Resumen

La energa elica es una de las fuentes de energa renovables de ms rpido crecimiento. La prediccin de la velocidad del viento es esencial para mejorar su utilizacin. Se han desarrollado varios modelos de prediccin para mejorar la precisin de la velocidad del viento. Sin embargo, las series temporales de velocidad del viento presentan no linealidad, fluctuacin e intermitencia, lo que dificulta la prediccin. Los modelos de prediccin existentes ignoran la descomposicin de datos y la reduccin de caractersticas y adolecen de las deficiencias de los modelos individuales. Este artculo propone un nuevo modelo de prediccin ensemble que integra el preprocesamiento de datos, la seleccin de caractersticas, la optimizacin de parmetros, tres modelos de prediccin inteligentes y una estrategia ensemble. Para mejorar el rendimiento de la prediccin, se aplica un algoritmo de optimizacin muy eficaz para determinar los parmetros ptimos de los modelos individuales. Adems, se utiliza la regresin de mnimos cuadrados parciales para calcular el peso de la combinacin. Adems, se emplean dos conjuntos de datos de 10 minutos del Laboratorio Nacional de Energas Renovables (NREL) para la prediccin con un paso de antelacin. El modelo propuesto es el ms preciso de todos. Los resultados experimentales indican que los errores medios porcentuales absolutos del modelo propuesto son del 7,97% y el 9,99%, inferiores a los de los mtodos de comparacin. La prueba de Pearsons revela que el enfoque propuesto puede tener la mayor asociacin entre los datos reales y los resultados de la prediccin.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Energía eólica; Modelos de predicción; Preprocesamiento de datos; Selección de características; Optimización de parámetros; Estrategia de ensemble
• Keywords:Wind energy; Prediction models; Data preprocessing; Feature selection; Parameter optimization; Ensemble strategy