Un nuevo diseño del método de predicción de la energía eólica basado en el modelo informador de optimización de...

Área de la Ciencia:

• Sistemas de energía renovable
• Inteligencia artificial en la energía
• Aprendizaje automático para redes eléctricas

Sus antecedentes:

• La predicción precisa de la energía eólica es crucial para la estabilidad de la red.
• Las redes neuronales tradicionales y el modelo Informer enfrentan limitaciones en condiciones complejas debido al acoplamiento de características y problemas de salud de los datos.
• Los métodos existentes luchan con la precisión de la predicción y la eficiencia computacional.

Objetivo del estudio:

• Proponer un nuevo marco de predicción, MFIO-Informer, para mejorar las previsiones de la energía eólica.
• Mejorar la precisión de la predicción y la eficiencia computacional mediante la optimización de las interacciones de características de múltiples fuentes y la percepción de la salud de los datos.
• Abordar las limitaciones del modelo Informer en entornos operativos complejos.

Principales métodos:

• Selección de características utilizando la correlación de Lasso y Pearson para identificar características clave de múltiples fuentes.
• Una red neuronal totalmente conectada (FNN) para extraer el coeficiente dinámico de sinergia (DSC) que refleja el rendimiento del equipo.
• Una evaluación de la salud de los datos utilizando datos históricos de potencia y DSC para generar una matriz de optimización para el modelo Informer.
• Implementación del marco MFIO-Informer que integra la optimización de características y la percepción de la salud de los datos.

Principales resultados:

• El modelo MFIO-Informer demostró un rendimiento superior en dos conjuntos de datos públicos de energía eólica.
• Logró una precisión de predicción aproximadamente un 20% mayor en comparación con el modelo tradicional de Informer.
• Realizó una velocidad de predicción 54.85% más rápida, lo que indica ganancias significativas de eficiencia computacional.

Conclusiones:

• El marco propuesto de MFIO-Informer aborda efectivamente las limitaciones de los modelos de predicción de la energía eólica existentes.
• La integración del análisis colaborativo de características físicas y la percepción del estado de salud de los datos mejora significativamente la precisión y la velocidad de la predicción.
• MFIO-Informer ofrece una solución prometedora para la integración estable y eficiente de la red de energía eólica.