Per mitigare il riscaldamento globale riducendo le emissioni, È ampiamente previsto che il vento diventi una fonte di energia alternativa. La produzione di energia eolica utilizza l'atmosfera superficiale, dove il movimento soffia la turbina eolica per generare la potenza. Però, a causa della turbolenza nello strato vicino alla superficie, le velocità del vento mostrano forti variazioni e caratteristiche di disturbo, che crea instabilità per la produzione di energia eolica. Questo a sua volta minaccia seriamente la sicurezza del sistema di rete elettrica. Perciò, garantire la sicurezza e la stabilità della rete elettrica, sono essenziali previsioni affidabili della velocità del vento e della produzione di energia su scala locale per i parchi eolici.

In un articolo recentemente pubblicato su Lettere di scienze atmosferiche e oceaniche , Ye Zhang dell'Università Normale di Hebei e i suoi coautori dell'Istituto di Fisica dell'Atmosfera e dell'Università di Lanzhou, ha sviluppato tre modelli ibridi di previsione della velocità del vento a più fasi e li ha confrontati tra loro e con i modelli di previsione della velocità del vento proposti in precedenza. I tre modelli si basano sulla decomposizione wavelet (WD), l'algoritmo di ottimizzazione della ricerca del cuculo (CS), e una rete neurale wavelet (WNN). Rispettivamente, sono indicati come CS-WD-ANN (dove ANN significa "rete neurale artificiale"), CS-WNN, e CS-WD-WNN. Dati sulla velocità del vento da due parchi eolici situati nello Shandong, Cina orientale, sono stati utilizzati nello studio.

I risultati hanno mostrato che CS-WD-WNN offre le migliori prestazioni tra i tre modelli ibridi sviluppati, con errori statistici minimi, mentre CS-WD-ANN ha le prestazioni peggiori. Dal confronto con i modelli di previsione del vento proposti in precedenza, compreso BPNN, Persistere, ARIMA, WNN, e PSO-WD-WNN, CS-WD-WNN è risultato ancora essere il modello superiore. Essenzialmente, l'impiego dell'algoritmo CS nei modelli ibridi sviluppati ha mostrato un vantaggio maggiore rispetto ai risultati di previsione rispetto ad altri modelli.

"Globale, abbiamo scoperto che il modello CS-WD-WNN si comporta bene nella previsione della velocità del vento, e la precisione è superiore a quella dei modelli proposti in precedenza, "conclude Zhang.