Explainable deep learning framework to support wind speed forecasting for sustainable energy planning
Cargando...
Autores
Tipo de contenido
Editor
Document language:
Inglés
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
La energía eólica desempeña un papel fundamental en la transición hacia sistemas energéticos sostenibles y descarbonizados. Una predicción precisa de la velocidad del viento es esencial para optimizar la integración de la energía eólica en las redes eléctricas, garantizar la estabilidad del sistema y apoyar una planificación energética confiable. En regiones como La Guajira, Colombia, el potencial de generación eólica es significativo—superando los 580,000 GWh/año en más de 100 parques eólicos planificados. No obstante, la explotación efectiva de este recurso requiere modelos predictivos capaces de manejar la naturaleza caótica, no estacionaria y heterogénea de la dinámica atmosférica. Los enfoques tradicionales basados en modelos físicos y estadísticos suelen presentar limitaciones de generalización espacial y temporal, además de altos costos computacionales. Aunque los métodos de aprendizaje profundo han surgido como alternativas prometedoras, aún enfrentan desafíos críticos relacionados con la escasez de datos, la no estacionariedad y la interpretabilidad, lo que dificulta su adopción en infraestructuras energéticas críticas.
Esta tesis aborda tres desafíos centrales en el diseño de sistemas confiables de predicción de la velocidad del viento. Primero, la heterogeneidad de los datos entre parques eólicos—producto de diferencias geográficas, instrumentación y resoluciones temporales—complica el entrenamiento de modelos transferibles. Segundo, la no estacionariedad inherente a las series temporales de viento degrada el desempeño de modelos de aprendizaje profundo convencionales, especialmente en horizontes de predicción de mediano plazo. Tercero, la falta de interpretabilidad limita la confianza y el despliegue operativo de estos modelos en contextos energéticos donde se requiere trazabilidad y validación humana. Estos desafíos motivan las contribuciones metodológicas desarrolladas en los Capítulos 4, 5 y 6, así como su integración en un sistema operativo presentado en el Capítulo 7.
En el Capítulo 4 se propone una estrategia de aumento de datos denominada Aumento de Datos Transversal Preservando Vecindarios mediante UMAP-CDDA. Este método construye un espacio latente de baja dimensión que preserva estructuras topológicas locales entre conjuntos de datos geográficamente distintos, permitiendo la generación de series temporales sintéticas mediante muestreo de vecindarios. Los resultados experimentales con modelos SRNN, LSTM y GRU sobre conjuntos de datos de Argonne, Beijing y Chengdu evidencian mejoras significativas en precisión y capacidad de generalización bajo condiciones de datos limitados.
El Capítulo 5 introduce una arquitectura híbrida de aprendizaje profundo que integra Funciones de Fourier Aleatorias multi-escala con redes neuronales recurrentes para modelar explícitamente dinámicas temporales no lineales y no estacionarias. Al proyectar las series temporales en representaciones espectrales estructuradas, el enfoque aprovecha la teoría de núcleos sin incurrir en el costo computacional de matrices núcleo explícitas. Se emplea un esquema de optimización anidado que combina optimización bayesiana y descenso de gradiente para el ajuste de hiperparámetros espectrales y recurrentes. Los resultados comparativos frente a RNNs convencionales y modelos Transformer demuestran una mayor robustez y precisión, especialmente en escenarios de predicción de mediano plazo.
En el Capítulo 6 se presenta un marco de interpretabilidad a escala de núcleo para modelos de predicción multi-horizonte. Al combinar atribuciones temporales con mapas de saliencia escala–tiempo en el espacio espectral inducido por las Funciones de Fourier Aleatorias, el enfoque proporciona explicaciones fieles yconsistentes del comportamiento del modelo. Técnicas complementarias como Kernel-PCA y UMAP permiten analizar las representaciones aprendidas y evaluar la generalización. La aplicación a datos reales confirma que las explicaciones a escala de núcleo revelan patrones espectro-temporales significativos y facilitan la validación transparente de los modelos.
Finalmente, el Capítulo 7 introduce un sistema integrado de inteligencia conversacional que operacionaliza los modelos de predicción y los mecanismos de interpretabilidad dentro de un marco completo de inteligencia climática. El sistema combina ingestión de datos, predicción, explicabilidad y una interfaz conversacional basada en recuperación de información, permitiendo consultas interactivas y trazables sobre pronósticos e interpretaciones.
En conjunto, esta tesis aporta metodologías novedosas para la predicción de la velocidad del viento que son eficientes en datos, interpretables y generalizables. Las contribuciones presentadas respaldan la planificación energética eólica a nivel regional y nacional, y establecen una base escalable para el despliegue de sistemas de aprendizaje profundo explicables en aplicaciones de energía renovable y otros dominios ambientales.
Abstract
Wind energy plays a pivotal role in the transition toward sustainable and decarbonized energy systems. Accurate wind speed forecasting is essential for optimizing the integration of wind power into national grids, ensuring grid stability, and supporting reliable energy dispatch. In regions such as La Guajira, Colombia, the wind energy potential is considerable—exceeding 580,000 GWh/year across more than 100 planned wind farms. However, the effective exploitation of this resource requires forecasting models capable of handling the chaotic, non-stationary, and regionally heterogeneous nature of atmospheric dynamics. Traditional physical and statistical approaches often struggle to generalize across spatial domains and temporal scales due to their rigidity and computational demands. While deep learning methods have emerged as powerful alternatives, they still face critical challenges related to data scarcity, generalization under non-stationarity, and limited interpretability, which hinder their adoption in safety-critical energy systems.
This thesis addresses three core challenges in the design of reliable wind speed forecasting systems. First, data heterogeneity across wind farms—arising from geographical variability, sensor configurations, and temporal resolutions—complicates the training of transferable models. Second, non-stationary wind dynamics driven by atmospheric variability degrade the performance of conventional deep learning models, particularly for medium-term forecasting horizons. Third, the lack of interpretable and auditable model behavior limits trust and operational deployment in energy infrastructure contexts. These challenges motivate the methodological contributions presented in Chapters 4, 5, and 6, and their integration within an operational system in Chapter 7.
Chapter 4 introduces a data augmentation strategy termed Neighborhood Preserving Cross-Dataset Data Augmentation using UMAP-based Neighborhood Preserving Cross-Dataset Data Augmentation (UMAP-CDDA). The proposed method constructs a low-dimensional latent space that preserves local topological structures across geographically distinct datasets, enabling the generation of synthetic time series via neighborhood sampling in the embedded space. Experimental results using SRNN, LSTM, and GRU models on datasets from Argonne, Beijing, and Chengdu demonstrate significant improvements in forecasting accuracy and cross-dataset generalization under limited data conditions.
Chapter 5 proposes a kernel-enhanced deep learning architecture that integrates multi-scale Random Fourier Features with recurrent neural networks to explicitly model non-linear and non-stationary temporal dynamics. By projecting input sequences into structured spectral representations, the proposed framework leverages kernel theory without incurring the computational cost of explicit kernel matrices. A nested optimization strategy combining Bayesian optimization and gradient-based learning is employed to tune spectral and recurrent hyperparameters. Comparative evaluations against conventional RNNs and Transformer-based baselines show that the proposed RFF-RNN models achieve superior robustness and accuracy, particularly for medium-horizon forecasting under varying climatic regimes.
Chapter 6 presents a kernel-scale interpretability framework for deep multi-horizon forecasting models. By combining temporal attributions with scale--time saliency analysis in the spectral feature space induced by Random Fourier Features, the proposed approach provides faithful and model-consistent explanations of forecasting behavior across horizons. Complementary dimensionality reduction techniques, including Kernel-PCA and UMAP, are employed to analyze learned representations and assess generalization. Applications to real-world wind datasets confirm that kernel-scale explanations reveal meaningful spectral–temporal patterns and support transparent model validation.
Finally, Chapter 7 introduces an integrated conversational AI system that operationalizes forecasting and interpretability within an end-to-end climate intelligence framework. By combining data ingestion, forecasting models, explanation outputs, and a retrieval-augmented conversational interface, the system enables interactive and traceable access to wind forecasts across regions and horizons. Overall, this thesis contributes novel methodologies for data-efficient, interpretable, and generalizable wind speed forecasting. The proposed approaches support reliable wind energy planning and provide a scalable foundation for deploying explainable deep learning systems in renewable energy and broader environmental forecasting applications (Texto tomado de la fuente).
Descripción
graficas, tablas
Palabras clave propuestas
Explainable deep learning; Wind speed forecasting; Non-stationary time series; Sustainable energy planning; Random Fourier Features; UMAP-based data augmentation; Kernel-scale interpretability; Bayesian optimization; Recurrent neural networks; Conversational AI; Aprendizaje profundo explicable; Predicción de la velocidad del viento; Series temporales no estacionarias; Planificación energética sostenible; Aumento de datos con UMAP; Interpretabilidad a escala de núcleo; Optimización bayesiana; Redes neuronales recurrentes; Inteligencia conversacional