Aprendizado de máquina e a previsão de curto prazo para velocidade máxima do vento
DOI:
https://doi.org/10.35699/2965-6931.2023.47653Palavras-chave:
previsão, velocidade máxima do vento, XGBoost, redes neurais artificiaisResumo
Eventos de grande intensidade de ventos como passagens de frentes frias, ocorrência de ciclones, ciclones bombas, dentre outros são frequentes no sul do Brasil. A região se destaca também pela produção de energia elétrica a partir dos ventos, a qual, depende de um recurso estocástico e, portanto, sempre haverá incerteza sobre a produção final. Considerando este cenário, o presente trabalho teve como objetivo analisar a performance de modelos de machine learning para a previsão da velocidade máxima do vento com antecedência de uma hora. A regressão linear se apresentou como o método com menor capacidade de previsão. A rede neural artificial e o extreme gradient boosting (XGBoost) apresentaram melhor desempenho em termos de métricas. Os resultados obtidos demonstraram capacidade de previsões promissoras. Esses, representam uma possibilidade de inovação na previsão de velocidades máximas de vento, principalmente, quando inserida em locais onde ocorrem diferentes fenômenos com ventos extremos.
Referências
CAMELO, H. do N.; LUCIO, P. S.; LEAL JUNIOR, J. B. V.; CARVALHO, P. C. M. de. Proposta para Previsão de Velocidade do Vento Através de Modelagem Híbrida Elaborada a Partir dos Modelos ARIMAX e RNA. Revista Brasileira de Meteorologia, v. 33, p. 115–129, mar. 2018. http://dx.doi.org/10.1590/0102-7786331005. DOI: https://doi.org/10.1590/0102-7786331005
CELESC. Centrais Elétricas de Santa Catarina. Ciclone: Celesc restabelece sistema para cerca de 1 milhão de unidades. 2020. Disponível em: https://www.celesc.com.br/listagem-noticias/ciclone-celesc-restabelece-sistema-para-cerca-de-1-milhao-de-unidades. Acesso em: 23 abr. 2023.
CHEN, T.; GUESTRIN, C. XGBoost: A Scalable Tree Boosting System. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Francisco California USA: ACM, 2016, p. 785–794. http://dx.doi.org/10.1145/2939672.2939785. DOI: https://doi.org/10.1145/2939672.2939785
CHICCO, D.; WARRENS, M. J.; JURMAN, G. The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. PeerJ Computer Science, v. 7, p. e623, 5 jul. 2021. http://dx.doi.org/10.7717/peerj-cs.623. DOI: https://doi.org/10.7717/peerj-cs.623
CORRÊA, A. G. Climatologia dos Ventos e Potencial Eólico Offshore de Santa Catarina. 2018. 85 f. Dissertação (Mestrado), Curso de Oceanografia, Universidade Federal de Santa Catarina, Florianópolis, 2018.
DOSDOĞRU, A. T.; İPEK, A. B. Hybrid boosting algorithms and artificial neural network for wind speed prediction. International Journal of Hydrogen Energy, v. 47, n. 3, p. 1449–1460, jan. 2022. http://dx.doi.org/10.1016/j.ijhydene.2021.10.154. DOI: https://doi.org/10.1016/j.ijhydene.2021.10.154
GOBATO, R.; HEIDARI, A. Cyclone Bomb Hits Southern Brazil in 2020. Journal Of Atmospheric Science Research, v. 3, n. 3, 4 ago. 2020. http://dx.doi.org/10.30564/jasr.v3i3.2163. DOI: https://doi.org/10.30564/jasr.v3i3.2163
GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep learning. Cambridge, Massachusetts: The MIT Press, 2016.
Google Earth website. Plataforma de pesca Entremares em Balneário Arroio do Silva. 2022. Disponível em: https://earth.google.com/web/@-28.96237375,-49.37920088,-0.18856225a,806.36277371d,35y,0h,0t,0r. Acesso em: 03 abr. 2023
KATO, T. Prediction of photovoltaic power generation output and network operation. Integration Of Distributed Energy Resources In Power Systems, [S.L.], p. 77-108, 2016. Elsevier. http://dx.doi.org/10.1016/b978-0-12-803212-1.00004-0. DOI: https://doi.org/10.1016/B978-0-12-803212-1.00004-0
LEE, K; BOOTH, D; ALAM, P. A comparison of supervised and unsupervised neural networks in predicting bankruptcy of Korean firms. Expert Systems With Applications, v. 29, n. 1, p. 1-16, jul. 2005. Elsevier BV. http://dx.doi.org/10.1016/j.eswa.2005.01.004. DOI: https://doi.org/10.1016/j.eswa.2005.01.004
LIU, X.; ZHANG, H.; KONG, X.; LEE, K. Y. Wind speed forecasting using deep neural network with feature selection. Neurocomputing, v. 397, p. 393–403, jul. 2020. http://dx.doi.org/10.1016/j.neucom.2019.08.108. DOI: https://doi.org/10.1016/j.neucom.2019.08.108
MA, Y.; FENG, S. Prediction and Forecast of Wind Power. Large-Scale Wind Power Grid Integration, [S.L.], p. 185-209, 2016. Elsevier. http://dx.doi.org/10.1016/b978-0-12-849895-8.00005-1. DOI: https://doi.org/10.1016/B978-0-12-849895-8.00005-1
MOVLIDAR-UFSC. Base de Observação do Oceano e Atmosfera. 2021. Disponível em: https://movlidar.paginas.ufsc.br/estruturas/booa. Acesso em: 13 abr. 2023
NASSIF, F. B. A tecnologia LIDAR aplicada a medições eólicas sobre corpos hídricos e oceano. 2017. 111 f. Dissertação (Mestrado) - Curso de Programa de Pós-Graduação em Engenharia Mecânica, Centro Tecnológico, Universidade Federal de Santa Catarina, Florianópolis, 2017.
NAVAS, R. K. B.; PRAKASH, S.; SASIPRABA, T. Artificial Neural Network based computing model for wind speed prediction: A case study of Coimbatore, Tamil Nadu, India. Physica A: Statistical Mechanics and its Applications, v. 542, p. 123383, mar. 2020. http://dx.doi.org/10.1016/j.physa.2019.123383. DOI: https://doi.org/10.1016/j.physa.2019.123383
NOOROLLAHI, Y.; JOKAR, M. A.; KALHOR, A. Using artificial neural networks for temporal and spatial wind speed forecasting in Iran.
Energy Conversion and Management, v. 115, p. 17–25, mai. 2016. http://dx.doi.org/10.1016/j.enconman.2016.02.041. DOI: https://doi.org/10.1016/j.enconman.2016.02.041
OOSTWAL, E.; STRAAT, M.; BIEHL, M. Hidden unit specialization in layered neural networks: ReLu vs. sigmoidal activation. Physica A: Statistical Mechanics and its Applications, v. 564, p. 125517, fev. 2021. http://dx.doi.org/10.1016/j.physa.2020.125517. DOI: https://doi.org/10.1016/j.physa.2020.125517
PAULA, M.; COLNAGO, M.; FIDALGO, J. N.; CASACA, W. Predicting Long-Term Wind Speed in Wind Farms of Northeast Brazil: A Comparative Analysis Through Machine Learning Models. IEEE Latin America Transactions, [S. l.], v. 18, n. 11, p. 2011–2018, 2021. DOI: https://doi.org/10.1109/TLA.2020.9398643
PELÁEZ-RODRÍGUEZ, C.; PÉREZ-ARACIL, J.; FISTER, D.; PRIETO-GODINO, L.; DEO, R. C.; SALCEDO-SANZ, S. A hierarchical classification/regression algorithm for improving extreme wind speed events prediction. Renewable Energy, v. 201, p. 157–178, dez. 2022. http://dx.doi.org/10.1016/j.renene.2022.11.042. DOI: https://doi.org/10.1016/j.renene.2022.11.042
PIRES, C. H. M. Avaliação dos recursos eólicos com um LIDAR instalado em uma plataforma costeira do sul do Brasil. 2019. 98 f. Dissertação (Mestrado) - Curso de Oceanografia, Universidade Federal de Santa Catarina, Florianópolis, 2019.
PRECHELT, L. Automatic early stopping using cross validation: quantifying the criteria. Neural Networks, v. 11, n. 4, p. 761–767, jun. 1998. http://dx.doi.org/10.1016/s0893-6080(98)00010-0. DOI: https://doi.org/10.1016/S0893-6080(98)00010-0
SAMET, H.; REISI, M.; MARZBANI, F. Evaluation of neural network-based methodologies for wind speed forecasting. Computers & Electrical Engineering, v. 78, p. 356–372, set. 2019. http://dx.doi.org/10.1016/j.compeleceng.2019.07.024. DOI: https://doi.org/10.1016/j.compeleceng.2019.07.024
SANTA CATARINA. Defesa Civil realiza “Live” sobre o “Ciclone Bomba” registrado em 2020. Defesa Civil de Santa Catarina, 2021. Disponível em: https://www.defesacivil.sc.gov.br/noticias/defesa-civil-realiza-live-sobre-o-ciclone-bomba-registrado-em-2020/. Acesso em: 06 abr. 2023.
SANTA CATARINA. Nota Meteorológica da Defesa Civil /SC - 16/05 – possível Formação da Tempestade Subtropical Yakecan nesta terça-feira (17). Defesa Civil de Santa Catarina, 2022. Disponível em: http://www.defesacivil.sc.gov.br/noticias/notas-oficiais/nota-meteorologica-dc-sc-16-05-possivel-formacao-da-tempestade-subtropical-yakecan-nesta-terca-feira-17/ Acesso em: 10 abr. 2023.
SANTOS, I. G. DA S.; LYRA, R. F. DA F.; SILVA JÚNIOR, R. S. DA. Comparativo de Prognósticos da Velocidade do Vento Utilizando Modelo WRF e Rede Neural Artificial. Revista Brasileira de Meteorologia, v. 35, n. spe, p. 1017–1027, dez. 2020. http://dx.doi.org/10.1590/0102-77863550103. DOI: https://doi.org/10.1590/0102-77863550103
SUN, W.; WANG, Y. Short-term wind speed forecasting based on fast ensemble empirical mode decomposition, phase space reconstruction, sample entropy and improved back-propagation neural network. Energy Conversion and Management, v. 157, p. 1–12, fev. 2018. http://dx.doi.org/10.1016/j.enconman.2017.11.067. DOI: https://doi.org/10.1016/j.enconman.2017.11.067
VAFAEIPOUR, M.; RAHBARI, O.; ROSEN, M. A.; FAZELPOUR, F.; ANSARIRAD, P. Application of sliding window technique for prediction of wind velocity time series. International Journal of Energy and Environmental Engineering, v. 5, n. 2–3, p. 105, 2014. http://dx.doi.org/10.1007/s40095-014-0105-5. DOI: https://doi.org/10.1007/s40095-014-0105-5
XGBOOST. XGBoost Parameters. 2022.Disponível em: https://xgboost.readthedocs.io/en/latest/parameter.html#general-parameters. Acesso em: 20 abr. 2023.
YAMAGUCHI, A.; ISHIHARA, T. Maximum Instantaneous Wind Speed Forecasting and Performance Evaluation by Using Numerical Weather Prediction and On-Site Measurement. Atmosphere, v. 12, n. 3, p. 316, 28 fev. 2021. http://dx.doi.org/10.3390/atmos12030316. DOI: https://doi.org/10.3390/atmos12030316
ZUCATELLI, P.J.; NASCIMENTO, E.G.s.; AYLAS, G.y.R.; SOUZA, N.B.P.; KITAGAWA, Y.K.L.; SANTOS, A.A.B.; ARCE, A.M.G.; MOREIRA, D.M. Short-term wind speed forecasting in Uruguay using computational intelligence. Heliyon, [S.L.], v. 5, n. 5, e01664, maio 2019. http://dx.doi.org/10.1016/j.heliyon.2019.e01664. DOI: https://doi.org/10.1016/j.heliyon.2019.e01664
