Previsão da geração de energia eólica com redes neurais artificiais

Detalhes bibliográficos
Autor(a) principal: Hiruma, Felipe Shogo
Data de Publicação: 2016
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFPR
Texto Completo: http://hdl.handle.net/1884/43520
Resumo: Orientador : Prof. Dr. Alexandre Kolodynskie Guetter
id UFPR_c4fe661ed3bebde6a8d0fc3198c1919f
oai_identifier_str oai:acervodigital.ufpr.br:1884/43520
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str 308
spelling Hiruma, Felipe ShogoSouza, Fábio Teodoro deUniversidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Engenharia de Recursos Hídricos e AmbientalGuetter, Alexandre Kolodynskie2017-06-06T17:10:58Z2017-06-06T17:10:58Z2016http://hdl.handle.net/1884/43520Orientador : Prof. Dr. Alexandre Kolodynskie GuetterCoorientador : Prof. Dr. Fábio Teodoro de SouzaDissertação (mestrado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Engenharia de Recursos Hídricos e Ambiental. Defesa: Curitiba, 29/02/2016Inclui referências : f.145-152Resumo: A geração de energia elétrica por fonte eólica tem se mostrado competitiva pela contínua diminuição de seus custos, tanto para instalação quanto nos equipamentos. As maiores capacidades instaladas, ao final de 2015, estavam na China (145.104 MW) e nos Estados Unidos da América (EUA) (74.471 MW), conforme relatório anual elaborado pelo Global Wind Energy Council (GWEC). No Brasil, ressalta-se a existência de diversas áreas favoráveis à implantação e à expansão dessa tecnologia, que poderia ajudar na diversificação de sua matriz energética. Considerando que o vento é um fenômeno natural e inconstante, qualquer estimativa de geração de energia baseada nele, para tomar decisões e buscar eficiência energética, torna-se um grande desafio. Estudos da previsão de geração dividem-se em três categorias: estatísticas, físicas e híbridas. As primeiras, de fácil implementação, podem envolver inteligência computacional e são baseadas, essencialmente, nas estruturas de persistência temporal extraídas dos dados históricos das variáveis de interesse, não contemplando as características meteorológicas específicas do local onde se encontra o empreendimento. As físicas fundamentam-se em modelos determinísticos de previsão meteorológica, que posteriormente são convertidos através de modelos de transformação de vento em potência. Finalmente, as híbridas utilizam uma combinação das abordagens estatísticas (maior precisão no curto prazo) e físicas (maior precisão no médio prazo), considerando uma ou outra dependendo do período estudado. Neste trabalho, foram implementados modelos estatísticos com Redes Neurais Artificiais (RNA) para as previsões de velocidade de vento e de geração eólica de curtíssimo prazo para a Usina Eólio-Elétrica de Palmas (PR). As RNA produziram resultados de geração satisfatórios para horizontes de previsão de até seis horas. Palavras-chave: energia eólica, Redes Neurais Artificiais, previsão de curtíssimo prazo, Usina Eólio-Elétrica de Palmas.Abstract: Wind energy, as a clean power generation source, is already consolidated and has become competitive by its constant decrease in costs, including equipment's installation and purchase. The largest installed capacities, by the end of 2015, were in China (145,104 MW) and the United States of America (USA) (74,471 MW), according to the annual Global Wind Energy Council's report. In Brazil, there are several areas favorable to the implementation and expansion of this technology, which could help in the diversification of its energy matrix. Whereas wind is a natural and highly variable phenomenon, its generation forecast becomes a challenge. Forecasting methods are divided into three categories: statistical, physical and hybrid. The first one, which is easy to implement, may involve computational intelligence and is based on the persistence structure estimated from historical data of the variables of interest. It doesn't consider specific meteorological characteristics of the site. Physical models are based on information generated by weather prediction models, which are then converted by wind models into power. In this case, it is noteworthy the need of many data and lot of computational effort. Finally, hybrid models use a combination of statistical (short-term forecast) and physical approaches (medium-term forecast), using one or another depending on the period considered. This study develops statistical models based on Artificial Neural Networks (ANN) for wind and generation predictions for the Palmas Wind Farm (PR). The ANN were sufficiently trained and reach satisfactory results for forecasts up to six hours. Key-words: wind energy, Artificial Neural Networks, very short-term prediction, Palmas Wind Farm.168 f. : il. algumas color.application/pdfDisponível em formato digitalRecursos hídricosEnergia eólicaRedes neurais (Computação)Energia - Fontes alternativasTesesPrevisão da geração de energia eólica com redes neurais artificiaisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - D - FELIPE SHOGO HIRUMA.pdfapplication/pdf5106523https://acervodigital.ufpr.br/bitstream/1884/43520/1/R%20-%20D%20-%20FELIPE%20SHOGO%20HIRUMA.pdfa14afa45b84b3f05392b541414258d6dMD51open accessTEXTR - D - FELIPE SHOGO HIRUMA.pdf.txtExtracted Texttext/plain228755https://acervodigital.ufpr.br/bitstream/1884/43520/2/R%20-%20D%20-%20FELIPE%20SHOGO%20HIRUMA.pdf.txtc8474a53694bdc9a206f4170d5d128eeMD52open accessTHUMBNAILR - D - FELIPE SHOGO HIRUMA.pdf.jpgGenerated Thumbnailimage/jpeg1159https://acervodigital.ufpr.br/bitstream/1884/43520/3/R%20-%20D%20-%20FELIPE%20SHOGO%20HIRUMA.pdf.jpg17ae0351cc13b3911551060e06eb4fcaMD53open access1884/435202017-06-06 14:10:59.154open accessoai:acervodigital.ufpr.br:1884/43520Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082017-06-06T17:10:59Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Previsão da geração de energia eólica com redes neurais artificiais
title Previsão da geração de energia eólica com redes neurais artificiais
spellingShingle Previsão da geração de energia eólica com redes neurais artificiais
Hiruma, Felipe Shogo
Recursos hídricos
Energia eólica
Redes neurais (Computação)
Energia - Fontes alternativas
Teses
title_short Previsão da geração de energia eólica com redes neurais artificiais
title_full Previsão da geração de energia eólica com redes neurais artificiais
title_fullStr Previsão da geração de energia eólica com redes neurais artificiais
title_full_unstemmed Previsão da geração de energia eólica com redes neurais artificiais
title_sort Previsão da geração de energia eólica com redes neurais artificiais
author Hiruma, Felipe Shogo
author_facet Hiruma, Felipe Shogo
author_role author
dc.contributor.other.pt_BR.fl_str_mv Souza, Fábio Teodoro de
Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Engenharia de Recursos Hídricos e Ambiental
dc.contributor.author.fl_str_mv Hiruma, Felipe Shogo
dc.contributor.advisor1.fl_str_mv Guetter, Alexandre Kolodynskie
contributor_str_mv Guetter, Alexandre Kolodynskie
dc.subject.por.fl_str_mv Recursos hídricos
Energia eólica
Redes neurais (Computação)
Energia - Fontes alternativas
Teses
topic Recursos hídricos
Energia eólica
Redes neurais (Computação)
Energia - Fontes alternativas
Teses
description Orientador : Prof. Dr. Alexandre Kolodynskie Guetter
publishDate 2016
dc.date.issued.fl_str_mv 2016
dc.date.accessioned.fl_str_mv 2017-06-06T17:10:58Z
dc.date.available.fl_str_mv 2017-06-06T17:10:58Z
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 http://hdl.handle.net/1884/43520
url http://hdl.handle.net/1884/43520
dc.language.iso.fl_str_mv por
language por
dc.relation.pt_BR.fl_str_mv Disponível em formato digital
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 168 f. : 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/1884/43520/1/R%20-%20D%20-%20FELIPE%20SHOGO%20HIRUMA.pdf
https://acervodigital.ufpr.br/bitstream/1884/43520/2/R%20-%20D%20-%20FELIPE%20SHOGO%20HIRUMA.pdf.txt
https://acervodigital.ufpr.br/bitstream/1884/43520/3/R%20-%20D%20-%20FELIPE%20SHOGO%20HIRUMA.pdf.jpg
bitstream.checksum.fl_str_mv a14afa45b84b3f05392b541414258d6d
c8474a53694bdc9a206f4170d5d128ee
17ae0351cc13b3911551060e06eb4fca
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv
_version_ 1801860810311467008

Registros relacionados