Resumen

Reducir los costos de la energía eólica requiere estrategias razonables de operación y mantenimiento de parques eólicos, y para desarrollar estas estrategias, es necesario realizar pronósticos de velocidad del viento con 24 horas de anticipación. Sin embargo, el trabajo de predicción existente se limita principalmente a 5 horas. Este trabajo desarrolló una metodología de pronóstico diurno para el parque eólico regional según datos reales del sistema de adquisición de datos y control supervisor (SCADA) de un parque eólico de la provincia de Jiangxi. La metodología utilizó la descomposición modal variacional (VMD) para extraer las características del viento, y luego, las características se introdujeron en la red neuronal autorregresiva no lineal (Narnet) y en la red neuronal de memoria a corto y largo plazo (LSTM) para la predicción; los resultados de pronóstico de VMD-Narnet y VMD-LSTM se compararon con la velocidad real del viento. Los resultados de la comparación indican que en comparación con el LSTM, el

• Materias:Internet de las cosas Algoritmo iterativo Algoritmo de evaluación Viga viscoelástica Lenguaje de programación
• Subjects:Internet of things Iterative algorithm Evaluation algorithm Viscoelastic beam Programming language
• Palabras claves:Costos; Energía eólica; Pronóstico; Velocidad del viento; Operación; Mantenimiento
• Keywords:Costs; Wind power; Forecasting; Wind speed; Operation; Maintenance