Análise do Potencial de Previsão da Velocidade do Vento Utilizando Rede Neural Artificial
Autor(a) principal: | |
---|---|
Data de Publicação: | 2020 |
Outros Autores: | |
Tipo de documento: | Artigo |
Idioma: | por |
Título da fonte: | Anuário do Instituto de Geociências (Online) |
Texto Completo: | https://revistas.ufrj.br/index.php/aigeo/article/view/39891 |
Resumo: | O objetivo deste trabalho é avaliar o potencial de previsibilidade da velocidade do vento com antecedência de 24 horas, usando a técnica de Rede Neural Artificial (RNA) Não Linear Auto Regressiva (NAR). Os dados observados de velocidade do vento (OBS) são médias de 10 minutos, obtidos por meio de anemômetro instalado a 50 metros de altura em uma Torre anemométrica situada no Município de Craíbas, região Agreste de Alagoas. A técnica de RNA-NAR foi treinada e calibrada com os dados observacionais fornecendo as condições iniciais. Após a calibração, a técnica foi aplicada na previsão da velocidade do vento para o dia seguinte. Os resultados mostraram que o prognóstico RNA-NAR representou bem a evolução temporal diária do vento no período estudado (abril de 2015). A análise estatística das séries de dados observados e previstos indica que a velocidade média do vento foi de ordem de 5,26 m.s-1 e 5,24 m.s-1, a velocidade máxima foi de 12,29 m.s-1 e 13,92 m.s-1, e a velocidade mínima foi de 0,01 m.s-1 e 0,36 m.s-1, respectivamente. As métricas estatísticas indicam desvio médio quase nulo (cerca de -0,01 m.s-1), raiz do erro quadrático médio de 1,14 m.s-1, erro percentual absoluto médio de 22% e coeficiente de correlação de 0,71. Esses resultados, apesar de considerar um período curto de dados indica o potencial de aplicação da RNA-NAR na previsão de 24 h da velocidade do vento em 50 m. |
id |
UFRJ-21_a0506dc087e12c816c28bcba648958dc |
---|---|
oai_identifier_str |
oai:www.revistas.ufrj.br:article/39891 |
network_acronym_str |
UFRJ-21 |
network_name_str |
Anuário do Instituto de Geociências (Online) |
repository_id_str |
|
spelling |
Análise do Potencial de Previsão da Velocidade do Vento Utilizando Rede Neural ArtificialVariável Meteorológica; Energia Eólica; Inteligência ArtificialO objetivo deste trabalho é avaliar o potencial de previsibilidade da velocidade do vento com antecedência de 24 horas, usando a técnica de Rede Neural Artificial (RNA) Não Linear Auto Regressiva (NAR). Os dados observados de velocidade do vento (OBS) são médias de 10 minutos, obtidos por meio de anemômetro instalado a 50 metros de altura em uma Torre anemométrica situada no Município de Craíbas, região Agreste de Alagoas. A técnica de RNA-NAR foi treinada e calibrada com os dados observacionais fornecendo as condições iniciais. Após a calibração, a técnica foi aplicada na previsão da velocidade do vento para o dia seguinte. Os resultados mostraram que o prognóstico RNA-NAR representou bem a evolução temporal diária do vento no período estudado (abril de 2015). A análise estatística das séries de dados observados e previstos indica que a velocidade média do vento foi de ordem de 5,26 m.s-1 e 5,24 m.s-1, a velocidade máxima foi de 12,29 m.s-1 e 13,92 m.s-1, e a velocidade mínima foi de 0,01 m.s-1 e 0,36 m.s-1, respectivamente. As métricas estatísticas indicam desvio médio quase nulo (cerca de -0,01 m.s-1), raiz do erro quadrático médio de 1,14 m.s-1, erro percentual absoluto médio de 22% e coeficiente de correlação de 0,71. Esses resultados, apesar de considerar um período curto de dados indica o potencial de aplicação da RNA-NAR na previsão de 24 h da velocidade do vento em 50 m.Universidade Federal do Rio de JaneiroSantos, Iwldson Guilherme da SilvaLyra, Roberto Fernando da Fonseca2020-12-18info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdfhttps://revistas.ufrj.br/index.php/aigeo/article/view/3989110.11137/2020_4_11_17Anuário do Instituto de Geociências; Vol 43, No 4 (2020); 11_17Anuário do Instituto de Geociências; Vol 43, No 4 (2020); 11_171982-39080101-9759reponame:Anuário do Instituto de Geociências (Online)instname:Universidade Federal do Rio de Janeiro (UFRJ)instacron:UFRJporhttps://revistas.ufrj.br/index.php/aigeo/article/view/39891/21664/*ref*/ABEEólica. 2019. Associação Brasileira de Energia Eólica. Disponível em: <http://abeeolica.org.br/ >. Acesso em: 12 jul. 2019. Cadenas, E. & Rivera, W. 2009. Short term wind speed forecasting in La Venta, Oaxaca, México, using artificial neural networks. Renewable Energy, 34:274-278. Camelo, H.N.; Lucio, P.S.; Junior, J.B.V.L. & Carvalho, P.C.M. 2018. Proposta para previsão de velocidade do vento através modelagem híbrida elaborada a partir dos modelos ARIMAX e RNA. Revista Brasileira de Meteorologia, 33 (1):115 – 129. Cao, Q.; Ewing, B.T. & Thompson, M.A. 2012. Forecasting wind speed with recurrent neural networks. European Journal of Operational Research, 221:148 – 154. ELETROBRAS. 2008. Atlas Eólico do Estado de Alagoas. Disponível em: <http://www.cresesb.cepel.br/publicacoes/download/atlas_eolico/atlas_eolico_A L.pdf>. Acesso em: 12 jul. 2019. Fthenakis, V. & Kim, H.C. 2009. Land use and electricity generation: A life cycle analysis. Renewable and Sustainable Energy Reviews, 13:1465-1474. Gonçalves, A.R. 2011. Refinamento estatístico das previsões de vento do modelo ETA aplicado ao setor eólio-elétrico do Nordeste Brasileiro. Programa de Pós- graduação em Meteorologia, Instituto Nacional de Pesquisas Espaciais, Dissertação de Mestrado, 180p. GWEC. 2019. Global Wind Energy Council. Disponível em: <https://bit.ly/2FKCAth>. Acesso em: 12 jul. 2019. Haykin, S. 2008. Redes Neurais Princípios e Prática. 2ª ed. Porto Alegre: Bookman, 900p. Lyra, R.F.F.; Silva Junior, R.S.; Moura, M.A.L. & Amorim, M.C.A.L. 1998. Prognóstico da velocidade do vento utilizando o modelo WRF na região central de Alagoas. Ciência e Natura, 38:447-451. Moura, J.D.O. 2014. Refinamento das simulações de vento do modelo WRF utilizando Redes Neurais Artificiais. Graduação em Meteorologia, Universidade Federal de Alagoas, Trabalho de Conclusão de Curso, 43p. Ramos, D.N.S.; Lyra, R.F.F. & Junior, R.S.S. 2013. Previsão do vento utilizando o modelo atmosférico WRF para o estado de Alagoas. Revista Brasileira de Meteorologia, 28(2):163-172. Rodrigues, G.C. 2007. Utilização de redes neurais para previsão de ventos no horizonte de 24 horas. Programa de Pós-Graduação em Ciência em Engenharia Elétrica, Universidade Federal do Rio de Janeiro, Dissertação de Mestrado, 119p. Santos, I.G.S. 2019. Previsão da velocidade do vento na escala do parque eólico utilizando o modelo WRF e rede neural artificial. Programa de Pós-Graduação em Meteorologia, Universidade Federal de Alagoas, Dissertação de Mestrado, 75p. Silva, I.N.; Spatti, D.H. & Flauzino, R.A. 2010. Redes Neurais Artificiais para engenharias e ciências aplicadas. São Paulo, Artliber, 399p. Silva, S.S.; Lyra, R.F.F.; Junior, R.S.S.; Silva, S.M.S. & Cruz, N.S.D. 2017. Refinamento das estimativas da velocidade do vento feitas pelo modelo WRF usando redes neurais artificiais e modelo físico-estatístico. X Workshop Brasileiro de Micrometeorologia, Santa Maria – RS, 5p. Silva, S.M.S.; Lyra, R.F.F.; Junior, R.S.S.; Cruz, N.S.D. & Silva, S.S. 2018. Avaliação do desempenho do modelo WRF para prognóstico do vento na região central de Alagoas – Craíbas. Ciência e Natura, Edição Especial: X Workshop Brasileiro de Micrometeorologia, 40:187 – 192. Zucatelli, P.J; Nascimento, E.G.S.; Aylas, G.Y.R.; Souza, N.B.P.; Kitagawa, Y.K.L.; Santos, A.A.B. & Moreira, D.M. 2018. Previsão da velocidade do vento a curto prazo usando redes neurais artificiais em Mucuri, Bahia. X Congresso Nacional de Engenharia Mecânica, Salvador – Bahia, 10p.Copyright (c) 2020 Anuário do Instituto de Geociênciashttp://creativecommons.org/licenses/by/4.0info:eu-repo/semantics/openAccess2021-12-28T02:11:17Zoai:www.revistas.ufrj.br:article/39891Revistahttps://revistas.ufrj.br/index.php/aigeo/indexPUBhttps://revistas.ufrj.br/index.php/aigeo/oaianuario@igeo.ufrj.br||1982-39080101-9759opendoar:2021-12-28T02:11:17Anuário do Instituto de Geociências (Online) - Universidade Federal do Rio de Janeiro (UFRJ)false |
dc.title.none.fl_str_mv |
Análise do Potencial de Previsão da Velocidade do Vento Utilizando Rede Neural Artificial |
title |
Análise do Potencial de Previsão da Velocidade do Vento Utilizando Rede Neural Artificial |
spellingShingle |
Análise do Potencial de Previsão da Velocidade do Vento Utilizando Rede Neural Artificial Santos, Iwldson Guilherme da Silva Variável Meteorológica; Energia Eólica; Inteligência Artificial |
title_short |
Análise do Potencial de Previsão da Velocidade do Vento Utilizando Rede Neural Artificial |
title_full |
Análise do Potencial de Previsão da Velocidade do Vento Utilizando Rede Neural Artificial |
title_fullStr |
Análise do Potencial de Previsão da Velocidade do Vento Utilizando Rede Neural Artificial |
title_full_unstemmed |
Análise do Potencial de Previsão da Velocidade do Vento Utilizando Rede Neural Artificial |
title_sort |
Análise do Potencial de Previsão da Velocidade do Vento Utilizando Rede Neural Artificial |
author |
Santos, Iwldson Guilherme da Silva |
author_facet |
Santos, Iwldson Guilherme da Silva Lyra, Roberto Fernando da Fonseca |
author_role |
author |
author2 |
Lyra, Roberto Fernando da Fonseca |
author2_role |
author |
dc.contributor.none.fl_str_mv |
|
dc.contributor.author.fl_str_mv |
Santos, Iwldson Guilherme da Silva Lyra, Roberto Fernando da Fonseca |
dc.subject.por.fl_str_mv |
Variável Meteorológica; Energia Eólica; Inteligência Artificial |
topic |
Variável Meteorológica; Energia Eólica; Inteligência Artificial |
description |
O objetivo deste trabalho é avaliar o potencial de previsibilidade da velocidade do vento com antecedência de 24 horas, usando a técnica de Rede Neural Artificial (RNA) Não Linear Auto Regressiva (NAR). Os dados observados de velocidade do vento (OBS) são médias de 10 minutos, obtidos por meio de anemômetro instalado a 50 metros de altura em uma Torre anemométrica situada no Município de Craíbas, região Agreste de Alagoas. A técnica de RNA-NAR foi treinada e calibrada com os dados observacionais fornecendo as condições iniciais. Após a calibração, a técnica foi aplicada na previsão da velocidade do vento para o dia seguinte. Os resultados mostraram que o prognóstico RNA-NAR representou bem a evolução temporal diária do vento no período estudado (abril de 2015). A análise estatística das séries de dados observados e previstos indica que a velocidade média do vento foi de ordem de 5,26 m.s-1 e 5,24 m.s-1, a velocidade máxima foi de 12,29 m.s-1 e 13,92 m.s-1, e a velocidade mínima foi de 0,01 m.s-1 e 0,36 m.s-1, respectivamente. As métricas estatísticas indicam desvio médio quase nulo (cerca de -0,01 m.s-1), raiz do erro quadrático médio de 1,14 m.s-1, erro percentual absoluto médio de 22% e coeficiente de correlação de 0,71. Esses resultados, apesar de considerar um período curto de dados indica o potencial de aplicação da RNA-NAR na previsão de 24 h da velocidade do vento em 50 m. |
publishDate |
2020 |
dc.date.none.fl_str_mv |
2020-12-18 |
dc.type.none.fl_str_mv |
|
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://revistas.ufrj.br/index.php/aigeo/article/view/39891 10.11137/2020_4_11_17 |
url |
https://revistas.ufrj.br/index.php/aigeo/article/view/39891 |
identifier_str_mv |
10.11137/2020_4_11_17 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
https://revistas.ufrj.br/index.php/aigeo/article/view/39891/21664 /*ref*/ABEEólica. 2019. Associação Brasileira de Energia Eólica. Disponível em: <http://abeeolica.org.br/ >. Acesso em: 12 jul. 2019. Cadenas, E. & Rivera, W. 2009. Short term wind speed forecasting in La Venta, Oaxaca, México, using artificial neural networks. Renewable Energy, 34:274-278. Camelo, H.N.; Lucio, P.S.; Junior, J.B.V.L. & Carvalho, P.C.M. 2018. Proposta para previsão de velocidade do vento através modelagem híbrida elaborada a partir dos modelos ARIMAX e RNA. Revista Brasileira de Meteorologia, 33 (1):115 – 129. Cao, Q.; Ewing, B.T. & Thompson, M.A. 2012. Forecasting wind speed with recurrent neural networks. European Journal of Operational Research, 221:148 – 154. ELETROBRAS. 2008. Atlas Eólico do Estado de Alagoas. Disponível em: <http://www.cresesb.cepel.br/publicacoes/download/atlas_eolico/atlas_eolico_A L.pdf>. Acesso em: 12 jul. 2019. Fthenakis, V. & Kim, H.C. 2009. Land use and electricity generation: A life cycle analysis. Renewable and Sustainable Energy Reviews, 13:1465-1474. Gonçalves, A.R. 2011. Refinamento estatístico das previsões de vento do modelo ETA aplicado ao setor eólio-elétrico do Nordeste Brasileiro. Programa de Pós- graduação em Meteorologia, Instituto Nacional de Pesquisas Espaciais, Dissertação de Mestrado, 180p. GWEC. 2019. Global Wind Energy Council. Disponível em: <https://bit.ly/2FKCAth>. Acesso em: 12 jul. 2019. Haykin, S. 2008. Redes Neurais Princípios e Prática. 2ª ed. Porto Alegre: Bookman, 900p. Lyra, R.F.F.; Silva Junior, R.S.; Moura, M.A.L. & Amorim, M.C.A.L. 1998. Prognóstico da velocidade do vento utilizando o modelo WRF na região central de Alagoas. Ciência e Natura, 38:447-451. Moura, J.D.O. 2014. Refinamento das simulações de vento do modelo WRF utilizando Redes Neurais Artificiais. Graduação em Meteorologia, Universidade Federal de Alagoas, Trabalho de Conclusão de Curso, 43p. Ramos, D.N.S.; Lyra, R.F.F. & Junior, R.S.S. 2013. Previsão do vento utilizando o modelo atmosférico WRF para o estado de Alagoas. Revista Brasileira de Meteorologia, 28(2):163-172. Rodrigues, G.C. 2007. Utilização de redes neurais para previsão de ventos no horizonte de 24 horas. Programa de Pós-Graduação em Ciência em Engenharia Elétrica, Universidade Federal do Rio de Janeiro, Dissertação de Mestrado, 119p. Santos, I.G.S. 2019. Previsão da velocidade do vento na escala do parque eólico utilizando o modelo WRF e rede neural artificial. Programa de Pós-Graduação em Meteorologia, Universidade Federal de Alagoas, Dissertação de Mestrado, 75p. Silva, I.N.; Spatti, D.H. & Flauzino, R.A. 2010. Redes Neurais Artificiais para engenharias e ciências aplicadas. São Paulo, Artliber, 399p. Silva, S.S.; Lyra, R.F.F.; Junior, R.S.S.; Silva, S.M.S. & Cruz, N.S.D. 2017. Refinamento das estimativas da velocidade do vento feitas pelo modelo WRF usando redes neurais artificiais e modelo físico-estatístico. X Workshop Brasileiro de Micrometeorologia, Santa Maria – RS, 5p. Silva, S.M.S.; Lyra, R.F.F.; Junior, R.S.S.; Cruz, N.S.D. & Silva, S.S. 2018. Avaliação do desempenho do modelo WRF para prognóstico do vento na região central de Alagoas – Craíbas. Ciência e Natura, Edição Especial: X Workshop Brasileiro de Micrometeorologia, 40:187 – 192. Zucatelli, P.J; Nascimento, E.G.S.; Aylas, G.Y.R.; Souza, N.B.P.; Kitagawa, Y.K.L.; Santos, A.A.B. & Moreira, D.M. 2018. Previsão da velocidade do vento a curto prazo usando redes neurais artificiais em Mucuri, Bahia. X Congresso Nacional de Engenharia Mecânica, Salvador – Bahia, 10p. |
dc.rights.driver.fl_str_mv |
Copyright (c) 2020 Anuário do Instituto de Geociências http://creativecommons.org/licenses/by/4.0 info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Copyright (c) 2020 Anuário do Instituto de Geociências http://creativecommons.org/licenses/by/4.0 |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Federal do Rio de Janeiro |
publisher.none.fl_str_mv |
Universidade Federal do Rio de Janeiro |
dc.source.none.fl_str_mv |
Anuário do Instituto de Geociências; Vol 43, No 4 (2020); 11_17 Anuário do Instituto de Geociências; Vol 43, No 4 (2020); 11_17 1982-3908 0101-9759 reponame:Anuário do Instituto de Geociências (Online) instname:Universidade Federal do Rio de Janeiro (UFRJ) instacron:UFRJ |
instname_str |
Universidade Federal do Rio de Janeiro (UFRJ) |
instacron_str |
UFRJ |
institution |
UFRJ |
reponame_str |
Anuário do Instituto de Geociências (Online) |
collection |
Anuário do Instituto de Geociências (Online) |
repository.name.fl_str_mv |
Anuário do Instituto de Geociências (Online) - Universidade Federal do Rio de Janeiro (UFRJ) |
repository.mail.fl_str_mv |
anuario@igeo.ufrj.br|| |
_version_ |
1797053536267141120 |