Use este identificador para citar ou linkar para este item: http://repositorio.ufc.br/handle/riufc/79218
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisorBraga, Arthur Plínio de Souza-
dc.contributor.authorRibeiro, Nathan Faustino-
dc.date.accessioned2024-12-23T15:54:06Z-
dc.date.available2024-12-23T15:54:06Z-
dc.date.issued2024-
dc.identifier.citationRIBEIRO, Natha Faustino. Previsão de velocidade do vento com dados reais de um parque eólico localizado no Ceará utilizando redes neurais artificiais: um estudo comparativo das redes MLP, LSTM, GRU e CNN. 2024. 70 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Elétrica) – Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2024.pt_BR
dc.identifier.urihttp://repositorio.ufc.br/handle/riufc/79218-
dc.description.abstractThe present work conducts a comparative study of the performance of different Artificial Neural Networks for predicting future wind speed based on the historical wind speed series read from an anemometric measurement tower located in the city of Quixaba-CE. It highlights the importance of this type of forecasting to improve the operational planning of wind farms, promote the integration of this energy source into the National Interconnected System (SIN), and enhance the stability of the power grid. The work discusses the various types of wind speed and wind energy forecasting methods that are utilized, as well as the related studies on the neural network architectures that were defined for constructing the predictive models (MLP, LSTM, GRU, and CNN), demonstrating the significance and effectiveness of these models for the evaluated time horizon. The work also provides a brief introduction to Artificial Neural Networks, describing the structure of each explored architecture and explaining the learning process based on the backpropagation algorithm, which adjusts the network weights. The wind speed data were processed and used to optimize the hyperparameters through the cross-validation technique applied to time series. With the hyperparameters defined, the models were built and trained with wind speed data at 10-minute intervals from 2021 to 2022 and subsequently tested with data from 2023. The models were evaluated using the metrics MAE, RMSE, MAPE, R², and through variance analysis (ANOVA), and were considered effective in predicting wind speed for the locality of Quixaba-CE. Among the implemented models, the model based on the GRU network obtained the best results, with a MAE of 0.47 m/s, a RMSE of 0.64 m/s, a MAPE of 7.55% (indicating that, on average, the model's prediction diverges 7.47% from the real value) and an R² of 0.90. With the results analyzed, it was possible to conclude that, considering the cost of the computational resources involved, the models based on the MLP and CNN networks could be used in production for short period forecast horizons. However, it highlights that if the aim is to seek maximum performance, models based on LSTM and GRU networks are more recommended.pt_BR
dc.language.isopt_BRpt_BR
dc.rightsAcesso Abertopt_BR
dc.titlePrevisão de velocidade do vento com dados reais de um parque eólico localizado no Ceará utilizando redes neurais artificiais: um estudo comparativo das redes MLP, LSTM, GRU e CNNpt_BR
dc.typeTCCpt_BR
dc.description.abstract-ptbrO presente trabalho faz um estudo comparativo do desempenho de diferentes Redes Neurais Artificiais para a previsão de velocidade do vento futuro a partir da série histórica de medições lida a partir de uma torre de medição anemométrica localizada na cidade de Aracati-CE, no Parque Eólico Quixaba. Destaca a importância desse tipo de previsão para melhorar o planejamento da operação de usinas eólicas, promover a integração no SIN (Sistema Interligado Nacional) dessa fonte e melhorar a estabilidade da rede elétrica. Menciona os diversos tipos de previsão de velocidade do vento e energia eólica que são utilizados e os trabalhos relacionados com as arquiteturas de redes neurais que foram definidas para a construção dos modelos preditivos (MLP, LSTM, GRU e CNN) mostrando a importância e eficácia desses modelos para o horizonte de tempo avaliado. O trabalho também oferece uma breve introdução às Redes Neurais Artificiais, descrevendo a estrutura de cada uma das arquiteturas exploradas e explicando o processo de aprendizado baseado no algoritmo de retropropagação de erro, que ajusta os pesos das redes. Os dados de velocidade do vento foram tratados e utilizados para otimizar os hiperparâmetros por meio da técnica de validação cruzada aplicada a séries temporais. Com a definição dos hiperparâmetros, os modelos foram construídos e treinados com dados de velocidade do vento com intervalos de 10 minutos dos anos de 2021 a 2022 e, posteriormente, testados com os dados de 2023. Os modelos foram avaliados a partir das métricas MAE, RMSE, MAPE, R² e por meio da análise variância (ANOVA), sendo considerados eficazes na previsão da velocidade do vento para a localidade de Quixabá. Dentre os modelos implementados o modelo baseado na rede GRU obteve os melhores resultados, com um MAE de 0,47 m/s, um RMSE de 0,64 m/s, um MAPE de 7,55% (indicando que, em média, a previsão do modelo diverge 7,47% do valor real) e um R² de 0,90. Com os resultados analisados, foi possível concluir que considerando o custo dos recursos computacionais envolvido, os modelos baseados nas redes MLP e CNN poderiam ser utilizados em produção para horizontes de previsão de curto período. Contudo, destaca que se o intuito for a busca do máximo desempenho, os modelos baseados nas redes LSTM e GRU são mais recomendados.pt_BR
dc.subject.ptbrRedes Neurais Artificiaispt_BR
dc.subject.ptbrPrevisãopt_BR
dc.subject.ptbrVelocidade do ventopt_BR
dc.subject.ptbrEnergia Eólicapt_BR
dc.subject.enArtificial neural networkspt_BR
dc.subject.enPredicitionpt_BR
dc.subject.enWind speedpt_BR
dc.subject.enWind powerpt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA ELETRICApt_BR
local.author.latteshttp://lattes.cnpq.br/4179644013236420pt_BR
local.advisor.latteshttp://lattes.cnpq.br/1473823107869382pt_BR
local.date.available2024-12-23-
Aparece nas coleções:ENGENHARIA ELÉTRICA - Monografias

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2024_tcc_nfribeiro.pdf3,11 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.