La prévision précise de la vitesse du vent est un facteur clé dans de nombreuses applications énergétiques, en particulier lorsque l'énergie éolienne est intégrée aux réseaux électriques. Cependant, en raison de la nature intermittente et non stationnaire de la vitesse du vent, il est difficile de la modéliser et de la prédire. En outre, l'utilisation de variables multivariées non corrélées en tant que variables d'entrée exogènes a souvent un impact négatif sur la performance des modèles de prédiction. Dans cet article, nous présentons une prédiction de la vitesse du vent à court terme en plusieurs étapes à l'aide de variables d'entrée exogènes multivariées. Nous mettons en œuvre différentes méthodes de sélection de variables pour sélectionner le meilleur ensemble de variables qui améliorent considérablement les performances des modèles de prédiction. Nous évaluons la performance de huit méthodes d'apprentissage par transfert, de quatre réseaux de neurones peu profonds (NN) et de la méthode de persistance sur la prédiction des valeurs futures de la vitesse du vent à l'aide d'horizons temporels à court terme, à court terme et à plusieurs étapes. Nous avons effectué l'évaluation sur des données de vitesse du vent échantillonnées sur deux ans, moyennées à des intervalles de 10 minutes. Les résultats montrent que le modèle non linéaire auto-régressif exogène (NARX) a surpassé toutes les autres méthodes, atteignant une erreur absolue moyenne (MAE) et une erreur quadratique moyenne (RMSE) de 0,2205 et 0,3405 pour les prédictions en plusieurs étapes, respectivement. Malgré la faible performance des méthodes d'apprentissage par transfert (c'est-à-dire 0,43 et 0,58 pour MAE et RMSE, respectivement), on pense que les résultats pourraient être encore améliorés avec une meilleure amélioration de la sélection des caractéristiques et des paramètres du modèle.

La predicción precisa de la velocidad del viento es un factor clave en muchas aplicaciones energéticas, especialmente cuando la energía eólica se integra con las redes eléctricas. Sin embargo, debido a la naturaleza intermitente y no estacionaria de la velocidad del viento, modelar y predecir es un desafío. Además, el uso de variables multivariadas no correlacionadas como variables de entrada exógenas a menudo afecta negativamente el rendimiento de los modelos de predicción. En este artículo, presentamos una predicción de la velocidad del viento a corto plazo de varios pasos utilizando variables de entrada exógenas multivariadas. Implementamos diferentes métodos de selección de variables para seleccionar el mejor conjunto de variables que mejoren significativamente el rendimiento de los modelos de predicción. Evaluamos el rendimiento de ocho métodos de aprendizaje por transferencia, cuatro redes neuronales poco profundas (NN) y el método de persistencia para predecir los valores futuros de la velocidad del viento utilizando horizontes temporales de ultracorto plazo, de corto plazo y de varios pasos. Realizamos la evaluación sobre datos de velocidad del viento de alta muestra de dos años promediados a intervalos de 10 minutos. Los resultados muestran que el modelo exógeno autorregresivo no lineal (NARX) superó a todos los demás métodos, logrando un error absoluto medio medio (MAE) y un error cuadrático medio (RMSE) de 0.2205 y 0.3405 para predicciones de varios pasos, respectivamente. A pesar del menor rendimiento de los métodos de aprendizaje por transferencia (es decir, 0,43 y 0,58 para MAE y RMSE, respectivamente), se cree que los resultados podrían mejorarse aún más con una mejor mejora de la selección de características y los parámetros del modelo.

Precise wind speed prediction is a key factor in many energy applications, especially when wind energy is integrated with power grids. However, because of the intermittent and nonstationary nature of wind speed, modeling and predicting it is a challenge. In addition, using uncorrelated multivariate variables as exogenous input variables often adversely impacts the performance of prediction models. In this paper, we present a multistep short-term wind speed prediction using multivariate exogenous input variables. We implement different variable selection methods to select the best set of variables that significantly improve the performance of prediction models. We evaluate the performance of eight transfer learning methods, four shallow neural networks (NNs), and the persistence method on predicting the future values of wind speed using ultrashort-term, short-term, and multistep time horizons. We performed the evaluation over two-year high-sampled wind speed data averaged at 10-minute intervals. Results show that Nonlinear Auto-Regressive Exogenous (NARX) model outperformed all other methods, achieving an average mean absolute error (MAE) and root mean square error (RMSE) of 0.2205 and 0.3405 for multistep predictions, respectively. Despite the lower performance of the transfer learning methods (i.e., 0.43 and 0.58 for MAE and RMSE, respectively), it is believed that results could be further improved with a better enhancement of the feature selection and model parameters.

يعد التنبؤ الدقيق بسرعة الرياح عاملاً رئيسياً في العديد من تطبيقات الطاقة، خاصة عندما يتم دمج طاقة الرياح مع شبكات الطاقة. ومع ذلك، نظرًا للطبيعة المتقطعة وغير الثابتة لسرعة الرياح، فإن النمذجة والتنبؤ بها يمثلان تحديًا. بالإضافة إلى ذلك، فإن استخدام المتغيرات متعددة المتغيرات غير المترابطة كمتغيرات مدخلات خارجية غالبًا ما يؤثر سلبًا على أداء نماذج التنبؤ. في هذه الورقة، نقدم تنبؤًا متعدد الخطوات لسرعة الرياح على المدى القصير باستخدام متغيرات المدخلات الخارجية متعددة المتغيرات. ننفذ طرق اختيار متغيرات مختلفة لاختيار أفضل مجموعة من المتغيرات التي تحسن بشكل كبير أداء نماذج التنبؤ. نقوم بتقييم أداء ثماني طرق لتعلم النقل، وأربع شبكات عصبية ضحلة (NNs)، وطريقة المثابرة على التنبؤ بالقيم المستقبلية لسرعة الرياح باستخدام آفاق زمنية قصيرة الأجل وقصيرة الأجل ومتعددة الخطوات. أجرينا التقييم على مدى عامين من بيانات سرعة الرياح ذات العينات العالية بمتوسط 10 دقائق. تظهر النتائج أن نموذج التكرار التلقائي غير الخطي (NARX) تفوق على جميع الطرق الأخرى، حيث حقق متوسط متوسط الخطأ المطلق (MAE) وخطأ الجذر التربيعي (RMSE) 0.2205 و 0.3405 للتنبؤات متعددة الخطوات، على التوالي. على الرغم من الأداء المنخفض لأساليب تعلم النقل (أي 0.43 و 0.58 لـ MAE و RMSE، على التوالي)، يُعتقد أنه يمكن تحسين النتائج بشكل أكبر من خلال تحسين اختيار الميزات ومعلمات النموذج.