Pour atténuer le réchauffement climatique en réduisant les émissions, On s'attend généralement à ce que le vent devienne une source d'énergie alternative. La production d'énergie éolienne utilise l'atmosphère de surface, où le mouvement souffle l'éolienne pour générer la puissance de sortie. Cependant, en raison de la turbulence dans la couche proche de la surface, les vitesses du vent présentent de fortes variations et des caractéristiques de perturbation, ce qui crée une instabilité pour la production d'énergie éolienne. Cela menace à son tour gravement la sécurité du réseau électrique. Par conséquent, assurer la sécurité et la stabilité du réseau électrique, des prévisions fiables de la vitesse du vent et de la production d'électricité à l'échelle locale pour les parcs éoliens sont essentielles.

Dans un article récemment publié dans Lettres scientifiques atmosphériques et océaniques , Ye Zhang de l'Université normale du Hebei et ses co-auteurs de l'Institut de physique atmosphérique et de l'Université de Lanzhou, développé trois modèles hybrides de prévision de la vitesse du vent à plusieurs étapes et les a comparés entre eux et avec les modèles de prévision de la vitesse du vent proposés précédemment. Les trois modèles sont basés sur la décomposition en ondelettes (WD), l'algorithme d'optimisation de la recherche Cuckoo (CS), et un réseau de neurones à ondelettes (WNN). Respectivement, ils sont appelés CS-WD-ANN (où ANN signifie "réseau de neurones artificiels"), CS-WNN, et CS-WD-WNN. Données de vitesse du vent de deux parcs éoliens situés dans le Shandong, l'est de la Chine, ont été utilisés dans l'étude.

Les résultats ont montré que CS-WD-WNN fonctionne le mieux parmi les trois modèles hybrides développés, avec un minimum d'erreurs statistiques, tandis que CS-WD-ANN est le moins performant. A partir de la comparaison avec les modèles de prévision du vent proposés précédemment, dont BPNN, Persister, ARIMA, WNN, et PSO-WD-WNN, CS-WD-WNN s'est toujours avéré être le modèle supérieur. Essentiellement, l'emploi de l'algorithme CS dans les modèles hybrides développés a montré plus d'un avantage en ce qui concerne les résultats de prévision par rapport à d'autres modèles.

"Globalement, nous avons trouvé que le modèle CS-WD-WNN fonctionne bien dans la prévision de la vitesse du vent, et la précision est supérieure à celle des modèles proposés antérieurement, " conclut Zhang.