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

Resumen

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.