In this work, the forecast errors produced by the ARIMA, Deep Learning and Persistence models, models applied to two time series to predict the wind speed one step ahead, were analyzed. The analysis consisted of verifying, with the help of MF-DFA, if there were multifractal patterns in the forecast errors. Then, the multifractal patterns of the errors were extracted by a Multiplicative Cascade model. The sum of the patterns extracted from the models generated new hybrid models such as the Multiplicative Cascade-ARIMA, the Multiplicative Cascade-Deep Learning and the Multiplicative Cascade-Persistence. Those new models showed a decrease in the final forecast error. The wind speed time series used for this study were measured at two wind farms in the State of Oaxaca, Mexico, namely La Mata and La Venta. The first time series has five years of ten-minute averaged data, while the second has six years and eleven months of hourly data. Both time series were provided by the Federal Electricity Commission of Mexico. Typical performance metrics tools were used for quantitative analysis of forecast results, where simple models were compared to hybrid models using mean square error, mean absolute error, root mean square error, percentage error mean absolute, and the evaluator index. The results obtained showed, in the mean absolute percentage error, the performance differences between the hybrid and conventional models for the test set were: 2,364, 1,210 and 1,635 percentage points for the ten-minute time series.
En este trabajo, se analizaron los errores de pronóstico producidos por los modelos ARIMA, Aprendizaje Profundo y Persistencia, modelos aplicados a dos series de tiempo para predecir la velocidad del viento un paso adelante. El análisis consistió en verificar, con la ayuda del MF-DFA, si existían patrones multifractales en los errores de pronóstico. Luego, los patrones multifractales de los errores fueron extraídos por un modelo de Cascada Multiplicativa. La suma de los patrones extraídos de los modelos generó nuevos modelos híbridos como la Cascada Multiplicativa-ARIMA, la Cascada Multiplicativa-Aprendizaje Profundo y la Cascada Multiplicativa-Persistencia. Esos nuevos modelos mostraron una disminución del error de pronóstico final. Las series temporales de velocidad del viento utilizadas para este estudio se midieron en dos parques eólicos del Estado de Oaxaca, México, a saber, La Mata y La Venta. La primera serie de tiempo tiene cinco años de datos promediados de diez minutos, mientras que la segunda tiene seis años y once meses de datos por hora. Ambas series de tiempo fueron proporcionadas por la Comisión Federal de Electricidad de México. Las herramientas típicas demétricas de rendimiento se utilizaron para el análisis cuantitativo de los resultados de pronóstico, donde los modelos simples se compararon con los modelos híbridos utilizando el error cuadrático medio, el error absoluto medio, la raíz del error cuadrático medio, el error porcentual absoluto medio, y el índice evaluador. Los resultados obtenidos mostraron, en el error porcentual absoluto medio, las diferencias de rendimiento entre los modelos híbridos y los convencionales para el conjunto prueba fueron: 2.364, 1.210 y 1.635 puntos porcentuales para la serie temporal de diez minutos.
