Previsão de potência eólica de curtíssimo prazo baseada na análise espectral e decomposição da série temporal

Detalhes bibliográficos
Autor(a) principal: FERNANDES, Lucas Cabral
Data de Publicação: 2018
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFPE
dARK ID: ark:/64986/001300000tm0p
Texto Completo: https://repositorio.ufpe.br/handle/123456789/32495
Resumo: A importância de uma previsão com qualidade ganhou visibilidade devido aos benefícios que traz ao planejamento, manutenção e operação do setor elétrico como um todo. Com vistas a explorar o comportamento periódico do vento, e por consequência da potência gerada, este trabalho busca desenvolver uma metodologia para previsão de potência baseada em análise espectral e na decomposição do sinal. No caso da análise espectral foi utilizada a transformada rápida de Fourier como meio de identificação de componentes. Para a decomposição aplicou-se um método aditivo, que se resume em subtrações sucessivas de médias móveis, no qual tais médias são tomadas em intervalos correspondentes aos períodos identificados através da análise espectral. O processo de decomposição é repetido para cada uma das componentes, encontrando, então, subcomponentes do sinal original. Para cada subcomponente é treinada uma rede neural. Uma outra rede é ajustada para realizar a recomposição da previsão final. A metodologia foi desenvolvida de forma que sua aplicação seja objetiva, ou seja, sem a necessidade de alterações subjetivas caso o método seja aplicado à diferentes séries temporais, garantindo generalidade. A metodologia proposta foi aplicada a cinco estudos de caso e se provou consistente tendo alcançado os objetivos de superar os métodos de referência. Em relação à persistência os resultados da metodologia desenvolvida chegaram a uma melhora de até 45%. Portanto a metodologia proposta alcançou os resultados almejados, justificando o gasto computacional mais elevado que a realização da dupla decomposição implica.
id UFPE_9c466501f245aed2a8be4c3a17755a01
oai_identifier_str oai:repositorio.ufpe.br:123456789/32495
network_acronym_str UFPE
network_name_str Repositório Institucional da UFPE
repository_id_str 2221
spelling FERNANDES, Lucas Cabralhttp://lattes.cnpq.br/0222963920148804http://lattes.cnpq.br/5905967201590284ARAÚJO, Alex MaurícioCOSTA, Alexandre Carlos Araújo da2019-09-10T22:14:01Z2019-09-10T22:14:01Z2018-08-31https://repositorio.ufpe.br/handle/123456789/32495ark:/64986/001300000tm0pA importância de uma previsão com qualidade ganhou visibilidade devido aos benefícios que traz ao planejamento, manutenção e operação do setor elétrico como um todo. Com vistas a explorar o comportamento periódico do vento, e por consequência da potência gerada, este trabalho busca desenvolver uma metodologia para previsão de potência baseada em análise espectral e na decomposição do sinal. No caso da análise espectral foi utilizada a transformada rápida de Fourier como meio de identificação de componentes. Para a decomposição aplicou-se um método aditivo, que se resume em subtrações sucessivas de médias móveis, no qual tais médias são tomadas em intervalos correspondentes aos períodos identificados através da análise espectral. O processo de decomposição é repetido para cada uma das componentes, encontrando, então, subcomponentes do sinal original. Para cada subcomponente é treinada uma rede neural. Uma outra rede é ajustada para realizar a recomposição da previsão final. A metodologia foi desenvolvida de forma que sua aplicação seja objetiva, ou seja, sem a necessidade de alterações subjetivas caso o método seja aplicado à diferentes séries temporais, garantindo generalidade. A metodologia proposta foi aplicada a cinco estudos de caso e se provou consistente tendo alcançado os objetivos de superar os métodos de referência. Em relação à persistência os resultados da metodologia desenvolvida chegaram a uma melhora de até 45%. Portanto a metodologia proposta alcançou os resultados almejados, justificando o gasto computacional mais elevado que a realização da dupla decomposição implica.ANPThe importance of high quality forecasting gained visibility due to the benefits it assures to the planning, maintenance and operation of the electrical sector. Towards to exploring wind’s, and therefore wind power, periodical behaviour this work aims to develop a wind power forecasting methodology based on spectral analysis and signal decomposition. For the spectral analysis the fast Fourier transform algorithm was used as a mean to identify the components within the original time series. For the decomposition an additive method was applied, which resumes in sucessive subtractions of moving averages from the original signal, those averages are taken regarding the intervals correspondent to the period identified with the spectral analysis. The process is then repeated to each one of the components, finding the subcomponets of the signal. For each subcomponent a neural network is trained to forecast its behavior. The recomposition of the signal is done by another neural network which produces the final forecast. The methodology was developed in a objective way, so it does not needs further subjective alterations when applied to different time series, assuring generality. The methodology was then applied in five different cases proving to be consistent and reaching the objectives to overcomes the reference methods, namely the persistence and a neural network adjusted for the original time series withouth the double decomposition. Regarding the persistence the proposed methodology results achieved improvements until 45%. Therefore the proposed methodology achieved the desired results, justifying the high computational cost of the double decomposition.porUniversidade Federal de PernambucoPrograma de Pos Graduacao em Engenharia MecanicaUFPEBrasilAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessEngenharia MecânicaEnergia eólicaPrevisãoRedes neurais artificiaisAnálise espectralDecomposiçãoPrevisão de potência eólica de curtíssimo prazo baseada na análise espectral e decomposição da série temporalinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesismestradoreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPETHUMBNAILDISSERTAÇÃO Lucas Cabral Fernandes.pdf.jpgDISSERTAÇÃO Lucas Cabral Fernandes.pdf.jpgGenerated Thumbnailimage/jpeg1260https://repositorio.ufpe.br/bitstream/123456789/32495/5/DISSERTA%c3%87%c3%83O%20Lucas%20Cabral%20Fernandes.pdf.jpg3c096422ed520b63a20c41c3d711eb05MD55ORIGINALDISSERTAÇÃO Lucas Cabral Fernandes.pdfDISSERTAÇÃO Lucas Cabral Fernandes.pdfapplication/pdf5780730https://repositorio.ufpe.br/bitstream/123456789/32495/1/DISSERTA%c3%87%c3%83O%20Lucas%20Cabral%20Fernandes.pdf7a39dc4dd934dbcdd02e7024cd4bbcf3MD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufpe.br/bitstream/123456789/32495/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82310https://repositorio.ufpe.br/bitstream/123456789/32495/3/license.txtbd573a5ca8288eb7272482765f819534MD53TEXTDISSERTAÇÃO Lucas Cabral Fernandes.pdf.txtDISSERTAÇÃO Lucas Cabral Fernandes.pdf.txtExtracted texttext/plain73556https://repositorio.ufpe.br/bitstream/123456789/32495/4/DISSERTA%c3%87%c3%83O%20Lucas%20Cabral%20Fernandes.pdf.txtb724b3badf70a82bf4c722e113185bc8MD54123456789/324952019-10-26 01:34:16.943oai:repositorio.ufpe.br:123456789/32495TGljZW7Dp2EgZGUgRGlzdHJpYnVpw6fDo28gTsOjbyBFeGNsdXNpdmEKClRvZG8gZGVwb3NpdGFudGUgZGUgbWF0ZXJpYWwgbm8gUmVwb3NpdMOzcmlvIEluc3RpdHVjaW9uYWwgKFJJKSBkZXZlIGNvbmNlZGVyLCDDoCBVbml2ZXJzaWRhZGUgRmVkZXJhbCBkZSBQZXJuYW1idWNvIChVRlBFKSwgdW1hIExpY2Vuw6dhIGRlIERpc3RyaWJ1acOnw6NvIE7Do28gRXhjbHVzaXZhIHBhcmEgbWFudGVyIGUgdG9ybmFyIGFjZXNzw612ZWlzIG9zIHNldXMgZG9jdW1lbnRvcywgZW0gZm9ybWF0byBkaWdpdGFsLCBuZXN0ZSByZXBvc2l0w7NyaW8uCgpDb20gYSBjb25jZXNzw6NvIGRlc3RhIGxpY2Vuw6dhIG7Do28gZXhjbHVzaXZhLCBvIGRlcG9zaXRhbnRlIG1hbnTDqW0gdG9kb3Mgb3MgZGlyZWl0b3MgZGUgYXV0b3IuCl9fX19fX19fX19fX19fX19fX19fX19fX19fX19fX19fX19fX19fX19fX19fX19fX19fX19fX19fX19fX19fX19fX19fXwoKTGljZW7Dp2EgZGUgRGlzdHJpYnVpw6fDo28gTsOjbyBFeGNsdXNpdmEKCkFvIGNvbmNvcmRhciBjb20gZXN0YSBsaWNlbsOnYSBlIGFjZWl0w6EtbGEsIHZvY8OqIChhdXRvciBvdSBkZXRlbnRvciBkb3MgZGlyZWl0b3MgYXV0b3JhaXMpOgoKYSkgRGVjbGFyYSBxdWUgY29uaGVjZSBhIHBvbMOtdGljYSBkZSBjb3B5cmlnaHQgZGEgZWRpdG9yYSBkbyBzZXUgZG9jdW1lbnRvOwpiKSBEZWNsYXJhIHF1ZSBjb25oZWNlIGUgYWNlaXRhIGFzIERpcmV0cml6ZXMgcGFyYSBvIFJlcG9zaXTDs3JpbyBJbnN0aXR1Y2lvbmFsIGRhIFVGUEU7CmMpIENvbmNlZGUgw6AgVUZQRSBvIGRpcmVpdG8gbsOjbyBleGNsdXNpdm8gZGUgYXJxdWl2YXIsIHJlcHJvZHV6aXIsIGNvbnZlcnRlciAoY29tbyBkZWZpbmlkbyBhIHNlZ3VpciksIGNvbXVuaWNhciBlL291IGRpc3RyaWJ1aXIsIG5vIFJJLCBvIGRvY3VtZW50byBlbnRyZWd1ZSAoaW5jbHVpbmRvIG8gcmVzdW1vL2Fic3RyYWN0KSBlbSBmb3JtYXRvIGRpZ2l0YWwgb3UgcG9yIG91dHJvIG1laW87CmQpIERlY2xhcmEgcXVlIGF1dG9yaXphIGEgVUZQRSBhIGFycXVpdmFyIG1haXMgZGUgdW1hIGPDs3BpYSBkZXN0ZSBkb2N1bWVudG8gZSBjb252ZXJ0w6otbG8sIHNlbSBhbHRlcmFyIG8gc2V1IGNvbnRlw7pkbywgcGFyYSBxdWFscXVlciBmb3JtYXRvIGRlIGZpY2hlaXJvLCBtZWlvIG91IHN1cG9ydGUsIHBhcmEgZWZlaXRvcyBkZSBzZWd1cmFuw6dhLCBwcmVzZXJ2YcOnw6NvIChiYWNrdXApIGUgYWNlc3NvOwplKSBEZWNsYXJhIHF1ZSBvIGRvY3VtZW50byBzdWJtZXRpZG8gw6kgbyBzZXUgdHJhYmFsaG8gb3JpZ2luYWwgZSBxdWUgZGV0w6ltIG8gZGlyZWl0byBkZSBjb25jZWRlciBhIHRlcmNlaXJvcyBvcyBkaXJlaXRvcyBjb250aWRvcyBuZXN0YSBsaWNlbsOnYS4gRGVjbGFyYSB0YW1iw6ltIHF1ZSBhIGVudHJlZ2EgZG8gZG9jdW1lbnRvIG7Do28gaW5mcmluZ2Ugb3MgZGlyZWl0b3MgZGUgb3V0cmEgcGVzc29hIG91IGVudGlkYWRlOwpmKSBEZWNsYXJhIHF1ZSwgbm8gY2FzbyBkbyBkb2N1bWVudG8gc3VibWV0aWRvIGNvbnRlciBtYXRlcmlhbCBkbyBxdWFsIG7Do28gZGV0w6ltIG9zIGRpcmVpdG9zIGRlCmF1dG9yLCBvYnRldmUgYSBhdXRvcml6YcOnw6NvIGlycmVzdHJpdGEgZG8gcmVzcGVjdGl2byBkZXRlbnRvciBkZXNzZXMgZGlyZWl0b3MgcGFyYSBjZWRlciDDoApVRlBFIG9zIGRpcmVpdG9zIHJlcXVlcmlkb3MgcG9yIGVzdGEgTGljZW7Dp2EgZSBhdXRvcml6YXIgYSB1bml2ZXJzaWRhZGUgYSB1dGlsaXrDoS1sb3MgbGVnYWxtZW50ZS4gRGVjbGFyYSB0YW1iw6ltIHF1ZSBlc3NlIG1hdGVyaWFsIGN1am9zIGRpcmVpdG9zIHPDo28gZGUgdGVyY2Vpcm9zIGVzdMOhIGNsYXJhbWVudGUgaWRlbnRpZmljYWRvIGUgcmVjb25oZWNpZG8gbm8gdGV4dG8gb3UgY29udGXDumRvIGRvIGRvY3VtZW50byBlbnRyZWd1ZTsKZykgU2UgbyBkb2N1bWVudG8gZW50cmVndWUgw6kgYmFzZWFkbyBlbSB0cmFiYWxobyBmaW5hbmNpYWRvIG91IGFwb2lhZG8gcG9yIG91dHJhIGluc3RpdHVpw6fDo28gcXVlIG7Do28gYSBVRlBFLCBkZWNsYXJhIHF1ZSBjdW1wcml1IHF1YWlzcXVlciBvYnJpZ2HDp8O1ZXMgZXhpZ2lkYXMgcGVsbyByZXNwZWN0aXZvIGNvbnRyYXRvIG91IGFjb3Jkby4KCkEgVUZQRSBpZGVudGlmaWNhcsOhIGNsYXJhbWVudGUgbyhzKSBub21lKHMpIGRvKHMpIGF1dG9yIChlcykgZG9zIGRpcmVpdG9zIGRvIGRvY3VtZW50byBlbnRyZWd1ZSBlIG7Do28gZmFyw6EgcXVhbHF1ZXIgYWx0ZXJhw6fDo28sIHBhcmEgYWzDqW0gZG8gcHJldmlzdG8gbmEgYWzDrW5lYSBjKS4KRepositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212019-10-26T04:34:16Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false
dc.title.pt_BR.fl_str_mv Previsão de potência eólica de curtíssimo prazo baseada na análise espectral e decomposição da série temporal
title Previsão de potência eólica de curtíssimo prazo baseada na análise espectral e decomposição da série temporal
spellingShingle Previsão de potência eólica de curtíssimo prazo baseada na análise espectral e decomposição da série temporal
FERNANDES, Lucas Cabral
Engenharia Mecânica
Energia eólica
Previsão
Redes neurais artificiais
Análise espectral
Decomposição
title_short Previsão de potência eólica de curtíssimo prazo baseada na análise espectral e decomposição da série temporal
title_full Previsão de potência eólica de curtíssimo prazo baseada na análise espectral e decomposição da série temporal
title_fullStr Previsão de potência eólica de curtíssimo prazo baseada na análise espectral e decomposição da série temporal
title_full_unstemmed Previsão de potência eólica de curtíssimo prazo baseada na análise espectral e decomposição da série temporal
title_sort Previsão de potência eólica de curtíssimo prazo baseada na análise espectral e decomposição da série temporal
author FERNANDES, Lucas Cabral
author_facet FERNANDES, Lucas Cabral
author_role author
dc.contributor.authorLattes.pt_BR.fl_str_mv http://lattes.cnpq.br/0222963920148804
dc.contributor.advisorLattes.pt_BR.fl_str_mv http://lattes.cnpq.br/5905967201590284
dc.contributor.author.fl_str_mv FERNANDES, Lucas Cabral
dc.contributor.advisor1.fl_str_mv ARAÚJO, Alex Maurício
dc.contributor.advisor-co1.fl_str_mv COSTA, Alexandre Carlos Araújo da
contributor_str_mv ARAÚJO, Alex Maurício
COSTA, Alexandre Carlos Araújo da
dc.subject.por.fl_str_mv Engenharia Mecânica
Energia eólica
Previsão
Redes neurais artificiais
Análise espectral
Decomposição
topic Engenharia Mecânica
Energia eólica
Previsão
Redes neurais artificiais
Análise espectral
Decomposição
description A importância de uma previsão com qualidade ganhou visibilidade devido aos benefícios que traz ao planejamento, manutenção e operação do setor elétrico como um todo. Com vistas a explorar o comportamento periódico do vento, e por consequência da potência gerada, este trabalho busca desenvolver uma metodologia para previsão de potência baseada em análise espectral e na decomposição do sinal. No caso da análise espectral foi utilizada a transformada rápida de Fourier como meio de identificação de componentes. Para a decomposição aplicou-se um método aditivo, que se resume em subtrações sucessivas de médias móveis, no qual tais médias são tomadas em intervalos correspondentes aos períodos identificados através da análise espectral. O processo de decomposição é repetido para cada uma das componentes, encontrando, então, subcomponentes do sinal original. Para cada subcomponente é treinada uma rede neural. Uma outra rede é ajustada para realizar a recomposição da previsão final. A metodologia foi desenvolvida de forma que sua aplicação seja objetiva, ou seja, sem a necessidade de alterações subjetivas caso o método seja aplicado à diferentes séries temporais, garantindo generalidade. A metodologia proposta foi aplicada a cinco estudos de caso e se provou consistente tendo alcançado os objetivos de superar os métodos de referência. Em relação à persistência os resultados da metodologia desenvolvida chegaram a uma melhora de até 45%. Portanto a metodologia proposta alcançou os resultados almejados, justificando o gasto computacional mais elevado que a realização da dupla decomposição implica.
publishDate 2018
dc.date.issued.fl_str_mv 2018-08-31
dc.date.accessioned.fl_str_mv 2019-09-10T22:14:01Z
dc.date.available.fl_str_mv 2019-09-10T22:14:01Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufpe.br/handle/123456789/32495
dc.identifier.dark.fl_str_mv ark:/64986/001300000tm0p
url https://repositorio.ufpe.br/handle/123456789/32495
identifier_str_mv ark:/64986/001300000tm0p
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal de Pernambuco
dc.publisher.program.fl_str_mv Programa de Pos Graduacao em Engenharia Mecanica
dc.publisher.initials.fl_str_mv UFPE
dc.publisher.country.fl_str_mv Brasil
publisher.none.fl_str_mv Universidade Federal de Pernambuco
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPE
instname:Universidade Federal de Pernambuco (UFPE)
instacron:UFPE
instname_str Universidade Federal de Pernambuco (UFPE)
instacron_str UFPE
institution UFPE
reponame_str Repositório Institucional da UFPE
collection Repositório Institucional da UFPE
bitstream.url.fl_str_mv https://repositorio.ufpe.br/bitstream/123456789/32495/5/DISSERTA%c3%87%c3%83O%20Lucas%20Cabral%20Fernandes.pdf.jpg
https://repositorio.ufpe.br/bitstream/123456789/32495/1/DISSERTA%c3%87%c3%83O%20Lucas%20Cabral%20Fernandes.pdf
https://repositorio.ufpe.br/bitstream/123456789/32495/2/license_rdf
https://repositorio.ufpe.br/bitstream/123456789/32495/3/license.txt
https://repositorio.ufpe.br/bitstream/123456789/32495/4/DISSERTA%c3%87%c3%83O%20Lucas%20Cabral%20Fernandes.pdf.txt
bitstream.checksum.fl_str_mv 3c096422ed520b63a20c41c3d711eb05
7a39dc4dd934dbcdd02e7024cd4bbcf3
e39d27027a6cc9cb039ad269a5db8e34
bd573a5ca8288eb7272482765f819534
b724b3badf70a82bf4c722e113185bc8
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)
repository.mail.fl_str_mv attena@ufpe.br
_version_ 1815172916649656320