Régression quantile directe pour la prévision probabiliste non paramétrique de la production d'énergie éolienne

La fluctuation et l'incertitude de la production d'énergie éolienne posent de graves défis à l'exploitation sécurisée et économique des systèmes électriques. Étant donné que l'erreur de prévision de l'énergie éolienne est inévitable, la prévision probabiliste devient cruciale pour quantifier avec précision l'incertitude impliquée dans les prévisions ponctuelles traditionnelles de l'énergie éolienne et pour fournir des informations significatives pour gérer les risques dans l'exploitation des systèmes électriques. Cet article propose une nouvelle approche de régression quantile directe pour générer efficacement des prévisions probabilistes non paramétriques de la production d'énergie éolienne combinant des machines d'apprentissage extrême et la régression quantile. Des quantiles avec différentes proportions peuvent être directement produits via un modèle d'optimisation de programmation linéaire formulé de manière innovante, sans dépendance aux prévisions ponctuelles. La prévision probabiliste multistep de l'énergie éolienne sur 10 minutes est nouvellement réalisée à partir de données réelles de parc éolien de l'île de Bornholm au Danemark. La supériorité de l'approche proposée est vérifiée par des comparaisons avec d'autres repères bien établis. L'approche proposée forme un nouveau cadre de prévision non paramétrique basé sur un réseau de neurones artificiels pour l'énergie éolienne avec une haute efficacité, fiabilité et flexibilité, ce qui peut être bénéfique pour diverses activités de prise de décision dans les systèmes électriques.