Aprendizaje automático y pronóstico a corto plazo para la velocidad máxima del viento
DOI:
https://doi.org/10.35699/2965-6931.2023.47653Palabras clave:
pronóstico, velocidad máxima del viento;, XGBoost, redes neuronales artificialesResumen
Eventos de gran intensidad de vientos, como el paso de frentes fríos, la ocurrencia de ciclones, ciclones bomba, entre otros, son frecuentes en el sur de Brasil. La región también se destaca por la producción de electricidad a partir de los vientos, que depende de un recurso estocástico y, por lo tanto, siempre habrá incertidumbre sobre la producción final. Considerando este escenario, el presente trabajo tuvo como objetivo analizar el desempeño de los modelos de aprendizaje automático para predecir la velocidad máxima del viento con una hora de anticipación. La regresión lineal fue el método con menor capacidad predictiva. La red neuronal artificial y el impulso de gradiente extremo (XGBoost) se desempeñaron mejor en términos de métricas. Los resultados obtenidos demostraron una prometedora capacidad de predicción. Estos representan una posibilidad de innovación en la predicción de las velocidades máximas del viento, especialmente cuando se insertan en lugares donde ocurren diferentes fenómenos con vientos extremos.Descargas
Citas
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.