A fuzzy-based cascade ensemble model for improving extreme wind speeds prediction
Se propone un novedoso conjunto en cascada de modelos de regresión basado en lógica difusa para abordar el problema de la predicción de eventos de velocidad extrema del viento, utilizando datos procedentes de modelos de reanálisis atmosférico. Aunque este problema ha sido abordado mayoritariamente e...
| Autores: | , , , , , |
|---|---|
| Tipo de recurso: | artículo |
| Fecha de publicación: | 2023 |
| País: | España |
| Institución: | Universidad de Alcalá (UAH) |
| Repositorio: | e_Buah Biblioteca Digital Universidad de Alcalá |
| Idioma: | inglés |
| OAI Identifier: | oai:ebuah.uah.es:10017/68616 |
| Acceso en línea: | http://hdl.handle.net/10017/68616 https://dx.doi.org/10.1016/j.jweia.2023.105507 |
| Access Level: | acceso abierto |
| Palabra clave: | Wind energy Wind speed extremes Wind extremes prediction Extreme Learning Machine Fuzzy ensemble Electrónica Electronics |
| Sumario: | Se propone un novedoso conjunto en cascada de modelos de regresión basado en lógica difusa para abordar el problema de la predicción de eventos de velocidad extrema del viento, utilizando datos procedentes de modelos de reanálisis atmosférico. Aunque este problema ha sido abordado mayoritariamente en el contexto de tareas de clasificación, la innovación de este trabajo radica en tratarlo dentro de un dominio predictivo continuo, con el objetivo de proporcionar una estimación precisa de los valores extremos de velocidad del viento. El marco propuesto, de tipo jerárquico, implica una partición sucesiva de los datos de entrenamiento en clústeres difusos (fuzzy-soft) en función del valor de la variable objetivo, seguida del entrenamiento de un modelo de regresión específico dentro de cada clúster designado, de modo que cada modelo pueda analizar una parte concreta del dominio objetivo. Finalmente, las predicciones realizadas por los modelos individuales se integran en un conjunto basado en lógica difusa, en el que se asigna a cada modelo un valor de pertinencia en función de la predicción obtenida en la capa previa y de las funciones de pertenencia definidas para cada clúster. Para encontrar la forma óptima de realizar la partición de los datos, se adopta un algoritmo de optimización por Evolución Diferencial (DE). Como esquemas finales de regresión se emplean métodos de redes neuronales aleatorizadas de entrenamiento rápido. El rendimiento de la metodología propuesta se ha evaluado mediante su comparación con métodos del estado del arte, utilizando datos reales de tres parques eólicos en España. |
|---|