Use este identificador para citar ou linkar para este item:
http://repositorio.ufc.br/handle/riufc/2337| Tipo: | Dissertação |
| Título: | Aplicação de ferramentas de inteligência computacional para previsão da velocidade do vento |
| Título em inglês: | Wind speed forecast using computacional intelligence tools |
| Autor(es): | Bezerra, Erick Costa |
| Orientador: | Leão, Ruth Pastôra Saraiva |
| Coorientador: | Braga, Arthur Plínio de Souza |
| Palavras-chave: | Engenharia elétrica;Redes neurais (Computação) |
| Data do documento: | 2012 |
| Citação: | 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. |
| Resumo: | 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. |
| Abstract: | 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. |
| URI: | http://www.repositorio.ufc.br/handle/riufc/2337 |
| Aparece nas coleções: | DEEL - Dissertações defendidas na UFC |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| 2012_dis_ecbezerra.pdf | 23,05 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.