Redes neurais artificiais aplicadas para a previsão sazonal de vento em parques eólicos do Rio Grande do Norte

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorCataldi, Marcio-
Autor(es): dc.contributorSalcedo, Ivanovich Lache-
Autor(es): dc.contributorGandelman, Dan Abensur-
Autor(es): dc.creatorLima, Augusto Pandolfi de-
Data de aceite: dc.date.accessioned2024-07-22T13:55:48Z-
Data de disponibilização: dc.date.available2024-07-22T13:55:48Z-
Data de envio: dc.date.issued2024-07-12-
Data de envio: dc.date.issued2024-07-12-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/33235-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/823171-
Descrição: dc.descriptionO objetivo principal deste estudo consiste em apresentar uma metodologia sazonal de previsão de velocidade do vento para parques eólicos no Rio Grande do Norte, utilizando redes neurais artificiais (RNA), com o propósito de modelar realisticamente esse recurso para otimização da produção. A escolha do modelo de RNA é respaldada pela crescente relevância da energia eólica e pelos desafios na modelagem realista do recurso. O treinamento do modelo período de análise de 1993 a 2022. Técnicas de extrapolação de dados são aplicadas para aumentar a previsibilidade a longo prazo de maneira confiável. Os resultados evidenciam que o modelo de RNA supera benchmarks como SARIMA, climatologia e modelo de persistência durante o período de validação (2014 a 2022), demonstrando redução nos erros médios percentuais e previsões mais precisas. Isso valida a metodologia proposta como confiável para previsões de vento, sendo potencialmente replicável em outras geografias, consolidando sua relevância e aplicabilidade para o setor elétrico-
Descrição: dc.descriptionThe main objective of this study is to present a seasonal methodology for wind speed forecasting for wind farms in Rio Grande do Norte, using artificial neural networks (ANNs), with the aim of realistically modeling this resource for production optimization. The choice of the ANN model is supported by the growing significance of wind energy and the challenges in realistically modeling the resource. The model training incorporates ERA-5 reanalysis data, climatic indices, and wind measurements over the analysis period from 1993 to 2022. Data extrapolation techniques are applied to reliably increase long-term predictability. The results demonstrate that the ANN model outperforms benchmarks such as SARIMA, climatology, and persistence model during the validation period (2014 to 2022), showing a reduction in mean percentage errors and more accurate forecasts. This validates the proposed methodology as reliable for wind predictions, potentially replicable in other geographical areas, consolidating its relevance and applicability to the electrical sector-
Descrição: dc.description93 f.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectVelocidade do vento-
Palavras-chave: dc.subjectHorizonte-
Palavras-chave: dc.subjectRNA-
Palavras-chave: dc.subjectParques eólicos-
Palavras-chave: dc.subjectParque eólico-
Palavras-chave: dc.subjectRio Grande do Norte-
Palavras-chave: dc.subjectRede neural artificial-
Palavras-chave: dc.subjectWind speed-
Palavras-chave: dc.subjectHorizon-
Palavras-chave: dc.subjectANN-
Palavras-chave: dc.subjectWind farms-
Título: dc.titleRedes neurais artificiais aplicadas para a previsão sazonal de vento em parques eólicos do Rio Grande do Norte-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.