⚡ electrical engineering

A wind power forecasting method based on CEEMDAN- LightGBM-Transformer

Este artículo propone un modelo híbrido CEEMDAN-LightGBM-Transformer que descompone los datos de potencia eólica, extrae y clasifica características lineales y no lineales, y las fusiona mediante una arquitectura Transformer para lograr un pronóstico altamente preciso con métricas de error significativamente reducidas en comparación con los métodos existentes.

Autores originales: Jingsong ZHANG, Yukai Zhou, Xiaorui CHU, Yuanyuan Yang, Yangdi Xu

Publicado 2026-09-02

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Jingsong ZHANG, Yukai Zhou, Xiaorui CHU, Yuanyuan Yang, Yangdi Xu

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

La red eléctrica es un delicado acto de equilibrio. Requiere un flujo de energía constante y estable para mantener las luces encendidas y las máquinas funcionando, pero el viento, que impulsa muchas turbinas modernas, es notoriamente caprichoso. Tiene ráfagas, se detiene y cambia de dirección sin previo aviso. Esta imprevisibilidad crea un desafío significativo para los ingenieros: ¿cómo puede una red eléctrica depender de una fuente que llega y se va a su propio antojo? Para resolver esto, los científicos han intentado durante mucho tiempo construir mejores formas de pronosticar la energía eólica. Han utilizado herramientas estadísticas que buscan patrones en datos pasados y, más recientemente, se han vuelto hacia el aprendizaje profundo, un tipo de inteligencia computacional que imita cómo el cerebro humano aprende de la experiencia. El objetivo es siempre el mismo: predecir exactamente cuánta energía producirá un parque eólico en las próximas horas, permitiendo a los operadores de la red planificar con antelación y mantener la estabilidad del sistema.

Un equipo de investigadores de la Universidad de Xichang en China ha propuesto un nuevo método para abordar este problema, combinando tres técnicas distintas en un único y potente motor de pronóstico. Su enfoque, detallado en un estudio reciente, trata los datos brutos de un parque eólico no como un flujo único y caótico, sino como una mezcla compleja de diferentes señales que deben ser separadas. Primero, utilizan un proceso matemático llamado Descomposición de Modos Empíricos de Conjunto Completo con Ruido Adaptativo. En términos sencos, esto actúa como un tamiz sofisticado que descompone los datos irregulares y ruidosos de la energía eólica en varias capas más suaves y simples. Los investigadores descubrieron que la capa superior de estos datos era principalmente estática aleatoria y vibración mecánica: ruido que confundía a los modelos de predicción. Al eliminar cuidadosamente solo esta primera capa de ruido mientras mantenían intacto el resto de la señal, limpiaron los datos sin perder los detalles importantes de cómo se comporta realmente el viento.

Una vez que los datos fueron limpiados, los investigadores los introdujeron en una segunda etapa diseñada para encontrar la información más útil. Emplearon un algoritmo conocido como LightGBM, que actúa como un filtro altamente eficiente para clasificar docenas de variables. El parque eólico proporcionaba una gran cantidad de datos, incluyendo la velocidad del viento a diferentes alturas, la temperatura, la humedad y la presión atmosféica. El sistema LightGBM analizó estos factores para determinar cuáles importaban realmente para predecir la producción de energía. Confirmó que la velocidad del viento era el factor dominante, pero también identificó combinaciones específicas de otras variables meteorológicas que añadían un contexto crucial. Este paso aseguró que el modelo de predicción final no se viera abrumado por datos irrelevantes, sino que se centrara en las características específicas que impulsan la generación de energía.

La última pieza del rompecabezas fue una arquitectura de red neuronal basada en el modelo Transformer, un diseño originalmente famoso por su capacidad para entender el lenguaje, pero aquí adaptado para datos de series temporales. Esta parte del sistema observa los datos limpios y filtrados para comprender cómo ha cambiado el viento a lo largo del tiempo y predecir cómo cambiará después. A diferencia de los modelos más antiguos que podrían observar todo el historial de datos del viento a la vez, este sistema fue construido con una estructura específica que respeta el flujo del tiempo. Observa el pasado para hacer una predicción sobre el futuro, asegurándose de no acceder accidentalmente a datos del futuro que aún no debería conocer. Al utilizar un mecanismo que le permite enfocarse en diferentes partes de la secuencia temporal simultáneamente, el modelo captura tanto las ráfagas de corto plazo como los patrones diarios a largo plazo.

Cuando los investigadores probaron este sistema combinado frente a otros métodos de pronóstico populares, los resultados fueron sorprendentes. Utilizando datos de un parque eólico de 200 megavatios en China, registrados cada quince minutos durante todo el 2019, su nuevo modelo superó significativamente a competidores establecidos. Mientras que otros métodos, como Random Forest o redes de aprendizaje profundo estándar, a menudo tenían dificultades para seguir los picos o caídas repentinas de potencia, el nuevo sistema siguió los datos del mundo real con una precisión notable. El estudio mostró que el nuevo enfoque redujo el error promedio de predicción en un 15 por ciento en comparación con estos otros modelos. Además, las predicciones del modelo se alinearon tan estrechamente con la producción de energía real que la medida estadística de precisión, conocida como valor R-cuadrado, superó el 98 por ciento.

Los investigadores también probaron su sistema eliminando sus partes individuales para ver cuánto contribuía cada una al éxito final. Descubrieron que la combinación era esencial; eliminar el paso de eliminación de ruido o el paso de filtrado de características conducía a resultados notablemente peores. El estudio sugiere que el verdadero poder del método reside en cómo estos tres componentes trabajan juntos: el primero limpia la señal, el segundo selecciona los ingredientes adecuados y el tercero cocina la predicción final. Este enfoque integrado ofrece una herramienta robusta para los operadores de la red, ayudando potencialmente a gestionar la integración de la energía eólica de manera más efectiva y a tomar mejores decisiones con respecto al mantenimiento de los equipos y la distribución de la energía.

Resumen Técnico: Un método de pronóstico de energía eólica basado en CEEMDAN-LightGBM-Transformer

Planteamiento del problema
La generación de energía eólica se caracteriza por su intermitencia, volatilidad y aleatoriedad, lo que crea desafíos significativos para la predicción precisa. Estas incertidumbres complican la programación de la red, la gestión del consumo de energía y el mantenimiento de los equipos, amenazando la operación estable y económica de los sistemas de energía complementaria multienergética. Los métodos de predicción tradicionales, como ARIMA, SVM y Random Forest, a menudo luchan contra la multicolinealidad y no logran capturar eficazmente la naturaleza no lineal y altamente volátil de los datos de energía eólica. Aunque los enfoques de aprendizaje profundo han mostrado potencial, frecuentemente enfrentan problemas de fuga de datos temporales, mezcla de modos en la descomposición de señales y la incapacidad de equilibrar la reducción de ruido con la retención de características dinámicas críticas.

Metodología
El artículo propone un marco de pronóstico híbrido que integra tres componentes distintos: Descomposición de Modo Empírico de Conjunto Completo con Ruido Adaptativo (CEEMDAN), Máquina de Potenciación de Gradiente Ligero (LightGBM) y una arquitectura Transformer con una estructura de Codificador-Decodificador.

Descomposición de señales y reducción de ruido (CEEMDAN):
La serie temporal de potencia eólica bruta se descompone primero en múltiples Funciones de Modo Intrínseco (IMF) utilizando CEEMDAN para abordar los problemas de mezcla de modos inherentes al EMD tradicional. Para optimizar la entrada para los modelos subsiguientes, los autores introducen una estrategia "drop_k". Este enfoque cuantitativo descarta las primeras $k$ IMFs de alta frecuencia, las cuales se identifican como portadoras de ruido estocástico dominante y señales de vibración mecánica con un valor predictivo insignificante. El estudio determina que descartar solo la primera IMF ( $k=1$ ) ofrece el equilibrio óptimo, eliminando el ruido de alta frecuencia mientras preserva el 99.5% de la varianza de la señal original y las características de pulso transitorio críticas.
Reconstrucción y selección de características (LightGBM):
Tras la descomposición, se establece un marco multidimensional de selección de características. El modelo utiliza el análisis de correlación de Pearson para identificar las características linealmente dominantes (específicamente la velocidad del viento a la altura del buje y a 70 m). Simultáneamente, se emplea LightGBM para evaluar las variables meteorológicas no lineales (como la presión atmosférica y la humedad) basándose en la ganancia de características. Este proceso filtra un conjunto de entrada de 28 dimensiones hasta un subconjunto de 20 dimensiones de alta contribución, fusionando eficazmente las correlaciones lineales univariantes con las relaciones de acoplamiento no lineales de múltiples factores.
Pronóstico de secuencias (Transformer):
Las características refinadas se introducen en un modelo Transformer que utiliza una arquitectura de Codificador-Decodificador. A diferencia de los modelos de solo codificador que pueden sufrir de fuga de información futura, este marco emplea una estructura causal.

Codificador (Encoder): Captura dependencias bidireccionales dentro de las secuencias históricas mediante autoatención y Redes de Alimentación hacia Adelante (FFN).
Decodificador (Decoder): Integra características latentes con marcadores de posición de predicción futura. Utiliza una autoatención multicabezal enmascarada para imponer estrictamente la causalidad temporal (evitando que el modelo "vea" datos futuros) y atención cruzada para emparejar pares clave-valor históricos con consultas objetivo.
Codificación Posicional: Se aplica una codificación sinusoidal fija para capturar la periodicidad inherente y las correlaciones de retardo temporal de los datos de energía eólica.

Contribuciones Clave
El artículo identifica tres innovaciones primarias:

Filtrado de ruido cuantitativo: La introducción de un indicador de ruido y la estrategia "drop_k" dentro del marco CEEMDAN permite la eliminación objetiva del ruido de alta frecuencia mientras se retienen las características dinámicas esenciales para el pronóstico a corto plazo, mitigando el aliasing modal.
Ingeniería de características híbrida: La integración de la correlación de Pearson con la ganancia de características de LightGBM crea un mecanismo de selección robusto que equilibra la dominancia de la velocidad del viento lineal con las interacciones meteorológicas no lineales, mejorando la racionalidad de la entrada.
Arquitectura de Codificador-Decodificador Causal: La adopción de un Transformer de Codificador-Decodificador enmascarado diseñado específicamente para eliminar la fuga de datos temporales, utilizando la atención cruzada para fusionar segmentos de secuencias históricas y futuras para un pronóstico preciso de múltiples pasos.

Resultados Experimentales
El modelo fue evaluado utilizando datos de un parque eólico de 200 MW en China (2019, intervalos de 15 minutos). El modelo propuesto CEEMDAN-LightGBM-Transformer (CLT) se comparó contra Random Forest (RF), GRU, ARIMA, XGBoost y otros modelos de series temporales de vanguardia (Informer, TimesNet, PatchTST).

Métricas de Desempeño: El modelo CLT logró un mRMSE (Error Cuadrático Medio) de 2.893 y un mMAE (Error Absoluto Medio) de 2.110 en el conjunto de prueba, con un valor de $R^2$ de 0.991.
Ganancias Comparativas: En comparación con los modelos base como Random Forest y GRU, el método propuesto demostró una reducción del 15% tanto en mRMSE como en mMAE. Frente al Transformer vanilla, el mRMSE y el mMAE disminuyeron en más del 32%. Frente al baseline de XGBoost, el mRMSE y el mMAE declinaron en más del 81%.
Estudios de Ablación: Los experimentos eliminando módulos individuales (CL, LT, CT) confirmaron que la integración total de la descomposición, la selección de características y la arquitectura Transformer causal produce los errores más bajos y la mayor capacidad de generalización. El modelo rastreó con éxito los picos de potencia y las condiciones de subida/bajada rápida donde otros modelos exhibieron retraso o sesgo de ajuste.

Significancia
El artículo sostiene que este modelo híbrido proporciona un apoyo efectivo para operaciones críticas de la red, incluyendo el despacho, la gestión del consumo de energía y la toma de decisiones para el mantenimiento de equipos. Al combinar sinérgicamente la descomposición de señales, la selección de características basada en gradiente y el modelado de secuencias basado en atención, el enfoque aborda los desafíos específicos de la volatilidad de la energía eólica, ofreciendo una solución robusta para reducir los errores de predicción en entornos complejos y no estacionarios.

Más como este