Predicción diaria de generación de energía de un sistema microeólico empleando redes neuronales long short-term memory

• Autores: Crespo, Andrés; Reineri, Claudio; Sánchez, Leonardo; Anunziata, Daniel; Yorge, Eugenia; Campetelli, Gabriel
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: artículo
• Materia: Arquitectura; Ingeniería; Micro Turbina Eólica; Predicción; LSTM; Micro Wind Turbine; Prediction
• Institución: Universidad Nacional de La Plata

Este trabajo presenta un modelo de predicción a corto plazo (24 h) de la generación eléctrica de un sistema micro-eólico (ME) empleando redes neuronales recurrentes del tipo Long Short-Term Memory (LSTM). Como insumo se integran los pronósticos horarios de velocidad y dirección del viento obtenidos mediante el modelo WRF del Observatorio Hidro-Meteorológico de Córdoba (OHMC) con registros históricos de energía generada. Se efectúa un análisis estadístico del recurso eólico que permitió caracterizar el viento local. Previo al entrenamiento se aplica un proceso de selección, depuración y normalización de datos para reducir la influencia de mediciones atípicas y mejorar la calidad de las entradas. El modelo fue optimizado mediante ajuste de hiperparámetros claves (número de neuronas, tipo de optimizador, tasa de abandono, tamaño de lote), seleccionando la configuración que minimizó el RMSE en el conjunto de validación. Los resultados muestran que la arquitectura más profunda permitió extender el horizonte de predicción a 24 h con un error comparable al de un modelo de referencia de 8 h, aunque con mayor costo computacional. En conjunto, se confirma la viabilidad de las LSTM para sistemas ME, aportando precisión y generalización adecuadas para la planificación y gestión de microrredes o mercados eléctricos locales.
This work presents a short-term (24 h) prediction model for the electricity generation of a micro wind system (ME) using recurrent neural networks of the Long Short-Term Memory (LSTM) type. As inputs, hourly forecasts of wind speed and direction obtained through the WRF model from the Hydro-Meteorological Observatory of Córdoba (OHMC) are integrated with historical records of generated energy. A statistical analysis of the wind resource was carried out, which allowed the characterization of the local wind conditions. Before training, a process of data selection, cleaning, and normalization was applied to reduce the influence of outlier measurements and improve input quality. The model was optimized by tuning key hyperparameters (number of neurons, optimizer type, dropout rate, batch size), selecting the configuration that minimized RMSE on the validation set. The results show that the deeper architecture made it possible to extend the prediction horizon to 24 h with an error comparable to that of a reference 8 h model, albeit with higher computational cost. Overall, the feasibility of LSTM networks for ME systems is confirmed, providing adequate accuracy and generalization for the planning and management of microgrids or local electricity markets.
Asociación Argentina de Energías Renovables y Medio Ambiente (ASADES)