Camelo, Lucio e Leal Junior (2016) realizou um estudo de modelagem com m´edias mensais de velocidade do vento (na altura de 10 metros) para a cidade de Caucaia (litoral do Estado do Cear´a), com vias a previs˜ao de gera¸c˜ao e´olica, usando o modelo Holt-Winters aditivo no per´ıodo de janeiro de 2004 a dezembro de 2005. Apesar de ter sido fornecido erros reduzidos, quando comparado aos observados (aproximadamente 3,5%), estudos do vento aplicado a gera¸c˜ao e´olica devem ser feitos com observa¸c˜oes acima de 50 metros de altura, e se caso haver indisponibilidade, ´e necess´ario aplicar t´ecnicas de extrapo- la¸c˜ao.
A mesma constata¸c˜ao anterior foi verificada em Souza (2014), que utilizou Redes Neurais Ar- tificiais para previs˜ao de vento a curto prazo, com s´eries hist´oricas extra´ıdas de esta¸c˜oes autom´aticas do INMET (Instituto Nacional de Meteorologia) a uma altura de 10 metros. Ainda assim, tamb´em foi
44 identificado uma falta de embasamento te´orico nas localidades estudadas, visto que o autor utilizou a cidade Natal – RN. O local de estudo n˜ao ´e prop´ıcio a constru¸c˜ao de parque e´olico, pois ´e uma cidade (capital) urbanizada e vulner´avel a riscos ambientais em virtude das dunas e fal´esias.
Na literatura internacional, Tatinati e Velulolu (2013) propˆos m´etodos de modelagem h´ıbrida para previs˜ao do vento a curto prazo com vias a gera¸c˜ao e´olica, utilizando dados coletados de uma torre anemom´etrica a 20 metros de altura (que tamb´em n˜ao ´e padr˜ao) localizadas em Beloit (Kansas/EUA) no per´ıodo de 2003 a 2004. Os resultados mostraram que o m´etodo de modelagem h´ıbrida para essa vari´avel fornece melhores previs˜oes quando comparados aos outros m´etodos, resultando em MAE (m/s) desde 0,016 a 0,52 em seu estudo. No presente estudo, tamb´em foram obtidos resultados satisfat´orios com rela¸c˜ao a metodologia h´ıbrida.
A ONS - Operador Nacional do Sistema El´etrico (2017) desenvolveu uma metodologia para pre- vis˜ao da gera¸c˜ao de fonte e´olica (em megawatts) com o modelo ARMAX modificado, que ´e baseado na metodologia de Box-Jenkins, pela qual se obt´em um ajuste de modelos pela s´erie temporal das observa- ¸
c˜oes de modo que os res´ıduos sejam em torno de zero. Como dados de entrada do modelo, foram usados dados de vento previsto e verificado e gera¸c˜ao verificada. N˜ao foi verificado um resultado satisfat´orio entre os modelos utilizados, e com isso tem feito a ONS desenvolver mais pesquisas sobre previs˜ao do vento voltado a energia e´olica.
Cap´ıtulo 5
Conclus˜ao
A compara¸c˜ao dos modelos de previs˜ao de s´eries temporais aplicados a m´edias hor´arias da ve- locidade do vento mostrou que o modelo h´ıbrido apresentou melhores ajustes das previs˜oes aos dados observados de Belo Jardim/PE e Camocim/CE, captando o comportamento diurno da vari´avel.
Com base no trabalho desenvolvido, diversas vertentes de trabalhos futuros podem ser desenvol- vidas, tais como a implementa¸c˜ao do modelo de previs˜ao WRF (Weather Research and Forecasting) na compara¸c˜ao com outros modelos e ajustes das observa¸c˜oes. Tamb´em, a inser¸c˜ao de novas s´eries temporais com dados anemom´etricos em outras localidades.
Referˆencias
ANDRIOTTI, J. L. S. Fundamentos de Estat´ıstica e Geoestat´ıstica. Ed. UNISINOS, S˜ao Leopoldo, p. 165. 2003. ANEEL. Agˆencia Nacional de Energia El´etrica. Atlas de Energia El´etrica do Brasil. Cap´ıtulo 6. Energia E´olica. Dispon´ıvel em: <http://www2.aneel.gov.br/aplicacoes/atlas/pdf/06- energia eolica(3).pdf> Acesso em: 07 out. 2017.
AG ˆENCIA NACIONAL DE ENERGIA EL ´ETRICA (Org.). Atlas de Energia El´etrica do Brasil.
2. ed. Bras´ılia, 2005. Dispon´ıvel em: <http://www2.aneel.gov.br/aplicacoes/atlas/pdf/06-energia eolica(3).pdf>. Acesso em: 22 nov. 2017.
ANOCHI, Juliana Aparecida. PREVIS ˜AO CLIM ´ATICA DE PRECIPITA ¸C ˜AO POR REDES NEURAIS AUTOCONFIGURADAS. 2015. 161 f. Tese (Doutorado) - Curso de Compu- ta¸c˜ao Aplicada, Instituto Nacional de Pesquisas Espaciais - Inpe, S˜ao Jos´e dos Campos, 2015. Dispon´ıvel em: <http://mtc-m21b.sid.inpe.br/col/sid.inpe.br/mtc-m21b/2015/09.16.22.02/doc/publicacao.pdf>. Acesso em: 07 out. 2017.
AHRENS, C. Donald. Essentials of Meteorology. 3. ed. Pacific Grove, Ca: Thomson Brooks/cole, 2000. 464 p. Dispon´ıvel em: <www.meteoclub.gr/proo1/Essentials.of.Meteorology.pd>. Acesso em: 07 dez. 2017..
BEZERRA, Francisco Diniz; SANTOS, Lucas Sousa dos. Potencialidades da Energia E´olica no Nordeste. Caderno Setorial, [s.l.], v. 2, n. 5, p.1-19, maio 2017. Mensal. Dispon´ıvel em: <https://www.bnb.gov.br/documents/80223/1910830/Eolica.pdf/9d7251e0-4c94-4570-b223-df7820b50d4d>. Acesso em: 07 out. 2017.
CADENAS, Erasmo; RIVERA, Wilfrido. Short term wind speed forecasting in La Venta, Oaxaca, M´exico, using artificial neural networks. Renewable Energy, [s.l.], v. 34, n. 1, p.274- 278, jan. 2009. Anual. Elsevier BV. http://dx.doi.org/10.1016/j.renene.2008.03.014. Dispon´ıvel em: <http://www.sciencedirect.com/science/article/pii/S0960148108001171>. Acesso em: 07 out. 2017.
CAMELO, Henrique do Nascimento; LUCIO, Paulo S´ergio; LEAL JUNIOR, Jo˜ao Bosco Ver- ¸
cosa. Modelagem de m´edia mensal de velocidade do vento para regi˜ao litorˆanea no nordeste Brasileiro
atrav´es do m´etodo aditivo Holt-Winters com vias a previs˜ao de gera¸c˜ao e´olica. Revista Brasileira de Energias Renov´aveis, [s.l.], v. 5, n. 4, p.1-20, 23 nov. 2016. Universidade Federal do Parana. http://dx.doi.org/10.5380/rber.v5i4.48582. Dispon´ıvel em: <http://revistas.ufpr.br/rber/article/view/48582>. Acesso em: 07 out. 2017.
CEAR ´A. Cl´audia Maria de Pontes Viana. O Instituto de Pesquisa e Estrat´egia Econˆomica do Cear´a (ipece) (Org.). Perfil B´asico Municipal (Camocim). Fortaleza, 2016. 18 p. Dispon´ıvel em: <http://www.ipece.ce.gov.br/perfilbasicomunicipal/2016/Camocim.pdf>. Acesso em: 07 nov. 2017.
FERREIRA, Moniki Dara de Melo; LUCIO, Paulo S´ergio; SANTOS, Alexandre Torres Silva dos. Desempenho de m´etodos de preenchimento de falhas para velocidade do vento sobre o Rio Grande do Norte. O Setor El´etrico, S˜ao Paulo, v. 138, n. 21, p.1-116, jul. 2017. Mensal. Dispon´ıvel em: <https://www.osetoreletrico.com.br/edicoes-eletronicas/>. Acesso em: 20 nov. 2017.
GON ¸CALVES, Andr´e Rodrigues; PEREIRA, Enio Bueno; MARTINS, Fernando Ramos. PRE- VIS ˜AO DE CURTO PRAZO DA GERA ¸C ˜AO E ´OLIO-EL ´ETRICA PARA O NORDESTE BRASILEIRO POR REDES NEURAIS ARTIFICIAIS. In: CONGRESSO BRASILEIRO DE ENERGIA SOLAR, 3., 2010, Bel´em. Anais. Bel´em: Cbens, 2010. p. 1 - 9.
GRUBB, M. J; MEYER, N. I. Wind energy: Resources, systems, and regional strategies. Wind Energy: Resources, Systems, And Regional Strategies. Island Press. Washington Dc, p.157-212, 31 dez. 1993.
GWEC. Market Forecast for 2014-2018. Global Wind Energy Council. Dispon´ıvel em: <http://www.gwec.net/global-figures/market-forecast-2012-2016/>. Acesso em: 27/10/2017.
IBBETSON, A.. TOPICS IN DYNAMICAL METEOROLOGY: 6. SOME ASPECTS OF THE DESCRIPTION OF ATMOSPHERIC TURBULENCE. Weather, [s.l.], v. 33, n. 10, p.369- 382, out. 1978. Wiley-Blackwell. http://dx.doi.org/10.1002/j.1477-8696.1978.tb04611.x. Dispon´ıvel em: <http://onlinelibrary.wiley.com/doi/10.1002/j.1477-8696.1978.tb04611.x/abstract>. Acesso em: 07 out. 2017.
LIRA, Marcos Antonio Tavares. Estimativa dos recursos e´olicos no litoral cearense usando a teoria da regress˜ao linear. 2009. 82 f. Disserta¸c˜ao (Mestrado) - Curso de Ciˆencias F´ısicas Aplicadas, Centro de Ciˆencias e Tecnologia, Universidade Estadual do Ceara, Fortaleza, 2009.
LUCIO, Paulo S´ergio et al . Um modelo estoc´astico combinado de previs˜ao sazonal para a pre- cipita¸c˜ao no Brasil. Rev. bras. meteorol., S˜ao Paulo , v. 25, n. 1, p. 70-87, Mar. 2010 . Available from <http://www.scielo.br/scielo.php?script=sciarttextpid=S0102-77862010000100007lng=ennrm=iso>. ac-
48 cess on 08 Dec. 2017. http://dx.doi.org/10.1590/S0102-77862010000100007.
MCCULLOCH, Warren S.; PITTS, Walter. A logical calculus of the ideas immanent in nervous activity. The Bulletin Of Mathematical Biophysics, [s.l.], v. 5, n. 4, p.115-133, dez. 1943. Springer Nature. http://dx.doi.org/10.1007/bf02478259.
MOLOD, A. et al. Development of the GEOS-5 atmospheric general circulation model: evolution from MERRA to MERRA2. Geoscientific Model Development, [s.l.], v. 8, n. 5, p.1339-1356, 12 maio 2015. Copernicus GmbH. http://dx.doi.org/10.5194/gmd-8-1339-2015.
MUNHOZ, Fabr´ıcio C´esar; GARCIA, Anice. Caracteriza¸c˜ao da velocidade e dire¸c˜ao predomi- nante dos ventos para a localidade de Ituverava-SP. Revista Brasileira de Meteorologia, [s.l.], v. 23, n. 1, p.30-34, mar. 2008. FapUNIFESP (SciELO). http://dx.doi.org/10.1590/s0102-77862008000100003
Operador Nacional do Sistema El´etrico, ONS. DESENVOLVIMENTO METODOL ´OGICO PARA PREVIS ˜AO DE GERA ¸C ˜AO DE FONTE E ´OLICA. Rio de Janeiro: Ons, 2017. 152 p.
PERNAMBUCO. Gorki Mariano. Companhia de Pesquisa de Recursos Minerais - CPRM/Servi¸co Geol´ogico do Brasil. Belo Jardim - SC.24-X-B-III, escala 1:100.000: nota explicativa. Pernam- buco: Ufpe, 2007. 90 p.
SANTOS, A. T. S; Um estudo sobre a variabilidade do vento no nordeste do Brasil atrav´es de m´etodos estat´ısticos e via modelos dinˆamicos de meso e micro escala. 2014. 109f. Tese (Doutorado em Ciˆencias Clim´aticas) - Centro de Ciˆencias Exatas e da Terra, Universidade Federal do Rio Grande do Norte, Natal, 2014.
SILVA, Gustavo Rodrigues. Caracter´ısticas de Vento da Regi˜ao Nordeste: An´alise, Mo- delagem e Aplica¸c˜oes em projetos de Centrais E´olicas: An´alise, Modelagem e Aplica¸c˜oes para Projetos de Centrais E´olicas. 2003. 141 f. Disserta¸c˜ao (Mestrado) - Curso de Engenharia Mecˆanica, Universidade Federal de Pernambuco, Recife, 2003. Dispon´ıvel em:
<http://www.liber.ufpe.br/teses/arquivo/20040304182131.pdf>. Acesso em: 23 out. 2017.
SOUZA, Ramon Bezerra de. Avalia¸c˜ao de modelos de inteligˆencia artificial para pre- vis˜ao da velocidade de vento em curto prazo. 2014. 112 f. Disserta¸c˜ao (Mestrado) - Curso de Engenharia El´etrica, Centro de Tecnologia e Geociˆencias, Universidade Federal de Pernambuco, Recife, 2014.
STULL, Roland B. An Introduction to Boundary Layer Meteorology. [s.i]: Springer Netherlands, 1988. (Atmospheric And Oceanographic Sciences Library).
TATINATI, Sivanagaraja; VELUVOLU, Kalyana C.. A Hybrid Approach for Short-Term Fore- casting of Wind Speed. The Scientific World Journal, [s.l.], v. 2013, p.1-8, 2013. Hindawi Limited. http://dx.doi.org/10.1155/2013/548370.
VAREJ ˜AO-SILVA, M´ario Adelmo. Meteorologia e Climatologia. Recife: Vers˜ao Digital 2, 2006. 463 p. Dispon´ıvel em:
<http://www.leb.esalq.usp.br/aulas/lce5702/MeteorologiaeClimatologiaVD2Mar2006.pdf>. Acesso em: 31 maio 2017..
WU, Yuan-kang; HONG, Jing-shan. A literature review of wind forecasting technology in the world. 2007 Ieee Lausanne Power Tech, [s.l.], p.1-8, jul. 2007. IEEE.
Anexo
Instalar os pacotes install.packages(”tseries”) install.packages(”forecast”) install.packages(”forecastHybrid”) install.packages(”ForecastCombinations”) install.packages(”nnet”) install.packages(”neuralnet”) install.packages(”hydroGOF”) Carregando os pacotes library(tseries) library(forecast) library(forecastHybrid) library(ForecastCombinations) library(nnet) library(neuralnet) library(hydroGOF)Dados para camocim (por exemplo).
dados <- read.csv(”PrevisaoHWcamocim.txt”,header=T,sep=,dec=”,”) attach(dados) colnames(dados)<-c(”data”,”hora”,”V1”) names(dados) head(dados) —–Holt-Winters———————–
Modelo HW aditivo (default)
(camocim2.ts=ts(dados$V1, start=c(2004,11),freq=24)) attach(camocim2.hw)
summary(camocim2.ts) camocim2.hw<-HoltWinters(camocim2.ts) forecast(camocim2.hw,h=24) camocim2.hw Modelo HW multiplicativo (camocim2.ts=ts(dados$V1, start=c(2004,11),freq=24)) camocim2.hw=HoltWinters(camocim2.ts,seasonal = ”mult”) prev=forecast(camocim2.hw,h=24,lambda=1) attributes(prev) prev lines(prev$mean,col=”red”) prev$mean —–RNA——————————— dados2 <- read.table(”PrevisaoRNA-24horas-camocim.txt”,header=T,sep=,dec=”,”) attach(dados2) colnames(dados2)<-c(”data”,”hora”,”V1”) head(dados2)
camocim2 <- nnetar(dados2$V1) #Neural Network Time Series Forecasts names(camocim2) attach(camocim2) prev-rna-camocim <- forecast(camocim2,h=24) rna-camocim = c(prev-rna-camocim$mean) rna-camocim ——HybridModel————————– dados3 <- read.table(”Hybrid-24hora-camocim.txt”,header=F,sep=,dec=”,”) head(dados3) (jardim2.ts=ts(dados3$V3, start=c(2004,11),freq=24)) camocimmh <- hybridModel(jardim2.ts,models=”nst”)
#as,ae,aes,aet,nst,nt,aen camocimmh.24h <- forecast(camocimmh,h=24) prevcamocimmh.24h <- c(camocimmh.24h$mean)
attributes(camocimmh.24h) prevcamocimmh.24h