Un modelo de pronóstico de densidad de potencia eólica basado en la selección de características RF-DBO-VMD y BiGRU optimizado por el mecanismo de atención
Autores: Luo, Bixiong; Zuo, Peng; Zhu, Lijun; Hua, Wei
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Un modelo de pronóstico de densidad de potencia eólica basado en la selección de características RF-DBO-VMD y BiGRU optimizado por el mecanismo de atención
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Energía eólica
Modelo de pronóstico WPD
Selección de características RF-DBO-VMD
BiGRU
Mecanismo de atención
Precisión predictiva
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 6
Citaciones: Sin citaciones
La energía eólica, como una fuente renovable fundamental, se anticipa que desempeñará un papel crítico en garantizar la fiabilidad, seguridad y estabilidad del sistema de suministro energético global. La predicción precisa de la densidad de potencia eólica (DPE) tiene una importancia práctica significativa para los parques eólicos, los operadores de red y toda la industria de la energía eólica, ya que facilita la toma de decisiones informadas, la optimización de la asignación de recursos y el mejoramiento del rendimiento del sistema. Este artículo propone un nuevo modelo de pronóstico de DPE basado en la selección de características RF-DBO-VMD y BiGRU optimizado por un mecanismo de atención. El modelo propuesto consta de tres etapas principales. Primero, se identifican características físicas críticas relevantes para la DPE utilizando un bosque aleatorio (RF), eliminando efectivamente la redundancia de datos y mejorando la eficiencia de la predicción. En segundo lugar, los parámetros de descomposición de modo variacional (VMD) se optimizan a través del algoritmo de optimización del escarabajo estiércol (DBO) para extraer funciones de modo intrínseco independientes (IMFs), que, junto con los datos originales, sirven como entradas de características temporales. Finalmente, se emplea un mecanismo de atención para identificar información importante de las salidas del modelo BiGRU, y se utiliza el método de Búsqueda en Rejilla (GS) para optimizar el modelo BiGRU-Attention, obteniendo predicciones óptimas. Los resultados experimentales demuestran la alta precisión predictiva del modelo, evidenciada por un valor R de 0.9754. Notablemente, el Error Absoluto Medio (EAM), el Error Cuadrático Medio (ECM) y el Error Cuadrático Medio (MCM) se minimizan sustancialmente en comparación con modelos alternativos. Estos resultados destacan el potencial del modelo para proporcionar información de pronóstico efectiva para aplicaciones futuras, como el comercio de energía y la gestión del sistema eléctrico, que se explorarán más a fondo en escenarios del mundo real.
Descripción
La energía eólica, como una fuente renovable fundamental, se anticipa que desempeñará un papel crítico en garantizar la fiabilidad, seguridad y estabilidad del sistema de suministro energético global. La predicción precisa de la densidad de potencia eólica (DPE) tiene una importancia práctica significativa para los parques eólicos, los operadores de red y toda la industria de la energía eólica, ya que facilita la toma de decisiones informadas, la optimización de la asignación de recursos y el mejoramiento del rendimiento del sistema. Este artículo propone un nuevo modelo de pronóstico de DPE basado en la selección de características RF-DBO-VMD y BiGRU optimizado por un mecanismo de atención. El modelo propuesto consta de tres etapas principales. Primero, se identifican características físicas críticas relevantes para la DPE utilizando un bosque aleatorio (RF), eliminando efectivamente la redundancia de datos y mejorando la eficiencia de la predicción. En segundo lugar, los parámetros de descomposición de modo variacional (VMD) se optimizan a través del algoritmo de optimización del escarabajo estiércol (DBO) para extraer funciones de modo intrínseco independientes (IMFs), que, junto con los datos originales, sirven como entradas de características temporales. Finalmente, se emplea un mecanismo de atención para identificar información importante de las salidas del modelo BiGRU, y se utiliza el método de Búsqueda en Rejilla (GS) para optimizar el modelo BiGRU-Attention, obteniendo predicciones óptimas. Los resultados experimentales demuestran la alta precisión predictiva del modelo, evidenciada por un valor R de 0.9754. Notablemente, el Error Absoluto Medio (EAM), el Error Cuadrático Medio (ECM) y el Error Cuadrático Medio (MCM) se minimizan sustancialmente en comparación con modelos alternativos. Estos resultados destacan el potencial del modelo para proporcionar información de pronóstico efectiva para aplicaciones futuras, como el comercio de energía y la gestión del sistema eléctrico, que se explorarán más a fondo en escenarios del mundo real.