Accurate wind power forecasting is essential to optimize wind farm operations and ensure the stable integration of renewable energy into the grid. This study explores Transformer-based architectures to address the challenges of wind variability and temporal dependencies in short-term forecasting. A sensitivity analysis on model architecture is conducted, incorporating Time2Vec—a temporal encoding technique that captures complex temporal patterns. In addition, we replace the standard FullAttention mechanism with ProbSparse Attention, FlowAttention and FlashAttention, resulting in the Informer, Flowformer and Flashformer models, to improve computational efficiency while maintaining predictive accuracy. The novelty of this work lies in applying FlashAttention within the context of wind power forecasting and integrating Time2Vec into the Informer, Flowformer and Flashformer models. We propose four architectures—T2V-Transformer, T2V-Informer, T2V-Flowformer, and T2V-Flashformer—and compare them against benchmark models: Multi-Layer Perceptron (MLP), Long Short-Term Memory (LSTM), and DLinear. Real-world data from a wind farm in the Northeast of Brazil is used under two forecasting scenarios. In Scenario A, T2V-Transformer, T2V-Informer and T2V-Flashformer achieved Improvement over Reference RMSE (IoR-RMSE) scores of 17.73%, 17.59% and 16.67%, respectively. In Scenario B, T2V-Flowformer and T2V-Flashformer reached 27.84% and 27.45%, respectively. These results confirm the effectiveness of the proposed models in advancing short-term wind power forecasting.
3 November 2025 in OBSERVATÓRIO DE LA ECONOMÍA LATINOAMERICANA
A energia eólica vem crescendo significativamente nos últimos anos, consolidando-se como uma das principais fontes renováveis do mundo. Nesse contexto, a previsão precisa da potência gerada é essencial para otimizar a operação dos parques eólicos, reduzir incertezas e maximizar a eficiência produtiva. Este estudo propõe o modelo Wavelet-Flowformer, que integra a decomposição wavelet à arquitetura Flowformer, substituindo o mecanismo FullAttention do Transformer pelo Flow-Attention, capaz de reduzir a complexidade computacional e manter alto desempenho preditivo. Os experimentos foram conduzidos com dados de uma usina eólica localizada no nordeste do Brasil, abrangendo um horizonte de previsão de até 12 horas. A busca de hiperparâmetros foi realizada com o Optuna, assegurando configurações otimizadas para cada modelo. Os resultados demonstram que a decomposição wavelet aprimora significativamente o desempenho das arquiteturas Transformer. Para o horizonte de 6 horas, o Wavelet-Transformer obteve nMAE de aproximadamente 12,65% e nRMSE de 16,73%, enquanto para 12 horas o Wavelet-Flowformer apresentou nMAE de 12,98%, nRMSE de 16,90% e correlação de 0,817, superando MLP, LSTM, Transformer e Flowformer. Conclui-se que a combinação entre decomposição wavelet e o mecanismo Flow-Attention representa uma abordagem promissora para a previsão de potência eólica em séries temporais não estacionárias, contribuindo para o avanço de modelos mais eficientes e robustos no contexto energético.
3 November 2025 in OBSERVATÓRIO DE LA ECONOMÍA LATINOAMERICANA
Este estudo investiga o impacto da codificação temporal Time2Vec em modelos de aprendizado profundo na previsão de curto prazo da potência eólica em uma usina localizada no Nordeste do Brasil. Foram avaliados três modelos — MLP, LSTM e DLinear — e suas versões aprimoradas com Time2Vec (T2V-MLP, T2V-LSTM e T2V-DLinear). O processo metodológico envolveu o ajuste de hiperparâmetros com o Optuna e a avaliação de desempenho em horizontes de 6 e 12 horas. As métricas nMAE e nRMSE foram utilizadas para mensurar a acurácia das previsões. Os resultados indicaram que a integração do Time2Vec melhorou o desempenho dos modelos MLP e LSTM. O modelo T2V-LSTM apresentou os ganhos mais expressivos, reduzindo o erro nMAE em até 5,47% e o nRMSE em até 5,89% em relação à sua versão original. Já o T2V-MLP obteve melhorias de até 1,42% no nMAE e 1,05% no nRMSE, evidenciando que mesmo modelos não sequenciais podem se beneficiar da codificação temporal aprendível. Em contraste, o impacto da codificação no DLinear foi marginal. Conclui-se que a incorporação do Time2Vec aprimora a representação de padrões sazonais e dependências temporais, potencializando a capacidade preditiva de modelos sequenciais e não sequenciais. Assim, a proposta contribui para o avanço de métodos eficientes, interpretáveis e de baixo custo computacional na previsão de potência eólica, favorecendo o planejamento operacional e a gestão sustentável de parques eólicos.
11 September 2026 in Sustainable Energy Technologies and Assessments