Previsão da geração de energia eólica com redes neurais artificiais
Autor(a) principal: | |
---|---|
Data de Publicação: | 2016 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPR |
Texto Completo: | https://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 |
Souza, Fábio Teodoro deUniversidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Engenharia de Recursos Hídricos e AmbientalGuetter, Alexandre KolodynskieHiruma, Felipe Shogo2024-07-22T17:27:40Z2024-07-22T17:27:40Z2016https://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.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.168 f. : il. algumas color.application/pdfDisponível em formato digitalRecursos hídricosEnergia eólicaRedes neurais (Computação)Energia - ConsumoPrevisão 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 access1884/435202024-07-22 14:27:40.405open accessoai:acervodigital.ufpr.br:1884/43520Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082024-07-22T17:27:40Repositório 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 - Consumo |
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.advisor1.fl_str_mv |
Guetter, Alexandre Kolodynskie |
dc.contributor.author.fl_str_mv |
Hiruma, Felipe Shogo |
contributor_str_mv |
Guetter, Alexandre Kolodynskie |
dc.subject.por.fl_str_mv |
Recursos hídricos Energia eólica Redes neurais (Computação) Energia - Consumo |
topic |
Recursos hídricos Energia eólica Redes neurais (Computação) Energia - Consumo |
description |
Orientador: Prof. Dr. Alexandre Kolodynskie Guetter |
publishDate |
2016 |
dc.date.issued.fl_str_mv |
2016 |
dc.date.accessioned.fl_str_mv |
2024-07-22T17:27:40Z |
dc.date.available.fl_str_mv |
2024-07-22T17:27:40Z |
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://hdl.handle.net/1884/43520 |
url |
https://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_ |
1813898682867646464 |