Pronóstico de viento en la región del Istmo mediante reconstrucción parcial de wavelets y aprendizaje automático
DOI:
https://doi.org/10.29059/rmic.v1i2.12Palabras clave:
Pronóstico de viento, aprendizaje automático, transformaciones wavelet, energía eólica, series de tiempoResumen
La predicción precisa de la velocidad del viento es importante para optimizar la generación de energía eólica, ya que mejora la planificación del suministro eléctrico y el mantenimiento de los aerogeneradores. Este trabajo propone un modelo híbrido que integra la Transformada Wavelet Discreta (DWT por sus siglas en inglés) con redes neuronales LSTM para el pronóstico a corto plazo. Se utilizó una serie temporal de datos de velocidad de viento de Nizanda, Oaxaca, aplicando la wavelet Daubechies 4 (db4) para descomponer la señal en componentes de aproximación y detalles. Se evaluaron múltiples configuraciones de reconstrucción parcial para filtrar el ruido y resaltar patrones relevantes. Los resultados experimentales muestran que la reconstrucción selectiva utilizando la aproximación y los primeros dos primeros niveles de detalle, no solo supera al modelo base, el cual consiste en una LSTM alimentada con datos de velocidad de viento sin transformada wavelet, sino también a los modelos tradicionales de referencia (persistencia, ARIMA, SARIMA). Esta configuración alcanzó un R2 de 0.934 y un RMSE de 0.979 en el conjunto de prueba.
Citas
Amirteimoury, F., Keynia, F., Amirteimoury, E., Memarzadeh, G., & Shabanian, H. (2025). A novel wind speed prediction model based on neural networks, wavelet transformation, mutual information, and coot optimization algorithm. Sci Rep, 15(1), 10860. https://doi.org/10.1038/s41598-025-94082-2
Azamar Alonso, A., & García Beltrán, Y. M. (2021). Diagnóstico y riesgos de la energía eólica en México. Revista de Geografía Agrícola(67), 27-45. https://doi.org/10.5154/r.rga.2021.67.02
Bergmeir, C., & Benítez, J. M. (2012). On the use of cross-validation for time series predictor evaluation. Information Sciences, 191, 192-213. https://doi.org/10.1016/j.ins.2011.12.028
Buratto, W. G., Muniz, R. N., Nied, A., Barros, C. F. d. O., Cardoso, R., & Gonzalez, G. V. (2024). Wavelet CNN‐LSTM time series forecasting of electricity power generation considering biomass thermal systems. IET Generation, Transmission & Distribution, 18(21), 3437-3451. https://doi.org/10.1049/gtd2.13292
Cano Torres, L. R., & Rodríguez Cruz, L. A. (2020). El impacto social de las energías limpias en comunidades vulnerables. La energía eólica en la comunidad zapoteca de Juchitán de Zaragoza, Oaxaca. Ambiente y Desarrollo, 24(46), 1-18. https://doi.org/10.11144/Javeriana.ayd24-46.isel
Castro, L. R., & Castro, S. M. (1995). Wavelets y sus aplicaciones I Congreso Argentino de Ciencias de la Computación.,
Chicco, D., Warrens, M. J., & Jurman, G. (2021). The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. PeerJ Comput Sci, 7, e623. https://doi.org/10.7717/peerj-cs.623
Daubechies, I. (1992). Ten Lectures on Wavelets. Society for Industrial and Applied Mathematics. https://doi.org/10.1137/1.9781611970104
Domínguez-Navarro, J. A., Lopez-Garcia, T. B., & Valdivia-Bautista, S. M. (2021). Applying Wavelet Filters in Wind Forecasting Methods. Energies, 14(11). https://doi.org/10.3390/en14113181
Eólica, A. M. d. E. (2015). El potencial eólico mexicano: Oportunidades y retos en el nuevo sector eléctrico.
Guo, X., Zhu, C., Hao, J., Kong, L., & Zhang, S. (2023). A Point-Interval Forecasting Method for Wind Speed Using Improved Wild Horse Optimization Algorithm and Ensemble Learning. Sustainability, 16(1). https://doi.org/10.3390/su16010094
K U, J., & Kovoor, B. C. (2021). A Wavelet-based hybrid multi-step Wind Speed Forecasting model using LSTM and SVR. Wind Engineering, 45(5), 1123-1144. https://doi.org/10.1177/0309524x20964762
Kio, A. E., Xu, J., Gautam, N., & Ding, Y. (2024). Wavelet decomposition and neural networks: a potent combination for short term wind speed and power forecasting. Frontiers in Energy Research, 12. https://doi.org/10.3389/fenrg.2024.1277464
Lee, G. R., Gommers, R., Wasilewski, F., Wohlfahrt, K., & O’Leary, A. (2019). PyWavelets: A Python package for wavelet analysis. Journal of Open Source Software, 4(36), 1237. https://doi.org/10.21105/joss.01237
Li, L., Jamieson, K., DeSalvo, G., Rostamizadeh, A., & Talwalkar, A. (2018). Hyperband: A novel bandit-based approach to hyperparameter optimization. Journal of Machine Learning Research, 18(185), 1--52.
Li, W., & Law, K. L. E. (2024). Deep Learning Models for Time Series Forecasting: A Review. IEEE Access, 12, 92306-92327. https://doi.org/10.1109/access.2024.3422528
Muñoz, R. B., F.; Lebrija-Trejos, E.; Gallardo-Cruz, J. A.; Enríquez, M.; Romero-Romero, M. A.; López-Mendoza, R. D.; Meave, J. A. (2024). Daily weather data from Nizanda, Mexico (2006–2024). https://doi.org/10.5281/zenodo.7970409
Nascimento, E. G. S., de Melo, T. A. C., & Moreira, D. M. (2023). A transformer-based deep neural network with wavelet transform for forecasting wind speed and wind energy. Energy, 278. https://doi.org/10.1016/j.energy.2023.127678
PyTorch. (2026). torch.nn.LSTM — PyTorch documentation. https://pytorch.org/docs/stable/generated/torch.nn.LSTM.html
Shah, A. A., Aftab, A. A., Han, X., Baloch, M. H., Honnurvali, M. S., & Chauhdary, S. T. (2023). Prediction Error-Based Power Forecasting of Wind Energy System Using Hybrid WT–ROPSO–NARMAX Model. Energies, 16(7). https://doi.org/10.3390/en16073295
Soman, S. S., Zareipour, H., Malik, O., & Mandal, P. (2010). A Review of Wind Power and Wind Speed Forecasting Methods With Different Time Horizons.pdf. North American power symposium, 8. https://doi.org/10.1109/NAPS.2010.5619586
Tamilselvi, C., Paul, R. K., Yeasin, M., & Paul, A. K. (2024). Novel wavelet-LSTM approach for time series prediction. Neural Computing and Applications, 37(17), 10521-10530. https://doi.org/10.1007/s00521-024-10561-z
Vishnutheerth, E. P., Vijay, V., Satheesh, R., & Kolhe, M. L. (2024). A Comprehensive Approach to Wind Power Forecasting Using Advanced Hybrid Neural Networks. IEEE Access, 12, 124790-124800. https://doi.org/10.1109/access.2024.3450096
Wang, Y., Zou, R., Liu, F., Zhang, L., & Liu, Q. (2021). A review of wind speed and wind power forecasting with deep neural networks. Applied Energy, 304, 117766. https://doi.org/https://doi.org/10.1016/j.apenergy.2021.117766
Yu, B., Lu, Z., & Qian, W. (2025). Wavelet-denoised graph-Informer for accurate and stable wind speed prediction. Applied Soft Computing, 176, 113182. https://doi.org/https://doi.org/10.1016/j.asoc.2025.113182
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Revista Mexicana de Ingeniería y Ciencias
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
