DIAZ-ESTEBAN, Yanet et al. Using a hybrid approach for wind power forecasting in Northwestern Mexico. []. , 38, 53258.   24--2023. ISSN 0187-6236.  https://doi.org/10.20937/atm.53258.

^a

Wind energy is an important renewable source that has been considerably developed recently. In order to obtain successful 24-h lead-time wind power forecasts for operational and commercial uses, a combination of physical and statistical models is desirable. In this paper, a hybrid methodology that employs a numerical weather prediction model (Weather Research and Forecasting) and a neural network (NN) algorithm is proposed and assessed. The methodology is applied to a wind farm in northwestern Mexico, a region with high wind potential where complex geography adds large uncertainty to wind energy forecasts. The energy forecasts are then evaluated against actual on-site power generation over one year and compared with two reference models: decision trees (DT) and support vector regression (SVR). The proposed method exhibits a better performance with respect to the reference methods, showing an hourly normalized mean absolute percentage error of 6.97%, which represents 6 and 13 percentage points less error in wind power forecasts than with DT and SVR methods, respectively. Under strong synoptic forcing, the NN wind power forecast is not very accurate, and novel approaches such as hierarchical algorithms should be employed instead. Overall, the proposed model is capable of producing high-quality wind power forecasts for most weather conditions prevailing in this region and demonstrates a good performance with respect to similar models for medium-term wind power forecasts.

La energía eólica es una importante fuente de energía renovable que se ha desarrollado considerablemente en los últimos años. Con el fin de obtener pronósticos de energía eólica de alta precisión con 24 horas de anticipación para usos operativos y comerciales, se necesita una combinación de modelos físicos y estadísticos. En este artículo se propone y evalúa una metodología híbrida que emplea un modelo numérico (Weather Research and Forecasting) y un algoritmo de red neuronal (NN). La metodología se aplica a un parque eólico en el noroeste de México, una región con alto potencial eólico donde la compleja geografía agrega gran incertidumbre a los pronósticos de energía eólica. Los pronósticos de energía se evalúan usando la generación de energía real en el sitio de interés durante un año y se comparan con dos modelos de referencia: árboles de decisión (DT, por su sigla en inglés) y regresión de vectores de soporte (SVR). El método propuesto muestra un mejor desempeño respecto a los métodos de referencia, mostrando un error absoluto medio porcentual horario de 6.97%, lo que representa 6 y 13 puntos porcentuales menos de error en los pronósticos de energía eólica que con los métodos DT y SVR, respectivamente. El pronóstico de energía eólica NN no es muy preciso cuando tiene un fuerte forzamiento sinóptico, por lo que en su lugar deben emplearse enfoques novedosos como los algoritmos jerárquicos. En general, el modelo propuesto tiene la capacidad de producir pronósticos de energía eólica de alta calidad para la mayoría de las condiciones climáticas que prevalecen en esta región, y de- muestra un buen desempeño respecto a modelos similares para pronósticos de energía eólica a mediano plazo.

: .

        · | |     · |     · ( pdf )