Desarrollo de un modelo de pronóstico de energía a corto plazo, basado en redes neuronales recurrentes, para mejorar la programación de generación de energía en centrales eólicas

Abstract

El objetivo de este estudio de investigación es mejorar la precisión del pronóstico de energía eólica a corto plazo mediante la propuesta de un modelo de pronóstico basado en la descomposición en modo variacional y la memoria a corto plazo a largo plazo (VMD-LSTM). Los datos utilizados para este modelo se obtuvieron de un parque eólico ubicado en Talara, al norte de Perú. Inicialmente, se adoptó el método de descomposición en modo variacional para descomponer los datos de energía eólica en tres modos constituyentes: el componente a largo plazo, el componente de fluctuación y el componente aleatorio. Posteriormente, se empleó la red neuronal recurrente (RNN), específicamente la variante de memoria a corto plazo (LSTM), para analizar en profundidad las características de estos tres modos constituyentes. Gracias a su estructura única de puerta de olvido y puerta de memoria, la LSTM aprende la asociación con series de tiempo a largo plazo para construir un modelo de pronóstico de varios pasos. El algoritmo se desarrolló utilizando el lenguaje de programación Python en el entorno de desarrollo de Google Colab, con el objetivo de aprovechar su capacidad computacional y su interfaz amigable. La precisión del modelo VMD-LSTM se evaluó y los resultados experimentales indican que el modelo propuesto proporciona un rendimiento superior en el pronóstico de varios pasos.

The aim of this research study is to enhance the accuracy of short-term wind energy forecasting by proposing a forecasting model based on Variational Mode Decomposition and Long Short-Term Memory (VMD-LSTM). The data used for this model were sourced from a wind farm located in Talara, in the north of Peru. Initially, the Variational Mode Decomposition method was adopted to decompose the wind energy data into three constituent modes: the long-term component, the fluctuation component, and the random component. Subsequently, the Recurrent Neural Network (RNN), specifically the Long Short-Term Memory (LSTM) variant, was employed to deeply analyze the characteristics of these three constituent modes. Thanks to its unique forget gate and memory gate structure, the LSTM learns the association with long-term time series to construct a multi- step forecasting model. The algorithm was developed using the Python programming language in the Google Colab development environment, aiming to leverage its computational power and user-friendly interface. The accuracy of the VMD-LSTM model was evaluated, and the experimental results indicate that the proposed model provides superior performance in multi-step forecasting.