Previsión de energía eólica: modelo de Ensemble basado en modelos estadísticos y de aprendizaje automático
DOI:
https://doi.org/10.33448/rsd-v9i12.11251Palabras clave:
Energía eólica; Modelos estadísticos; Aprendizaje automático; Selección de variables.Resumen
El sector energético es uno de los pilares de la sociedad moderna, ya que puede afectar el desarrollo de un país en varios segmentos, como el económico, el social y el ambiental. En cuanto al tema ambiental, se sabe que su producción puede causar desperdicios y generar daños al medio ambiente, lo que provoca un aumento del efecto invernadero y contribuye al calentamiento global. En este sentido, se destaca el sector de la energía eólica, en el que es una producción derivada del viento y se considera limpia, sin embargo, existe cierta incertidumbre para su producción porque no es posible producir o almacenar el viento. Como resultado, los modelos de predicción son necesarios para confiar en el uso de este tipo de producción. Sin embargo, estas predicciones no son tareas triviales, ya que hay varias variables que pueden afectar su producción, así como su inestabilidad. Ya se han utilizado varios modelos para este propósito, como el tradicional (ARIMA), inteligente (XGBOOST y Random Forest) y los modelos ensemble (combinación de modelos), en los que han ganado mucha prominencia. Así, el objetivo del trabajo es elaborar una semana de predicción, en escala horaria, de la producción de energía eólica en dos estaciones diferentes con modelos diferentes, además de aplicar un modelo de selección de variables. Usando RMSE y MAPE como medida de evaluación, se puede decir que los modelos individuales, especialmente el XGBoost, mostraron buenos resultados, sin embargo, en la mayoría de los casos se sobreestimaron en los casos de picos / valores atípicos. Sin embargo, el modelo de conjunto logró compensar esta deficiencia en los modelos individuales al corregir estos casos de sobreestimación.
Citas
ABEE.A.B.E.E. Associação Brasileira de Energia Eólica: Mercado Eólico brasileiro. Recuperado de http://www.abeeolica.org.br /.
Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.
Chang, G. W., Lu, H. J., Hsu, L. Y., & Chen, Y. Y. (2016, July). A hybrid model for forecasting wind speed and wind power generation. In 2016 IEEE Power and Energy Society General Meeting (PESGM) (pp. 1-5). IEEE.
Chen, T., & Guestrin, C. (2016, August). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining (pp. 785-794).
Daraeepour, A., & Echeverri, D. P. (2014, February). Day-ahead wind speed prediction by a Neural Network-based model. In ISGT 2014 (pp. 1-5). IEEE.
de Siqueira, T. G., & Salgado, R. M. (2011). An Intelligent Approach for Medium Term Hydropower Scheduling Using Ensemble Model. In Electrical Power Systems and Computers (pp. 353-362). Springer, Berlin, Heidelberg.
Díaz-Uriarte, R., & De Andres, S. A. (2006). Gene selection and classification of microarray data using random forest. BMC bioinformatics, 7(1), 3.
Eldali, F. A., Hansen, T. M., Suryanarayanan, S., & Chong, E. K. (2016, September). Employing ARIMA models to improve wind power forecasts: A case study in ERCOT. In 2016 North American Power Symposium (NAPS) (pp. 1-6). IEEE.
Foley, A. M., Leahy, P. G., Marvuglia, A., & McKeogh, E. J. (2012). Current methods and advances in forecasting of wind power generation. Renewable Energy, 37(1), 1-8.
Friedman, J. H. (2001). Greedy function approximation: a gradient boosting machine. Annals of statistics, 1189-1232.
GWEC, G. W. E. C. (2018). Global Wind Report: Annual market update 2018. Recuperado de http://gwec. net/.
Hansen, L. K., & Salamon, P. (1990). Neural network ensembles. IEEE transactions on pattern analysis and machine intelligence, 12(10), 993-1001.
Hansen, L. K., & Salamon, P. (1990). Neural network ensembles. IEEE transactions on pattern analysis and machine intelligence, 12(10), 993-1001.
Jurado, S., Peralta, J., Nebot, A., Mugica, F., & Cortez, P. (2013, July). Short-term electric load forecasting using computational intelligence methods. In 2013 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE) (pp. 1-8). IEEE.
Lei, M., Shiyan, L., Chuanwen, J., Hongling, L., & Yan, Z. (2009). A review on the forecasting of wind speed and generated power. Renewable and Sustainable Energy Reviews, 13(4), 915-920.
Li, S., Wang, P., & Goel, L. (2015). Wind power forecasting using neural network ensembles with feature selection. IEEE Transactions on sustainable energy, 6(4), 1447-1456.
Liu, H., Tian, H. Q., Chen, C., & Li, Y. F. (2010). A hybrid statistical method to predict wind speed and wind power. Renewable energy, 35(8), 1857-1861.
Morettin, P. A., & Toloi, C. M. C. (2006). Análise de Séries Temporais, Segunda Edição.
Ruppert, D. (2011). Statistics and data analysis for financial engineering (Vol. 13). New York: Springer.
Salgado, R. M., Machado, T. C., & Ohishi, T. (2016). Intelligent models to identification and treatment of outliers in electrical load data. IEEE Latin America Transactions, 14(10), 4279-4286.
Salgado, R. M., Pereira, J. J., Ohishi, T., Ballini, R., Lima, C. A. M., & Von Zuben, F. J. (2006, July). A hybrid ensemble model applied to the short-term load forecasting problem. In The 2006 IEEE International Joint Conference on Neural Network Proceedings (pp. 2627-2634). IEEE.
Tubino, D. F. (2000). Administração dos estoques. Manual de planejamento e controle da produção. São Paulo: Atlas, 103-145.
Werner, L., & Ribeiro, J. L. D. (2003). Previsão de demanda: uma aplicação dos modelos Box-Jenkins na área de assistência técnica de computadores pessoais. Gestão & Produção, 10(1), 47-67.
Yang, L., He, M., Zhang, J., & Vittal, V. (2015). Support-vector-machine-enhanced markov model for short-term wind power forecast. IEEE Transactions on Sustainable Energy, 6(3), 791-799.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2020 Luís Gustavo Gutierrez Gebin; Ricardo Menezes Salgado; Denismar Alves Nogueira
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
