Uma alternativa às abordagens físicas para a previsão da velocidade do vento bem como da energia produzida, e não menos importante, são os modelos baseados em aproximações estatísticas. Estas aproximações representam uma relação entre a previsão da velocidade do vento ou da energia produzida através deste, e as variáveis explicativas que incluem NWPs bem como dados medidos em tempo real (on-line measures). As aproximações estatísticas utilizam geralmente dados históricos previamente medidos para a construção dos seus próprios modelos [4].
Sendo um tipo de modelação mais fácil de desenvolver, é também um método mais barato, devido também à inexistência de mecanismos de medição, como é o exemplo das aproximações físicas. Quanto aos resultados finais apresentados, estes revelam-se satisfatórios para uma previsão de curto prazo. Por outro lado, o erro de previsão aumenta com o aumento da extensão do horizonte temporal [3].
11
Figura 2.2 - Modelo de Aproximações Estatísticas. (adaptado de [6])
Algumas aproximações estatísticas foram já desenvolvidas onde se utilizam diversos dados estatísticos que estão relacionados de diferentes formas. Apresentam-se logo de seguida alguns dos mais representativos modelos que utilizam aproximações com base em dados estatísticos:
Conventional Statistical Approach – São aplicados modelos de séries de tempo para uma
previsão futura da energia produzida ou da velocidade do vento. De acordo com o processo de previsão que foi proposto por Box-Jenkins, este tipo de modelo é dividido em quatro categorias para proceder ao modelo matemático do problema, sendo eles: identificação do modelo, modelo de estimação, diagnóstico de verificação do modelo e por fim a previsão. Existem muitos tipos de modelos de séries de tempo que podem ser considerados: autoregressive model (AR), moving average model (MA),
autoregressive moving average model (ARMA) e autoregressive integrated moving average model (ARIMA). Estas aproximações estatísticas convencionais são muito
utilizadas para horizontes temporais de muito curto e curto prazo, sendo que estes modelos são fáceis de formular, capazes de fornecer previsões em tempo útil e são geralmente usados como modelos de referência [4].
Artificial Neural Network Approach (ANN) – Neste tipo de aproximações, as previsões
dos NWP e outras variáveis meteorológicas são usados para fazer a previsão da energia eólica ou mesmo da velocidade do vento, sendo que estes dados são trabalhados pelas redes neuronais artificias (ANN). Estas redes são treinadas tendo em conta grandes conjuntos de dados históricos com a finalidade de aprender a dependência que as variáveis de saída (output) têm nas variáveis de entrada (input). Para a previsão eólica bem como para a previsão da velocidade do vento, este tipo de aproximações são as mais comummente usadas como aproximações estatísticas, consistindo em camadas de
12
entrada (input layers), onde existe uma ou mais camadas escondidas (hidden layers), bem como por uma camada de saída (output layer). Cada camada tem um número de neurónios artificiais que são conectados a neurónios de uma camada anterior. Esta abordagem é capaz de modelar a relação complexa não linear entre as camadas de entrada e de saída através de um processo de treino e aprendizagem, havendo a possibilidade de existir autoaprendizagem, auto-organização e também auto adaptação por parte dos neurónios [4].
ANN-Fuzy Approach – A aproximação Fuzzy Logic é um mapeamento não linear das
variáveis de entrada em variáveis de saída usando valores numéricos e linguísticos Fuzy em vês de valores fixos e exatos. Esta aproximação é empregue quando há dificuldade em modelar um sistema, devido à não existência de um modelo exato para a sua avaliação, sendo que “The Logic Fuzy” permite a utilização de valores aproximados e incompletos. Devido ao seu fraco poder de aprendizagem, não é favorável usar este tipo de aproximação isoladamente. Posto isto, sabe-se que as ANN desempenham bons resultados num baixo nível computacional onde existem dados que não foram tratados. No entanto, as aproximações Fuzy Logic têm bons desempenhos em elevados e complexos níveis de computação, sendo que, uma combinação destas duas aproximações estatísticas leva a que se obtenham bons resultados para uma previsão eólica, compensando as fraquezas uma da outra e vice-versa [4].
Tabela 2.3 - Principais técnicas estatísticas para previsões de curto prazo.
Técnica/Modelo Descrição/Desempenho Desenvolvido por/Local
ARMA [9] – Autoregressive Moving Average
Alguns modelos apresentam melhorias
comparando com os modelos de persistência, embora isto não aconteça com alguns modelos devido a troca de ordem de parâmetros AR (AutoRegressive) com MA (Moving Average). O desempenho deste modelo depende muito dos parâmetros existentes no modelo.
Estados Unidos
ARIMA [9] – Autoregressive Integrated Moving
Average
Quando uma transformação diferencial é aplicada no modelo ARMA, é obtido um modelo autorregressivo integrado de média móvel (ARIMA). Este modelo é uma generalização do modelo ARMA. George Box e Gwilym Jenkins – Estados Unidos AR [9] – AutoRegressive
Estes métodos baseiam-se em dados históricos, na identificação do padrão e também na estimação do parâmetro. A diferença entre os valores previstos e os reais são usados para refinar os parâmetros do modelo. Apresenta melhores resultados do que o modelo de Persistência.
Contaxis e Kabouris
13
ANN [9] – Artificial Neural
Network
Apresenta várias técnicas/estruturas e
diferentes algoritmos de treino. Pode melhorar
significativamente os modelos físicos e
estatísticos para intervalos de tempo de muito curto prazo. Combinar modelos ANN, resulta em melhorias face ao modelo de persistên cia e pode fazer previsões tanto da velocidade do vento como de energia produzida através deste, reduzindo o erro em relação a modelos ANN simples.
Tande e Landberg
(1993)
Takagi-Surgeno [9]
Usa variáveis fuzzy para modelar a velocidade do vento e a energia produzida. Em vários casos
de estudo, mostrou-se que apresentam
melhores desempenhos face ao modelo de persistência, melhorando a precisão com o horizonte de previsão. Ramírez-Rosado e Fernández- Jiménez ANFIS [9] – Adaptive Neural Fuzzy Inference System
Usa um algoritmo de aprendizagem que combina least-square estimator e o gradient descent method. Melhora a precisão da previsão e permite uma fácil instalação do sistema nos mais variados locais. O seu design é flexível e capaz de lidar com repentinas flutuações de padrões de dados, conseguindo adaptar -se aos vários critérios de previsão a curto-prazo.
Jang (1993)
Abductive Networks (GMDH)
[9]
Baseado em GMDH (Group Method of Data Handling), são métodos mais simples e
automatizados que selecionam
automaticamente a influência dos dados para entradas, permitindo comparações entre os modelos estatísticos e os modelos empíricos. Estes métodos têm uma convergência mais rápida quanto ao treino das redes do que os ANN e apresentam melhores resultados do que o modelo de persistência para intervalos de tempo de muito curto prazo. Foi desenvolvido para conseguir prever uma média horária da velocidade do vento.
Abdel-Aal
WEFS[9] – Wind Energy Forecasting
System
Modelo combinado que consiste em meso escala física (MM5 e WRF) e algoritmos estatísticos, que se aplica a previsões da velocidade do vento para horizontes temporais de muito curto prazo e apresenta melhores resultados do que o modelo de persistência. Usa dados e m tempo real (online data) como valores de entrada para NWP acoplado com DWM (Diagnostic Wind Model) e tem em conta a topografia do local e efeitos de micro escala.
McCarthy et al.
PSO [9] – Paricle Swarm Optimization
É um método que consiste na otimizaç ão de funções não lineares que usam um método de enxame de partículas que é usado para treinar redes wavelet. Apresentam uma redução nos erros da previsão da velocidade do vento face aos métodos ANNs.
14