[pt] MODELOS DE PREDIÇÃO DA VELOCIDADE E DIREÇÃO DO VENTO UTILIZANDO REDES NEURAIS ARTIFICIAIS

[en] WIND SPEED AND DIRECTION FORECASTING MODELS USING ARTIFICIAL NEURAL NETWORKS

[pt] JULIA MOREIRA MIRANDA

[pt] SERIE TEMPORAL

[pt] DIRECAO DO VENTO

[pt] NARMA

[pt] VELOCIDADE DE VENTO

[pt] PREDICAO

[pt] REDE NEURAL ARTIFICIAL

[en] TIME SERIE

[en] WIND DIRECTION

[en] NARMA

[en] PREDICTION

[en] ARTIFICIAL NEURAL NETWORKS

[pt] Nas Ciências Econômicas, assim como na Engenharia e nas Ciências Naturais, ocorrem fenômenos que dependem da observação de dados em intervalos de tempo, durante um período específico. Estas observações de valores são denominadas de Séries Temporais. As técnicas disponíveis para analisar estas observações são denominadas de Análise de Séries Temporais. Este conjunto de técnicas tem por objetivo construir um modelo com número adequado de parâmetros estimados de forma a ajustar o modelo à série temporal. A obtenção de um modelo adequado é de extrema importância, pois pode revelar algumas características da série temporal que ajudam na previsão de seus valores futuro, sendo esta habilidade de grande relevância prática, especialmente na geração de energia eólica. Diversas técnicas para realizar a previsão de séries temporais são utilizadas, porém todas possuem um erro de previsão. O desafio é então minimizar o erro de previsão, construindo um modelo que melhor se ajuste aos dados. Dessa forma, o objetivo deste trabalho é criar modelos de predição da velocidade e direção dos ventos, considerando que haja dados históricos. Esses modelos serão criados utilizando primeiramente Rede Neural Artificial (RNA), e depois o modelo NARMA (Nonlinear Autoregressive Moving Average) é empregado juntamente com a RNA para comparação de resultados. A previsão é efetuada para um e seis passos à frente. O uso apenas de RNA resultou em resultados satisfatórios para todos os casos, com exceção da predição para seis passos à frente da velocidade. Entretanto, quando foi empregado o modelo híbrido (NARMA+RNA), todos os resultados melhoraram consideravelmente. As amostras de séries temporais de vento para previsão são oriundas de Parques Eólicos no Rio Grande do Norte, de propriedade da Empresa Brookfield Energia Renovável, sendo coletadas na base de 10 minutos.

[en] In Economic Sciences, as well as in Engineering and Natural Sciences, phenomena occurs that depends on observing data at time intervals during a specific period. These observations of values are called Time Series. The techniques available to analyze these observations are called Time Series Analysis. This set of techniques aims to construct a model with adequate number of parameters estimated in order to fit the model to the time series. Obtaining a suitable model is extremely important because it can reveal some characteristics of the time series that help predict future values. This ability is of great practical relevance, especially in the generation of wind energy. Several techniques to perform the time series prediction are used, but all have a forecast error. The challenge is then to minimize forecast error by constructing a model that best fits the data. In this way, the objective of this work is to create prediction models of the speed and direction of the winds, considering that there are historical data. These models will first be created using Artificial Neural Network (RNA), and then the NARMA (Nonlinear Autoregressive Moving Average) model is used together with RNA for comparison of results. The forecast is made for one and six steps ahead. The use of RNA alone resulted in satisfactory results in all cases, with the exception of the prediction for six steps ahead of speed. However, when the hybrid model (NARMA + RNA) was used, all results improved considerably. The wind forecast series samples are from Wind Farms in Rio Grande do Norte, owned by the Brookfield Renewable Energy Company, and are collected at the base of 10 minutes.

HELON VICENTE HULTMANN AYALA

2019-11-12

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=45906@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=45906@2

https://doi.org/10.17771/PUCRio.acad.45906