Resumen

La integración a gran escala de capacidad de generación eólica en los sistemas eléctricos introduce desafíos operativos debido a la incertidumbre y variabilidad de la energía eólica. Por lo tanto, es importante contar con pronósticos precisos de la energía eólica para la operación confiable y económica de los sistemas eléctricos. Las complejidades y no linealidades exhibidas por las series temporales de la energía eólica requieren el uso de enfoques elaborados y sofisticados para el pronóstico de la energía eólica. En este documento, se propone un enfoque neurodifuso local (LNF), entrenado por el algoritmo de aprendizaje del árbol de modelos polinomiales (POLYMOT), para el pronóstico de la energía eólica a corto plazo. El enfoque LNF se construye en base a la contribución de modelos polinomiales locales que pueden modelar eficientemente la generación de energía eólica. Se utilizó datos de la central eólica de Sotavento en España para validar

• Materias:
• Subjects:
• Palabras claves:Energía eólica; Pronóstico; Integración; Variabilidad; Desafíos operativos; Enfoque neurodifuso
• Keywords:Wind power; Forecasting; Integration; Variability; Operational challenges; Neurofuzzy approach