Modelo híbrido de decomposição multiestágio aplicado à previsão de séries temporais de velocidades de vento

Detalhes bibliográficos
Autor(a) principal: Moreno, Sinvaldo Rodrigues, 1979-
Data de Publicação: 2019
Tipo de documento: Tese
Idioma: por
Título da fonte: Repositório Institucional da UFPR
Texto Completo: https://hdl.handle.net/1884/63000
Resumo: Orientador: Prof. Dr. Leandro dos Santos Coelho
id UFPR_5c926fbef330e7cf1d8b87fcee8a5af5
oai_identifier_str oai:acervodigital.ufpr.br:1884/63000
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str 308
spelling Moreno, Sinvaldo Rodrigues, 1979-Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Engenharia ElétricaCoelho, Leandro dos Santos, 1968-2019-09-10T19:30:25Z2019-09-10T19:30:25Z2019https://hdl.handle.net/1884/63000Orientador: Prof. Dr. Leandro dos Santos CoelhoTese (doutorado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Engenharia Elétrica. Defesa : Curitiba, 01/07/2019Inclui referências: p. 153-158Resumo: O rápido desenvolvimento da tecnologia de geração de energia eólica, bem como o aumento da insercao da geraçao de energia eólica na matriz energetica nacional, requer pesquisa e desenvolvimento em vórias areas dessa tecnologia. Como a energia eolica e dependente das variacoes do clima, caracterizando-a como varióvel e intermitente no longo prazo, modelos de previsao com grau de precisão para geracão de energia eolica sao reconhecidos como uma importante contribuicão para a integracao confiavel da energia eólica em larga escala. Atualmente as incertezas na previsao de velocidades de vento tem impactado o modelo de operacao do sistema eletrico em varios lugares do mundo, resultando em contingencias nao planejadas pelo operador do sistema eletrico para evitar a falta de abastecimento energetico, devido aos erros de previsao de producão eolica. Esta tese propõe uma abordagem para estabilizar os erros de previsão de velocidades de vento. A solucao proposta considera a hibridizacao de duas tecnicas de decomposicão que atuam em domínios distintos, ou seja, a tecnica de anólise espectral singular (singular spectrum analysis) que atua na decomposicão de series temporais no domónio do tempo, e a decomposição de modo variacional (variational mode decomposition), que e aplicada especificamente no domónio da frequencia. A hibridizacao e considerada para construir um modelo de decomposiçcãao multiestóagio que seróa acoplado ao modelo de previsãao de series temporais. Outros trabalhos que exploram a decomposiçao como estagio inicial do modelo de previsao, consideram normalmente, apenas um dos domínios de d e c o m p o s to . O modelo hóbrido proposto, dó enfase na extracao das características relevantes da serie temporal que só podem ser identificadas em sua estrutura no domónio da frequencia, tais como componentes harmonicas ou em o p o s t o de fase. Jó as características relevantes no domónio do tempo são identificadas no segundo estagio da d e c o m p o s to , onde o principal objetivo e reduzir a componente residual a nóveis de variancia limitados a unidade, de forma que se assemelhem ao ruído branco gaussiano, sendo esta uma c o n d t o requerida nos modelos classicos de decomposição, mas não necessaria no modelo proposto. A hibridizaçcãao dessas duas tóecnicas busca mitigar um problema presente na tóecnica de anóalise espectral singular, relacionado a dificuldade em obter separabilidade aproximada das componentes de um sinal no domónio do tempo. Os resultados obtidos, atraves da dec o m p o s t o de varias series temporais de velocidades de vento, mostram que a abordagem proposta consegue extrair componentes descorrelacionadas, ou com um grau mínimo de correlacão, separando de forma satisfatória as componentes de tendencia, sazonalidade e componentes harmonicas. Como contribuição do modelo de decomposição proposto nesta tese, pode-se destacar a estabilizacao dos erros de previsao, independente da tecnica de previsao adotada, pois cada componente obtida tem um comportamento especófico, reduzindo desta forma a complexidade do modelo previsor. O modelo hóbrido foi acoplado a duas tecnicas de previsao para avaliar a hipotese considerada na pesquisa. A primeira tecnica pertence a classe de modelos parametricos, e sao os modelos auto regressivos e de media movel integrada (ARIM A), a segunda tecnica pertencente aos modelos nao parametricos e ao grupo de inteligencia computacional, sendo adotado uma rede neural com unidades de memoria de longo e curto prazo (LSTM). Estas tecnicas foram aplicadas para à obtencao de previsoes para diferentes series temporais de 1 a 12 passos-a-frente e os resultados, quando comparados aos obtidos sem a etapa de decomposiçao, favorecem ao modelo sugerido, mesmo utilizando series temporais com pequeno numero de amostras. Palavras-chave: Previsao de velocidades de vento. Energia eólica. Series temporais. Analise espectral singular. Decomposicão de m odo variacional.Abstract: Rapid growth in wind power industry, as well as increase of wind generation penetration on national grid, requires continuous researching in specific areas related to wind energy forecasting. As wind power is weather dependent, variable and intermittent over various time-scales, thus accurate forecasting of wind power is recognized as a major contribution for reliable large-scale wind power integration. Currently, uncertainties in the prediction of wind speeds have impacted the oepration model of the electrical system in several places of the world, resulting into unplanned contingencies conducted by the electrical system operator, aiming to avoid the lack of energy supply, mostly due to errors of wind power's prediction, shuch as overestimation. In this thesis is propposed an approach aiming to stabilize the erros into wind speeds prediction's models. The proposed apporach considers the hybridization of two decomposition techniques that operate in distinct domains. The first, singular spectrum analysis technique, that acts in time domain to perform the decomposition of time series, and the second, variational mode decomposition, which is applied specifically in the frequency domain. The hybridization scheme is considered to construct a multistage decomposition model that will be coupled as first stage into time series prediction model. Other works that explore decomposition as an early stage of the prediction model, usually consider only one specific and limited domain to apply the decomposition step. The proposed hybrid model emphasizes the extraction of relevant time series characteristics or structure, that can only be identified in frequency domain, such as harmonic or opposite phase components. However, the relevant characteristics which remains into time series structure, will be identified in the second decompostion step, where the main objective is reduce the variance of residual component to levels limited to unity, resembling the white Gaussian noise, which one being a sufficient but not required condiction in the proposed model. The proposed hybridization of these two techniques seeks to mitigate a problem present in the singular spectral analysis technique, related to the difficulty in obtaining approximate separability of the components of a signal in the time domain. The results obtained as decomposition of several time series of wind velocities, can show that the proposed approach is able to extract uncorrelated components, or with a minimum degree of correlation, satisfactorily separating the components of trend, seasonality and harmonic components. As a contribution of the decomposition model proposed in this thesis, it is possible to highlight the stabilization of prediction errors, independent of the prediction technique adopted, since each component obtained has a specific behavior, reducing in this way, the complexity of the predictive model. The hybrid model was coupled to two forecasting techniques to evaluate the hypothesis considered in this research. The first technique belongs to the class of parametric models, the well-known auto-regressive and integrated moving average models (ARIMA), the second technique belonging to the non-parametric models and the group of computational intelligence, was a neural network with short and long memory units term (LSTM). These techniques were applied to obtain 1 to 12 steps-ahead forecasting intervals for different time series, and the results, when compared to those obtained without the decomposition step, highlight the characteristics of the proposed model, even when applied to time series with small number of samples. Key-words: Wind forecasting. Wind energy. Time series. Singular spectrum analysis. Variational mode decomposition.177 p. : il. (algumas color.).application/pdfEnergia eólicaAnalise de series temporais - Processamento de dadosRedes neurais (Computação)Engenharia ElétricaModelo híbrido de decomposição multiestágio aplicado à previsão de séries temporais de velocidades de ventoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - T - SINVALDO RODRIGUES MORENO.pdfapplication/pdf110979166https://acervodigital.ufpr.br/bitstream/1884/63000/1/R%20-%20T%20-%20SINVALDO%20RODRIGUES%20MORENO.pdf3bf420f817924b58bdbc48aeca7b51a1MD51open access1884/630002019-09-10 16:30:26.017open accessoai:acervodigital.ufpr.br:1884/63000Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082019-09-10T19:30:26Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Modelo híbrido de decomposição multiestágio aplicado à previsão de séries temporais de velocidades de vento
title Modelo híbrido de decomposição multiestágio aplicado à previsão de séries temporais de velocidades de vento
spellingShingle Modelo híbrido de decomposição multiestágio aplicado à previsão de séries temporais de velocidades de vento
Moreno, Sinvaldo Rodrigues, 1979-
Energia eólica
Analise de series temporais - Processamento de dados
Redes neurais (Computação)
Engenharia Elétrica
title_short Modelo híbrido de decomposição multiestágio aplicado à previsão de séries temporais de velocidades de vento
title_full Modelo híbrido de decomposição multiestágio aplicado à previsão de séries temporais de velocidades de vento
title_fullStr Modelo híbrido de decomposição multiestágio aplicado à previsão de séries temporais de velocidades de vento
title_full_unstemmed Modelo híbrido de decomposição multiestágio aplicado à previsão de séries temporais de velocidades de vento
title_sort Modelo híbrido de decomposição multiestágio aplicado à previsão de séries temporais de velocidades de vento
author Moreno, Sinvaldo Rodrigues, 1979-
author_facet Moreno, Sinvaldo Rodrigues, 1979-
author_role author
dc.contributor.other.pt_BR.fl_str_mv Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Engenharia Elétrica
dc.contributor.author.fl_str_mv Moreno, Sinvaldo Rodrigues, 1979-
dc.contributor.advisor1.fl_str_mv Coelho, Leandro dos Santos, 1968-
contributor_str_mv Coelho, Leandro dos Santos, 1968-
dc.subject.por.fl_str_mv Energia eólica
Analise de series temporais - Processamento de dados
Redes neurais (Computação)
Engenharia Elétrica
topic Energia eólica
Analise de series temporais - Processamento de dados
Redes neurais (Computação)
Engenharia Elétrica
description Orientador: Prof. Dr. Leandro dos Santos Coelho
publishDate 2019
dc.date.accessioned.fl_str_mv 2019-09-10T19:30:25Z
dc.date.available.fl_str_mv 2019-09-10T19:30:25Z
dc.date.issued.fl_str_mv 2019
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1884/63000
url https://hdl.handle.net/1884/63000
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 177 p. : il. (algumas color.).
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/63000/1/R%20-%20T%20-%20SINVALDO%20RODRIGUES%20MORENO.pdf
bitstream.checksum.fl_str_mv 3bf420f817924b58bdbc48aeca7b51a1
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv
_version_ 1813898826093690880

Registros relacionados