Enhancing Wind Power Forecasting in the Spanish Market Through Transformer Neural Networks and Temporal Optimization

Share

Abstract

La creciente penetración de las energías renovables, y de la eólica en particular, requiere una previsión a corto plazo precisa para garantizar la estabilidad de la red, reducir la incertidumbre operativa y facilitar la integración a gran escala de recursos intermitentes. Este estudio evalúa arquitecturas basadas en Transformer para la previsión de la generación eólica utilizando datos horarios de generación de España (2020-2024). Las series temporales se segmentaron en ventanas de entrada de 12, 24 y 36 horas, y se probaron sistemáticamente múltiples configuraciones de modelos. Para la comparación, se entrenaron modelos LSTM y GRU bajo protocolos idénticos. Los resultados muestran que el Transformer superó de manera consistente a los modelos recurrentes de referencia en todos los horizontes. La mejor configuración, con una secuencia de entrada de 36 horas, dimensionalidad moderada y profundidad reducida, alcanzó un RMSE de 370,71 MW, un MAE de 258,77 MW y un MAPE del 4,92%, reduciendo el error por un margen significativo respecto a los modelos LSTM y GRU, cuyos mejores rendimientos alcanzaron RMSE superiores a 395 MW y MAPE superiores al 5,7%. Más allá de la precisión predictiva, los mapas de atención revelaron que el Transformer capturaba eficazmente las fluctuaciones a corto plazo al tiempo que atendía a dependencias de mayor alcance, ofreciendo un mecanismo transparente para interpretar la contribución de la información histórica a las predicciones. Estos hallazgos demuestran el rendimiento superior de los modelos basados en Transformer en la previsión a corto plazo de la generación eólica, subrayando su capacidad para ofrecer predicciones más precisas e interpretables que respaldan la integración fiable de la energía renovable en los sistemas eléctricos modernos. [Traducción automática al español; idioma original: inglés.]