Improved week-ahead predictions of wind speed using simple linear models with wavelet decomposition

A New Hybrid Prediction Method of Ultra-Short-Term Wind Power Forecasting Based on EEMD-PE and LSSVM Optimized by the GSA

“…Therefore, to some extent, pre-processing techniques can improve forecasting accuracy. Wavelet decomposition [22][23][24][25][26] and empirical mode decomposition [27][28][29] are the prevailing data pre-processing techniques, which can analyze the original wind power series in time and frequency domains. De et al [25] compared the hybrid artificial neural networks (ANN) method.…”

Revisión de literatura de modelos computacionales para la predicción de la velocidad del viento de 2004 a 2016

“…Aunque son atractivos por su eficiencia computacional y simplicidad, su precisión de predicción más allá de unos pocos pasos de tiempo es generalmente muy pobre. En [19] los autores han demostrado a través de cálculos numéricos que la precisión de predicción de modelos lineales simples puede ser notablemente mejorada, incluso para los pronósticos más allá de una semana, mediante la descomposición adecuada de las series de tiempo antes de la predicción. Las predicciones de la velocidad del viento por un modelo auto-regresivo combinado con la descomposición basada en wavelet de las series temporales se consideran exactas dentro de un error promedio de 7e8% para las predicciones hasta 3 días antes.…”

“…RNA, ST J. Wang et al [9] Mejora la exactitud de la predicción con un modelo híbrido que implementa técnicas de redes neuronales: radial basis function neural network; y series de tiempo: seasonal adjustment method y exponential smoothing method. [19] Propen mejoras basado en las predicciones de la velocidad del viento por un modelo auto-regresivo combinado con la descomposición basada en wavelet de las series temporales.…”

Review of distributed generation (DG) system planning and optimisation techniques: Comparison of numerical and mathematical modelling methods

“…In the case of insufficient local training data, shared hidden layer (SHL) -deep neural network (DNN) model was proposed by Hu et al [247] [248] proposed VAR model with independent intercept term (VARTAX) for simultaneous multi-site wind speed prediction, and indicated its compatibility for long-term power system risk assessment. Besides, Kiplangat et al [249] demonstrated the superior week-ahead wind speed prediction performance of a hybrid AR-Wavelet Packet Decomposition (WPD), wherein performance degradation with forecast time step of pure linear regression model was addressed.…”