Redes neurais artificiais e modelos de combinação para previsão de velocidade do vento

• Ano de defesa: 2022
• Autor(a) principal: Barchi, Tathiana Mikamura
• Orientador(a): Siqueira, Hugo Valadares
• Banca de defesa: Siqueira, Hugo Valadares , Martins, Marcella Scoczynski Ribeiro , Mattos Neto, Paulo Salgado Gomes de , Almeida, Sheila Morais de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Tecnológica Federal do Paraná; Ponta Grossa
• Programa de Pós-Graduação: Programa de Pós-Graduação em Ciência da Computação
• País: Brasil
• Palavras-chave em Português: Ventos - Velocidade; Previsão; Modelos lineares (Estatística); Redes neurais (Computação); Erros; Winds - Speed; Forecasting; Linear models (Statistics); Neural networks (Computer science); Errors
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/30180

A geração de energia por fonte eólica vem recebendo destaque no Brasil devido à necessidade de diversificação da matriz elétrica que depende, em sua maioria, de usinas hidrelétricas. Entretanto, a velocidade do vento é um recurso que apresenta constantes oscilações ao longo do dia, meses e até anos. Neste contexto, a previsão da velocidade do vento é importante pois auxilia, por exemplo, no gerenciamento, despacho e operação do sistema elétrico. Neste sentido, esta pesquisa realizou uma comparação extensiva do desempenho de modelos de previsão, considerando Modelos Lineares (Auto-Regressivo e Auto-Regressivo de Médias Móveis) e Redes Neurais Artificiais (Perceptron de Múltiplas Camadas - MLP, Redes Neurais com Função de Base Radial - RBF, Máquina de Aprendizagem Extremo - ELM e Redes Neurais com Estado de Eco - ESN), versus moelos de combinação, Ensembles e Sistemas Híbridos de Correção de Erro. A aplicação da metodologia se deu em bases de dados disponibilizadas pelo projeto SONDA (Sistema Nacional de Organização de Dados Ambientais) com as velocidades do vento para as cidades: Brasília, Florianópolis, Natal, Petrolina e São Luís. Foi verificado o erro de cada modelo preditivo através das métricas: Erro Quadrático Médio, Erro Absoluto Médio, Variação Relativa Média e Índice de Concordância. A rede ESN alcançou o 1º lugar geral no ranking de desempenho considerando a sua colocação para cada cidade, sendo ainda o modelo que apresentou o menor erro para Natal e Petrolina. Para os casos específicos de Brasília, Natal e Petrolina, o ARMA se mostrou mais adequado. Todavia, devido ao seu desempenho pouco acurado nos outros casos, sua posição no ranking geral foi degradada. Os Ensembles ocuparam o segundo e terceiro lugares com oEnsemble de Mediana (Modelos Únicos sem RBF) e Ensemble de Mediana (redes neurais sem RBF), respectivamente. No ranking final, os Sistemas Híbridos foram destaque negativo.