Resumen

Este artículo desarrolla un enfoque integrado de aprendizaje automático y estadístico mejorado para la predicción de intervalos de energía eólica. Se formula un modelo de pronóstico de energía eólica de series temporales como base teórica de nuestro método. El modelo propuesto tiene en cuenta dos características importantes de la velocidad del viento: la no linealidad y la distribución que cambia con el tiempo. Basándose en el modelo propuesto, se emplean seis algoritmos de regresión de aprendizaje automático para predecir el intervalo de predicción de la producción de energía eólica. Los seis métodos son probados utilizando datos reales de velocidad del viento recopilados en una estación eólica en Australia. Para el pronóstico de la velocidad del viento, el algoritmo de red neuronal de memoria a corto y largo plazo (LSTM) supera a otros cinco algoritmos. En cuanto al intervalo de predicción, los cinco algoritmos no lineales muestran un rendimiento superior. Los estudios de caso demuestran que, combinado con un

• 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:Aprendizaje automático; Enfoque estadístico; Pronóstico de energía eólica; Intervalo de predicción; Velocidad del viento; Algoritmos de regresión
• Keywords:Machine learning; Statistical approach; Wind power forecasting; Prediction interval; Wind speed; Regression algorithms