
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Siqueira, Hugo Valadares | - |
| Autor(es): dc.contributor | https://orcid.org/0000-0002-1278-4602 | - |
| Autor(es): dc.contributor | http://lattes.cnpq.br/6904980376005290 | - |
| Autor(es): dc.contributor | Andrade, Mauren Louise Sguario Coelho de | - |
| Autor(es): dc.contributor | https://orcid.org/0000-0002-1745-7299 | - |
| Autor(es): dc.contributor | http://lattes.cnpq.br/2322596810080873 | - |
| Autor(es): dc.contributor | Siqueira, Hugo Valadares | - |
| Autor(es): dc.contributor | https://orcid.org/0000-0002-1278-4602 | - |
| Autor(es): dc.contributor | http://lattes.cnpq.br/6904980376005290 | - |
| Autor(es): dc.contributor | Martins, Marcella Scoczynski Ribeiro | - |
| Autor(es): dc.contributor | http://lattes.cnpq.br/5212122361603572 | - |
| Autor(es): dc.contributor | Mattos Neto, Paulo Salgado Gomes de | - |
| Autor(es): dc.contributor | https://orcid.org/0000-0002-2396-7973 | - |
| Autor(es): dc.contributor | http://lattes.cnpq.br/4610098557429398 | - |
| Autor(es): dc.contributor | Almeida, Sheila Morais de | - |
| Autor(es): dc.contributor | https://orcid.org/0000-0002-8639-3532 | - |
| Autor(es): dc.contributor | http://lattes.cnpq.br/9151881548763857 | - |
| Autor(es): dc.creator | Barchi, Tathiana Mikamura | - |
| Data de aceite: dc.date.accessioned | 2025-08-29T12:46:20Z | - |
| Data de disponibilização: dc.date.available | 2025-08-29T12:46:20Z | - |
| Data de envio: dc.date.issued | 2022-11-24 | - |
| Data de envio: dc.date.issued | 2022-11-24 | - |
| Data de envio: dc.date.issued | 2022-08-31 | - |
| Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/30180 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1101565 | - |
| Descrição: dc.description | Wind power generation has been highlighted in Brazil due to the need to diversify the electrical matrix, which mainly depends on hydroelectric plants. However, wind speed is a resource that presents constant fluctuations throughout the day, months, and even years. In this context, wind speed prediction is essential as it helps in the electrical system’s management, dispatch, and operation. In this sense, this research carried out an extensive comparison of traditional forecasting models, being the Linear Models (Auto-Regressive and Auto-Regressive and Moving Average models) and Artificial Neural Networks (Multilayer Perceptron - MLP, Radial Basis Function Networks - RBF, Extreme Learning Machine - ELM and Echo State Neural Networks - ESN ), versus combination models: Ensembles and Hybrid Error Correction Systems. The application of the methodology considered databases provided by the SONDA project (National Environmental Data Organization System) with wind speeds for the cities: Brasília, Florianópolis, Natal, Petrolina, and São Luís. The error of each predictive model was verified through the metrics Mean Absolute Error, Mean Squared Error, Average Relative Variance, and Index of Agreement. The ESN network reached 1st place in the performance ranking considering its placement for each city, being the model that presented the smallest error for Natal and Petrolina. The ARMA proved to be more suitable for specific cases of Brasília, Natal, and Petrolina. However, its classification in the general ranking was degraded due to its inaccurate performance in the other cases. The Ensemble occupied second and third places with Median Ensemble (Single Models without RBF) and Median Ensemble (RNAs without RBF), respectively. In the final ranking, Hybrid Systems were a negative highlight. | - |
| Descrição: dc.description | A geração de energia por fonte eólica vem recebendo destaque no Brasil devido à necessidade de diversificação da matriz elétrica que depende, em sua maioria, de usinas hidrelétricas. Entretanto, a velocidade do vento é um recurso que apresenta constantes oscilações ao longo do dia, meses e até anos. Neste contexto, a previsão da velocidade do vento é importante pois auxilia, por exemplo, no gerenciamento, despacho e operação do sistema elétrico. Neste sentido, esta pesquisa realizou uma comparação extensiva do desempenho de modelos de previsão, considerando Modelos Lineares (Auto-Regressivo e Auto-Regressivo de Médias Móveis) e Redes Neurais Artificiais (Perceptron de Múltiplas Camadas - MLP, Redes Neurais com Função de Base Radial - RBF, Máquina de Aprendizagem Extremo - ELM e Redes Neurais com Estado de Eco - ESN), versus moelos de combinação, Ensembles e Sistemas Híbridos de Correção de Erro. A aplicação da metodologia se deu em bases de dados disponibilizadas pelo projeto SONDA (Sistema Nacional de Organização de Dados Ambientais) com as velocidades do vento para as cidades: Brasília, Florianópolis, Natal, Petrolina e São Luís. Foi verificado o erro de cada modelo preditivo através das métricas: Erro Quadrático Médio, Erro Absoluto Médio, Variação Relativa Média e Índice de Concordância. A rede ESN alcançou o 1º lugar geral no ranking de desempenho considerando a sua colocação para cada cidade, sendo ainda o modelo que apresentou o menor erro para Natal e Petrolina. Para os casos específicos de Brasília, Natal e Petrolina, o ARMA se mostrou mais adequado. Todavia, devido ao seu desempenho pouco acurado nos outros casos, sua posição no ranking geral foi degradada. Os Ensembles ocuparam o segundo e terceiro lugares com oEnsemble de Mediana (Modelos Únicos sem RBF) e Ensemble de Mediana (redes neurais sem RBF), respectivamente. No ranking final, os Sistemas Híbridos foram destaque negativo. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
| Publicador: dc.publisher | Ponta Grossa | - |
| Publicador: dc.publisher | Brasil | - |
| Publicador: dc.publisher | Programa de Pós-Graduação em Ciência da Computação | - |
| Publicador: dc.publisher | UTFPR | - |
| Direitos: dc.rights | openAccess | - |
| Direitos: dc.rights | http://creativecommons.org/licenses/by/4.0/ | - |
| Palavras-chave: dc.subject | Ventos - Velocidade | - |
| Palavras-chave: dc.subject | Previsão | - |
| Palavras-chave: dc.subject | Modelos lineares (Estatística) | - |
| Palavras-chave: dc.subject | Redes neurais (Computação) | - |
| Palavras-chave: dc.subject | Erros | - |
| Palavras-chave: dc.subject | Winds - Speed | - |
| Palavras-chave: dc.subject | Forecasting | - |
| Palavras-chave: dc.subject | Linear models (Statistics) | - |
| Palavras-chave: dc.subject | Neural networks (Computer science) | - |
| Palavras-chave: dc.subject | Errors | - |
| Palavras-chave: dc.subject | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | - |
| Palavras-chave: dc.subject | Engenharia/Tecnologia/Gestão | - |
| Título: dc.title | Redes neurais artificiais e modelos de combinação para previsão de velocidade do vento | - |
| Título: dc.title | Artificial neural networks and combination models for wind speed prediction | - |
| Tipo de arquivo: dc.type | livro digital | - |
| Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT | |
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: