Modelos de series temporales basados en aprendizaje profundo para la predicción de la generación eléctrica en parques eólicos

Abstract

Este Trabajo Fin de Máster se centra en la aplicación de modelos de series temporales basados en aprendizaje profundo para la predicción de la generación eléctrica en parques eólicos. El objetivo principal es comparar enfoques tradicionales con arquitecturas modernas de Deep Learning para evaluar su rendimiento y capacidad de generalización en un contexto marcado por la alta variabilidad e incertidumbre de la energía eólica. En primer lugar, se realiza una revisión de técnicas clásicas como ARIMA o XGBoost, estableciendo una línea base de comparación. Posteriormente, se implementan y analizan diversas arquitecturas de Deep, incluyendo LSTM (Long Short-Term Memory), modelos de atención como Transformers (PatchTST, TiDE) adaptados a series temporales. Además, se estudian arquitecturas innovadoras como KAN y RMoK (Mixture of KAN Experts) con especial atención a su interpretabilidad y eficiencia. A través de un estudio comparativo sobre datos reales de generación eólica, se evalúan los modelos, en concreto con dos conjuntos de datos (AV y KaggleWPGD), en términos de precisión, robustez e interpretabilidad. Los resultados muestran que ciertos modelos avanzados superan a los métodos clásicos, especialmente en escenarios con alta no linealidad y ruido. El trabajo también dedica un capítulo a los modelos fundacionales en series temporales, como Chronos, TimeGPT y TimesFM, analizando su potencial para tareas de forecasting en entornos energéticos y su aplicabilidad a datos del sector eólico así como la propuesta de futuras líneas de trabajo. Este TFM concluye con recomendaciones sobre la selección de arquitecturas en función del objetivo operativo y destaca el papel del Deep Learning como herramienta clave para mejorar la planificación energética renovable.

This Master's Thesis focuses on the application of deep learning-based time series models for forecasting electricity generation in wind farms. The main objective is to compare traditional approaches with modern deep learning architectures to evaluate their performance and generalization capacity in a context characterized by the high variability and uncertainty of wind energy. First, a review of classical techniques such as ARIMA and XGBoost is conducted to establish a baseline for comparison. Then, various deep learning architectures are implemented and analyzed, including Long Short-Term Memory (LSTM) networks and attention-based models like Transformers (PatchTST, TiDE) adapted for time series data. Additionally, innovative architectures such as KAN and RMoK (Mixture of KAN Experts) are explored, with a special focus on their interpretability and efficiency. Through a comparative study using real wind power generation data, the models are evaluated—specifically on two datasets (AV and KaggleWPGD)—in terms of accuracy, robustness, and interpretability. The results show that certain advanced models outperform classical methods, particularly in scenarios with high non-linearity and noise. The thesis also includes a dedicated chapter on foundational models for time series, such as Chronos, TimeGPT, and TimesFM, analyzing their potential for forecasting tasks in energy environments and their applicability to wind sector data, as well as proposing future lines of research. This thesis concludes with recommendations on architecture selection based on operational objectives and highlights the role of deep learning as a key tool for improving renewable energy planning.