Resumen de Hybrid methodology for modeling short-term wind power generation using conditional Kernel density estimation and singular spectrum analysis

Soraida Aguilar Vargas, Reinaldo Castro Souza, José Francisco Pessanha, Fernando Luiz Cyrino Oliveira

• español

  Una parte fundamental del proceso de previsión probabilística de energía eólica es tener en cuenta las previsiones de la velocidad del viento. Para obtener pronósticos probabilísticos precisos de la producción eólica ha sido desarrollada una metodología híbrida utilizando técnicas no paramétricas conocidas como SSA (Análisis Singular Espectral) y Estimación Condicional de la Densidad por Kernel (CKDE). SSA es empleada para predecir la velocidad del viento y CKDEpara obtener previsiones probabilísticas de la energía eólica, dado que la generación de la energía eólica tiene una relación no lineal con la velocidad del viento y ambas son variables aleatorias distribuidas que siguen una función de densidad conjunta. Haciendo uso de una base de datos brasilera horaria que incluye la velocidad del viento y la energía eólica es ilustrada dicha metodología. Una vez que las previsiones de la velocidad del viento son obtenidas, los correspondientes pronósticos probabilísticos de la generación de energía eólica son estimados para un horizonte de 24 horas. Los resultados obtenidos son comparados con otras metodologías existentes.

• English

  A fundamental part of the probabilistic forecasting of wind energy process is to takeinto accountwind speed forecasts. To achieve accurate probabilistic forecast of wind output, it is developed a hybrid methodology using anonparametric techniques known as SSA (Singular Spectrum Analysis) and (CKDE) Conditional Kernel Density Estimation. SSA is employed to forecast wind speed and CKDE to obtain probabilistic forecasts of wind energy, based on the fact that wind power generation has a nonlinear relation with the wind speed and both are random variables distributed according to a joint density function. A Brazilian hourly wind datasetincluding wind speed and wind power is used to illustrate the approach. Once the wind speed forecasts are obtained the corresponding probabilistic forecastof the wind power generation is estimated for a lead time of 24 hours ahead. The results obtained are compared with other existing methodologies.