La nature intermittente de l'énergie éolienne a soulevé de multiples défis pour les systèmes électriques et constitue le plus grand défi pour déclarer que l'énergie éolienne est une source fiable. Une solution pour surmonter ce problème est la prévision de l'énergie éolienne. Une prévision précise peut aider à développer des incitations appropriées et des marchés électriques qui fonctionnent bien. Le document présente un examen complet des recherches existantes et des développements actuels en matière de prévision déterministe de la vitesse et de la puissance du vent. Tout d'abord, nous classons les méthodes de prévision du vent en quatre classifications plus larges : données d'entrée, échelles de temps, puissance de sortie et méthode de prévision. Deuxièmement, la performance des modèles de prévision de la vitesse et de la puissance du vent est évaluée sur la base de 634 tests de précision rapportés dans vingt-huit articles publiés couvrant cinquante sites de dix pays. D'après l'analyse, les erreurs les plus significatives ont été observées pour les modèles physiques, alors que les modèles hybrides ont montré les meilleures performances. Bien que les modèles physiques aient une grande valeur d'erreur quadratique moyenne normalisée, mais une faible volatilité. Les modèles hybrides sont les plus performants pour chaque horizon temporel. Cependant, les erreurs ont presque doublé à la prévision à moyen terme par rapport à sa valeur initiale. Les modèles statistiques n'ont montré de meilleures performances que les modèles d'intelligence artificielle que dans la prévision à très court terme. Dans l'ensemble, nous avons observé l'augmentation de la performance des modèles de prévision au cours des dix dernières années, de sorte que les valeurs d'erreur absolue moyenne normalisée et d'erreur quadratique moyenne normalisée ont été réduites à environ la moitié des valeurs initiales.

La naturaleza intermitente de la energía eólica planteó múltiples desafíos a los sistemas de energía y es el mayor desafío para declarar que la energía eólica es una fuente confiable. Una solución para superar este problema es la previsión de la energía eólica. Un pronóstico preciso puede ayudar a desarrollar incentivos apropiados y mercados eléctricos que funcionen bien. El documento presenta una revisión exhaustiva de la investigación existente y los desarrollos actuales en la predicción determinista de la velocidad del viento y la potencia. En primer lugar, categorizamos los métodos de pronóstico del viento en cuatro clasificaciones más amplias: datos de entrada, escalas de tiempo, potencia de salida y método de pronóstico. En segundo lugar, el rendimiento de los modelos de pronóstico de velocidad y potencia del viento se evalúa en base a 634 pruebas de precisión informadas en veintiocho artículos publicados que cubren cincuenta ubicaciones de diez países. A partir del análisis, se observaron los errores más significativos para los modelos físicos, mientras que los modelos híbridos mostraron el mejor rendimiento. Aunque, los modelos físicos tienen valores de error cuadrático medio normalizados grandes pero tienen una volatilidad pequeña. Los modelos híbridos funcionan mejor para cada horizonte temporal. Sin embargo, los errores casi se duplicaron en la previsión a medio plazo desde su valor inicial. Los modelos estadísticos mostraron un mejor rendimiento que los modelos de inteligencia artificial solo en el pronóstico a muy corto plazo. En general, observamos el aumento en el rendimiento de los modelos de pronóstico durante los últimos diez años, de modo que los valores de error absoluto medio normalizado y de error cuadrático medio normalizado se redujeron a aproximadamente la mitad de los valores iniciales.

The intermittent nature of wind energy raised multiple challenges to the power systems and is the biggest challenge to declare wind energy a reliable source. One solution to overcome this problem is wind energy forecasting. A precise forecast can help to develop appropriate incentives and well-functioning electric markets. The paper presents a comprehensive review of existing research and current developments in deterministic wind speed and power forecasting. Firstly, we categorize wind forecasting methods into four broader classifications: input data, time-scales, power output, and forecasting method. Secondly, the performance of wind speed and power forecasting models is evaluated based on 634 accuracy tests reported in twenty-eight published articles covering fifty locations of ten countries. From the analysis, the most significant errors were witnessed for the physical models, whereas the hybrid models showed the best performance. Although, the physical models have a large normalized root mean square error values but have small volatility. The hybrid models perform best for every time horizon. However, the errors almost doubled at the medium-term forecast from its initial value. The statistical models showed better performance than artificial intelligence models only in the very short term forecast. Overall, we observed the increase in the performance of forecasting models during the last ten years such that the normalized mean absolute error and normalized root mean square error values reduced to about half the initial values.

أثارت الطبيعة المتقطعة لطاقة الرياح تحديات متعددة لأنظمة الطاقة وهي أكبر تحدٍ لإعلان طاقة الرياح مصدرًا موثوقًا به. أحد الحلول للتغلب على هذه المشكلة هو التنبؤ بطاقة الرياح. يمكن أن تساعد التوقعات الدقيقة في تطوير حوافز مناسبة وأسواق كهربائية تعمل بشكل جيد. تقدم الورقة مراجعة شاملة للبحوث الحالية والتطورات الحالية في سرعة الرياح الحتمية والتنبؤ بالطاقة. أولاً، نقوم بتصنيف طرق التنبؤ بالرياح إلى أربعة تصنيفات أوسع: بيانات المدخلات، والمقاييس الزمنية، وإخراج الطاقة، وطريقة التنبؤ. ثانياً، يتم تقييم أداء نماذج التنبؤ بسرعة الرياح والطاقة بناءً على 634 اختبار دقة تم الإبلاغ عنها في ثمانية وعشرين مقالة منشورة تغطي خمسين موقعًا في عشرة بلدان. من التحليل، شوهدت أهم الأخطاء للنماذج المادية، في حين أظهرت النماذج الهجينة أفضل أداء. على الرغم من أن النماذج الفيزيائية لها متوسط جذر طبيعي كبير لقيم الخطأ المربع ولكن لها تقلبات صغيرة. تعمل النماذج الهجينة بشكل أفضل في كل أفق زمني. ومع ذلك، تضاعفت الأخطاء تقريبًا في التوقعات متوسطة الأجل من قيمتها الأولية. أظهرت النماذج الإحصائية أداءً أفضل من نماذج الذكاء الاصطناعي فقط في التوقعات قصيرة المدى. بشكل عام، لاحظنا الزيادة في أداء نماذج التنبؤ خلال السنوات العشر الماضية بحيث انخفض متوسط الخطأ المطلق المعياري ومتوسط الخطأ المربع الجذر المعياري إلى حوالي نصف القيم الأولية.