Você está aqui: Página Inicial > Defesas > Mestrado - Felipe Maia Barbosa Oliveira
conteúdo

Mestrado - Felipe Maia Barbosa Oliveira

por dirppg-ct publicado 27/10/2020 11h41, última modificação 27/10/2020 11h41
Previsão Da Velocidade Do Vento Utilizando Redes Neurais Artificiais E Modelos Autorregressivos
Quando
26/11/2020
de 12h30 até 15h30
(America/Sao_Paulo / UTC-300)
Onde
Via videoconferência - Meet.Google.Com/Xur-Ymrn-Itc
Pessoa de contato
Prof. Guilherme De Santi Peron, Dr. - UTFPR
Participantes
Orientador(a): Prof. Guilherme De Santi Peron, Dr. - UTFPR
Coorientador(a): Prof. Elder Oroski, Dr. - UTFPR
Banca examinadora:
Presidente: Prof. Guilherme Santi Peron, Dr. - UTFPR
Prof. Guilherme Luiz Moritz, Dr. - UTFPR
Profa. Beatriz Dos Santos Pes, Dra. - IFPR
Adicionar evento ao calendário
iCal

Resumo: Os benefícios econômicos e ambientais da geração de energia elétrica pelo vento fizeram com que a energia eólica se tornasse uma das fontes mais promissoras para a geração de energia elétrica no Brasil. No entanto, a incerteza associada aos dados do vento, matéria prima desta fonte de geração, geralmente não pode ser desprezada. Assim, os dados devem ser avaliados com precisão para reduzir efetivamente os riscos da geração eólica nas operações do sistema de energia, portanto motiva o desenvolvimento de técnicas de previsão que tiram proveito de medições quase em tempo real, coletadas de instrumentos distribuídos geograficamente. Nessa abordagem, são comparados métodos de previsão, baseados em redes neurais artificiais e modelos autorregressivos lineares visando o horizonte de curtíssimo prazo. Uma nova abordagem está sendo proposta neste trabalho, um modelo autorregressivo linear e uma rede neural artificial para a previsão probabilística da amplitude do vento no período de curtíssimo prazo. A abordagem do conjunto proposto foi extensivamente avaliada, usando dados reais de cinco estações anemométricas instaladas na região metropolitana de Curitiba. Os resultados demonstram que as incertezas nos dados do vento podem ser previstas de forma confiável e que um desempenho competitivo é obtido.
Palavras-chave: Previsão da Velocidade do Vento, Rede Neural Artificial, Modelo Autorregressivo, Energia Eólica

Wind Speed Forecasting Using Artificial Neural Networks and Autoregressive Models
Abstract: The economic and environmental benefits of wind power generation made wind energy one of the most promising sources for electric power generation in Brazil. However, the uncertainty associated with wind data, the source of this generation, generally cannot be overlooked. Thus, the data must be accurately evaluated to effectively reduce the risks of wind generation in energy system operations, therefore it motivates the development of forecasting techniques that take advantage of measurements in almost real time, collected from geographically distributed instruments. In this approach, forecasting methods, based on artificial neural networks and linear autoregressive models are compared, aiming at the very short term horizon. A new approach is being proposed in this work, a linear autoregressive model and an artificial neural network for the probabilistic forecast of wind speed in the very short term. The proposed set approach was extensively evaluated, using real data from five anemometric stations installed in the metropolitan region of Curitiba. The results demonstrate that the uncertainties in the wind data can be reliably predicted and that a competitive performance is obtained.
Keywords: Wind Speed Forecast, Artificial Neural Network, Autoregressive Model, Wind Energy

Lista de publicações: OLIVEIRA, F. M. B. ; PERON, G. S. ; RAYEL, O. K. ; PASSARIN, T. A. R. . Wind Data Forecast using Artificial Neural Networks. In: International Conference on Smart Grid and Renewable Energy (SGRE-2019), 2019, Doha. Proceedings of the International Conference on Smart Grid and Renewable Energy (SGRE-2019), 2019.

VIEIRA, B. J.; OLIVEIRA, F. M. B.; PERON, G. S. ; RAYEL, O. K. Metodologia para estimar a velocidade do vento no ambiente urbano. XII Congresso Brasileiro de Planejamento Energético (2020).