Predição de séries temporais da velocidade do vento no Brasil
| dc.contributor.advisor1 | CAMPOS, Lídio Mauro Lima de | |
| dc.contributor.advisor1Lattes | http://lattes.cnpq.br/0970111009687779 | pt_BR |
| dc.contributor.advisor1ORCID | https://orcid.org/0000-0003-4315-829X | pt_BR |
| dc.creator | FIGUEIREDO, Yann Fabricio Cardoso de | |
| dc.creator.Lattes | http://lattes.cnpq.br/7246212197416925 | pt_BR |
| dc.date.accessioned | 2025-03-07T18:46:24Z | |
| dc.date.available | 2025-03-07T18:46:24Z | |
| dc.date.issued | 2021-10-06 | |
| dc.description.abstract | Historically, Brazil has its electricity production sustained by two main generation sources, hydroelectric and thermoelectric, and the second, in many of the plants, is used more when the first has a low period. In recent years, Brazil has been increasing research and consequently the use of another type of energy generation, wind, which is currently the second largest source of energy generation in the country. The advantage of wind power generation is that it is a type of clean energy, thus helping to preserve the environment. Despite being beneficial and cheaper than the other energy sources mentioned, the generation by wind turbines faces a problem of unpredictability regarding the main resource, the wind. An increasing need then arises to research ways to predict wind availability based on certain variables, such as wind speed. This work aims to develop wind speed prediction models, using artificial intelligence techniques applied together with Deep Artificial Neural Networks (RNAPs) through direct (Deep Feedforward) and recurrent (LSTM) network architectures ), in order to have a more complete notion of the availability of wind energy in the studied regions. The research was based on meteorological variables from the INMET (National Institute of Meteorology) repositories, in the case of the Macau (RN), and SONDA (National Environmental Data Organization) repositories, in the case of the Macau wind farm. Petrolina (PE). Both databases contain information for the period from January 1, 2004 to May 31, 2017 in the database in day format, June 1, 2016 to May 31, 2017 in the database in time format, and May 27, 2017 to May 31, 2017 with the base in minute format. For a single specific prediction model, based on days format, the time series runs from January 1, 2015 to July 31, 2018. In total, 15 models were generated, created from the application of Ensemble Learning Methods, in the case of voting and bagging, in various sub-models created for each database and data term. The best model was using the short-term Petrolina base, with records available in the format of hours, obtained by using the bagging method to create the final model. The best model obtained MAE of 0.0036, MAPE of 0.0012% and RMSE of 0.0143. | pt_BR |
| dc.description.resumo | Historicamente o Brasil tˆem sua produ¸c˜ao de energia el´etrica sustentada por duas principais fontes de gera¸c˜ao, a hidroel´etrica e a termoel´etrica, sendo que a segunda, em muitas das usinas, ´e utilizada mais quando a primeira tem um per´ıodo de baixa. Nos ´ultimos anos o Brasil vem aumentando as pesquisas e consequentemente o uso de outro tipo de gera¸c˜ao de energia, a e´olica, sendo esta atualmente a segunda maior fonte de gera¸c˜ao de energia no pa´ıs. A gera¸c˜ao de energia e´olica possui como vantagem o fato de ser um tipo de energia limpa, ajudando assim na preserva¸c˜ao do meio ambiente. Apesar de ser ben´efica e mais barata que as demais fontes de energia citadas, a gera¸c˜ao por turbinas e´olicas enfrenta um problema de imprevisibilidade quanto ao recurso principal, o vento. Surge ent˜ao uma necessidade cada vez maior em pesquisar formas de predizer a disponibilidade do vento com base em certas vari´aveis, como a velocidade do vento. Este trabalho tˆem o objetivo de desenvolver modelos de predi¸c˜ao da velocidade do vento, usando para isto t´ecnicas de inteligˆencia artificial aplicadas juntamente de Redes Neurais Artificiais Profundas (RNAPs) atrav´es das arquiteturas de rede direta (Deep Feedforward) e recorrente (LSTM), para assim ter uma no¸c˜ao mais completa da disponibilidade de energia e´olica nas regi˜oes estudadas. A pesquisa foi feita com base em vari´aveis meteorol´ogicas dos reposit´orios do INMET (Instituto Nacional de Meteorologia), no caso da esta¸c˜ao e´olica de Macau (RN), e do SONDA (Sistema de Organiza¸c˜ao Nacional de Dados Ambientais), no caso da esta¸c˜ao e´olica de Petrolina (PE). Ambas bases de dados cont´em informa¸c˜oes do per´ıodo de 1 de janeiro de 2004 a 31 de maio de 2017 na base com dados em formato de dias, 1 de junho de 2016 a 31 de maio de 2017 na base com dados em formato de horas, e 27 de maio de 2017 a 31 de maio de 2017 com a base em formato de minutos. Para um ´unico modelo de predi¸c˜ao espec´ıfico, com a base em formato de dias, a s´erie temporal vai de 1 de janeiro de 2015 a 31 de julho de 2018. No total foram gerados 15 modelos, criados a partir da aplica¸c˜ao de Ensemble Learning Methods, no caso voting e bagging, em diversos submodelos criados para cada base e prazo de dados. O melhor modelo foi usando a base de Petrolina de curto prazo, com registros disponibilizados no formato de horas, obtido ao ser usado o m´etodo bagging para criar o modelo final. O melhor modelo obteve MAE de 0.0036, MAPE de 0.0012% e RMSE de 0.0143. | pt_BR |
| dc.identifier.citation | FIGUEIREDO, Yann Fabricio Cardoso de. Predição de séries temporais da velocidade do vento no Brasil. Orientador: Lídio Mauro Lima de Campos. 2021. 83 f. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) – Faculdade de Computação, Instituto de Ciências Exatas e Naturais, Universidade Federal do Pará, Belém, 2021. Disponível em:. Acesso em:. | pt_BR |
| dc.identifier.uri | https://bdm.ufpa.br/jspui/handle/prefix/7785 | |
| dc.rights | Acesso Aberto | pt_BR |
| dc.source | 1 CD-ROM | pt_BR |
| dc.subject | Energia eólica | pt_BR |
| dc.subject | Predição | pt_BR |
| dc.subject | Redes neurais artificiais | pt_BR |
| dc.subject | Rede deep feedforward | pt_BR |
| dc.subject | Rede recorrente (LSTM) | pt_BR |
| dc.subject | Velocidade do vento | pt_BR |
| dc.subject | Séries temporais | pt_BR |
| dc.subject | Wind energy | pt_BR |
| dc.subject | Prediction | pt_BR |
| dc.subject | Artificiais neurais networks | pt_BR |
| dc.subject | Deep feedforward network | pt_BR |
| dc.subject | Recurring network (LSTM) | pt_BR |
| dc.subject | Wind speed | pt_BR |
| dc.subject | Time series | pt_BR |
| dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | pt_BR |
| dc.title | Predição de séries temporais da velocidade do vento no Brasil | pt_BR |
| dc.type | Trabalho de Curso - Graduação - Monografia | pt_BR |