Fast-powerformer logra una previsión de energía eólica a medio plazo precisa y eficiente en memoria

Área de la Ciencia:

• Sistemas de Energía Renovable
• Inteligencia Artificial en Energía
• Gestión de Redes Eléctricas

Sus antecedentes:

• La previsión de energía eólica a medio plazo (WPF) es vital para la estabilidad y la economía de la red.
• Los modelos Transformer existentes se enfrentan a una compensación entre la precisión predictiva y la eficiencia computacional.
• Los métodos actuales luchan con cálculos redundantes, acoplamiento intervariable débil o pérdida de dinámicas temporales locales.

Objetivo del estudio:

• Desarrollar un modelo de previsión de energía eólica a medio plazo eficiente y preciso.
• Abordar las limitaciones de las arquitecturas existentes basadas en Transformer en WPF.
• Equilibrar una alta precisión predictiva con un consumo reducido de recursos computacionales.

Principales métodos:

• Se propuso el modelo Fast-Powerformer basado en la arquitectura Reformer.
• Se implementó un Mecanismo de Transposición de Entrada para un acoplamiento multivariable optimizado y una complejidad reducida.
• Se introdujo un módulo de incrustación temporal ligero para capturar características secuenciales locales.
• Se integró un Mecanismo de Atención de Canal Mejorado por Frecuencia (FECAM) para el análisis de patrones espectrales.

Principales resultados:

• Fast-Powerformer demostró un rendimiento general superior en comparación con los métodos existentes.
• El modelo logró un equilibrio significativo entre alta precisión y consumo reducido de recursos.
• La validación experimental en conjuntos de datos de parques eólicos del mundo real confirmó la eficacia del modelo.

Conclusiones:

• Fast-Powerformer ofrece una solución práctica para la previsión de energía eólica a medio plazo.
• El modelo muestra un potencial significativo para su implementación en entornos con recursos limitados.
• Las estrategias propuestas superan eficazmente la compensación entre precisión y eficiencia en WPF.