Para mitigar o aquecimento global reduzindo as emissões, É amplamente esperado que o vento se torne uma fonte alternativa de energia. A geração de energia eólica usa a atmosfera da superfície, onde o movimento sopra a turbina eólica para gerar a saída de energia. Contudo, devido à turbulência na camada próxima à superfície, as velocidades do vento mostram forte variação e características de perturbação, o que cria instabilidade para a geração de energia eólica. Isso, por sua vez, ameaça seriamente a segurança do sistema da rede elétrica. Portanto, para garantir a segurança e estabilidade da rede elétrica, previsões confiáveis ​​da velocidade do vento e geração de energia em escala local para parques eólicos são essenciais.

Em um artigo publicado recentemente em Cartas de Ciências Atmosféricas e Oceânicas , Ye Zhang, da Hebei Normal University e seus co-autores do Institute of Atmospheric Physics e da Lanzhou University, desenvolveu três modelos híbridos de previsão da velocidade do vento em várias etapas e os comparou entre si e com modelos de previsão da velocidade do vento propostos anteriormente. Os três modelos são baseados na decomposição wavelet (WD), o algoritmo de otimização Cuckoo search (CS), e uma rede neural wavelet (WNN). Respectivamente, eles são referidos como CS-WD-ANN (onde ANN significa 'rede neural artificial'), CS-WNN, e CS-WD-WNN. Dados de velocidade do vento de dois parques eólicos localizados em Shandong, leste da China, foram usados ​​no estudo.

Os resultados mostraram que CS-WD-WNN tem o melhor desempenho entre os três modelos híbridos desenvolvidos, com erros estatísticos mínimos, enquanto o CS-WD-ANN tem o pior desempenho. A partir da comparação com modelos de previsão de vento propostos anteriormente, incluindo BPNN, Persistir, ARIMA, WNN, e PSO-WD-WNN, CS-WD-WNN ainda foi considerado o modelo superior. Essencialmente, o emprego do algoritmo CS nos modelos híbridos desenvolvidos mostrou mais uma vantagem no que diz respeito aos resultados de previsão em comparação com outros modelos.

"Geral, descobrimos que o modelo CS-WD-WNN tem um bom desempenho na previsão da velocidade do vento, e a precisão é maior do que a dos modelos propostos anteriormente, "conclui Zhang.