A previsão precisa da velocidade do vento é essencial para a integração eficiente da energia eólica nos sistemas de energia, pois influencia diretamente a programação da geração, a estabilidade da rede e as operações do mercado de energia. Erros de previsão podem levar a perdas econômicas significativas, incluindo aumento dos custos de balanceamento, despacho ineficiente da geração de backup e penalidades nos mercados de eletricidade. No entanto, o comportamento do vento é altamente complexo devido à influência de sistemas meteorológicos sinóticos, variabilidade do terreno e turbulência, o que torna a previsão precisa particularmente desafiadora. Este artigo propõe uma estrutura de modelagem híbrida que combina um modelo de média de regressão linear com modelagem de resíduos de processos gaussianos (GP) para melhorar a precisão da previsão. Estações de monitoramento foram agrupadas com base em coordenadas geográficas e elevação, com validação de cluster usando a estatística de Hopkins e análise de silhueta. Os resultados mostram que, para estações interiores de alta elevação (cluster 2), a modelagem de resíduos GP melhora a precisão da previsão em até 16,3%. Em contraste, para estações costeiras de baixa elevação (cluster 1), a abordagem GP não apresenta melhorias, indicando que sua eficácia depende fortemente do regime de vento.
Tshisikhawe et al. (Sun,) estudaram essa questão.