Evolving spatio-temporal forecasting models for renewable energy systems

• Ano de defesa: 2020
• Autor(a) principal: Carlos Alberto Severiano Junior
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Federal de Minas Gerais; Brasil; ENG - DEPARTAMENTO DE ENGENHARIA ELÉTRICA; Programa de Pós-Graduação em Engenharia Elétrica; UFMG
• Palavras-chave em Português: Renewable energy; Solar energy; Wind energy; Fuzzy time series; Spatio-temporal forecasting; Evolving models; Engenharia elétrica; Energia eólica; Energia renovável; Energia solar; Séries temporais
• Link de acesso: http://hdl.handle.net/1843/35669

Sistemas de energias renováveis, como energia solar fotovoltaica e eólica, são fontes de energia muito sensíveis a variações climáticas, o que pode afetar seus padrões de geração. É muito importante usar mecanismos que possam ajudar a antecipar tais variações e possibilitar uma tomada de decisão mais informada. Métodos de previsão podem contribuir para essa tarefa e, portanto, sua aplicação nessa área tem sido amplamente estudada. Os métodos de previsão geralmente utilizam dados históricos da série temporal gerada pelo ponto de interesse. Para melhorar a precisão desses resultados, as informações disponíveis no espaço também vem sendo aplicadas aos métodos de previsão. Essas abordagens, chamadas de métodos espaço-temporais, utilizam todos os dados disponíveis coletados em diferentes localidades. Em energias renováveis, variações observadas em localidades vizinhas podem acontecer em algum ponto de interesse em um futuro próximo, dado que muitos desses eventos são resultado de fenômenos climáticos. Isso reforça a possibilidade de que a análise de dados espaço-temporais possa melhorar o desempenho da previsão em sistemas de energias renováveis. Além disso, eventos climáticos tendem a influenciar os padrões observados nas séries temporais relacionadas com a produção de energia no sistema, de modo a apresentarem não-estacionariedade. Tal cenário demanda o desenvolvimento de mecanismos que permitam ao modelo de previsão se adaptar às mudanças nos padrões das series temporais. Nesta tese são apresentadas propostas para o tratamento de tais problemas relacionados com a previsão de energias renováveis. A partir da extensão de modelos de Fuzzy Time Series (FTS), são aplicadas propostas para, primeiramente, lidar com o problema de não-estacionariedade de series temporais de energias renováveis a partir de um mecanismo de adaptação do modelo. Em seguida, um modelo que também propõe um mecanismo de adaptação, alinhado ao processamento de dados multivariados, é apresentado e avaliado quanto à previsão de energias solar e eólica. Os mecanismos de adaptação analisados se mostram capazes de prover um ganho de desempenho para os modelos propostos, assim como o uso de dados multivariados dispostos em um contexto de um problema espaço-temporal. O modelo e-MVFTS, que integra uma técnica evolutiva de clusterização com um modelo FTS para desempenhar previsão espaço-temporal, apresentou resultados comparáveis a modelos de maior complexidade e abrangência. O modelo ainda apresenta como vantagens sua robustez de parâmetros e capacidade de adaptação às mudanças dos dados sem necessidade de novas etapas de treinamento. Seu mecanismo de adaptação provê uma maior flexibilidade a modelos FTS, uma vez que não requer uma configuração prévia de seu particionamento e é capaz de adaptar tal estrutura dinamicamente durante sua execução. Além disso, o algoritmo de clusterização utilizado no modelo foi originalmente desenvolvido para problemas de fluxo de dados, sendo portanto apto a lidar com grandes volumes de informação. Tais características o posicionam como uma extensão dos modelos FTS aplicável ao problema de previsão de energias renováveis. Adicionalmente, sua fundamentação baseada em FTS o tornam um modelo cuja representação de regras é de maior facilidade de entendimento, sendo este um incentivo adicional para que possa ser adotado no suporte a tomada de decisão em sistemas de energias renováveis. O e-MVFTS ainda apresentou bons resultados em bases não-estacionarias geradas artificialmente. Portanto, uma avaliação do modelo aplicado a outros problemas de previsão pode ser uma direção para trabalhos futuros.