Previsão de Curto Prazo da Velocidade do Vento Utilizando Transformada de Wavelet Discreta e Rede Neural Artificial no Município de Craíbas-AL
DOI:
https://doi.org/10.5540/03.2022.009.01.0293Palavras-chave:
Variável Meteorológica, Energia Eólica, Inteligência Artificial, WaveletResumo
O objetivo deste estudo é analisar a previsibilidade da velocidade do vento de curto prazo, utilizando Transformada de Wavelet Discreta (TWD) e Rede Neural Artificial (RNA) não linear autorregressiva com entradas externas (NARX) e sem entradas externas (NAR). Os prognósticos são aferidos com dados os observados (OBS) mensurados a cada 10 minutos, em uma torre anemométrica de 100 m de altura, localizada em Craíbas (Agreste de Alagoas) de 01/04 a 30/04 de 2015. Estes resultados, apesar de considerar um período curto de dados, indicam o potencial de aplicação da TWD e RNA na previsão da velocidade do vento.
Downloads
Referências
ABEEOLICA. Associação Brasileira de Energia Eólica. Online. Acessado em 28/12/2021, https://abeeolica.org.br/.
Farid Berrezzek, Khaled Khelil e Tahar Bouadjila. E cient wind speed forecasting using discrete wavelet transform and artificial neural networks. Em: Revue d'Intelligence Articielle 33.December, 2019, (2019). 7
Moniki Ferreira, Alexandre Santos e Paulo Lucio. Short-term forecast of wind speed through mathematical models. Em: Energy Reports 5(2019), pp. 11721184.
André Rodrigues Gonçalves. Renamento estatístico das previsões de vento do modelo ETA aplicado ao setor eólio-elétrico do Nordeste Brasileiro. 2011.
Simon Haykin. Redes neurais: princípios e prática. Bookman Editora, 2001.
Rosiberto Salustiano Da Silva Junior et al. Prognóstico do vento para o Estado de Alagoas utilizando o modelo WRF em alta resolução: avaliação da melhoria da topografia, uso do solo e velocidade de fricção. Em: Ciência e Natura 38 (2016), pp. 137144.
Khaled Khelil, Farid Berrezzek e Tahar Bouadjila. GA-based design of optimal discrete wavelet lters for e cient wind speed forecasting. Em: Neural Computing and Applications 33.9 (2021), pp. 43734386.
Hui Liu, Xiwei Mi e Yanfei Li. Smart deep learning based wind speed prediction model using wavelet packet decomposition, convolutional neural network and convolutional long short term memory network. Em: Energy Conversion and Management 166 (2018), pp. 120131.
Stephane G Mallat. A theory for multiresolution signal decomposition: the wavelet representation. Em: IEEE transactions on pattern analysis and machine intelligence 11.7 (1989), pp. 674693.
José Davi Oliveira de Moura. Renamento das simulações de vento do modelo WRF utilizando Redes Neurais Articiais. Em: Monografia, Curso de Graduação em Meteorologia. Universidade Federal de Alagoas, Maceió, Alagoas (2014).
Henrique do Nascimento Camelo et al. Proposta para previsão de velocidade do vento através de modelagem híbrida elaborada a partir dos modelos ARIMAX e RNA. Em: Revista Brasileira de Meteorologia 33 (2018), pp. 115129.
Haidar Samet, Mohammad Reisi e Fatemeh Marzbani. Evaluation of neural network-based methodologies for wind speed forecasting. Em: Computers & Electrical Engineering 78 (2019), pp. 356372.
Iwldson Guilherme da Santos. Previsão da velocidade do vento na escala do parque Eólico utilizando o modelo WRF e Rede Neural e Articial. Em: (2019).
Iwldson Guilherme da Silva Santos, Roberto Fernando da Fonseca Lyra e Rosiberto Salustiano da Silva Júnior. Comparativo de Prognósticos da Velocidade do Vento Utilizando Modelo WRF e Rede Neural Artificial. Em: Revista Brasileira de Meteorologia 35 (2021), pp. 10171027.
Silvania Maria Santos da Silva et al. Estudo dos parâmetros aerodinâmicos para melhoria da previsão do vento no estado de Alagoas. Em: (2018).
Iwldson Guilherme da Silva Santos e Roberto Fernando da Fonseca Lyra. Análise do Potencial de Previsão da Velocidade do Vento Utilizando Rede Neural Articial. Em: Anuário do Instituto de Geociências 43.4 (2020), pp. 1117.
Chuanjin Yu, Yongle Li e Mingjin Zhang. An improved wavelet transform using singular spectrum analysis for wind speed forecasting based on elman neural network. Em: Energy Conversion and Management 148 (2017), pp. 895904.
