Resumen

Teniendo en cuenta la variabilidad y la incertidumbre inherentes a la generación de energía eólica, en este estudio se propone un mapa autoorganizado (SOM) combinado con la técnica de agrupación de la teoría de conjuntos rugosos (RST) para extraer el conocimiento relativo y elegir la situación histórica más similar y los datos eficientes para la predicción de la energía eólica con predicción meteorológica numérica (NWP). Mediante la integración de los métodos SOM y RST para agrupar los datos históricos en varias clases, el enfoque podría encontrar los días similares y excavar las reglas ocultas. De acuerdo con el reprocesamiento de los datos, las muestras seleccionadas mejorarán la precisión del pronóstico de la red de estado eco (ESN) entrenada por la clase del día de pronóstico que se adopte para pronosticar la producción de energía eólica en consecuencia. Los métodos desarrollados se aplican a un caso de previsión de potencia en un parque eólico situado en el noroeste de China con datos de potencia eólica del 1 de abril de 2008 al 6 de mayo de 2009. Para comprobar su eficacia, se compara el rendimiento del método propuesto con el de la red neuronal de retropropagación (BP) tradicional. Los resultados demuestran que la minería del conocimiento mejora de forma prometedora el rendimiento de la predicción de la potencia de los parques eólicos.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:precisión de la previsión red de estados eco, previsión de la potencia de los parques eólicos, predicción meteorológica numérica, teoría de conjuntos rugosos, situación histórica similar, datos de energía eólica, previsión de la energía eólica, generación de energía eólica, producción de energía eólica, som
• Keywords:forecast accuracy echo state network, wind farm power forecasting, numerical weather prediction, rough set theory, similar history situation, wind power data, wind power forecasting, wind power generation, wind power output, som