Análise do Potencial de Previsão da Velocidade do Vento Utilizando Rede Neural Artificial

Detalhes bibliográficos
Autor(a) principal: Santos, Iwldson Guilherme da Silva
Data de Publicação: 2020
Outros Autores: Lyra, Roberto Fernando da Fonseca
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

Registros relacionados