Previsão da velocidade do vento utilizando redes neurais artificiais e modelos autorregressivos

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorPeron, Guilherme de Santi-
Autor(es): dc.contributorhttps://orcid.org/0000-0001-5794-0237-
Autor(es): dc.contributorhttp://lattes.cnpq.br/7845448730478685-
Autor(es): dc.contributorOroski, Elder-
Autor(es): dc.contributorhttp://lattes.cnpq.br/3724122963275678-
Autor(es): dc.contributorPes, Beatriz dos Santos-
Autor(es): dc.contributorhttp://lattes.cnpq.br/0294488118395855-
Autor(es): dc.contributorPeron, Guilherme de Santi-
Autor(es): dc.contributorhttps://orcid.org/0000-0001-5794-0237-
Autor(es): dc.contributorhttp://lattes.cnpq.br/7845448730478685-
Autor(es): dc.contributorMoritz, Guilherme Luiz-
Autor(es): dc.contributorhttps://orcid.org/0000-0003-3628-2321-
Autor(es): dc.contributorhttp://lattes.cnpq.br/0736175449254807-
Autor(es): dc.creatorOliveira, Felipe Maia Barbosa-
Data de aceite: dc.date.accessioned2022-02-21T21:54:09Z-
Data de disponibilização: dc.date.available2022-02-21T21:54:09Z-
Data de envio: dc.date.issued2020-12-20-
Data de envio: dc.date.issued2020-12-20-
Data de envio: dc.date.issued2020-11-25-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/23577-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/663242-
Descrição: dc.descriptionThe 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.-
Descrição: dc.descriptionOs 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.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherCuritiba-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherPrograma de Pós-Graduação em Sistemas de Energia-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-nc-nd/4.0/-
Palavras-chave: dc.subjectVentos - Velocidade - Previsão-
Palavras-chave: dc.subjectRedes neurais (Computação)-
Palavras-chave: dc.subjectEnergia eólica-
Palavras-chave: dc.subjectAutorregressão (Estatística)-
Palavras-chave: dc.subjectWinds - Speed - Forecasting-
Palavras-chave: dc.subjectNeural networks (Computer science)-
Palavras-chave: dc.subjectWind power-
Palavras-chave: dc.subjectAutoregression (Statistics)-
Palavras-chave: dc.subjectCNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::SISTEMAS ELETRICOS DE POTENCIA-
Palavras-chave: dc.subjectCNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOS-
Palavras-chave: dc.subjectEngenharia Elétrica-
Título: dc.titlePrevisão da velocidade do vento utilizando redes neurais artificiais e modelos autorregressivos-
Título: dc.titleWind speed forecasting using artificial neural networks and autoregressive models-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.