Análisis comparativo de la predicción de la velocidad del viento: mejorando la precisión utilizando PCA y regresión lineal frente a GPR, SVR y RNN

Para que los sistemas de energía con una integración significativa de energía eólica operen de manera eficiente y confiable, la precisión de la predicción de la velocidad del viento es crucial. Factores como la temperatura, la humedad, la presión del aire y la intensidad del viento influyen en gran medida en la velocidad del viento, añadiendo complejidad al proceso de predicción. Este documento introduce un método para la predicción de la velocidad del viento que utiliza el análisis de componentes principales (PCA) para reducir la dimensionalidad y la regresión lineal para el modelo de predicción. Se emplea PCA para identificar características clave a partir de los amplios datos meteorológicos, que posteriormente se utilizan como entradas para el modelo de Regresión Lineal para estimar la velocidad del viento. El enfoque propuesto se prueba utilizando datos meteorológicos de acceso público, centrándose en variables como temperatura, presión del aire y humedad. Se utilizan modelos populares como redes neuronales recurrentes (RNN), regresión por vectores de soporte (SVR) y regresión de procesos gaussianos (GPR) para comparar su rendimiento. Se utilizan métricas de evaluación como el error cuadrático medio (RMSE) y R² para medir la efectividad. Los resultados muestran que el modelo combinado de PCA y Regresión Lineal produce predicciones más precisas, con un RMSE de 94.11 y un R² de 0.9755, superando a los modelos GPR, SVR y RNN.