Predição de séries temporais da velocidade do vento no Brasil

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.