Artigo - Atena Editora

Artigo

Baixe agora

Livros

Previsão de velocidade do vento com série temporal multivariada utilizando rede neurais recorrente

A investigação da série temporal é fundamental para o monitoramento e administração de sistemas elétricos, particularmente no contexto de sistemas de energia eólica, onde a capacidade de prever a velocidade do vento com elevada precisão é crucial. Tal previsão possibilita o despacho de energia de maneira eficiente e contribui para a mitigação dos riscos associados à volatilidade inerente das condições eólicas. O presente estudo propõe e implementa um modelo de Rede Neural Recorrente Multivariada com Memória de Curto e Longo Prazo (MV-LSTM do inglês Long Short-Term Memory Networks with Multiple Variables) para analisar dados de velocidade do vento, incluindo medidas médias, máximas e mínimas em base horária. Adicionalmente, uma Rede LSTM univariada foi desenvolvida para servir como termo de comparação. Os dados empregados neste estudo foram coletados por meio de um anemômetro sônico, durante o intervalo de 01 de janeiro a 31 de dezembro de 2015, em um ecossistema de cerrado nativo na Fazenda Água Limpa (FAL), situada no Distrito Federal, Brasil. Os resultados obtidos indicam que a inclusão dos vetores de velocidade máxima e mínima aprimora significativamente a precisão das previsões de velocidade do vento. Além disso, o modelo MV-LSTM demonstrou uma redução no atraso das previsões em situações de transições abruptas na velocidade do vento, um desafio previamente identificado por Xie et al. (2021) em sua pesquisa. Sugere-se que o modelo pode ser aperfeiçoado através da adição de camadas adicionais e da integração com outros métodos de aprendizado de máquina para otimizar ainda mais o desempenho preditivo.
Ler mais

Previsão de velocidade do vento com série temporal multivariada utilizando rede neurais recorrente

  • DOI: https://doi.org/10.22533/at.ed.9282428046

  • Palavras-chave: MV-LSTM, Previsão, Energia Eólica

  • Keywords: MV-LSTM, Forecast, Wind Energy

  • Abstract: Investigating time series is crucial for monitoring and administering electrical systems, especially in the context of wind energy systems, where the ability to predict wind speed with high precision is critical. Such forecasting enables efficient energy dispatch and contributes to mitigating risks associated with the inherent volatility of wind conditions. This study proposes and implements a Multivariate Long Short-Term Memory (MV-LSTM) model to analyze wind speed data, including average, maximum, and minimum hourly measurements. Additionally, a univariate LSTM network was developed for comparison. The data used in this study were collected through a sonic anemometer, from January 1 to December 31, 2015, in a native cerrado ecosystem at Fazenda Água Limpa (FAL) in the Federal District, Brazil. The findings indicate that including maximum and minimum speed vectors significantly improves the accuracy of wind speed forecasts. Moreover, the MV-LSTM model showed a reduction in forecast lag in situations of abrupt wind speed transitions, addressing a challenge previously identified by Xie et al. (2021). It suggests that the model could be further enhanced by adding additional layers and integrating with other machine learning methods to optimize predictive performance.

  • Reginaldo Nunes da Silva
  • Dario Gerardo Fantini
  • Mauro Sérgio Silva Pinto
  • Rafael Castilho Farias Mendes
  • Marlos José Ribeiro Guimarães
  • Antônio César Pinho Brasil Júnior
Fale conosco Whatsapp