Resumen La planificación y operación de la energía renovable, especialmente la energía eólica, dependen crucialmente de información meteorológica precisa, oportuna y de alta resolución. Los pronósticos meteorológicos numéricos globales de baja resolución suelen ser ajustados para cumplir con estos requisitos, introduciendo desafíos de inconsistencia de escala, error en la representación de procesos, costo computacional y entrelazamiento de distintas fuentes de incertidumbre debido a la caoticidad, sesgo del modelo y forzamiento a gran escala. Abordamos estos desafíos aprendiendo la distribución climática previa de una región objetivo con un modelo generativo, utilizando sus simulaciones numéricas de clima de alta resolución. Una combinación óptima de esta previa climática de alta resolución aprendida con pronósticos de gran escala y baja resolución produce pronósticos de patrones climáticos altamente precisos, de alta definición, de todas las variables y de un gran conjunto. Utilizando registros meteorológicos observados y salidas de potencia de turbinas eólicas como referencia, la metodología propuesta se verifica de manera ventajosa en comparación con las actuales canalizaciones de pronóstico numérico/estadístico, en cuanto a habilidades determinísticas/probabilísticas o ganancias económicas. Además, un pronóstico de 100 miembros a 10 días con resolución espacial de 1 km y frecuencia de salida de 15 min toma 1 hr en una GPU de gama moderada, en contraste con horas de CPU para simulaciones numéricas convencionales. Al reducir drásticamente los costos computacionales mientras se mantiene la precisión, este paradigma allana el camino para una planificación y operación de energía renovable más eficiente y confiable.
Wang et al. (Martes,) estudiaron esta cuestión.