsen [18] y el modelo de estela de Jensen [19] pertenecen a esta clase. Los modelos de difusión turbulenta resuelven las
ecuaciones de Navier-Stokes promediadas por Reynolds utilizando un modelo de turbulencia para mediciones de estela.
dieciséis].
Debido a la dificultad de realizar campañas de medición en zonas marinas, los datos de viento medidos para un
parque eólico específico a menudo se refieren a un período corto. Conjuntos de datos tan limitados no pueden
caracterizar los recursos eólicos a largo plazo. El enfoque medir, correlacionar, predecir (MCP) se desarrolló para
ajustar las mediciones in situ para reflejar las condiciones a largo plazo. Este enfoque puede reducir la incertidumbre
en la estimación de la producción de energía [8]. Según la política energética nacional, entre 2020 y 2025 está prevista
la construcción de un parque eólico marino con una capacidad de 5,5 GW en
Energías2020,13, 185 3 de 20

Taiwán [20]. Actualmente, los responsables de la formulación de políticas deben investigar la viabilidad de integrar
múltiples fuentes de datos para una predicción precisa de la producción anual de energía de dicha granja. El éxito de
la política nacional de energía limpia dependerá de la productividad de los parques eólicos. Por lo tanto, este estudio
consideró si la adopción de datos MCP y LiDAR, mástil y MERRA es factible para evaluar el recurso eólico y optimizar el
diseño del parque eólico. En comparación con los enfoques antes mencionados, este estudio examinó la aplicabilidad
de datos de múltiples fuentes de datos, a saber, un dispositivo LiDAR flotante, un mástil meteorológico, estaciones
meteorológicas y MERRA, para evaluar los recursos eólicos marinos.
Este estudio utilizó el parque eólico marino Changhua-South en Taiwán para realizar un estudio de caso para
evaluar el recurso eólico marino disponible y optimizar el diseño del parque eólico utilizando múltiples fuentes de
datos. Los materiales y métodos de estudio se explican primero en la Sección2. La estimación de la producción de
energía a largo plazo de un parque eólico realizada utilizando MCP y el mapa de recursos eólicos resultante se
analizan en la Sección3. Además, se discute la optimización resultante del parque eólico en función del mapa de
recurso eólico y la producción energética anual estimada (PEA). Finalmente, la predicción del AEP y la precisión de la
predicción se evalúan utilizando la incertidumbre estimada.

2. Materiales y métodos

Este estudio utilizó datos medidos de estaciones LiDAR, mástil y Oficina Meteorológica Central (CWB) como
datos objetivo a corto plazo y datos MERRA como datos de referencia a largo plazo para utilizar MCP para estimar la
producción de energía a largo plazo del parque eólico objetivo. Los resultados del MCP se utilizaron para estimar el
recurso eólico disponible y el AEP del parque eólico objetivo a través de WindSim. El futuro AEP fue predicho con
una probabilidad del 50%, 75%, y 90%b y analizando la probabilidad y la incertidumbre. El diagrama de flujo 1.
de th El semental actual se indica y En figura

Corto plazo Terreno

datos de medición
desde LiDAR, Viento AEP y pérdida de estela Generacion de energia
mástil y CWB MCP vientosim recurso basado en el viento granja pag
redicion
mapa optimización (P50) (P75,P90)
A largo plazo
dato de referencia Turbina
de MERRA parámetros
Incertidumbre

Figura 1.Diagrama de flujo del presente estudio.

2.1. Configuración de medición

Las campañas de medición en el presente estudio se ubicaron en el área costera occidental de Taiwán
(Figura2). La ubicación y el entorno del parque eólico marino Changhua-South se indican en la tabla1. En el
noreste del parque eólico se ubicaron un dispositivo LiDAR flotante y un mástil meteorológico. Los datos de la
ubicación 2 de MERRA en alta mar también se utilizaron para la evaluación del recurso eólico.
Energías2020,13, 185 4 de 20

Figura 2.Ubicaciones del parque eólico marino Changhua-South de Taiwán, mástil meteorológico, dispositivo
LiDAR flotante, ubicación 1 y 2 de MERRA y estación terrestre de la Oficina Meteorológica Central (CWB) en
Fangyuen, Puyen y Lukang.

Tabla 1.Ubicación y entorno del parque eólico marino Changhua-South [21].

Nombre del mar Estrecho de Taiwán

Latitud central 23.949

Longitud central 120.223
Área 8 kilometros2

Rango de profundidad 17 a 26 metros

Distancia desde la costa 5,7 kilometros

Distancia desde la costa (calculada desde el centro) 8 kilometros

2.1.1. Mástil meteorológico

El mástil de Taipower estaba ubicado a 6 km de la costa (Figura2), e inició su campaña de

mediciones el 1 de abril de 2016. Se instalaron anemómetros de dos copas y una veleta a una altura de
95 m sobre el nivel del mar (Figura3), y se instaló otro anemómetro y una veleta a 50 m de altura.

Figura 3.Mástil meteorológico marino Taipower.

Energías2020,13, 185 5 de 20

2.1.2. Dispositivo LiDAR flotante

El dispositivo LiDAR flotante AXYS FLiDAR 6M utilizado en este estudio estaba equipado con un LiDAR y
una gama de sensores meteorológicos y oceanográficos, incluidos sensores de temperatura del aire, humedad
relativa, presión barométrica, viento en superficie, ondas direccionales y temperatura del agua (Figura4). Para
mitigar el efecto de las olas, el FLiDAR 6M utiliza esquemas de compensación de ángulos. El equipo consta de
un anemómetro, un sensor láser de viento, una antena transmisora satelital, sistemas de adquisición y
gestión de datos, paneles solares, un generador diésel y baterías. Los paneles solares y el generador diésel
alimentan los instrumentos de medición. El sistema también estaba equipado con dos cámaras web para
seguridad y conocimiento de la situación de la boya. Los datos recopilados por la cámara y varios sensores se
almacenaron a bordo del FLiDAR y se transmitieron casi en tiempo real mediante telemetría redundante a
través del sistema de gestión de datos AXYS WatchMan 500 integrado. El FLiDAR 6M incluía un sistema de
suministro de energía redundante triple que proporciona energía autónoma durante todo el año para
satisfacer las necesidades de energía de amplios sensores, telemetría y carga útil de computadora a bordo. El
FLiDAR 6M utiliza el casco y el amarre del dispositivo meteorológico automático oceanográfico de la Armada
(NOMAD), que ha sido diseñado y fabricado para soportar condiciones climáticas adversas y del estado del mar.

Figura 4.La boya meteorológica AXYS FLiDAR 6M [22].

Las especificaciones del sensor de viento láser Vindicator se proporcionan en la Tabla2. El sensor puede medir el
viento en alturas que oscilan entre 30 y 150 m. Las precisiones de la velocidad y dirección del viento son±0,5 m/s y±1◦,
respectivamente. El rango de velocidad del viento es de 0 a 90 m/s.
Energías2020,13, 185 6 de 20

Tabla 2.Especificaciones del sensor de viento láser Vindicator del dispositivo LiDAR flotante FLiDAR 6M.

Especificación Valor
Longitud de onda operativa 1550 nm
Rango de velocidad del viento 0–90 m/s
Rango de detección 30 a 150 metros

Número de puertas de rango 3–6

Profundidad de la puerta de rango ±20 metros

Precisión de la velocidad del viento ±0,5m/s

Precisión de la dirección del ±1◦
viento Precisión angular relativa ±2◦
Tasa de salida de datos 1Hz

2.2. Conjuntos de datos

En este estudio se adoptaron varias fuentes de datos, incluido el mástil meteorológico, LiDAR flotante y la
ubicación 2 de MERRA, para evaluar el recurso eólico del parque eólico objetivo. Los períodos de recopilación de datos
y las alturas del mástil, MERRA (ubicación 2) y LiDAR flotante se resumen en la Tabla3.

Tabla 3.Periodos de recogida de datos para LiDAR flotante, mástil y MERRA.

Período de recopilación de datos

Fuente de datos Alturas de recolección de datos (m)
De A
LiDAR flotante 22 de agosto de 2014 5 de febrero de 2015 90
Mástil 1 de abril de 2016 31 de marzo de 2017 95
MERRA 5 de febrero de 2008 4 de febrero de 2018 10, 50, 62,5

2.3. Medir-Correlacionar-Predecir

Los datos eólicos medidos para un parque eólico marino específico suelen abarcar unos pocos años o menos. El ajuste
climático es necesario para corregir los datos de medición recopilados durante un período limitado para que reflejen las
condiciones históricas a largo plazo. MCP se utiliza para relacionar y ajustar mediciones in situ para reflejar condiciones a
largo plazo. El método MCP adoptado en este estudio se basa en el método de mínimos cuadrados lineales (LLS), que es una
aproximación de mínimos cuadrados de funciones lineales a datos. El algoritmo LLS MCP correlaciona los datos de velocidad
objetivo y de referencia basándose en el procedimiento de mínimos cuadrados lineales para obtener un diagrama de
dispersión de la velocidad objetivo frente a la velocidad de referencia. El ajuste de la curva lineal resultante se describe
utilizando valores de pendiente e intersección, es decir, como la relación presentada en la Ecuación (1).

y=mx+b (1)

La pendiente y la intersección del algoritmo LLS se pueden calcular utilizando las ecuaciones (2) y (3).

metro=Sxy/Sxx (2)

b=y−mx (3)

dóndeSxxySxyvienen dadas por las ecuaciones (4) y (5), respectivamente.

∑
Sxx= i(Xi−X)2, (4)
∑
Sxy= i(Xi−X)(yi−y), (5)

dóndeXison los datos de referencia,Xes el promedio de los datos de referencia,yison los datos objetivo, yyes el
promedio de los datos objetivo.
Energías2020,13, 185 7 de 20

El MCP fue validado en este estudio de acuerdo con el siguiente proceso. En primer lugar, se utilizaron
datos a corto plazo de la estación CWB con WindSim para simular la velocidad y dirección del viento en el sitio
del LiDAR flotante. Los datos objetivo a corto plazo obtenidos de la estación CWB y los datos de referencia a
largo plazo obtenidos de MERRA se utilizaron para aplicar MCP para derivar datos a largo plazo para la
estación CWB, que posteriormente fueron utilizados por WindSim para simular la velocidad y dirección del
viento. en el lugar del dispositivo LiDAR flotante. Luego se examinó para su validación la relación entre los
datos medidos del LiDAR flotante y los datos simulados para el sitio del LiDAR flotante.
En este estudio se realizó MCP para relacionar y ajustar las mediciones in situ con una referencia a largo plazo
para reducir la incertidumbre en las estimaciones de producción de energía. Los datos a corto plazo medidos por el
dispositivo LiDAR flotante y el mástil se utilizaron como datos objetivo de los recursos eólicos, y los datos a largo plazo
obtenidos de MERRA se utilizaron como datos de referencia para realizar MCP para simular condiciones históricas del
viento. La simulación utilizó velocidades y direcciones del viento por hora. Los datos históricos de viento a largo plazo
obtenidos del dispositivo LiDAR y el mástil se evaluaron utilizando MCP para el período comprendido entre 2008 y
2018.

2.4. despertar efect de turbina

Una comparación de los modelos de estela reveló que el modelo de estela lejana de Jensen logra un
rendimiento excelente para resolver el problema de diseño de parques eólicos debido a su simplicidad y precisión
relativamente alta.dieciséis]. El modelo de Jensen supone una estela que aumenta linealmente con un déficit de
velocidad que se basa en la distancia entre la turbina aguas arriba y la turbina aguas abajo. El diámetro del aire a
distancia.X,DX, después de pasar por una turbina es el siguiente:

DX=D+2kdX, (6)

dóndeDes el diámetro del rotor ykdes el coeficiente de desintegración. Para un modelo de estela única, la velocidad del viento
aguas abajoUd.Xes como sigue:

- ( ) 2( -
-- D √
Ud. -
X=Ud.--1- 1- 1-Ct--,
) ---
(7)
D+2kdX

dóndeUd.representa la velocidad del viento aguas arriba antes de que pase a través de una turbina yCtrepresenta el
coeficiente de empuje. La ecuación (7) sólo se puede utilizar en las regiones de estela lejana, donde la distancia debe ser de
tres a cinco diámetros para las regiones terrestres y de seis a ocho diámetros para las regiones costeras [23]. Se observa un
área de sombra en la estela de la turbina aguas abajo (j), que se ve afectada por la estela de la turbina aguas arriba (i) [24]. La
ecuación (7) se puede reescribir de la siguiente manera:

-( )2 ( )-
( ) -- D ( √ ) Asombra,i
Ud.jXyo = Ud. -
i--1- 1- 1-Ct -----
(8)
D+2kdX Aw
()
dóndeUd.jXyorepresenta la velocidad del viento de la turbina aguas abajo (j) que contiene la parte de la sombra,
Ud.irepresenta la velocidad del viento después de pasar por la turbina aguas arriba (i),Asombra,irepresenta el área de
sombra de la estela de la corriente, yAwrepresenta el área de la estela. El área de sombra se puede expresar de la
siguiente manera:
- - - -
[ ( )]2 -- lyo --- -- d − l -- - 1
− 1-- - yo i j
Asombra,i= riXyo porque --- ( ) --- +r 02 porque−1----r ( ) --- − 2ijij
dz, (9)
- -
riXyo iXyo

dóndedyoes la distancia entre dos turbinas medida en la dirección del viento,Xyoes la distancia
()
entre dos turbinas medidas en la dirección del viento,riXyoes el radio de la estela,lyoes la distancia
entre la turbina aguas arriba (i) y la intersección deAwyAmedido a lo largo del
Energías2020,13, 185 8 de 20

dirección del viento. Porque estos parámetros (Xyo,dyo,lyo) están relacionados con la dirección del viento, se ajustan en función de la
dirección del viento de la siguiente manera:

( )
Xyo=spyoporque αyo−directorio, (10)
√
dyo= spyo2−Xyo 2, (11)
()
dyo2 − r02 + riX2 yo
lyo= , (12)
2dyo
dóndespyoes el espacio geográfico entre turbinasiyj,directorioes la dirección del viento en grados, y αyoes
el ángulo entre la dirección norte (0◦) y el segmento que une las dos turbinas.
Cuando la turbina se ve afectada por muchas turbinas, el déficit de velocidad se da de la siguiente manera: [25]

- ( ) 2-
-- ∑
- j−11- Ud.kj
Ud.
j=Ud.--1-
0
-----,
(13)
k=1 Ud.0

dóndeUd.jrepresenta el déficit de velocidad afectado por múltiples turbinas,Ud.0representa la velocidad del viento
aguas arriba, yUd.kjrepresenta la velocidad del viento de la turbina aguas abajo (j) que está influenciado pork turbinas
aguas arriba. De la ecuación (13), se produce un déficit de velocidad cuando el aire pasa a través de las turbinas, lo
que significa que el efecto de estela aumenta con un número creciente de turbinas.

2.5. Producción Anual de Energía

La AEP se calculó de la siguiente manera:

∑
PEA =norteh F(v)×PAG(v), (14)

dóndenortehes el número de horas en un año,F(v)es la distribución de Weibull, yPAG(v)es la potencia de salida.

2.6. Modelo WindSim

WindSim es una herramienta de diseño de parques eólicos y se ha utilizado ampliamente en la industria de la

energía eólica. Se puede acceder a su interfaz mediante software conocido como Global Mapper, Windographer,
WindPRO, WindFarmer y WAT [26]. Por ejemplo, WindPRO define un formato FLOWRES basándose en archivos XML
con los que los resultados de velocidad del viento y turbulencia de WindSim se pueden exportar a WindPRO [27]. En
este estudio se utilizó WindSim para optimizar la ubicación de las turbinas eólicas maximizando la producción anual de
energía teniendo en cuenta las limitaciones del sitio y el terreno. Utiliza datos de elevación y rugosidad para construir
un modelo de terreno y dinámica de fluidos computacional para resolver la siguiente ecuación:

[ ( ) ]
∂tuj ∂ ∂tuj
ρtuj∂Xj = ρF i+ − pagδyo+µ ∂tui+ − ρtu′itu′ j, (15)
∂Xj ∂Xj ∂Xi
∂tuj
donde ρtuj ∂Xj representa el cambio en el momento medio del elemento fluido, ρF ies un cuerpo malo
( )
∂tu ∂tu
fuerza,pagδyoes la tensión isotrópica debida al campo de presión media,µ i+ j son tensiones viscosas, y ρtu′ itu′j
∂Xj ∂Xi
denota la tensión de Reynolds.
Se utilizaron los datos de elevación mundial ASTER GDEM v2 para establecer datos de elevación para el área
estudiada, mientras que los datos de rugosidad se adquirieron de GlobeLand30. Los parámetros adoptados en el
estudio se enumeran en la Tabla4. Las soluciones convergen con el método de velocidad general colocada (GCV). El
modelo estándar de turbulencia k-ε consta de dos ecuaciones.
Energías2020,13, 185 9 de 20

Tabla 4.Parámetros adoptados para construir un modelo de recurso eólico en este estudio.

Propiedades Categorías Parámetros Valor

Terreno Aspereza altura de rugosidad Leer desde el archivo grid gws

Límite e inicial
Campos de viento Altura de la capa límite 1000 metros
condiciones
Velocidad por encima de la capa límite
15m/s
altura
Condición de límite en la parte superior Muro sin fricción
Modelos fisicos Temperatura potencial Ignorar la temperatura
Densidad del aire 1.225
modelo de turbulencia Estándar k-ε
Parámetros de cálculo Solucionadores GCV
Recursos eólicos Mapa de recurso eólico alturas 105
Energía Clasificación IEC * Rango de velocidad del viento Ieff Normas IEC *
* IEC: Comisión Electrotécnica Internacional.

Para energía cinética turbulentak:

[ ]
∂(ρk) ∂(ρku)i ∂ µt∂ k
+ = + 2µtmiyomiyo−ρε.
∂t ∂Xi ∂Xj σk∂Xj
(dieciséis)

Para disipación ε:
[ ]
∂(ρε) ∂(ρεtui ) ∂ µt∂ ε ε ε2
+ = + C1ε 2µtijmi
miyo − C2ερ , (17)
∂t ∂Xi ∂Xj σε∂Xj k k

dóndetuirepresenta el componente de velocidad en la dirección correspondiente,miyorepresenta el componente de la

tasa de deformación, yµtrepresenta la viscosidad turbulenta.

2.7. Turbina eólica

En este estudio se seleccionó la turbina MHI Vestas Offshore V164-9,5 MW con una altura de buje de 107
m para evaluar el potencial de generación de energía eólica.

2.8. Optimización de parques eólicos

En este estudio, se aplicó el módulo Park Optimizer de WindSim utilizando resultados de dinámica de fluidos
computacional (CFD) y algoritmos de optimización para optimizar el diseño de diseños de parques eólicos que
cumplen con IEC [28,29]. Se utilizó el modelo de Jenson como modelo de estela y el coeficiente de caídakd
establecido en 0,05 para la condición costa afuera [30]. El módulo establece la limitación para las turbinas en función de la
condición del terreno, el ángulo de entrada, la intensidad de la turbulencia y la velocidad y luego determina la distancia entre
turbinas requerida para evitar el efecto de estela.

2.9. Incertidumbre en la evaluación del recurso eólico

Los resultados de la previsión del recurso eólico pueden verse afectados por la incertidumbre debida a las mediciones y curvas
de potencia. Se supone que la incertidumbre para 1 año de medición es del 4% sin una fuente de datos de referencia o un análisis de
datos exhaustivo [8]. La incertidumbre sobre los recursos eólicos futuros se calcula de la siguiente manera:

√
2+ σclima 2, (18)
σfuturo= σnormal

σ
σnormal √ , (19)
nortepag
Energías2020,13, 185 10 de 20

donde σfuturoes una incertidumbre en el futuro, σnormalrepresenta la incertidumbre de los años considerados para la
predicción, σclimaes la incertidumbre del cambio climático, ynortepages el número de años utilizados para estimar la
incertidumbre en el futuro y σ es la incertidumbre durante 1 año. Se supone que la incertidumbre debida al cambio climático
es del 0,5% cuandonortepagequivale a 10 años [8].
La incertidumbre en la predicción del viento a largo plazo se deriva del coeficiente de correlación de la velocidad del
viento entre los sitios objetivo y de referencia. Los coeficientes de correlación de >0,9, 0,9–0,8 y 0,7–0,6 indicaron
incertidumbres de correlación de la velocidad del viento de <1%, 1%–2% y 3%–5%, respectivamente.31]. La incertidumbre en
la curva de potencia es causada principalmente por la turbulencia, la densidad del aire y las características de corte del sitio, y
su valor suele ser del 6%.32].
Para pronosticar la probabilidad de producción de energía, se deben utilizar parámetros relacionados con la
incertidumbre. El cálculo de probabilidad es el siguiente:

PAGX=PAG50× (1-z×σ), (20)

dóndePAGXrepresenta la producción de energía para la probabilidadX,zrepresenta el valor de la distribución normal para una
probabilidad específica presentada en la Tabla5, y σ representa la incertidumbre durante 1 año.

Tabla 5.Distribución normal de probabilidades específicas y sus correspondientes.zvalores [33].

Probabilidad de Superación (%) z

99 2.326
95 1.645
90 1.282
85 1.036
84 1.000
80 0,842
75 0,674
50 0
25 0,674
10 1.282
1 2.326

3. Resultados y discusión

3.1. Estimación de la producción de energía a largo plazo de un parque eólico utilizando MCP

Este estudio realizó un análisis de correlación para comparar datos LiDAR flotantes que se simularon
utilizando MCP a través de datos CWB y MERRA con datos LiDAR flotantes medidos para validar la precisión de
la simulación de WindSim. La información y los datos de medición del viento de las estaciones CWB se resumen
en la Tabla6y figura5. La relación entre la velocidad del viento simulada en el sitio del dispositivo LiDAR flotante
y la velocidad del viento medida obtenida utilizando el dispositivo LiDAR flotante se presenta en la Figura6. Los
coeficientes de correlación de la velocidad del viento obtenidos utilizando los datos LiDAR flotantes medidos y
los datos de la estación CWB oscilaron entre 63,6% y 72,6%. Los coeficientes de correlación de la velocidad del
viento medida pertenecientes a los datos LiDAR flotantes medidos y los datos LiDAR flotantes simulados
utilizando datos CWB aumentaron y oscilaron entre 71,7% y 74,9%. Los coeficientes de correlación de la
velocidad del viento obtenidos utilizando datos LiDAR flotantes medidos y datos LiDAR flotantes simulados a
través de MCP utilizando datos CWB y datos MERRA aumentaron aún más y oscilaron entre 79,7% y 83,1%. Esto
indica que el proceso MCP mejoró la precisión de la simulación. La simulación de WindSim también podría
validarse mediante estos análisis de correlación. Los errores cuadráticos medios (RMSE) de la velocidad del
viento obtenidos usando los datos LiDAR flotantes medidos y los datos LiDAR flotantes simulados a través de
MCP usando datos CWB y datos de la ubicación 1 de MERRA fueron más pequeños que el RMSE usando la
velocidad del viento obtenida usando la ubicación MERRA. 2 datos (Tabla7), aunque MERRA 1 se encuentra más
lejos que MERRA 2 (Figura2).
Energías2020,13, 185 11 de 20

Tabla 6.Información y datos de medición del viento de las estaciones CWB [34].

Anual Porcentaje anual

Medición
Estación Año Viento promedio Dirección del viento Ambiente
Altura (m)
Velocidad (m/s) (Grado)
2016 2.5 58
Rodeado de edificios bajos
Fangyuen 12 2017 2.5 62
edificios
2018 2.5 40
2016 3.0 49 Pocos edificios alrededor,
Lukang 17 2017 2.9 27 rodeado
2018 2.6 47 humedales no desarrollados

2016 3.3 32 Pocos edificios alrededor,

Puyén 15 2017 3.1 47 mayoritariamente rodeado de
2018 3.0 38 tierras de cultivo

Figura 5.Entorno de las estaciones CWB en Fangyuen (izquierda), Lukang (medio), y Puyén (bien).

Figura 6.Coeficiente de correlación de los datos de velocidad del viento para (de izquierda a derecha) datos LiDAR
flotantes medidos y datos medidos de la Oficina Meteorológica Central (CWB), datos LiDAR flotantes simulados usando
datos CWB, datos LiDAR flotantes simulados mediante medir, correlacionar, predecir (MCP) usando CWB datos y datos de
ubicación 1 de MERRA, y datos LiDAR flotantes simulados a través de MCP utilizando datos de CWB y datos de ubicación 2
de MERRA.
Energías2020,13, 185 12 de 20

Tabla 7.Correlación y RMSE de la velocidad del viento para datos LiDAR flotantes medidos y datos LiDAR
flotantes simulados a través de MCP utilizando datos CWB y datos MERRA.

Estaciones CWB Ubicaciones de MERRA R2(%) RMSE (m/s)

1 83.0 4.8
Lukang
2 79,4 5.7
1 83.1 4.4
Puyén
2 80.2 8.2

Los datos del dispositivo LiDAR y el mástil se procesaron mediante el método MCP utilizando datos de la
ubicación 2 de MERRA para producir datos eólicos históricos a largo plazo para evaluar los recursos eólicos y predecir
la generación de energía del parque eólico Changhua-South. Los datos históricos de viento a largo plazo obtenidos
del dispositivo LiDAR y el mástil para el período comprendido entre 2008 y 2018 se evaluaron utilizando MCP. Los
datos medidos por el dispositivo LiDAR flotante y el mástil representaron los datos objetivo del recurso eólico, y los
datos MERRA representaron los datos de referencia. La distribución Weibull y la dirección del viento del recurso eólico
para el CWB, el dispositivo LiDAR y el mástil después de usar MCP se analizan a continuación.

3.1.1. Dispositivo LiDAR flotante

La distribución Weibull de los recursos eólicos en el sitio del dispositivo LiDAR flotante después de usar
MCP se ilustra en la Figura7. Los valores del parámetro de forma (k) y el parámetro de escala (λ) de la
distribución de Weibull en el sitio del dispositivo LiDAR flotante fueron 1,85 y 7,61 m/s, respectivamente. La
velocidad del viento promedió 7,89 m/s y se distribuyó principalmente entre 0 y 15 m/s. La dirección del viento
estuvo dominada por vientos de norte-noreste y norte, seguidos por vientos de sur-suroeste (Figura8).

Figura 7.Distribución de Weibull en el dispositivo LiDAR flotante (izquierda) y mástil (bien) determinado utilizando MCP
con datos de ubicación 2 de MERRA.
Energías2020,13, 185 13 de 20

Figura 8.Dirección del viento en el dispositivo LiDAR flotante (izquierda), y mástil (bien) determinado utilizando MCP con
datos de ubicación 2 de MERRA.

3.1.2. Mástil

La distribución Weibull de los recursos eólicos en el sitio del mástil después de usar MCP se ilustra en la
Figura7. Los valores del parámetro de forma (k) y el parámetro de escala (λ) de la distribución de Weibull
fueron 1,80 y 8,87 m/s, respectivamente. La velocidad del viento promedió 7,89 m/s y se distribuyó
principalmente entre 0 y 20 m/s. La dirección del viento estuvo dominada por vientos de norte-noreste y norte,
seguidos por vientos de sur-suroeste, como fue el caso del dispositivo LiDAR (Figura8).

3.2. Mapa de recursos eólicos

El mapa de recursos eólicos se creó utilizando datos de WindSim y MCP derivados del dispositivo LiDAR flotante
y el mástil, como se ilustra en la Figura9. La velocidad media del viento evaluada a una altura de 105 m en el parque
eólico estudiado fue de 7,97 y 8,02 m/s según los datos del dispositivo LiDAR flotante y del mástil, respectivamente.
Las cantidades de recursos eólicos marinos evaluadas utilizando datos del dispositivo LiDAR y el mástil fueron
similares. En este estudio se estimó que el exponente de cizalladura del viento en el sitio del mástil era 0,05 según los
datos de velocidad del viento de 10 minutos medidos por el mástil. El perfil de cizalladura vertical del viento en el sitio
del mástil se ilustra en la Figura10. Un estudio indicó que el exponente de cizalladura del viento en tierra firme en
Taiwán podría alcanzar entre 0,18 y 0,23 [35], que es considerablemente superior al valor de 0,05 observado en alta
mar.

Figura 9.Mapa de recurso eólico y diseño optimizado del parque eólico analizado según WindSim con datos MCP
obtenidos utilizando datos de la ubicación 2 de MERRA y el dispositivo LiDAR flotante (izquierda) y el mástil (bien
).
Energías2020,13, 185 14 de 20

Figura 10.Perfil de cizalladura vertical del viento en el lugar del mástil.

3.3. Optimización de parques eólicos

El módulo Park Optimizer identificó las ubicaciones óptimas para diferentes números de turbinas para
maximizar la generación de energía y minimizar el efecto de estela. Los resultados de los diseños optimizados del
parque eólico basados en el mapa de recursos eólicos utilizando datos MCP del dispositivo LiDAR flotante y el mástil
fueron similares, como se indica en la Figura9.

3.4. Producción Anual de Energía

La generación de energía del parque eólico se estimó basándose en el diseño optimizado del parque
eólico. Los resultados de AEP bruto alcanzaron los 344 GWh por año cuando se utilizaron datos del dispositivo
LiDAR (Tabla8) y alcanzó los 342 GWh al año utilizando datos del mástil (Tabla9). Las horas a plena carga
conseguidas fueron 3.320,5 y 3.296,5 h al año utilizando datos del dispositivo LiDAR y del mástil,
respectivamente. La generación de energía estimada del parque eólico fue similar cuando se utilizaron datos
del dispositivo LiDAR y el mástil, aunque el AEP evaluado utilizando datos del dispositivo LiDAR fue mayor que
el del mástil, probablemente porque el dispositivo LiDAR estaba ubicado más lejos de la costa que el mástil. ,
donde prevaleció una mayor velocidad del viento.

Tabla 8.Generación de energía estimada del parque eólico según WindSim y MCP con datos del dispositivo
flotante LiDAR y MERRA. Los números de turbina asignados son los mismos que en la Figura9.

Velocidad del viento PEA con

Viento Fuerza Bruto Carga completa
Turbina Incluido Despertar Pérdida de vigilia
Velocidad Densidad PEA Horas
Número Pérdidas de estela Pérdidas (%)
(metro/s) (W/metro2 ) (MWh/y) (h/y)
(metro/s) (MWh/y)
1 8.03 7,98 678.0 34.522,1 34.087,2 1.26 3588.1
2 8.02 7,87 677,7 34.485,8 33.258,8 3.56 3500.9
3 8.03 7,84 677,9 34.505,1 32.936,8 4.55 3467.0
4 8.03 7,87 678,5 34.540,3 33.132,1 4.08 3487.6
5 8.00 7,55 671,9 34.302,8 30.636,5 10.69 3224.9
6 7,99 7.54 669,5 34.235,0 30.445,9 11.07 3204.8
7 8.01 7.53 675.0 34.401,0 30.362,7 11.74 3196.1
8 8.02 7.60 676,3 34.473,3 30.856,0 10.49 3248.0
9 8.00 7.48 672,7 34.341,7 29.876,6 13.00 3144.9
10 8.02 7.47 675,5 34.429,9 29.853,7 13.29 3142.5

Todo - - - 344.237,0 315.446,3 - -

Significar 8.02 7,67 675,3 - - 8.36 3320.5
Energías2020,13, 185 15 de 20

Tabla 9.Generación eléctrica estimada del parque eólico según WindSim y MCP con datos del mástil y
MERRA. Los números de turbina asignados son los mismos que los de la Figura9.

Velocidad del viento PEA con

Viento Fuerza Bruto Carga completa
Turbina Incluido Despertar Pérdida de vigilia
Velocidad Densidad PEA Horas
Número Pérdidas de estela Pérdidas (%)
(metro/s) (W/m2) (MWh/y) (h/y)
(metro/s) (MWh/y)
1 7,99 7,94 664,3 34.294,8 33.860,7 1.27 3564.3
2 7,98 7,83 664.0 34.257,3 33.001,2 3.67 3473.8
3 7,99 7,82 664,8 34.311,0 32.879,9 4.17 3461.0
4 7,98 7.80 664.2 34.276,3 32.679,0 4.66 3439.9
5 7,98 7,56 662,6 34.245,0 30.657,9 10.47 3227.1
6 7,97 7.49 661.2 34.171,4 30.135,4 11.81 3172.1
7 7,95 7.50 655,6 34.008,5 30.246,4 11.06 3183.8
8 7,97 7.43 661,7 34.200,1 29.623,7 13.38 3118.3
9 7,96 7.51 658.0 34.071,3 30.432,0 10.68 3203.4
10 7,96 7.44 658,9 34.112,6 29.651,2 13.08 3121.2

Todo - - - 341.948,3 313.167,4 - -

Significar 7,97 7.63 661,5 - - 8.42 3296.5

Las pérdidas por estela estimadas de los aerogeneradores estuvieron entre el 1% y el 14% y las pérdidas promedio por estela
fueron del 8,36% y 8,42% cuando se utilizaron datos del dispositivo LiDAR y el mástil, respectivamente. Debido a que el viento
monzónico del norte invernal constituía el recurso eólico predominante, las turbinas aguas arriba 1 a 4 hacia el norte fueron las menos
afectadas por la pérdida de estela y exhibieron pérdidas del 1% al 5%; sin embargo, las turbinas aguas abajo 5 a 10 fueron las más
afectadas y exhibieron una pérdida del 10 % al 13 %.
Los efectos de la pérdida de estela sobre la velocidad del viento y la AEP en varios sectores se pueden observar
en la Tabla10. La pérdida de estela exhibió el mayor efecto sobre la velocidad del viento en el sector 165◦–195◦, con una
reducción del 0,07% en la velocidad del viento. La pérdida de estela exhibió el mayor efecto sobre la AEP del sector 75◦
–105◦, provocando una reducción del 0,19% en la PEA. El viento del este (75◦–105◦) exhibió el mayor efecto sobre la AEP,
seguido por el viento del oeste (255◦–285◦). Sin embargo, las frecuencias de aparición de los vientos del este y del oeste
fueron las más bajas en el área costera de Changhua (Figura8). Los efectos de la pérdida de estela en el noreste
predominante (15◦–45◦) y sur-suroeste (195◦–225◦) los vientos fueron mínimos y redujeron el AEP sólo un 0,03% y un
0,07%, respectivamente. Esto indicó que se había logrado la optimización del diseño del parque eólico. El examen de
las pérdidas por estela de los aerogeneradores aguas arriba y aguas abajo y de varios sectores validó la optimización
del parque eólico realizada por el modelo optimizador WindSim.

Tabla 10.Efectos de la pérdida de estela sobre la velocidad del viento y la AEP en varios sectores determinados utilizando datos del
dispositivo LiDAR flotante y el mástil.

Velocidad del viento (m/s) AEP con pérdidas de estela (MWh/y)

Sector
LiDAR flotante Mástil LiDAR flotante Mástil

345◦-15◦ − 0,05% − 0,05% − 0,09% − 0,09%

15◦–45◦ − 0,02% − 0,02% − 0,03% − 0,03%
45◦–75◦ − 0,02% − 0,02% − 0,09% − 0,08%
75◦–105◦ − 0,02% − 0,02% − 0,19% − 0,19%
105◦–135◦ - 0,01% − 0,01% − 0,04% − 0,04%
135◦–165◦ 0,00% − 0,01% − 0,02% − 0,02%
165◦–195◦ − 0,07% − 0,07% − 0,14% − 0,14%
195◦–225◦ − 0,03% − 0,03% − 0,07% − 0,07%
225◦–255◦ − 0,03% − 0,03% − 0,08% − 0,08%
255◦–285◦ − 0,04% − 0,04% − 0,14% − 0,14%
285◦–315◦ − 0,01% − 0,01% − 0,04% − 0,04%
315◦–345◦ − 0,01% − 0,01% − 0,02% − 0,02%
Energías2020,13, 185 16 de 20

3.5. Predicción de la producción anual de energía

Se utilizaron incertidumbres para estimar el AEP probable. Las incertidumbres de los parámetros se indican en la
tabla.11. La incertidumbre causada por las correlaciones a largo plazo se derivó del coeficiente de correlación de la
velocidad del viento entre el sitio objetivo y el sitio de referencia, mientras que la causada por las pérdidas de energía
se basó en la optimización del parque eólico (Tabla12). Los datos del dispositivo LiDAR y el mástil se procesaron
mediante el método MCP utilizando datos obtenidos en la ubicación 2 de MERRA. Se analizaron las relaciones entre los
datos MCP generados y los datos medidos del dispositivo LiDAR y el mástil. Los coeficientes de correlación de >0,9,
0,9–0,8 y 0,7–0,6 indicaron incertidumbres de correlación de la velocidad del viento de <1%, 1%–2% y 3%–5%,
respectivamente.31]. La incertidumbre de la correlación a largo plazo se calculó utilizando el método de interpolación
(Tabla12), y las pérdidas de energía provocadas por el efecto de estela se calcularon utilizando WindSim.

Tabla 11.Incertidumbres asociadas a los parámetros [33].

Parámetro Incertidumbre (%)

Medición 2.04
Efecto torre 0,5
recurso eólico Recurso eólico histórico 4
Recurso eólico futuro (10 años) 1.4
Correlación a largo plazo Inconstante

Modelo de flujo de viento 6

Nivel de energía Curva de potencia 6
Pérdidas de energía (efecto estela) Inconstante

Tabla 12.Incertidumbre inconstante de la estimación de AEP.

Inconstante

Correlación a largo plazo (%) Pérdidas de energía (%)

LiDAR flotante 1.61 8.36

Mástil 4.05 8.42

PAG50representa la evaluación de la producción de energía sin considerar incertidumbres.PAG75y PAG90se puede

estimar utilizando las ecuaciones (21) y (22) derivadas de la ecuación (20). El AEP estimado utilizando datos del
dispositivo LiDAR flotante fue ligeramente superior al estimado utilizando datos del mástil (Figura11), probablemente
porque el dispositivo LiDAR estaba ubicado más lejos de la costa que el mástil, donde prevalecían velocidades de
viento más altas. La producción de energía prevista disminuyó con una probabilidad cada vez mayor. El PEA estimado
dePAG50alcanzaron los 314 GWh/año, mientras que los dePAG75yPAG90fueron apenas 283 GWh/año y 255 GWh/año,
respectivamente. El PEA estimado dePAG75era el 90% del dePAG50, mientras que el AEP estimado dePAG90fue el 81%
del dePAG50. Es posible que los inversores deban considerar esta diferencia al evaluar el riesgo de financiar un
proyecto eólico.

PAG75=PAG50× (1-0,674×σ), (21)

PAG90=PAG50× (1-1,282×σ), (22)

dóndePAGXes la producción de energía para la probabilidadXy σ es la incertidumbre durante 1 año. Los valores de
0,674 y 1,282 en la tabla5son los valores z para las probabilidades de eventos que exceden los umbrales del 25% y
10%, respectivamente.
Energías2020,13, 185 17 de 20

400
LiDAR flotante Mástil

300

PEA (GWh/año)
200

100

0
P50 P75 P90

Figura 11.A PE dePAG50,PAG75, yPAG90se estimó para 10 años utilizando datos del flo ast. Comiendo LiDAR

dispositivo y m

4. Conclusiones

Este estudio Se utilizaron datos de un dispositivo LiDAR flotante, un mástil y MERRA para desarrollar el aluar el viento
recursos de la parque eólico marino Changhua-South y optimizar el diseño del parque eólico. firmar. El poder
En primer lugar se estimó el potencial de generación del parque eólico objetivo. El módulo Park Optimizer de
Luego se utilizó WindSim para identificar las ubicaciones de las turbinas con las velocidades de viento más altas y la
turbulencia más baja para maximizar la producción de energía. Finalmente, la precisión de la predicción de AEP se evaluó
sobre la base de la incertidumbre estimada. Los hallazgos cruciales son los siguientes.
Las velocidades medias del viento evaluadas a una altura de 105 m en el parque eólico estudiado utilizando
datos WindSim y MCP derivados del dispositivo LiDAR flotante y el mástil fueron 7,97 y 8,02 m/s, respectivamente. Las
predicciones para la producción de energía del parque eólico indicaron que el AEP será cada vez más conservador con
un valor de probabilidad cada vez mayor. El PEA estimado dePAG50alcanzó los 314 GWh/año, mientras que el dePAG75
yPAG90fue de apenas 283 GWh/año y 255 GWh/año, respectivamente. El PEA estimado dePAG75era el 90% del dePAG50
, mientras que el AEP estimado dePAG90fue el 81% del dePAG50. Es posible que los inversores deban considerar esta
diferencia al evaluar el riesgo de financiar un proyecto eólico.
Este estudio ofrece contribuciones novedosas a la literatura al examinar la aplicabilidad de datos de múltiples
fuentes, a saber, un dispositivo LiDAR flotante, un mástil meteorológico y MERRA, para evaluar los recursos eólicos
marinos. Los resultados del análisis indicaron que el uso de datos MERRA para realizar MCP mejora la precisión de la
predicción de la producción de energía de un parque eólico marino. Los datos de mástil y LiDAR se utilizaron como
datos objetivo y los datos MERRA sirvieron como datos de referencia en MCP para predecir la generación de energía
eólica marina.
Se pueden realizar investigaciones futuras para mejorar la precisión de la estimación de la energía eólica. Aunque los
datos horarios son la fuente más común para estimar la generación de energía eólica, es posible que los métodos que utilizan
dichos datos no puedan rastrear los cambios en la dirección del viento. La cuestión de si se puede mejorar la precisión de la
estimación del recurso eólico utilizando datos con una resolución temporal más alta (por ejemplo, datos de 10 minutos)
merece investigación. Además, la estimación de la producción de energía en este estudio se basó en la curva de potencia y las
estadísticas de velocidad del viento. Sin embargo, el factor de ráfagas y la densidad del aire también afectan a la producción
de energía de las turbinas eólicas. Se pueden realizar más investigaciones para determinar si más datos meteorológicos
pueden ayudar a mejorar la precisión de la estimación de la generación de energía.

Contribuciones de autor:Conceptualización, C.-DY y T.-HL; curación de datos, C.-DY, Y.-SC y C.-CT; análisis
formal, C.-DY e Y.-SC; adquisición de financiación, T.-HL; investigación, C.-DY e Y.-SC; metodología, C.-DY e Y.-SC;
administración de proyectos, C.-DY; recursos, C.-CT; software, C.-DY e Y.-SC; supervisión, C.-DY y T.-HL;
validación, C.-DY; redacción: borrador original, C.-DY e Y.-SC; redacción: revisión y edición, C.-DY Todos los
autores han leído y aceptado la versión publicada del manuscrito.
Fondos:Este trabajo se llevó a cabo bajo el apoyo financiero del proyecto titulado “Desarrollo y aplicación de
datos de mástiles meteorológicos y oceanográficos marinos de Taipower” (MOST 106-3113-F-006-002)
financiado por el Ministerio de Ciencia y Tecnología de la República de Porcelana.
Expresiones de gratitud:Este estudio se realizó con el apoyo financiero del proyecto titulado “La técnica de predicción de Big
Data y estándar de acreditación para parques eólicos marinos de Taiwán” (MOST 108-3116-F-006-009-CC2) financiado por el
Ministerio de Ciencia y Tecnología de la República de China. Los autores agradecen el apoyo del Ministerio para este estudio.
Este manuscrito fue editado por Wallace Academic Editing.
Energías2020,13, 185 18 de 20

Conflictos de interés:Los autores declaran no tener conflictos de intereses.

Nomenclatura

Asombra,i Área de sombra de la estela de la corriente

Aw Área de la estela de la corriente

Ct coeficiente de empuje

dyo Distancia entre dos turbinas medida en la dirección transversal del viento
directorio Dirección del viento en grados
D Diámetro del rotor
DX Diámetro del aire después del soplo del viento a distancia.X
miyo Componente de la tasa de deformación Función de
F(v) distribución de Weibull Parámetro de forma
k
kd Coeficiente de decaimiento

Distancia entre la turbina i y la intersección deAwyAmedido en la dirección transversal del

lyo
viento
norteh Número de horas en un año.
nortepag Número de años utilizados para estimar la incertidumbre en el futuro
PAG(v) Curva de potencia
Producción de energía para la
PAGX( )
riXyo probabilidad.X Radio de la estela
spyo Espaciado geográfico entre turbinas i y j
tui Componente de velocidad
Ud. Velocidad del viento aguas arriba antes de pasar por una turbina
Ud.i Velocidad del viento después de pasar por la turbina i
Déficit de velocidad afectado por múltiples turbinas La velocidad del viento de
Ud.j( )
Ud.jXyo la turbina j contiene parte de sombra Velocidad del viento de la turbina j

Ud.kj afectada por k turbinas aguas arriba Velocidad del viento aguas arriba

Ud.0
Ud.X Velocidad del viento aguas abajo del modelo de estela única

Xyo Distancia entre dos turbinas medida en la dirección del viento Valor de
z distribución normal para una probabilidad específica
αyo Ángulo entre la dirección norte (0◦) y el segmento que une las dos turbinas
λ Parámetro de escala
µt Viscosidad de Foucault

σ Incertidumbre a 1 año Incertidumbre del

σclima cambio climático Incertidumbre en el futuro

σfuturo Incertidumbre de los años para la predicción

σnormal

Abreviaturas

PEA Oficina Meteorológica Central de

CWB Producción Anual de Energía
GCV Velocidad general colocada
GEOS-5 Modelo del sistema de observación de la Tierra Goddard,
LiDAR versión 5 Detección y alcance de luz
LLS Mínimos cuadrados lineales

MCP Medir Correlacionar Predecir

MERRA Análisis retrospectivo de la era moderna para investigaciones y aplicaciones
NÓMADA Dispositivo automático meteorológico oceanográfico de la Marina
RMSE Error cuadrático medio
Energías2020,13, 185 19 de 20

Referencias

1. Panel Intergubernamental sobre Cambio Climático (IPCC). Calentamiento global de 1,5◦C. 2018. Disponible en línea: https://
www.ipcc.ch/sr15/(consultado el 15 de julio de 2019).
2. Consejo Nacional de Desarrollo (NDC).El Anuario Estadístico de la Construcción y la Urbanización 2018; Consejo
Nacional de Desarrollo: Taipei, Taiwán, 2019.
3. 4C Offshore, Clasificación mundial de velocidades de energía eólica marina. 2018. Disponible en línea:http://www.4coffshore.com/
windfarms/windspeeds.aspx(consultado el 24 de abril de 2018).
4. Ministerio de Asuntos Económicos.Programa de Desarrollo Energético Nacional; Ministerio de Asuntos Económicos: Taipei, Taiwán,
2017.
5. Kim, J.-Y.; Oh, K.-Y.; Kim, MS-S.; Kim, K.-Y. Evaluación y caracterización de recursos eólicos marinos con datos de mástiles
meteorológicos de largo plazo corregidos por lidar eólico.Renovar. Energía2019,144, 41–55. [Referencia cruzada]
6. Ørsted A/S. Datos de energía eólica marina. Ørsted A/S, 2019. Disponible en línea:https://orsted.com/en/Nuestro-negocio/ Eólica-
offshore/Wind-Data(consultado el 3 de septiembre de 2019).
7. Sharma, PK; Warudkar, V.; Ahmed, S. Aplicación de lidar y método de predicción de correlación de medidas en evaluaciones de
recursos eólicos marinos.J. Limpio. Pinchar.2019,215, 534–543. [Referencia cruzada]
8. Brower, M.Evaluación del recurso eólico: una guía práctica para desarrollar un proyecto eólico; John Wiley & Sons: Nueva
York, NY, EE. UU., 2012.
9. Rienecker, MM; Suárez, MJ; Gelaro, R.; Todling, R.; Bacmeister, J.; Liu, E.; Bosilovich, MG; Schubert, SD; Takacs, L.;
Kim, GK; et al. MERRA: Análisis retrospectivo de la era moderna de la NASA para investigaciones y aplicaciones.J.
Clim.2011,24, 3624–3648. [Referencia cruzada]
10. Ren, G.; Wan, J.; Liu, J.; Yu, D. Caracterización del recurso eólico en China desde una nueva perspectiva.Energía 2019,167,
994–1010. [Referencia cruzada]
11. Bosilovich, MG; Lucchesi, R.; Suárez, M. MERRA-2: Especificación del expediente. Oficina de Asimilación y Modelado Global
de la NASA, nota número 9 (Versión 1.1). 2016. Disponible en línea:http://gmao.gsfc.nasa.gov/pubs/office_notes
(consultado el 16 de julio de 2019).
12. Bansal, JC; Farswan, P. Diseño de parques eólicos mediante optimización basada en biogeografía.Renovar. Energía2017,107, 386–402. [
Referencia cruzada]
13. Patel, J.; Savsani, V.; Patel, V.; Patel, R. Optimización del diseño de un parque eólico utilizando un enfoque basado en patrones geométricos.
Procedimiento energético2019,158, 940–946. [Referencia cruzada]
14. Parque, J.; Law, KH Optimización del diseño para maximizar la producción de energía de los parques eólicos mediante programación convexa
secuencial.Aplica. Energía2015,151, 320–334. [Referencia cruzada]
15. Sanderse, B.Revisión de la literatura sobre aerodinámica de las estelas de turbinas eólicas; Centro de Investigación Energética de
los Países Bajos ECN-E-09-016: Sint Maartensvlotbrug, Países Bajos, 2009.
16. Shakoor, R.; Hassan, MI; Raheem, A.; Wu, Y.-K. Modelado del efecto de estela: una revisión de la optimización del diseño de parques eólicos
utilizando el modelo de Jensen.Renovar. Sostener. Rev. Energía.2016,58, 1048-1059. [Referencia cruzada]
17. Larsen, GCUn procedimiento sencillo de cálculo de la estela; Laboratorio Nacional Risø: Roskilde, Dinamarca, 1988.
18. Frandsen, STTurbulencia y carga estructural generada por turbulencia en grupos de turbinas eólicas; Laboratorio Nacional
Risø: Roskilde, Dinamarca, 2007.
19. Jensen, NOUna nota sobre la interacción con los generadores eólicos; Laboratorio Nacional Risø: Roskilde, Dinamarca, 1983.
20. Ministerio de Asuntos Económicos. Conceptos básicos de la asignación de capacidad para sitios de planificación de energía eólica
marina. Ministerio de Asuntos Económicos de Taiwán. Disponible en linea:https://www.moeaboe.gov.tw/ECW/populace/Law/
Content.aspx?menu_id=2870(consultado el 8 de diciembre de 2019).
21. 4C Offshore, Parques eólicos marinos globales. 2018. Disponible en línea:https://www.4coffshore.com/windfarms/
windfarms.aspx?windfarmid=TW11&windfarmid=TW11(consultado el 24 de abril de 2018).
22. Mes, JC; de Goffau, PLSistema de control estabilizador de una plataforma sobre una boya para OfEvaluación del viento costero;
Universidad Tecnológica de Delft: Delft, Países Bajos, 2014.
23. Han, T. Evaluación de los efectos de la estela dinámica sobre la carga. Tesis de maestría, Departamento de Ingeniería
Aeroespacial, Universidad Tecnológica de Delft, Delft, Países Bajos, 2011.
24. Manwell, JF; McGowan, JG; Rogers, Alabama, Estados UnidosExplicación de la energía eólica: teoría, diseño y aplicación; John Wiley & Sons:
Chichester, Reino Unido, 2002.
25. Abbes, M.; Allagui, M. Estrategia de control centralizado para la maximización energética de aerogeneradores de gran tamaño. Sostener.
Ciudades Soc.2016,25, 82–89. [Referencia cruzada]
Energías2020,13, 185 20 de 20

26. WindSim, ASIntroducción del software WindSim; WindSim AS: Tønsberg, Noruega, 2015.
27. Meissner, C.; Maná, M.; de Groot, T. Desarrollos recientes de WindSim. En Actas de la 14.ª reunión de usuarios de WindSim,
Tønsberg, Noruega, 5 y 6 de junio de 2019.
28. Meissner, C.; Vogstad, K.; Welle-Strand Horn, U. Optimización del parque utilizando restricciones IEC para la calidad del
viento. En Actas de la Conferencia Europea de Energía Eólica, Bruselas, Bélgica, 14 a 17 de marzo de 2011.
29. Meissner, C.WindSim: Primeros pasos; WindSim AS: Tønsberg, Noruega, 2019.
30. Hwang, C.; Jeon, JH; Kim, GH; Kim, E.; Parque, M.; Yu, IK Modelado y simulación del efecto estela en un parque eólico.J. Int.
Consejo. eléctrico. Ing.2015,5, 74–77. [Referencia cruzada]
31. Garrad Hassan, Análisis de incertidumbre de GL. EnManual de teoría del agricultor eólico; Garrad Hassan, GL, Ed.; Garrad Hassan &
Partners Ltd.: Bristol, Reino Unido, 2011; págs. 6–39.
32. Kwon, SD Análisis de incertidumbre de la evaluación del potencial de la energía eólica.Aplica. Energía2010,87, 856–865. [Referencia
cruzada]
33. Lira, A.; Rosas, P.; Araujo, A.; Castro, N. Incertidumbres en la estimación de la producción eólica. En Actas de la
Conferencia Ibérica de Economía de la Energía, Lisboa, Portugal, 4 y 5 de febrero de 2016.
34. Oficina Meteorológica Central (CWB). Sistema de consulta de datos de observación de la CWB. Disponible en linea:http://e-servicio.
cwb.gov.tw/HistoryDataQuery/(consultado el 12 de diciembre de 2019).
35. Chang, PC; Colgado, JB; Lin, TH El análisis de las características del viento en Taiwán utilizando el LiDAR flotante. En Actas
de la 37ª Conferencia de Ingeniería Oceánica en Taiwán, Taichung, Taiwán, 12 y 13 de noviembre de 2015.

©2020 por los autores. Licenciatario MDPI, Basilea, Suiza. Este artículo es un artículo de
acceso abierto distribuido bajo los términos y condiciones de la licencia Creative Commons
Attribution (CC BY) (http://creativecommons.org/licenses/by/4.0/).