Resumen

El pronóstico de alta precisión de la energía eólica puede reducir la volatilidad y la intermitencia de la producción de energía eólica, lo cual es beneficioso para la operación estable del sistema eléctrico y mejora la capacidad efectiva del sistema para el consumo de energía eólica a gran escala. En el parque eólico, los aerogeneradores se encuentran en diferentes ubicaciones espaciales, y sus características de producción también se ven afectadas por la dirección del viento, el efecto de estela y las condiciones de operación. Basándose en esto, se propuso un modelo de pronóstico ultra-corto plazo de dos pasos. En primer lugar, se utilizó la teoría de agrupamiento fuzzy C-means (FCM) para agrupar las unidades según las características de producción de los aerogeneradores. En segundo lugar, se establece un modelo de predicción de red neuronal RBF para las agrupaciones de clasificación, respectivamente, y se realiza el pronóstico de energía ultra-corto plazo para cada unidad. Finalmente, se comparan los resultados

• Materias:Conjuntos difusos Lógica difusa Criterios múltiples difusos Arquitectura orientada a servicios Enfoque neuronal difuso
• Subjects:Fuzzy sets Fuzzy logic Fuzzy multiple criteria Service-oriented architecture Fuzzy Neural Approach
• Palabras claves:Pronóstico de energía eólica; Volatilidad; Intermitencia; Turbinas eólicas; Agrupamiento difuso C-means; Red neuronal RBF
• Keywords:Wind power forecast; Volatility; Intermittency; Wind turbines; Fuzzy C-means clustering; RBF neural network