Melhorando a previsão de energia eólica com algoritmos de aprendizado de máquina de re-treinamento

Este artigo apresenta uma metodologia de previsão de 48 horas para produção de energia eólica usando um algoritmo de aprendizado de máquina e foca na otimização do conjunto de dados de entrada. Enquanto os operadores da rede elétrica devem manter a produção igual à demanda, a energia eólica depende das condições meteorológicas. Portanto, a principal preocupação dos operadores da rede elétrica é prever a produção eólica da forma mais precisa possível. Nosso objetivo é melhorar a precisão da previsão do vento com base no feedback dos trabalhos relevantes sobre o tema. Para isso, a produção de energia passada e as Previsões Meteorológicas Numéricas (NWP) são usadas como entrada para um algoritmo de Árvore de Gradiente. Nossa abordagem enfatiza os dados de entrada a fim de extrair o máximo de conhecimento possível e remover o máximo de erro possível da fonte. Portanto, 20 dias foram removidos e valores adicionais foram calculados para melhorar a precisão do algoritmo. A novidade da nossa abordagem está no re-treinamento constante do modelo para fornecer as informações mais recentes disponíveis, ao contrário da maioria dos estudos, que usam um conjunto de dados de aprendizado fixo. A ideia é combinar a vantagem de modelos de regressão e algoritmos de aprendizado de máquina, que usam grandes conjuntos de dados, para aprender a relação entre produção de vento, NWP e informações de data e hora. Toda a metodologia ajuda o modelo a antecipar erros de previsão do vento e tendências sazonais, de modo que a precisão geral da previsão aumenta em 17% em comparação com a abordagem de persistência. Utilizando 9 meses de valores históricos de 2016.12 a 2017.08 e prevendo de 2017.09 a 2018.01, uma precisão de previsão de 83% foi alcançada; 17% melhor do que o modelo de persistência. A análise dos resultados mostra que mais melhorias podem ser alcançadas com foco em valores de baixa velocidade do vento, uma melhoria na previsão do tempo usando medidas climáticas locais reais e uma redução do horizonte de previsão. Todo o processo de previsão foi automatizado e uma página web de visualização foi implementada.