{rfName}
Hy

Indexado en

Licencia y uso

Icono OpenAccess

Citaciones

3

Altmetrics

Investigadores/as Institucionales

Perez-Aracil, JAutor o CoautorCasanova-Mateo, CAutor o Coautor

Compartir

19 de enero de 2025
Publicaciones
>
Artículo
Sí

Hybridizing Machine Learning Algorithms With Numerical Models for Accurate Wind Power Forecasting

Publicado en: Expert Systems. 42 (2): e13830- - 2025-02-01 42(2), DOI: 10.1111/exsy.13830

Autores:

Abad-Santjago, A; Peláez-Rodríguez, C; Pérez-Aracil, J; Sanz-Justo, J; Casanova-Mateo, C; Salcedo-Sanz, S
[+]

Afiliaciones

Univ Alcala, Dept Signal Proc & Commun, Alcala De Henares, Spain - Autor o Coautor
Univ Politecn Madrid, Dept Comp Syst Engn, Madrid, Spain - Autor o Coautor
Univ Valladolid, Lab Teledetecc, Valladolid, Spain - Autor o Coautor
Ver más

Resumen

An accurate prediction of wind power generation is crucial for optimizing the integration of wind energy into the power grid, ensuring energy reliability. This research focuses on enhancing the accuracy of wind power generation forecasts by combining data from mesoscale and reanalysis models with Machine Learning (ML) approaches. We utilized WRF forecast data alongside ERA5 reanalysis data to estimate wind power generation for a wind farm located at Valladolid, Spain. The study evaluated the performance of ML models based on WRF and ERA5 data individually, as well as a combined model using inputs from both datasets. The hybrid model combining WRF and ERA5 data with ML resulted in a 15% improvement in root mean square error (RMSE) and a 10% increase in R2$$ {R}2 $$ compared with standalone models, providing a more reliable 1-h forecast of wind power generation. Additionally, the availability of data over time was addressed: WRF provides the advantage of projecting data into the future, whereas ERA5 offers retrospective data.
[+]

Palabras clave

BankEnergyEra5 reanalysisHybrid approachesMachine learningPerformanceResourceSensitivitySimulationSpeed predictionWeather researchWind power forecastingWrf and mesoscale modelWrf and mesoscale modelsWrf model

Indicios de calidad

Impacto bibliométrico. Análisis de la aportación y canal de difusión

El trabajo ha sido publicado en la revista Expert Systems debido a la progresión y el buen impacto que ha alcanzado en los últimos años, según la agencia WoS (JCR), se ha convertido en una referencia en su campo. En el año de publicación del trabajo, 2025, se encontraba en la posición 59/147, consiguiendo con ello situarse como revista Q2 (Segundo Cuartil), en la categoría Computer Science, Theory & Methods. Destacable, igualmente, el hecho de que la Revista está posicionada en el Cuartil Q2 para la agencia Scopus (SJR) en la categoría Control and Systems Engineering.

[+]

Impacto y visibilidad social

Desde la dimensión de Influencia o adopción social, y tomando como base las métricas asociadas a las menciones e interacciones proporcionadas por agencias especializadas en el cálculo de las denominadas “Métricas Alternativas o Sociales”, podemos destacar a fecha 2025-12-21:

  • La utilización de esta aportación en marcadores, bifurcaciones de código, añadidos a listas de favoritos para una lectura recurrente, así como visualizaciones generales, indica que alguien está usando la publicación como base de su trabajo actual. Esto puede ser un indicador destacado de futuras citas más formales y académicas. Tal afirmación es avalada por el resultado del indicador “Capture” que arroja un total de: 9 (PlumX).

Es fundamental presentar evidencias que respalden la plena alineación con los principios y directrices institucionales en torno a la Ciencia Abierta y la Conservación y Difusión del Patrimonio Intelectual. Un claro ejemplo de ello es:

  • El trabajo se ha enviado a una revista cuya política editorial permite la publicación en abierto Open Access.
[+]

Reconocimientos ligados al ítem

This work has been partially supported by "Agencia Espanola de Investigacion (Espana)" (NEXO project, grant reference: PID2023-150663NB-C21).
[+]