Modelagem preditiva de geração de energia eólica utilizando redes neurais e dados climáticos
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFJF |
Texto Completo: | https://repositorio.ufjf.br/jspui/handle/ufjf/16619 |
Resumo: | Nos últimos anos, a energia eólica tem adquirido uma significativa importância na matriz energética brasileira, impulsionada pelas preocupações globais com as mudanças climáticas e a considerável contribuição das emissões de gases provenientes da queima de combustíveis fósseis. Diante desse cenário, a energia eólica emerge como uma alternativa essencial para mitigar e controlar o efeito estufa, despertando um interesse crescente em estudos dedicados a esta área. Este estudo investiga dados públicos das usinas de energia eólica no Brasil, com o propósito de aplicá-los em um modelo de aprendizado de máquina capaz de prever a geração elétrica dessas instalações. Para assegurar a robustez dos resultados, integram-se dados climáticos públicos, explorando a relação entre esses dados meteorológicos e a produção de energia eólica. Um modelo de rede neural LSTM foi desenvolvido, e uma análise aprofundada dos dados foi conduzida, empregando técnicas de pré-processamento como remoção de outliers e tratamento de dados ausentes. Além disso, foi avaliada a viabilidade do uso de dados climáticos, considerando a distância geográfica entre as usinas e as estações meteorológicas. Esse enfoque abrangente busca não apenas antecipar a geração de energia eólica, mas também compreender a influência direta das condições climáticas nesse processo. A análise dos dados resultou em um conjunto de 13 usinas que foram aplicadas no modelo de LSTM. Os resultados demonstram que o uso de variáveis climáticas influencia positivamente nas previsões de geração de energia. |
id |
UFJF_142adf00f2768a4d5632c19257a0a382 |
---|---|
oai_identifier_str |
oai:hermes.cpd.ufjf.br:ufjf/16619 |
network_acronym_str |
UFJF |
network_name_str |
Repositório Institucional da UFJF |
repository_id_str |
|
spelling |
Bernardino, Heder Soareshttp://lattes.cnpq.br/7733681743453751Campos, Luciana Conceição Diashttp://lattes.cnpq.br/6986138014246480Fonseca, Leonardo Goliatthttp://lattes.cnpq.br/9030707448549156Soares, Stênio Sã Rosário Furtadohttp://lattes.cnpq.br/8110689013587085http://lattes.cnpq.br/Moreira, Nicolas Estanislau2024-02-20T10:52:56Z2024-02-192024-02-20T10:52:56Z2023-12-12https://repositorio.ufjf.br/jspui/handle/ufjf/16619Nos últimos anos, a energia eólica tem adquirido uma significativa importância na matriz energética brasileira, impulsionada pelas preocupações globais com as mudanças climáticas e a considerável contribuição das emissões de gases provenientes da queima de combustíveis fósseis. Diante desse cenário, a energia eólica emerge como uma alternativa essencial para mitigar e controlar o efeito estufa, despertando um interesse crescente em estudos dedicados a esta área. Este estudo investiga dados públicos das usinas de energia eólica no Brasil, com o propósito de aplicá-los em um modelo de aprendizado de máquina capaz de prever a geração elétrica dessas instalações. Para assegurar a robustez dos resultados, integram-se dados climáticos públicos, explorando a relação entre esses dados meteorológicos e a produção de energia eólica. Um modelo de rede neural LSTM foi desenvolvido, e uma análise aprofundada dos dados foi conduzida, empregando técnicas de pré-processamento como remoção de outliers e tratamento de dados ausentes. Além disso, foi avaliada a viabilidade do uso de dados climáticos, considerando a distância geográfica entre as usinas e as estações meteorológicas. Esse enfoque abrangente busca não apenas antecipar a geração de energia eólica, mas também compreender a influência direta das condições climáticas nesse processo. A análise dos dados resultou em um conjunto de 13 usinas que foram aplicadas no modelo de LSTM. Os resultados demonstram que o uso de variáveis climáticas influencia positivamente nas previsões de geração de energia.In recent years, wind energy has gained significant importance in the Brazilian energy matrix, driven by global concerns about climate change and the substantial contribution of emissions from the burning of fossil fuels. In this scenario, wind energy emerges as a crucial alternative to mitigate and control the greenhouse effect, sparking a growing interest in dedicated studies in this field. This study investigates public data from wind power plants in Brazil with the purpose of applying them in a machine learning model capable of predicting the electrical generation of these facilities. To ensure the robustness of the results, public climatic data is integrated, exploring the relationship between meteorological data and wind energy production. An LSTM neural network model was developed, and a thorough analysis of the data was conducted, employing preprocessing techniques such as outlier removal and handling of missing data. Additionally, the feasibility of using climatic data was evaluated, considering the geographical distance between the wind farms and meteorological stations. This comprehensive approach seeks not only to anticipate wind energy generation but also to understand the direct influence of weather conditions on this process. The data analysis resulted in a set of 13 wind farms applied to the LSTM model. The results demonstrate that the use of climatic variables positively influences energy generation predictions.porUniversidade Federal de Juiz de Fora (UFJF)UFJFBrasilFaculdade de EngenhariaAttribution-ShareAlike 3.0 Brazilhttp://creativecommons.org/licenses/by-sa/3.0/br/info:eu-repo/semantics/openAccessEngenhariaEnergia eólicaSéries temporaisLSTMDados públicosWind energyPublic dataTime seriesModelagem preditiva de geração de energia eólica utilizando redes neurais e dados climáticosPredictive modeling of wind energy generation using neural networks and climate datainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisreponame:Repositório Institucional da UFJFinstname:Universidade Federal de Juiz de Fora (UFJF)instacron:UFJFORIGINALnicolasestanislaumoreira.pdfnicolasestanislaumoreira.pdfPDF/Aapplication/pdf35339970https://repositorio.ufjf.br/jspui/bitstream/ufjf/16619/1/nicolasestanislaumoreira.pdf35941c395932f922fc1b7d67d1606ea3MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.ufjf.br/jspui/bitstream/ufjf/16619/3/license.txt8a4605be74aa9ea9d79846c1fba20a33MD53CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81031https://repositorio.ufjf.br/jspui/bitstream/ufjf/16619/2/license_rdf9b85e4235558a2887c2be3998124b615MD52TEXTnicolasestanislaumoreira.pdf.txtnicolasestanislaumoreira.pdf.txtExtracted texttext/plain86718https://repositorio.ufjf.br/jspui/bitstream/ufjf/16619/4/nicolasestanislaumoreira.pdf.txt8bf0214e88eaa4c467e56443a008119cMD54THUMBNAILnicolasestanislaumoreira.pdf.jpgnicolasestanislaumoreira.pdf.jpgGenerated Thumbnailimage/jpeg1280https://repositorio.ufjf.br/jspui/bitstream/ufjf/16619/5/nicolasestanislaumoreira.pdf.jpg5556d888201100272e72e63fced6a7f6MD55ufjf/166192024-02-21 03:04:10.821oai:hermes.cpd.ufjf.br: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Repositório InstitucionalPUBhttps://repositorio.ufjf.br/oai/requestopendoar:2024-02-21T06:04:10Repositório Institucional da UFJF - Universidade Federal de Juiz de Fora (UFJF)false |
dc.title.pt_BR.fl_str_mv |
Modelagem preditiva de geração de energia eólica utilizando redes neurais e dados climáticos |
dc.title.alternative.pt_BR.fl_str_mv |
Predictive modeling of wind energy generation using neural networks and climate data |
title |
Modelagem preditiva de geração de energia eólica utilizando redes neurais e dados climáticos |
spellingShingle |
Modelagem preditiva de geração de energia eólica utilizando redes neurais e dados climáticos Moreira, Nicolas Estanislau Engenharia Energia eólica Séries temporais LSTM Dados públicos Wind energy Public data Time series |
title_short |
Modelagem preditiva de geração de energia eólica utilizando redes neurais e dados climáticos |
title_full |
Modelagem preditiva de geração de energia eólica utilizando redes neurais e dados climáticos |
title_fullStr |
Modelagem preditiva de geração de energia eólica utilizando redes neurais e dados climáticos |
title_full_unstemmed |
Modelagem preditiva de geração de energia eólica utilizando redes neurais e dados climáticos |
title_sort |
Modelagem preditiva de geração de energia eólica utilizando redes neurais e dados climáticos |
author |
Moreira, Nicolas Estanislau |
author_facet |
Moreira, Nicolas Estanislau |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Bernardino, Heder Soares |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/7733681743453751 |
dc.contributor.advisor-co1.fl_str_mv |
Campos, Luciana Conceição Dias |
dc.contributor.advisor-co1Lattes.fl_str_mv |
http://lattes.cnpq.br/6986138014246480 |
dc.contributor.referee1.fl_str_mv |
Fonseca, Leonardo Goliatt |
dc.contributor.referee1Lattes.fl_str_mv |
http://lattes.cnpq.br/9030707448549156 |
dc.contributor.referee2.fl_str_mv |
Soares, Stênio Sã Rosário Furtado |
dc.contributor.referee2Lattes.fl_str_mv |
http://lattes.cnpq.br/8110689013587085 |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/ |
dc.contributor.author.fl_str_mv |
Moreira, Nicolas Estanislau |
contributor_str_mv |
Bernardino, Heder Soares Campos, Luciana Conceição Dias Fonseca, Leonardo Goliatt Soares, Stênio Sã Rosário Furtado |
dc.subject.cnpq.fl_str_mv |
Engenharia |
topic |
Engenharia Energia eólica Séries temporais LSTM Dados públicos Wind energy Public data Time series |
dc.subject.por.fl_str_mv |
Energia eólica Séries temporais LSTM Dados públicos Wind energy Public data Time series |
description |
Nos últimos anos, a energia eólica tem adquirido uma significativa importância na matriz energética brasileira, impulsionada pelas preocupações globais com as mudanças climáticas e a considerável contribuição das emissões de gases provenientes da queima de combustíveis fósseis. Diante desse cenário, a energia eólica emerge como uma alternativa essencial para mitigar e controlar o efeito estufa, despertando um interesse crescente em estudos dedicados a esta área. Este estudo investiga dados públicos das usinas de energia eólica no Brasil, com o propósito de aplicá-los em um modelo de aprendizado de máquina capaz de prever a geração elétrica dessas instalações. Para assegurar a robustez dos resultados, integram-se dados climáticos públicos, explorando a relação entre esses dados meteorológicos e a produção de energia eólica. Um modelo de rede neural LSTM foi desenvolvido, e uma análise aprofundada dos dados foi conduzida, empregando técnicas de pré-processamento como remoção de outliers e tratamento de dados ausentes. Além disso, foi avaliada a viabilidade do uso de dados climáticos, considerando a distância geográfica entre as usinas e as estações meteorológicas. Esse enfoque abrangente busca não apenas antecipar a geração de energia eólica, mas também compreender a influência direta das condições climáticas nesse processo. A análise dos dados resultou em um conjunto de 13 usinas que foram aplicadas no modelo de LSTM. Os resultados demonstram que o uso de variáveis climáticas influencia positivamente nas previsões de geração de energia. |
publishDate |
2023 |
dc.date.issued.fl_str_mv |
2023-12-12 |
dc.date.accessioned.fl_str_mv |
2024-02-20T10:52:56Z |
dc.date.available.fl_str_mv |
2024-02-19 2024-02-20T10:52:56Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufjf.br/jspui/handle/ufjf/16619 |
url |
https://repositorio.ufjf.br/jspui/handle/ufjf/16619 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
Attribution-ShareAlike 3.0 Brazil http://creativecommons.org/licenses/by-sa/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution-ShareAlike 3.0 Brazil http://creativecommons.org/licenses/by-sa/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Juiz de Fora (UFJF) |
dc.publisher.initials.fl_str_mv |
UFJF |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Faculdade de Engenharia |
publisher.none.fl_str_mv |
Universidade Federal de Juiz de Fora (UFJF) |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFJF instname:Universidade Federal de Juiz de Fora (UFJF) instacron:UFJF |
instname_str |
Universidade Federal de Juiz de Fora (UFJF) |
instacron_str |
UFJF |
institution |
UFJF |
reponame_str |
Repositório Institucional da UFJF |
collection |
Repositório Institucional da UFJF |
bitstream.url.fl_str_mv |
https://repositorio.ufjf.br/jspui/bitstream/ufjf/16619/1/nicolasestanislaumoreira.pdf https://repositorio.ufjf.br/jspui/bitstream/ufjf/16619/3/license.txt https://repositorio.ufjf.br/jspui/bitstream/ufjf/16619/2/license_rdf https://repositorio.ufjf.br/jspui/bitstream/ufjf/16619/4/nicolasestanislaumoreira.pdf.txt https://repositorio.ufjf.br/jspui/bitstream/ufjf/16619/5/nicolasestanislaumoreira.pdf.jpg |
bitstream.checksum.fl_str_mv |
35941c395932f922fc1b7d67d1606ea3 8a4605be74aa9ea9d79846c1fba20a33 9b85e4235558a2887c2be3998124b615 8bf0214e88eaa4c467e56443a008119c 5556d888201100272e72e63fced6a7f6 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFJF - Universidade Federal de Juiz de Fora (UFJF) |
repository.mail.fl_str_mv |
|
_version_ |
1801661250573172736 |