intro

Con la crisis energética mundial y la contaminación ambiental, la energía limpia y renovable ha

recibido una gran atención en los últimos años . La energía eólica es una de las energías limpias de
más rápido crecimiento, que produce una gran cantidad de energía eléctrica por las turbinas
eólicas. La generación de energía eólica representa una proporción creciente en la estructura de
producción de energía global . Según lo informado por BP en Statistical Review of World Energy
2018, el crecimiento global de la capacidad de la turbina eólica promedió 20.2% por año en la
última década. Y la capacidad de las turbinas eólicas de Asia, Europa y América del Norte
representó el 95,6% del mundo, mientras que otras regiones representaron solo el 4,4% en 2017.
Recientemente, el Consejo Mundial de Energía Eólica (CWEC) dijo que se espera la capacidad de
energía eólica del mundo para aumentar en un 50% y superar los más de 300 millones de
kilovatios en 2023. La energía eólica tiene ventajas significativas y buenas perspectivas de
desarrollo en el desarrollo de una producción más limpia. La razón es que puede reducir las
emisiones de dióxido de carbono y la quema de combustibles. Por lo tanto, es una opción
inevitable para la estrategia energética global a largo plazo desarrollar la energía eólica, lo que
puede garantizar un suministro de energía suficiente . Por lo tanto, predecir con precisión la
capacidad de las turbinas eólicas en Asia, Europa, América del Norte y el mundo es muy
importante para los tomadores de decisiones. En los estudios anteriores, muchos académicos han
propuesto muchos modelos para pronosticar la capacidad de la turbina eólica, incluido el modelo
logístico , el modelo de promedio móvil autorregresivo), el análisis de series temporales , admite
regresión vectorial ,modelo de predicción de redes neuronales (), modelo de pronóstico
combinado (, aprendizaje automático de máquinas grises) y modelo gris (). Entre los muchos
métodos de pronóstico, el método de análisis de regresión utiliza los indicadores relacionados con
la capacidad de la turbina eólica para construir el modelo, que requiere muchas muestras. El
principio de cálculo del tiempo.

2. La nueva prioridad de información acumuló el modelo gris con potencia de tiempo

2.1. Definición de nueva acumulación de prioridad de información Definición

2.2. La fórmula de aproximación trapezoidal integral definida

2.3. Proceso de modelado del modelo NIPGM (1; 1; t) El modelo gris tradicional con poder
temporal fue establecido por Qian et al. (2012)

2.4. Generalidad del modelo NIPGM (1, 1, t)

3. Optimización de los parámetros por optimización de enjambre de partículas.

Podemos notar que los parámetros y se han dado antes de construir el modelo NIPGM (1,1, t).
Elegir los parámetros óptimos y es muy importante, lo que puede mejorar las capacidades de
predicción y predicción del modelo propuesto. Los detalles sobre cómo optimizar los parámetros y
mediante el algoritmo de optimización de enjambre de partículas se dieron en esta sección.

3.1. Criterios de evaluación del modelo

Para examinar la precisión de cada modelo de pronóstico, seleccionamos el error porcentual

absoluto (APE), el error cuadrático medio de la raíz de la muestra previa (RMSEPR) (Ma & Liu,
2017), el error cuadrático medio de la raíz

la muestra posterior (RMSEPO) (Wu et al., 2018b) y el error cuadrático medio (RMSE) (Ma & Liu,
2017) como el estándar de evaluación.

3.2. Modelo de optimización no lineal para los parámetros y Cuando se usa el modelo NIPGM (1,1,
t) para pronosticar los datos originales, primero necesitamos determinar los parámetros y el
modelo, luego usar la ecuación (11) para obtener los parámetros (a; b; c), y use la ecuación (16)
para resolver los valores de predicción ^ s0 k. En este documento, el RMSE mínimo
correspondiente y se utiliza como los parámetros óptimos del modelo

3.3. Paso de optimización de parámetros

Kennedy y Eberhart (1995) desarrollaron el algoritmo de optimización de enjambre de partículas

(PSO) que se originó a partir del estudio 155 del comportamiento de los depredadores de aves.
Este algoritmo tiene muchas ventajas, como una fácil implementación, alta precisión y
convergencia rápida. Ha prestado mucha atención a una gran cantidad de académicos y se ha
aplicado a muchos campos de ingeniería (Zeng y Liu, 2017; Zeng y Li, 2018).

4. Validación del modelo NIPGM (1; 1; t)

Presentamos tres ejemplos reales para examinar la precisión del modelo novedoso, los resultados
de la predicción se comparan con cuatro modelos actuales de pronóstico gris que son modelos GM
(1, 1) clásicos, DGM discreto

(1, 1) modelo, modelo NGM (1, 1, k, c) y modelo GM (1, 1, t). Además, evaluamos aún más la
precisión de predicción de modelos nuevos comparándolos con otros modelos de pronósticos
famosos

5. Aplicaciones en la capacidad de aerogeneradores.

Esta sección discute la capacidad de la turbina eólica del mundo y las tres regiones principales, que
son

Asia, Europa y América del Norte, respectivamente. En primer lugar, la Tabla 12 enumera los datos
de la turbina eólica.
capacidad de 2007 a 2017, que se recopila de la Revisión Estadística de Energía Mundial 2018. En
segundo lugar,

los datos se dividen en dos partes, los datos de 2007 a 2014 se utilizan para construir el modelo
PR (n), series de tiempo

modelo y cinco modelos grises, incluido el modelo GM (1, 1), modelo DGM (1, 1), modelo NGM (1,
1, k), GM (1,

Modelo 1, t) y modelo NIPGM (1, 1, t). En tercer lugar, los datos de 2015 a 2017 se aplican para
evaluar

La capacidad de tting y pronóstico. Luego, usamos el software Matlab para calcular los resultados.
Finalmente,

La figura 4 muestra el diagrama de estructura de pronóstico de la capacidad de la turbina eólica,

que se dibuja debajo de

inspiración de la literatura (Ma et al., 2019a; Du et al., 2019a)

Tabla 12: La capacidad total de aerogeneradores de Europa, América del Norte, Asia y el mundo
(megavatios)

Figura 4: El diagrama de estructura de predicción de la capacidad de la turbina eólica.

Tal capacidad de aerogeneradores de Europa, Norte

América, Asia y el mundo desde 2007 hasta 2017

GM (1,1) DGM (1,1) NGM (1,1, k, c) GM (1,1, t a) NIPGM (1,1, t a)

Cálculo de RMSEPR Cálculo de RMSEPO Cálculo de RMSE

Previsión de la capacidad de la turbina eólica de 2018 a 2020

Comparación de simulación,

predicción y errores totales

Construyendo siete diferentes

modelos de pronóstico
Datos recopilados de la estadística de BP

Reseña de World Energy 2018

6. Conclusiones

En este documento, combinando la nueva acumulación de prioridad de información con el modelo

gris GM (1, 1, t 385), proponemos un nuevo modelo NIPGM (1; 1; t) para predecir la capacidad de
aerogeneradores a corto plazo de Europa, Norte

América, Asia y el mundo. El modelo NIPGM (1; 1; t) es un modelo más genérico. El modelo
tradicional GM (1; 1), el modelo NGM (1, 1, k, c), el modelo NGM (1, 1, k) y el modelo GM (1, 1, t)
son casos especiales

del modelo propuesto con parámetros determinados y.

Se utilizan tres casos numéricos para evaluar la precisión del modelo nuevo y seis modelos de
predicción existentes. Muestra que el modelo NIPGM (1; 1; t) tiene una ventaja suficiente para
muestras pequeñas que

modelo de regresión polinómica y el modelo de series de tiempo. Además, el modelo propuesto es

superior a otros modelos de pronóstico, los resultados revelan que la nueva acumulación de
prioridad de información es un ec

Método para mejorar la capacidad de predicción del modelo gris. Además, el algoritmo de
optimización de enjambre de partículas es muy estable al determinar los valores óptimos de
parámetros no lineales. El modelo propuesto se aplica para predecir la capacidad total de la
turbina eólica, y tiene la mayor precisión de simulación y predicción que otros modelos de
predicción comunes. Se pronostica que la tasa de aumento anual promedio de la capacidad total
de aerogeneradores en Europa, América del Norte, Asia y el mundo de 2018 a 2020 es 9.5045%,
6.9549%, 12.1032%, 13.0680%, respectivamente. En el futuro, la energía eólica.

contribuirá enormemente al desarrollo sostenible de una producción más limpia. Además, se

presentan sugerencias razonables desde el punto de vista de los profesionales y los gobiernos.

. Por lo tanto, el modelo de pronóstico gris con nueva acumulación de prioridad de información es
adecuado para la muestra pequeña con nuevas características

comportamientos Se puede aplicar a la predicción de otra producción más clara, como el gas solar
y natural.

En el futuro, combinaremos la nueva acumulación de prioridad de información con otros modelos

grises para investigar si mejoraría la precisión de predicción de otros modelos grises.

The new information priority accumulated grey model with time power
Nomenclatura

GM (1,1) el modelo básico del sistema gris

Modelos multivariables grises no lineales NGM (1, N)

Modelo gris exponencial no homogéneo NGM (1,1, k)

GMCN (1, N) nuevo modelo de convolución gris multivariable de prioridad de información

acumulada

NGM (1,1, k; c) modelo gris exponencial no homogéneo extendido

Modelo de pronóstico gris acumulado generalizado no equidistante GAGM (1,1)

DGM (1,1) modelo gris discreto

NIPDGM (1,1) nueva prioridad de información modelo gris discreto acumulado

Modelo de predicción integral gris de convolución GMC (1, N)

Modelo gris no equidistante GRM (1,1) basado en la generación acumulada recíproca

Modelo gris de orden fraccional FAGM (1,1)

Modelo gris discreto multivariado fraccional FDGM

NIPGM (1; 1; t) nuevo modelo gris acumulado de prioridad de información con potencia de tiempo

Operación de generación acumulativa de primer orden 1-AGO

Operación de generación acumulativa inversa de primer orden 1-IAGO

Operación de generación acumulada de prioridad de información de primer orden 1-NIPAGO

Operación de generación acumulada inversa de prioridad de información de primer orden 1-

NIPIAGO

S0 la secuencia original no negativa

S1 secuencia de operación de generación acumulada de prioridad de información nueva de primer

orden

Operación de generación acumulada inversa de prioridad de información de primer orden S􀀀1

H1 la secuencia de generación media con vecinos consecutivos

el parámetro de generación de acumulación

una; si; c los parámetros del sistema gris

s0

k los datos de observación para la entrada del sistema en el momento k

s1

k los datos de 1-NIPAGO en el tiempo k

s􀀀1

k los datos de 1-NIPIAGO en el tiempo k

^ s0

k el valor de predicción en el tiempo k

^ s1

k el valor de respuesta de tiempo en el tiempo k

h1

k el valor de fondo en el tiempo k

APE el error porcentual absoluto

RMSEPR el error cuadrático medio de la raíz de la muestra anterior

RMSE el error cuadrático medio

RMSEPO el error cuadrático medio de la raíz posterior a la muestra

Modelo de regresión polinomial PR (n)

Optimización de enjambre de partículas PSO

ARIMA (p; d; q) modelo de promedio móvil integrado autorregresivo

CWEC Global Wind Energy Council