BEZERRA, E. C. Aplicação de ferramentas de inteligência computacional para previsão da velocidade do vento. 2012. 127 f. Dissertação (Mestrado em em Engenharia
Elétrica) - Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2012. / Submitted by Marlene Sousa (mmarlene@ufc.br) on 2012-03-22T18:53:25Z
No. of bitstreams: 1
2012_dis_ecbezerra.pdf: 23608008 bytes, checksum: 44e699b9603806222ce35ede1e2cc22d (MD5) / Approved for entry into archive by Marlene Sousa(mmarlene@ufc.br) on 2012-03-22T18:53:59Z (GMT) No. of bitstreams: 1
2012_dis_ecbezerra.pdf: 23608008 bytes, checksum: 44e699b9603806222ce35ede1e2cc22d (MD5) / Made available in DSpace on 2012-03-22T18:53:59Z (GMT). No. of bitstreams: 1
2012_dis_ecbezerra.pdf: 23608008 bytes, checksum: 44e699b9603806222ce35ede1e2cc22d (MD5)
Previous issue date: 2012-01 / Many countries have devoted a lot of attention in the use of renewable energy sources to
ensure the growing of energy demand and sustainable development. Projections by the Global
Wind Energy Council (GWEC) indicate that by 2015 the worldwide capacity of installed
wind power will reach 449 GW, almost the double in 2010. The wind generation is
characterized by the variability in production and the restricted control. The wind power
forecast is essential for a reliable, safety and economic operation of power system. This paper
presents and analyse the predicted wind velocity of Artificial Neural Networks (FTDNN,
Elman, Jordan, NARX) to the forecasts horizons of 1h, 6h, 12h and 24h. Other
Computacional Intelligence tools (PSO & GA) are used to improve the ANN performance. It
was used as reference the results obtained through the Persistence model. It was used a time
series with 45,658 measurement of wind speed, which 80% were selected for the training
phase and 20% for validation purposes. As criteria for evaluate the performance of ANN were
considered the error methods: MAE, RMSE and MAPE. The results shows that all the ANN
ha similar results for 1h forecasts and better than the results from Persistence model. The use
of PSO as a training tool results in better forecasts than the ones from backpropagation
training. / Muitos países têm devotado elevada atenção ao uso de fontes renováveis para atender a
demanda crescente de energia e assegurar um desenvolvimento sustentável. As projeções pelo
Global Wind Energy Council (GWEC) indicam que até 2015 a capacidade mundial de
potência eolielétrica instalada deverá chegar a 449 GW, o dobro existente em 2010. A geração
eolielétrica tem como característica a variabilidade da produção e o controle restrito da
geração, sendo a previsão da geração eólica uma necessidade para a operação confiável,
segura e econômica dos sistemas de potência. Este trabalho apresenta e analisa o resultado da
previsão da velocidade do vento utilizando Redes Neurais Artificiais (FTDNN, Elman,
Jordan, e modelo Neural NARX) nos horizontes futuros de 1h, 6h, 12h e 24h. Outras
ferramentas de Inteligência Computacional (PSO e GA) são também utilizadas para buscar
melhorar o desempenho das RNAs na previsão. A análise comparativa das previsões obtidas
teve como referência o modelo de Persistência. Os dados de velocidade do vento considerados
provêm de uma série histórica com 45.658 amostras de medição, em que 80% foram
selecionadas para a fase de treinamento e 20% para a validação. Como critério de avaliação
do desempenho das Redes Neurais foram consideradas três medidas baseadas no erro da
previsão (MAE, RMSE e MAPE). Para os dados utilizados, os modelos neurais testados se
mostraram semelhantes (horizonte de 1h) e superiores (demais horizontes) ao modelo de
Persistência, a depender do horizontes de previsão. Observou-se uma significativa melhoria
das previsões dos modelos neurais ao adotar PSO como algoritmo de treinamento.
| Identifer | oai:union.ndltd.org:IBICT/oai:www.repositorio.ufc.br:riufc/2337 |
| Date | 01 1900 |
| Creators | Bezerra, Erick Costa |
| Contributors | Braga, Arthur Plínio de Souza, Leão, Ruth Pastôra Saraiva |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Repositório Institucional da UFC, instname:Universidade Federal do Ceará, instacron:UFC |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0026 seconds