Predicción de velocidades del viento mensuales utilizando XGBoost: un estudio de caso para la optimización de energía renovable

Este estudio presenta un modelo de predicción de velocidad del viento utilizando datos mensuales de velocidad del viento promedio, empleando el algoritmo Extreme Gradient Boosting (XGBoost) para mejorar la precisión de las predicciones en las operaciones de parques eólicos. La precisión en la predicción de la velocidad del viento es crucial para optimizar la producción de energía, garantizar la estabilidad de la red y mejorar la planificación operativa. Los estudios existentes sobre la mejora de la predicción de velocidad del viento utilizando algoritmos de ML tienen algunas desventajas en cuanto a precisión, predicción eficiente y parámetros atrapados en óptimos locales. El conjunto de datos comprende mediciones mensuales de velocidad del viento promedio, y se lleva a cabo un extenso preprocesamiento para preparar los datos para el aprendizaje automático. Se aplican diversas técnicas de ajuste de hiperparámetros, incluyendo Búsqueda Aleatoria, Búsqueda en Cuadrícula y Optimización Bayesiana, para mejorar la precisión de la predicción. El rendimiento del modelo se evalúa utilizando métricas clave, incluyendo el Error Absoluto Medio (MAE), el Error Cuadrático Medio (RMSE), el Error Porcentual Absoluto Medio (MAPE), el Puntaje de Probabilidad Continua Clasificada (CRPS) y el Error Máximo. Los resultados indican que el ajuste de hiperparámetros mejora significativamente la precisión del modelo. Específicamente, la Búsqueda en Cuadrícula demuestra un rendimiento superior para predicciones a corto plazo (de un mes), mientras que la Búsqueda Aleatoria es más efectiva para predicciones a largo plazo (de seis meses). Los hallazgos enfatizan la importancia crítica de las estrategias de ajuste de hiperparámetros en el desarrollo de modelos de predicción de velocidad del viento confiables, que tienen implicaciones significativas para la gestión eficiente de los recursos de energía eólica.