Resumen

La predicción a corto plazo de la velocidad del viento juega un papel cada vez más importante en la seguridad, programación y optimización de los sistemas de energía. Dado que las señales de velocidad del viento suelen ser no lineales y no estacionarias, cómo predecir con precisión los estados futuros es un desafío para los métodos existentes. En este artículo, para las señales de velocidad del viento altamente complejas, proponemos un método basado en aprendizaje de múltiples núcleos (MKL) para asignar de manera adaptativa los pesos de múltiples funciones de predicción, lo que extiende los métodos convencionales de pronóstico de velocidad del viento utilizando una máquina de vectores de soporte. Primero, se utiliza la descomposición en modos empíricos (EMD) para descomponer las señales complejas en varias señales de componentes de funciones de modo intrínseco con diferentes escalas de tiempo. Luego, para cada canal, se construye un modelo de múltiples núcleos para predecir la señal

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Pronóstico de velocidad del viento; Sistemas de energía; Aprendizaje de múltiples núcleos; Máquina de vectores de soporte; Descomposición del modo empírico; Parque eólico de Nueva Zelanda
• Keywords:Wind speed forecasting; Power systems; Multiple kernel learning; Support vector machine; Empirical mode decomposition; New Zealand wind farm