Análise do Potencial de Previsão da Velocidade do Vento Utilizando Rede Neural Artificial

Authors

  • Iwldson Guilherme da Silva Santos Universidade Federal de Alagoas, Instituto de Ciências Atmosféricas, Programa de Pós-graduação em Meteorologia
  • Roberto Fernando da Fonseca Lyra Universidade Federal de Alagoas, Instituto de Ciências Atmosféricas

DOI:

https://doi.org/10.11137/2020_4_11_17

Keywords:

Variável Meteorológica, Energia Eólica, Inteligência Artificial

Abstract

O objetivo deste trabalho é avaliar o potencial de previsibilidade da velocidade do vento com antecedência de 24 horas, usando a técnica de Rede Neural Artificial (RNA) Não Linear Auto Regressiva (NAR). Os dados observados de velocidade do vento (OBS) são médias de 10 minutos, obtidos por meio de anemômetro instalado a 50 metros de altura em uma Torre anemométrica situada no Município de Craíbas, região Agreste de Alagoas. A técnica de RNA-NAR foi treinada e calibrada com os dados observacionais fornecendo as condições iniciais. Após a calibração, a técnica foi aplicada na previsão da velocidade do vento para o dia seguinte. Os resultados mostraram que o prognóstico RNA-NAR representou bem a evolução temporal diária do vento no período estudado (abril de 2015). A análise estatística das séries de dados observados e previstos indica que a velocidade média do vento foi de ordem de 5,26 m.s-1 e 5,24 m.s-1, a velocidade máxima foi de 12,29 m.s-1 e 13,92 m.s-1, e a velocidade mínima foi de 0,01 m.s-1 e 0,36 m.s-1, respectivamente. As métricas estatísticas indicam desvio médio quase nulo (cerca de -0,01 m.s-1), raiz do erro quadrático médio de 1,14 m.s-1, erro percentual absoluto médio de 22% e coeficiente de correlação de 0,71. Esses resultados, apesar de considerar um período curto de dados indica o potencial de aplicação da RNA-NAR na previsão de 24 h da velocidade do vento em 50 m.

References

ABEEólica. 2019. Associação Brasileira de Energia Eólica. Disponível em: <http://abeeolica.org.br/ >. Acesso em: 12 jul. 2019.

Cadenas, E. & Rivera, W. 2009. Short term wind speed forecasting in La Venta, Oaxaca, México, using artificial neural networks. Renewable Energy, 34:274-278.

Camelo, H.N.; Lucio, P.S.; Junior, J.B.V.L. & Carvalho, P.C.M. 2018. Proposta para previsão de velocidade do vento através modelagem híbrida elaborada a partir dos modelos ARIMAX e RNA. Revista Brasileira de Meteorologia, 33 (1):115 – 129.

Cao, Q.; Ewing, B.T. & Thompson, M.A. 2012. Forecasting wind speed with recurrent neural networks. European Journal of Operational Research, 221:148 – 154.

ELETROBRAS. 2008. Atlas Eólico do Estado de Alagoas. Disponível em: <http://www.cresesb.cepel.br/publicacoes/download/atlas_eolico/atlas_eolico_A L.pdf>. Acesso em: 12 jul. 2019.

Fthenakis, V. & Kim, H.C. 2009. Land use and electricity generation: A life cycle analysis. Renewable and Sustainable Energy Reviews, 13:1465-1474.

Gonçalves, A.R. 2011. Refinamento estatístico das previsões de vento do modelo ETA aplicado ao setor eólio-elétrico do Nordeste Brasileiro. Programa de Pós- graduação em Meteorologia, Instituto Nacional de Pesquisas Espaciais, Dissertação de Mestrado, 180p.

GWEC. 2019. Global Wind Energy Council. Disponível em: <https://bit.ly/2FKCAth>. Acesso em: 12 jul. 2019.

Haykin, S. 2008. Redes Neurais Princípios e Prática. 2ª ed. Porto Alegre: Bookman, 900p.

Lyra, R.F.F.; Silva Junior, R.S.; Moura, M.A.L. & Amorim, M.C.A.L. 1998. Prognóstico da velocidade do vento utilizando o modelo WRF na região central de Alagoas. Ciência e Natura, 38:447-451.

Moura, J.D.O. 2014. Refinamento das simulações de vento do modelo WRF utilizando Redes Neurais Artificiais. Graduação em Meteorologia, Universidade Federal de Alagoas, Trabalho de Conclusão de Curso, 43p.

Ramos, D.N.S.; Lyra, R.F.F. & Junior, R.S.S. 2013. Previsão do vento utilizando o modelo atmosférico WRF para o estado de Alagoas. Revista Brasileira de Meteorologia, 28(2):163-172.

Rodrigues, G.C. 2007. Utilização de redes neurais para previsão de ventos no horizonte de 24 horas. Programa de Pós-Graduação em Ciência em Engenharia Elétrica, Universidade Federal do Rio de Janeiro, Dissertação de Mestrado, 119p.

Santos, I.G.S. 2019. Previsão da velocidade do vento na escala do parque eólico utilizando o modelo WRF e rede neural artificial. Programa de Pós-Graduação em Meteorologia, Universidade Federal de Alagoas, Dissertação de Mestrado, 75p.

Silva, I.N.; Spatti, D.H. & Flauzino, R.A. 2010. Redes Neurais Artificiais para engenharias e ciências aplicadas. São Paulo, Artliber, 399p.

Silva, S.S.; Lyra, R.F.F.; Junior, R.S.S.; Silva, S.M.S. & Cruz, N.S.D. 2017. Refinamento das estimativas da velocidade do vento feitas pelo modelo WRF usando redes neurais artificiais e modelo físico-estatístico. X Workshop Brasileiro de Micrometeorologia, Santa Maria – RS, 5p.

Silva, S.M.S.; Lyra, R.F.F.; Junior, R.S.S.; Cruz, N.S.D. & Silva, S.S. 2018. Avaliação do desempenho do modelo WRF para prognóstico do vento na região central de Alagoas – Craíbas. Ciência e Natura, Edição Especial: X Workshop Brasileiro de Micrometeorologia, 40:187 – 192.

Zucatelli, P.J; Nascimento, E.G.S.; Aylas, G.Y.R.; Souza, N.B.P.; Kitagawa, Y.K.L.;

Santos, A.A.B. & Moreira, D.M. 2018. Previsão da velocidade do vento a curto prazo usando redes neurais artificiais em Mucuri, Bahia. X Congresso Nacional de Engenharia Mecânica, Salvador – Bahia, 10p.

Published

2020-12-18

Issue

Section

Article