Redes neurais artificiais e modelos de combinação para previsão de velocidade do vento
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 predict...
Autor principal: | Barchi, Tathiana Mikamura |
---|---|
Formato: | Dissertação |
Idioma: | Português |
Publicado em: |
Universidade Tecnológica Federal do Paraná
2022
|
Assuntos: | |
Acesso em linha: |
http://repositorio.utfpr.edu.br/jspui/handle/1/30180 |
Tags: |
Adicionar Tag
Sem tags, seja o primeiro a adicionar uma tag!
|
id |
riut-1-30180 |
---|---|
recordtype |
dspace |
spelling |
riut-1-301802022-11-26T06:07:35Z Redes neurais artificiais e modelos de combinação para previsão de velocidade do vento Artificial neural networks and combination models for wind speed prediction Barchi, Tathiana Mikamura Siqueira, Hugo Valadares https://orcid.org/0000-0002-1278-4602 http://lattes.cnpq.br/6904980376005290 Andrade, Mauren Louise Sguario Coelho de https://orcid.org/0000-0002-1745-7299 http://lattes.cnpq.br/2322596810080873 Siqueira, Hugo Valadares https://orcid.org/0000-0002-1278-4602 http://lattes.cnpq.br/6904980376005290 Martins, Marcella Scoczynski Ribeiro http://lattes.cnpq.br/5212122361603572 Mattos Neto, Paulo Salgado Gomes de https://orcid.org/0000-0002-2396-7973 http://lattes.cnpq.br/4610098557429398 Almeida, Sheila Morais de https://orcid.org/0000-0002-8639-3532 http://lattes.cnpq.br/9151881548763857 Ventos - Velocidade Previsão Modelos lineares (Estatística) Redes neurais (Computação) Erros Winds - Speed Forecasting Linear models (Statistics) Neural networks (Computer science) Errors CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Engenharia/Tecnologia/Gestão 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. 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. 2022-11-25T17:07:12Z 2022-11-25T17:07:12Z 2022-08-31 masterThesis BARCHI, Tathiana Mikamura. Redes neurais artificiais e modelos de combinação para previsão de velocidade do vento. 2022. Dissertação (Mestrado em Ciência da Computação) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2022. http://repositorio.utfpr.edu.br/jspui/handle/1/30180 por openAccess http://creativecommons.org/licenses/by/4.0/ application/pdf Universidade Tecnológica Federal do Paraná Ponta Grossa Brasil Programa de Pós-Graduação em Ciência da Computação UTFPR |
institution |
Universidade Tecnológica Federal do Paraná |
collection |
RIUT |
language |
Português |
topic |
Ventos - Velocidade Previsão Modelos lineares (Estatística) Redes neurais (Computação) Erros Winds - Speed Forecasting Linear models (Statistics) Neural networks (Computer science) Errors CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Engenharia/Tecnologia/Gestão |
spellingShingle |
Ventos - Velocidade Previsão Modelos lineares (Estatística) Redes neurais (Computação) Erros Winds - Speed Forecasting Linear models (Statistics) Neural networks (Computer science) Errors CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Engenharia/Tecnologia/Gestão Barchi, Tathiana Mikamura Redes neurais artificiais e modelos de combinação para previsão de velocidade do vento |
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. |
format |
Dissertação |
author |
Barchi, Tathiana Mikamura |
author_sort |
Barchi, Tathiana Mikamura |
title |
Redes neurais artificiais e modelos de combinação para previsão de velocidade do vento |
title_short |
Redes neurais artificiais e modelos de combinação para previsão de velocidade do vento |
title_full |
Redes neurais artificiais e modelos de combinação para previsão de velocidade do vento |
title_fullStr |
Redes neurais artificiais e modelos de combinação para previsão de velocidade do vento |
title_full_unstemmed |
Redes neurais artificiais e modelos de combinação para previsão de velocidade do vento |
title_sort |
redes neurais artificiais e modelos de combinação para previsão de velocidade do vento |
publisher |
Universidade Tecnológica Federal do Paraná |
publishDate |
2022 |
citation |
BARCHI, Tathiana Mikamura. Redes neurais artificiais e modelos de combinação para previsão de velocidade do vento. 2022. Dissertação (Mestrado em Ciência da Computação) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2022. |
url |
http://repositorio.utfpr.edu.br/jspui/handle/1/30180 |
_version_ |
1805313972052688896 |
score |
10,814766 |