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...

Descripción completa

Detalles Bibliográficos
Autores: Peláez Rodríguez, César|||0000-0003-1260-8112, Pérez Aracil, Jorge|||0000-0002-4456-9886, Cruz de la Torre, Carlos|||0000-0001-6937-9838, Cornejo Bueno, Laura María|||0000-0002-4126-8041, Prieto Godino, Luis, Alexandre Cortizo, Enrique|||0000-0003-1299-2345, Salcedo Sanz, Sancho|||0000-0002-4048-1676
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
id ES_86e98cd58ddc4ed17dfe3b54edebc3a5
oai_identifier_str oai:ebuah.uah.es:10017/68610
network_acronym_str ES
network_name_str España
repository_id_str
dc.title.none.fl_str_mv A probabilistic alert system for extreme wind events prediction using quantile regression ensembles
title A probabilistic alert system for extreme wind events prediction using quantile regression ensembles
spellingShingle A probabilistic alert system for extreme wind events prediction using quantile regression ensembles
Peláez Rodríguez, César|||0000-0003-1260-8112
Extreme wind speed events
Quantile regression
Kernel density estimation
Probabilistic alert
Isotonic regression
Electrónica
Electronics
title_short A probabilistic alert system for extreme wind events prediction using quantile regression ensembles
title_full A probabilistic alert system for extreme wind events prediction using quantile regression ensembles
title_fullStr A probabilistic alert system for extreme wind events prediction using quantile regression ensembles
title_full_unstemmed A probabilistic alert system for extreme wind events prediction using quantile regression ensembles
title_sort A probabilistic alert system for extreme wind events prediction using quantile regression ensembles
dc.creator.none.fl_str_mv Peláez Rodríguez, César|||0000-0003-1260-8112
Pérez Aracil, Jorge|||0000-0002-4456-9886
Cruz de la Torre, Carlos|||0000-0001-6937-9838
Cornejo Bueno, Laura María|||0000-0002-4126-8041
Prieto Godino, Luis
Alexandre Cortizo, Enrique|||0000-0003-1299-2345
Salcedo Sanz, Sancho|||0000-0002-4048-1676
author Peláez Rodríguez, César|||0000-0003-1260-8112
author_facet Peláez Rodríguez, César|||0000-0003-1260-8112
Pérez Aracil, Jorge|||0000-0002-4456-9886
Cruz de la Torre, Carlos|||0000-0001-6937-9838
Cornejo Bueno, Laura María|||0000-0002-4126-8041
Prieto Godino, Luis
Alexandre Cortizo, Enrique|||0000-0003-1299-2345
Salcedo Sanz, Sancho|||0000-0002-4048-1676
author_role author
author2 Pérez Aracil, Jorge|||0000-0002-4456-9886
Cruz de la Torre, Carlos|||0000-0001-6937-9838
Cornejo Bueno, Laura María|||0000-0002-4126-8041
Prieto Godino, Luis
Alexandre Cortizo, Enrique|||0000-0003-1299-2345
Salcedo Sanz, Sancho|||0000-0002-4048-1676
author2_role author
author
author
author
author
author
dc.subject.none.fl_str_mv Extreme wind speed events
Quantile regression
Kernel density estimation
Probabilistic alert
Isotonic regression
Electrónica
Electronics
topic Extreme wind speed events
Quantile regression
Kernel density estimation
Probabilistic alert
Isotonic regression
Electrónica
Electronics
description 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.
publishDate 2026
dc.date.none.fl_str_mv 2026
2026-01-01
dc.type.none.fl_str_mv journal article
http://purl.org/coar/resource_type/c_6501
NA
http://purl.org/coar/version/c_be7fb7dd8ff6fe43
dc.type.openaire.fl_str_mv info:eu-repo/semantics/article
format article
dc.identifier.none.fl_str_mv http://hdl.handle.net/10017/68610
https://dx.doi.org/10.1016/j.enconman.2025.120545
url http://hdl.handle.net/10017/68610
https://dx.doi.org/10.1016/j.enconman.2025.120545
dc.language.none.fl_str_mv Inglés
eng
language_invalid_str_mv Inglés
language eng
dc.relation.none.fl_str_mv Agencia Estatal de Investigación http://dx.doi.org/10.13039/501100011033 Plan Estatal de Investigación Científica y Técnica y de Innovación 2021-2023 PID2023-150663NB-C21 NEXO: APLICACIONES A METEOROLOGIA Y CLIMA
Comunidad de Madrid http://dx.doi.org/10.13039/100012818 Not available TEC-2024%2FECO-287 PROGRAMA DE REDES ELECTRICAS DIGITALES, ESTABLES Y FLEXIBLES
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
Attribution-NonCommercial 4.0 International
http://creativecommons.org/licenses/by-nc/4.0/
dc.rights.openaire.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
Attribution-NonCommercial 4.0 International
http://creativecommons.org/licenses/by-nc/4.0/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Elsevier
publisher.none.fl_str_mv Elsevier
dc.source.none.fl_str_mv reponame:e_Buah Biblioteca Digital Universidad de Alcalá
instname:Universidad de Alcalá (UAH)
instname_str Universidad de Alcalá (UAH)
reponame_str e_Buah Biblioteca Digital Universidad de Alcalá
collection e_Buah Biblioteca Digital Universidad de Alcalá
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869412408695455744
spelling A probabilistic alert system for extreme wind events prediction using quantile regression ensemblesPeláez Rodríguez, César|||0000-0003-1260-8112Pérez Aracil, Jorge|||0000-0002-4456-9886Cruz de la Torre, Carlos|||0000-0001-6937-9838Cornejo Bueno, Laura María|||0000-0002-4126-8041Prieto Godino, LuisAlexandre Cortizo, Enrique|||0000-0003-1299-2345Salcedo Sanz, Sancho|||0000-0002-4048-1676Extreme wind speed eventsQuantile regressionKernel density estimationProbabilistic alertIsotonic regressionElectrónicaElectronicsAnticipar 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.Anticipating and mitigating the impact of extreme wind events is increasingly critical as wind power becomes a central component of modern energy systems. However, existing predictive approaches often struggle to capture the uncertainty and variability inherent in wind data, limiting their effectiveness in risk management. This research aims to develop a probabilistic alert system to predict the occurrence of such extreme events effectively. To achieve this, a novel framework is proposed, combining quantile regression and kernel density estimation, to construct a robust predictive ensemble system. By integrating individual quantile regression predictions across multiple quantiles, the proposed framework captures the inherent variability and uncertainty of wind data. Additionally, the ensemble model’s probabilistic outputs are calibrated using isotonic regression, yielding refined distributions that closely align with observed extreme event occurrence rates. The framework was validated using real-world data from a wind farm in Spain, showing substantial improvements over conventional probabilistic binary classifiers in both accuracy and calibration of extreme event probabilities. These findings highlight the potential of the proposed system to enhance operational decision-making and resilience in wind power infrastructure under extreme weather conditions.Agencia Estatal de InvestigaciónComunidad de MadridElsevier20262026-01-01journal articlehttp://purl.org/coar/resource_type/c_6501NAhttp://purl.org/coar/version/c_be7fb7dd8ff6fe43info:eu-repo/semantics/articleapplication/pdfhttp://hdl.handle.net/10017/68610https://dx.doi.org/10.1016/j.enconman.2025.120545reponame:e_Buah Biblioteca Digital Universidad de Alcaláinstname:Universidad de Alcalá (UAH)InglésengAgencia Estatal de Investigación http://dx.doi.org/10.13039/501100011033 Plan Estatal de Investigación Científica y Técnica y de Innovación 2021-2023 PID2023-150663NB-C21 NEXO: APLICACIONES A METEOROLOGIA Y CLIMAComunidad de Madrid http://dx.doi.org/10.13039/100012818 Not available TEC-2024%2FECO-287 PROGRAMA DE REDES ELECTRICAS DIGITALES, ESTABLES Y FLEXIBLESopen accesshttp://purl.org/coar/access_right/c_abf2Attribution-NonCommercial 4.0 Internationalhttp://creativecommons.org/licenses/by-nc/4.0/info:eu-repo/semantics/openAccessoai:ebuah.uah.es:10017/686102026-06-18T11:13:07Z
score 15.812429

Similares en LA Referencia