A transição para energia sustentável posiciona a energia eólica como uma solução renovável chave. À medida que a demanda cresce, turbinas eólicas são implantadas em diversos terrenos. No entanto, a natureza estocástica do vento e a variabilidade ambiental complicam a previsão de energia, afetando a estabilidade da rede. O estudo aproveita técnicas baseadas em dados para melhorar a previsão de energia eólica usando dados de séries temporais de sistema SCADA de alta resolução. Os principais parâmetros operacionais incluem velocidade do vento, velocidade do rotor, velocidade do gerador, orientação da nacela, temperatura ambiente e produção de energia. Uma análise comparativa avalia modelos tradicionais de aprendizado de máquina - Regressão Linear, Árvores de Decisão, Florestas Aleatórias, Gradiente Boosting e Máquinas de Vetores de Suporte - em comparação com modelos de aprendizado profundo, como Redes Neurais de Memória de Longo e Curto Prazo (LSTM) e uma nova arquitetura de Rede Neural Recorrente (RNN). A contribuição central é um modelo otimizado de LSTM-RNN Bidirecional com camadas de permutação e atenção. Essas camadas capturam dependências de longo alcance e interações não lineares nos dados do vento. A estrutura melhora a captura de dependências de longo alcance e modelagem de interações não lineares. A bidirecionalidade permite que o aprendizado seja feito a partir de passos de tempo passados e futuros, enquanto mecanismos de atenção destacam características temporais críticas. Resultados experimentais demonstram o desempenho superior do modelo proposto, alcançando um Erro Absoluto Médio (MAE) de 0.0994 e Erro Quadrático Médio (RMSE) de 0.1390, superando significativamente modelos tradicionais (por exemplo, Floresta Aleatória: MAE 86.44, RMSE 220.30) e modelos LSTM básicos (MAE 14.48, RMSE 15.27). Uma validação cruzada robusta confirma sua capacidade de generalização em diferentes segmentos temporais. A análise de importância das características melhora a interpretabilidade, apoiando a tomada de decisão informada nas operações de parques eólicos. A estrutura é escalável, modular e bem adaptada para aplicações de previsão em tempo real. O trabalho apresenta um modelo confiável de aprendizado profundo para previsão de energia eólica, possibilitando uma gestão de energia inteligente e orientada por dados em sistemas elétricos modernos.
Sridhar et al. (Sun,) estudaram esta questão.