Vergleichende Analyse von Machine-Learning-Techniken zur Vorhersage der Windstromerzeugung: Eine Fallstudie mit Daten von 2018–2021 aus Guatemala

Die genaue Vorhersage von Windkraft ist aufgrund der inhärenten Variabilität und Unsicherheit zu einer entscheidenden Aufgabe in der erneuerbaren Energie geworden. Diese Studie befasst sich mit der Herausforderung, die Windstromerzeugung ohne meteorologische Daten vorherzusagen, indem Machine-Learning-Techniken (ML) auf Daten von 2018 bis 2021 aus drei Windparks in Guatemala angewendet werden. Verschiedene Machine-Learning-Modelle, einschließlich Gated Recurrent Unit (GRU) und Long Short-Term Memory (LSTM), Bidirektionales Long Short-Term Memory (BiLSTM), Bagging und Extreme Gradient Boosting (XGBoost), wurden evaluiert, um ihre Effektivität zu bestimmen. Die Leistung dieser Modelle wurde mit den Metriken Root Mean Squared Error (RMSE) und Mean Absolute Error (MAE) bewertet. Eine Zeitreihen-Kreuzvalidierung wurde eingesetzt, um die Modelle zu validieren, wobei GRU, LSTM und BiLSTM die niedrigsten RMSE- und MAE-Werte zeigten. Darüber hinaus wurden der Diebold–Mariano (DM)-Test und der Bayesianische Modellvergleich für paarweise Vergleiche verwendet, um die Robustheit und Genauigkeit der am besten abschneidenden Modelle zu bestätigen. Die Ergebnisse heben die überlegene Genauigkeit und Robustheit fortschrittlicher neuronaler Netzwerkarchitekturen hervor, die komplexe zeitliche Abhängigkeiten in Windkraftdaten erfassen, wodurch sie die zuverlässigsten Modelle für präzise Vorhersagen sind. Diese Ergebnisse bieten entscheidende Erkenntnisse zur Verbesserung des Netzmanagements und der operativen Planung im Sektor der erneuerbaren Energien.