Investigación sobre la mejora de la predicción de la energía eólica a corto plazo mediante la fusión de...

Área de la Ciencia:

• Sistemas de Energía Renovable
• Inteligencia Artificial en Energía
• Ingeniería de Sistemas de Potencia

Sus antecedentes:

• La predicción precisa de la energía eólica es esencial para la estabilidad de la red y la integración de las fuentes de energía renovables.
• La dinámica temporal no lineal y compleja de la energía eólica presenta importantes desafíos de predicción.
• Los métodos existentes a menudo luchan por capturar las dependencias temporales intrincadas y los cambios dinámicos.

Objetivo del estudio:

• Desarrollar y evaluar un modelo híbrido de aprendizaje profundo para mejorar la predicción de la energía eólica a corto plazo.
• Abordar las limitaciones de los modelos actuales para capturar las características temporales complejas de la energía eólica.
• Mejorar la precisión y la robustez de las predicciones de energía eólica para las operaciones de la red.

Principales métodos:

• Se propuso un modelo híbrido de aprendizaje profundo, TCN-SENet-BiGRU-Global Attention.
• Se utilizó la Red Convolucional Temporal (TCN) para la captura de dependencias temporales a largo y corto plazo.
• Squeeze-and-Excitation Network (SENet) ajustó adaptativamente los pesos de las características, Bidirectional Gated Recurrent Unit (BiGRU) modeló el contexto temporal y Global Attention se centró en los pasos de tiempo informativos.

Principales resultados:

• El modelo TCN-SENet-BiGRU-Global Attention demostró errores de predicción consistentemente más bajos en comparación con los modelos de referencia.
• El modelo propuesto exhibió un rendimiento más estable en múltiples conjuntos de datos de parques eólicos del mundo real.
• Los resultados experimentales validaron la efectividad del modelo para manejar la predicción compleja de la energía eólica a corto plazo.

Conclusiones:

• El modelo TCN-SENet-BiGRU-Global Attention ofrece una solución robusta y eficaz para la predicción de la energía eólica a corto plazo.
• La arquitectura híbrida integra con éxito la extracción de características multinivel para mejorar la precisión de la predicción.
• El modelo muestra un potencial significativo para la aplicación práctica en la gestión de energías renovables y la estabilidad de la red.