Análisis de relevancia de datos espaciotemporales en pronósticos eólicos a corto plazo en redes LSTM

Resumen

La expansión de la capacidad eólica mundial ha hecho que las previsiones eólicas precisas a corto plazo sean fundamentales para la integración al sistema eléctrico, la dinámica eólica presenta complejas características espaciotemporales determinadas por procesos atmosféricos no lineales e interacciones regionales entre masas de aire. Este trabajo presenta un estudio comparativo de modelos de pronóstico eólico para una ubicación basados en redes neuronales LSTM, con un horizonte de predicción de tres horas. Se investigó la influencia de diferentes estrategias de selección de entradas de datos espaciotemporales: un modelo con datos completos, una estrategia con datos representativos mediante clustering y un modelo que usa información local. Los resultados demuestran que los modelos LSTM superan consistentemente a un  modelo de persistencia. El modelo completo obtuvo el mejor rendimiento mientras que la estrategia de cluster mostró un rendimiento competitivo validando la reducción de dimensionalidad con selección inteligente de inputs. Además, los modelos LSTM que incorporan datos espaciotemporales demostraron mayor robustez en segmentos temporales críticos de cambios abruptos y su análisis de residuos de error reveló una mejor captura de dependencias temporales. Estos hallazgos son cruciales para optimizar la configuración de entrenamiento en redes de predicción de viento.