A probabilistic alert system for extreme wind events prediction using quantile regression ensembles
Anticipar y mitigar el impacto de los eventos de viento extremo es cada vez más crítico a medida que la energía eólica se convierte en un componente central de los sistemas energéticos modernos. Sin embargo, los enfoques predictivos existentes a menudo tienen dificultades para capturar la incertidum...
| Autores: | , , , , , , |
|---|---|
| Tipo de recurso: | artículo |
| Fecha de publicación: | 2026 |
| País: | España |
| Institución: | Universidad de Alcalá (UAH) |
| Repositorio: | e_Buah Biblioteca Digital Universidad de Alcalá |
| Idioma: | inglés |
| OAI Identifier: | oai:ebuah.uah.es:10017/68610 |
| Acceso en línea: | http://hdl.handle.net/10017/68610 https://dx.doi.org/10.1016/j.enconman.2025.120545 |
| Access Level: | acceso abierto |
| Palabra clave: | Extreme wind speed events Quantile regression Kernel density estimation Probabilistic alert Isotonic regression Electrónica Electronics |
| Sumario: | Anticipar y mitigar el impacto de los eventos de viento extremo es cada vez más crítico a medida que la energía eólica se convierte en un componente central de los sistemas energéticos modernos. Sin embargo, los enfoques predictivos existentes a menudo tienen dificultades para capturar la incertidumbre y la variabilidad inherentes a los datos de viento, lo que limita su eficacia en la gestión del riesgo. Esta investigación tiene como objetivo desarrollar un sistema de alerta probabilístico que permita predecir de manera eficaz la ocurrencia de dichos eventos extremos. Para ello, se propone un marco novedoso que combina regresión cuantílica y estimación de densidad mediante núcleos, con el fin de construir un sistema de predicción en conjunto robusto. Al integrar las predicciones individuales de regresión cuantílica a través de múltiples cuantiles, el marco propuesto captura la variabilidad y la incertidumbre inherentes a los datos de viento. Además, las salidas probabilísticas del modelo en conjunto se calibran mediante regresión isotónica, lo que da lugar a distribuciones refinadas que se ajustan estrechamente a las tasas observadas de ocurrencia de eventos extremos. El marco fue validado utilizando datos reales de un parque eólico en España, mostrando mejoras sustanciales con respecto a los clasificadores binarios probabilísticos convencionales, tanto en precisión como en calibración de las probabilidades de eventos extremos. Estos resultados ponen de relieve el potencial del sistema propuesto para mejorar la toma de decisiones operativas y la resiliencia de la infraestructura de energía eólica frente a condiciones meteorológicas extremas. |
|---|