Redes Neurais Autorregressivas Não Lineares para Previsão de Séries Temporais das Velocidades dos Ventos no Estado do Ceará

• Ano de defesa: 2021
• Autor(a) principal: Pinheiro, Emanuel Abdalla
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual do Ceará
• Link de acesso: https://siduece.uece.br/siduece/trabalhoAcademicoPublico.jsf?id=100432

Cada vez mais a geração de energia eólio-elétrica vem se tornando indispensável para complementar a matriz energética mundial. Desse modo, é necessário desenvolver métodos de previsão desse tipo de recurso renovável a fim de otimizar o aproveitamento deste recurso energético, permitindo uma melhor promoção do processo de despacho energético de outras fontes. Nesta dissertação, são propostos dois modelos híbridos que combinam metodologias Autoregressiva Integrada de Média Móvel (ARIMA) com a de Redes Neurais Artificiais (RNA) para previsão de séries temporais de média diárias de velocidades dos ventos a partir de dados coletados a 10 metros de altura em relação ao solo. O primeiro modelo é uma rede neural autoregressiva não linear, NARNET, de ordem (3,3,1) e o segundo um NARNET de ordem (4,3,1). O treinamento dos modelos ocorreu com dados coletados de duas cidades do nordeste brasileiro no Estado do Ceará, Acaraú e Guaramiranga, durante um período de 100 dias e a previsão ocorreu por um período de 126 dias consecutivos após o treinamento. O horizonte de previsão é médio, de semanas a meses a frente. A escolha do melhor modelo de previsão ocorreu pela análise de medidas centrais e de índices de acurácia estatísticas, entre os quais estão: o erro médio absoluto (MAE), o erro médio quadrático (MSE), a média do erro percentual absoluta (MAPE), a adequação do modelo (FIT) e o coeficiente de correlação (R) e de determinação (R2). A previsão mostrou-se eficiente nas localidades de Acaraú com erros MSE de 0,212 m2/s2, MAPE de 10,75%, R de 0,869 e também para a localidade de Guaramiranga MSE de 0,223 m2/s2, MAPE de 12,16% e R de 0,723. Além disso, as curvas de previsão para ambas localidades apresentaram boas concordâncias com os valores observados. Finalmente, discute-se a possibilidade de melhorar a modelagem híbrida alterando as funções de ativação da camada oculta.