REVISTA DE INGENIERIA DYNA

Palabras clave:

wind power forecasting, multivariate time series, deep learning, convolutional neural networks, attention mechanism, transformer models, renewable energy prediction, SCADA data, hybrid neural networks, error reduction, day-ahead forecasting, energy systems modelling

Tipo de artículo:

ARTICULO DE INVESTIGACION / RESEARCH ARTICLE

Sección:

ARTICULOS DE INVESTIGACION / RESEARCH ARTICLES

Los investigadores han señalado que las variaciones climáticas derivadas de diversas condiciones meteorológicas afectan directamente a la previsión de la energía eólica. Predecir con precisión y de forma teórica los cambios meteorológicos y la producción de energía eólica mediante modelos de predicción estadística es una tarea compleja. Con los modelos de aprendizaje convencionales, la previsión a largo plazo de la energía eólica puede alcanzar un error porcentual absoluto medio de entre el 10 % y el 17 %; esto no cumplía con los requisitos de ingeniería de nuestro proyecto de energía renovable. Se propone el modelo de Red Generativa de Codificación de Información Convolucional (GCIENM) para establecer las correlaciones entre la generación de energía y los parámetros meteorológicos. En el ámbito de la predicción de la energía eólica, la técnica presentada tiene una amplia aplicabilidad. Por lo tanto, el estudio de investigación se centra en la predicción a largo plazo de la energía eólica —con una antelación de entre un día y tres días— con un error porcentual medio absoluto (MAPE) inferior al 10 %, mediante el empleo de ATM y MVPNN basados en GCIENM. En nuestros experimentos, el modelo GCIENM obtuvo mejores resultados al utilizar los datos de producción de energía eólica de una central eólica ubicada en SCADA y otros datos meteorológicos históricos. Los resultados del experimento muestran un valor de MAPE del 6 % en la predicción de la energía eólica a tres días; para nuestro proyecto, este valor es suficiente para cumplir nuestros requisitos. Finalmente, este trabajo comparó el rendimiento basado en el comportamiento del modelo de predicción propuesto para la predicción de la energía. Nuestro experimento demostró que el modelo GCIENM ofrece mejores resultados que los otros tres modelos a la hora de predecir la energía eólica en cuanto a los parámetros de precisión de la previsión, estabilidad en la reducción de errores y volumen de datos de entrada.
Palabras clave: energía renovable, predicción, aprendizaje profundo, tasa de error, predicción real