Medium-Term Electric Production Forecasting using Probabilistic Machine LearningAlgorithms

Abstract

Este TFM aborda el uso de técnicas avanzadas de aprendizaje automático probabilístico para el pronóstico a medio plazo de la producción eléctrica, con un enfoque en la energía eólica. A medida que las fuentes renovables se integran más en las redes eléctricas, resulta esencial desarrollar modelos precisos y confiables para garantizar su estabilidad y eficiencia.

El estudio emplea la Regresión por Mínimos Cuadrados Parciales (PLSR) para la predicción de potencia y Modelos de Mezcla Gaussiana (GMM) para la generación de escenarios, pronosticando la producción mensual de energía eólica durante un año. La preparación de datos incluyó limpieza, interpolación de valores faltantes con Lagrange, normalización y escalado, asegurando un entrenamiento equilibrado del modelo. El Análisis Exploratorio de Datos (EDA) permitió identificar patrones clave, tendencias y validar supuestos de normalidad y linealidad.

PLSR resolvió eficazmente la multicolinealidad entre predictores al reducir la dimensionalidad mediante variables latentes, capturando relaciones esenciales entre factores meteorológicos y producción de energía. Por su parte, GMM modeló la distribución probabilística de la energía eólica, representando la variabilidad e incertidumbre con múltiples distribuciones gaussianas.

Los resultados destacan la influencia de factores como velocidad del viento, presión atmosférica y temperatura. La combinación PLSR-GMM superó métodos deterministas tradicionales en precisión y confiabilidad, evidenciando el potencial de los modelos probabilísticos para mejorar los pronósticos. Este trabajo aporta una metodología robusta para el pronóstico de energías renovables, ofreciendo información valiosa para la planificación energética y la toma de decisiones informadas.

This Master’s Thesis investigates advanced probabilistic machine learning techniques for medium-term electricity production forecasting, focusing on wind power prediction. As renewable energy sources become more integrated into power grids, the need for accurate and reliable forecasting models is critical for maintaining grid stability and efficiency.

The research employs Partial Least Squares Regression (PLSR) for power prediction and Gaussian Mixture Models (GMM) for scenario generation, forecasting monthly wind power production over a one-year horizon. A robust data preparation phase included cleaning missing values using Lagrange interpolation, normalization, and scaling, ensuring variables contributed equally to model training. Exploratory Data Analysis (EDA) uncovered patterns and relationships within the data, highlighting key trends and validating assumptions of normality and linearity.

PLSR effectively addressed multicollinearity among predictors by reducing dimensionality with latent variables, capturing essential relationships between meteorological factors and wind power. GMM modeled the probabilistic distribution of wind energy, representing variability and uncertainty with multiple Gaussian distributions.

Key findings reveal that meteorological factors like wind speed, atmospheric pressure, and temperature significantly impact wind energy production. The combined PLSR-GMM approach outperformed traditional deterministic methods in accuracy and reliability, showcasing the potential of probabilistic models to enhance forecasts. This research contributes a robust methodology for renewable energy forecasting, offering valuable insights for energy planners and decision-makers, supporting informed energy management.