Departamento de Computación

La predicción de energía eólica presenta grandes desafíos como la integración de la red, la calidad de la energía, entre otros. Varios de estos problemas pueden arreglarse con una calendarización óptima de energía, lo que implica que se requiere pronósticos precisos y confiables, sin embargo, no todos los modelos de predicción otorgan estas cualidades. En la predicción de energía eólica existen modelos matemáticos estadísticos y físicos. Estos modelos proveen buena confiabilidad, pero la gran mayoría no puede trabajar con series de tiempo de pocos datos, debido a que, al utilizarlos, se crean modelos con poca precisión y pronósticos inciertos. En tesis propone construir un modelo múltiple de ARIMA (del inglés autoregressive integrated moving average) para mejorar la precisión de un solo modelo óptimo ARIMA de un conjunto presentado. El modelo múltiple se construye con diferentes series de tiempo de energía generada obtenida en granjas eólicas situadas en California y Alemania. Se calcula el modelo ARIMA óptimo para cada conjunto mediante el criterio AIC (Criterio de Aikake), se selecciona un conjunto de datos a evaluar y se obtienen los residuales ARIMA de todos los modelos. Estos fungirán como características a la entrada de una red neuronal para pre-entrenarla y encontrar un modelo completamente nuevo. El objetivo es obtener un modelo híbrido que mejore la precisión en el pronóstico en comparación a la red neuronal y el modelo ARIMA.

Abstract

Wind power forecasting presents great challenges such as grid integration, power quality, among others. Several of these problems can be fixed with optimal energy scheduling, which implies that accurate and reliable forecasts are required, however, not all forecast models provide these qualities. In the prediction of wind energy there are statistical and physical mathematical models. These models provide good reliability, but the vast majority cannot work with time series of few data, because, using them, models with little precision and uncertain forecasts are created. In thesis he proposes to build a multiple ARIMA (autoregressive integrated moving average) model to improve the accuracy of a single optimal ARIMA model from a presented set. The multiple model is built with different time series of generated energy obtained in wind farms located in California and Germany. The optimal ARIMA model for each set is calculated using the AIC criterion (Aikake’s Criterion), a data set to be evaluated is selected and the ARIMA residuals of all the models are obtained. These will serve as features at the input of a neural network to pre-train it and find a completely new model. The objective is to obtain a hybrid model that improves forecast accuracy compared to the neural network and the ARIMA model.