Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/30712
Título: | Previsão da geração de energia eólica: uma abordagem utilizando técnicas de combinação de modelos de previsão |
Título(s) alternativo(s): | Wind power forecasting: an approach using ensemble learning models |
Autor(es): | Deon, Samara |
Orientador(es): | Caldatto, Marlova Estela |
Palavras-chave: | Energia eólica Sistemas de energia elétrica Análise de séries temporais Wind power Electric power systems Time-series analysis |
Data do documento: | 17-Dez-2022 |
Editor: | Universidade Tecnológica Federal do Paraná |
Câmpus: | Pato Branco |
Citação: | DEON, Samara. Previsão da geração de energia eólica: uma abordagem utilizando técnicas de combinação de modelos de previsão. 2022. Trabalho de Conclusão de Curso (Licenciatura em Matemática) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2022. |
Resumo: | A energia eólica possui um expressivo papel na sociedade, pois ela representa 11% da matriz energética no Brasil. Além disso, detém um importante caráter ambiental e econômico. Nesse contexto, obter a previsão de energia de fonte eólica é importante para realizar tomadas de decisões no que se refere à exploração dessa energia e para o planejamento de operações dos sistemas elétricos de potência, visando o aproveitamento de recursos energéticos. Porém, devido às características de séries temporais relacionadas à produção de energia eólica como intermitência e alteração no padrão dos dados devido a fatores externos, como clima e características geográficas dos parques eólicos, o desenvolvimento de modelos estatísticos no contexto de previsões de séries temporais torna-se uma tarefa desafiadora. Assim, nesse trabalho quarenta e dois comitês de máquina também conhecidos como ensembles learning models, foram propostos para a previsão de séries temporais de energia eólica. Os ensembles foram gerados a partir de diferentes modelos base combinados por meio de: média aritmética, média harmônica, mediana e média ponderada (com pesos definidos por intermédio das métricas raiz quadrada do erro médio, erro médio absoluto, e erro absoluto médio percentual). Os ensembles foram aplicados a fim de gerar a previsão de série temporal de energia eólica para horizontes de previsão de 10, 30, 60 e 120 minutos para dois parques eólicos, localizados na Bahia, Brasil. Os resultados mostram que a combinação de previsões de modelos individuais realizadas através de média ponderada com pesos definidos a partir dos erros absolutos médios percentuais foi considerada a com melhor desempenho em termos de menor erro percentual em 87,5% dentre as combinações realizadas. Enquanto que a combinação realizada por meio da média harmônica apresentou maior erro em relação às outras em 75% das situações. O modelo que pondera (com pesos definidos usando os erros absolutos percentuais médios) as previsões das abordagens máquina de vetores suporte, máquinas de aprendizado extremo, processos Gaussianos e regressão com regularização foi considerado com o melhor desempenho em termos de menor erro em 62,5% das combinações. |
Abstract: | Wind power has a large role in society, as it represents 11% of the energy matrix in Brazil. Furthermore, has an important environmental and economic character. In this sense, obtaining wind power forecast it is important for making decisions regarding to exploration of this kind of energy and for operations planning, aiming the use of energy resources. However, due to the characteristics of the series related to wind power generation, such as intermittence and non-standard external data, such as the climate and the geographical characteristics of wind farms, the development of mathematical models in the context of a series of temporal factors becomes a difficult task. Thus, in this work forty-two learning model ensembles were proposed for wind power time series forecast. The ensembles were generated from different base models combined by means of arithmetic mean, harmonic mean, median and weighted mean (with weights defined by Root Mean Squared Error, Mean Absolute Error and Mean Absolute Percentage Error). The ensembles were applied in order to generate a wind power time series forecast for the forecast horizons of 10, 30, 60 and 120 minutes for two wind farms, located in Bahia, Brazil. The results show that the combination of forecasts of individual models performed through weighted average with weights defined from the Mean Absolute Percentage Error was considered the one with the best performance in terms of the lowest percentage error in 87.5% among the combinations performed. While the combination performed using the harmonic mean presented a larger error in relation to the others in 75% of the situations. The model that weights (with weights defined using the Mean Absolute Percentage Error) the predictions of the support vector machine, extreme learning machines, Gaussian processes and regression with regularization approaches was considered to have the best performance in terms of the smallest error at 62.5 % of ratings. |
URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/30712 |
Aparece nas coleções: | PB - Licenciatura em Matemática |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
seriestemporaisenergiaeolica.pdf | 1,12 MB | Adobe PDF | ![]() Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons