Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (Unesp) | - |
Autor(es): dc.contributor | University of Porto | - |
Autor(es): dc.creator | de Paula, M. [UNESP] | - |
Autor(es): dc.creator | Colnago, M. [UNESP] | - |
Autor(es): dc.creator | Fidalgo, J. | - |
Autor(es): dc.creator | Casaca, W. [UNESP] | - |
Data de aceite: dc.date.accessioned | 2022-02-22T00:46:21Z | - |
Data de disponibilização: dc.date.available | 2022-02-22T00:46:21Z | - |
Data de envio: dc.date.issued | 2021-06-25 | - |
Data de envio: dc.date.issued | 2021-06-25 | - |
Data de envio: dc.date.issued | 2020-10-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1109/TLA.2020.9398643 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/206172 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/206172 | - |
Descrição: dc.description | The rapid growth of wind generation in northeast Brazil has led to multiple benefits to many different stakeholders of energy industry, especially because the wind is a renewable resource - an abundant and ubiquitous power source present in almost every state in the northeast region of Brazil. Despite the several benefits of wind power, forecasting the wind speed becomes a challenging task in practice, as it is highly volatile over time, especially when one has to deal with long-term predictions. Therefore, this paper focuses on applying different Machine Learning strategies such as Random Forest, Neural Networks and Gradient Boosting to perform regression on wind data for long periods of time. Three wind farms in the northeast Brazil have been investigated, whose data sets were constructed from the wind farms data collections and the National Institute of Meteorology (INMET). Statistical analyses of the wind data and the optimization of the trained predictors were conducted, as well as several quantitative assessments of the obtained forecast results. | - |
Descrição: dc.description | Department of Energy Engineering São Paulo State University (UNESP), Av. dos Barrageiros, 1881 | - |
Descrição: dc.description | The Power Systems Unit of INESC TEC The Faculty of Engineering University of Porto, Rua Dr Roberto Frias, s/n | - |
Descrição: dc.description | Department of Energy Engineering São Paulo State University (UNESP), Av. dos Barrageiros, 1881 | - |
Formato: dc.format | 2011-2018 | - |
Idioma: dc.language | pt_BR | - |
Relação: dc.relation | IEEE Latin America Transactions | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Long-Term | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | Northeastern Brazil | - |
Palavras-chave: dc.subject | Regression | - |
Palavras-chave: dc.subject | Wind power | - |
Palavras-chave: dc.subject | Wind speed forecasting | - |
Título: dc.title | Predicting long-term wind speed in wind farms of northeast Brazil: A comparative analysis through machine learning models | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: