Pontos positivos

 O modelo híbrido (univariado) proposto para previsões das velocidades dos ventos a curto e longo prazos, elaborado a partir da combinação matemática de modelo de série temporal com inteligência artificial, apresentar-se capaz de fornecer precisões dessa variável considerando o estudo de caso realizado em regiões do NEB;

 O modelo híbrido (multivariado) combinado, matematicamente, a partir de um modelo de série temporal com inteligência artificial proposto para previsões das velocidades dos ventos a curto e longo prazos, elaborado por intermédio das introduções de variáveis exógenas (as quais se relacionam com a velocidade do vento local, por exemplo, pressão, temperatura e precipitação) é capaz de apresentar precisões, nas previsões das velocidades dos ventos de regiões do NEB;

 Os modelos híbridos (univariado e multivariado) propostos para previsões das velocidades dos ventos oferecem reduções de medidas estatísticas de erros, ao comparar-se ao modelo híbrido clássico de Zhang, melhorar-se desta maneira, suas performances nas previsões, e as tornam mais próximas da realidade;

 Os modelos híbridos são capazes de representar características particulares de sazonalidades das velocidades do vento – estudo de caso no NEB;

 Diferentemente dos modelos clássicos de previsões de séries temporais (ARIMAX e Holt-Winters), as características (linear e não-linear), comumente encontradas nas séries temporais observadas (velocidade do vento), são incorporadas aos modelos híbridos, e esse fator, certamente é responsável por fornecer maiores ajustes aos dados observados;

 As metodologias empregadas pelos modelos híbridos são independentes de alturas, ou seja, de acordo com a necessidade do setor eólico, esses modelos poderão ser testados

para diferentes níveis de altura;

 As previsões das velocidades dos ventos geradas pelos modelos híbridos possuem baixos custos computacionais, e assim, configuram-se em ferramentas úteis para auxiliar em rápidas respostas para o setor eólico;

 As previsões das velocidades dos ventos, via modelos híbridos propostos, poderão auxiliar em tomadas de decisões no setor eólico, por exemplo, configurando-se em segurança a mais na exploração do potencial eólico da região – estudo de caso no NEB.

4.5.2. Pontos negativos

 O ARIMAX usado para elaborar o hybrid (2) é considerado uma versão multivariada do modelo univariado ARIMA, o que não acontece com o Holt-Winters usado para elaborar o modelo hybrid (3). Ou seja, não existe uma versão multivariada, assim, não permite a interação de outras variáveis com a preditora na configuração desse modelo;

 A justificativa da não-linearidade dos resíduos fornecidos pelo modelo ARIMAX (considerado um modelo estatístico), importante na configuração do hybrid (2), é realizada mediante teste estatístico que compõe a identificação dos pressupostos para que esse modelo seja viável na representação dos dados observados. No entanto, não acontece na configuração do modelo hybrid (3), ou seja, o modelo Holt-Winters que o compõe não é considerado estatístico, e assim, inviabiliza aplicações dos testes sobre os resíduos fornecidos por ele;

 Em função da grande quantidade dos resíduos, no caso de médias horárias, constatou- se a impossibilidade de aplicações dos testes os quais identificam se os pressupostos dos modelos ARIMAX (importantes nas configurações dos modelos hybrid (2)) são atendidos para que sejam viáveis nas obtenções das previsões, porém as medidas estatísticas de erros auxiliaram também nas qualificações desses modelos;

 Dificuldade de incluir, nos modelos híbridos, o intervalo de confiança das previsões das velocidades dos ventos, em que esse empecilho é motivado pelo fato de que o modelo RNA fornece apenas as previsões pontuais, por se tratar de técnica computacional puramente matemática, não há base estatística para ser considerada, e assim, impossibilita a estimativa do intervalo de confiança das previsões.

5 CONCLUSÕES

As utilizações de fontes de energias renováveis, com a finalidade de geração de energia elétrica, têm crescido em diversas partes do mundo, como é o caso da geração eólica no Brasil. Justificar-se, em diversos aspectos, por exemplo, devido às mudanças climáticas que muitos cientistas anunciam como resultado do aumento de emissões antropogênicas de gases poluentes (por ocasião de geração de energia), faz-se necessário investir cada vez mais em fontes renováveis de energia. Outro exemplo, é o próprio fato de diversificação da matriz energética nacional, tornando-a eficiente, refere-se ao uso de diversas formas de energia. Os benefícios das fontes renováveis podem atender em especial questões econômicas e, sobretudo ambientais. Portanto, fazer com que as futuras gerações possam viver, em um mundo mais saudável, é papel fundamental da humanidade, e para isso é preciso investir, cada vez mais, em pesquisa de energias limpas e renováveis, como forma de alcançar o Desenvolvimento Sustentável, ou seja, o desenvolvimento capaz de suprir as necessidades da geração atual, sem comprometer a capacidade de atender as necessidades das futuras gerações, o desenvolvimento que não esgota os recursos para o futuro.

À procura por modelos que possam oferecer altas-precisões, nas previsões das velocidades dos ventos e, desta maneira, auxiliar o setor eólico, poderá ser objeto de muitas pesquisas. Nos últimos anos, os métodos de previsões vêm sendo muito estudados uma vez que, existem possibilidades de que os mesmos possam se configurar como importantes mecanismos de respostas aos tomadores de decisões, no tocante a confirmação da exploração dos ventos da região de estudo em questão para geração de energia elétrica. Neste sentido, a presente Tese de Doutorado teve como objetivo central apresentar dois modelos híbridos capazes de oferecer precisões, nas previsões das velocidades dos ventos (curto – longo), prazos em regiões do NEB. Esses modelos mostraram-se muito eficientes, na produção de séries temporais ajustadas aos dados observados das regiões de estudo conseguindo, por exemplo, representar características realísticas de sazonalidades locais e possuir alta-acurácia, as quais proporcionaram precisões nas previsões.

Os modelos híbridos propostos, quando comparados a outros tradicionais da literatura (modelos estritamente lineares) para previsões de séries temporais, conseguem incorporar características (linear e não-linear), as quais são frequentemente encontradas em séries temporais. Essa estratégia, certamente, é responsável por fornecer maiores precisões das

velocidades dos ventos previstas e, desta maneira, conseguem maiores reduções de medidas estatísticas de erros, comparando-se com os modelos clássicos de previsões de séries temporais da literatura.

É importante enfatizar que os modelos híbridos possuem baixos custos computacionais, uma vez que essa condição é necessária para obtenção de rápidas previsões para auxiliar no planejamento energético do setor eólico. Embora os resultados para as previsões das velocidades dos ventos neste trabalho foram apresentados nos níveis (10-60 m) de altura, e na atualidade os aerogeradores no Brasil estão sendo implantados em 100 m ou superiores a esse valor, mesmo assim, os modelos híbridos apresentados para previsões não possuem dependência de altura de forma que os mesmos podem ser testados em outros níveis.

6 PERSPECTIVAS – TRABALHOS FUTUROS

Para trabalhos futuros a continuidade desta pesquisa poderá ter como pontos iniciais as seguintes ideias:

 Testar os modelos hybrid (2) e hybrid (3) com um maior banco de dados, a fim de identificar se ocorrem maiores reduções das medidas estatísticas de erros;

 Testar o modelo hybrid (2), envolvendo outras variáveis exógenas (por exemplo, direção do vento, radiação solar, umidade relativa do ar, e dentre outras), mediante disponibilidade de dados;

 Testar os modelos híbridos, em outros níveis de alturas (a partir da disponibilidade dos dados), em especial níveis de interesse específico do setor eólico;

 Utilizar os modelos híbridos para previsões das velocidades dos ventos, em maiores quantidades de regiões do NEB, como forma de incentivar ainda mais o uso do recurso eólico para geração de energia;

 Outros tipos de RNA, nos modelos híbridos, poderão ser testados, a fim de identificar melhorias, nas performances das previsões das velocidades dos ventos;

 Os modelos híbridos propostos são propícios para previsões de séries temporais, como é o caso da velocidade do vento, porém os mesmos poderão ser testados em outras áreas, a fim de identificar se são viáveis, por exemplo, em geração fotovoltaica (previsão de energia solar), econômica (previsão de mercado), meteorologia (previsão de chuva), poluição atmosférica (previsão de aumento de poluentes), etc. Em especial, na área de ciências marinhas, é possível verificar na (ver Anexo D) proposta de artigo elaborada pelo presente autor desta Tese de Doutorado para auxiliar na contenção de derrame de óleo via previsões de velocidade e direção dos ventos dentro do ambiente marinho a partir dos modelos híbridos propostos.

REFERÊNCIAS

ABEEólica. Associação Brasileira de Energia Eólica, 2018. Disponível em: <http://www.abeeolica.org.br/dados-abeeolica/>. Acesso em: 21/12/2018.

AHRENS, C. D. Meteorology today: an introduction to weather, climate, and the environment. 9ª Ed. Boston: Cengage Learning, 2012.

AKELLA, A. K; SAINI, R. P; SHARMA, M. P. Social, economical and environmental impacts of renewable energy systems. Renewable Energy, v. 32, p. 390–396, 2009. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0960148108002073>. Acesso em: 21/12/2018.

ALADAG, C. H.; EGRIOGLU, E.; KADILAR, C. Forecasting nonlinear time series with a hybrid methodology. Applied Mathematics Letters, v. 22, p. 1467-1470, 2009. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0893965909001475>. Acesso em: 21/12/2018.

ALCÂNTARA, C. R.; SOUZA, E. P. Uma teoria termodinâmica para brisas: testes utilizando simulações numéricas. Revista Brasileira de Meteorologia, v. 23, n. 1, p. 1-11, 2008.

Disponível em: <http://www.scielo.br/scielo.php?pid=S0102-

77862008000100001&script=sci_abstract&tlng=pt>. Acesso em: 21/12/2018.

AMARANTE, O. A.; BROWER, M.; ZACK, J. 2001. Atlas do Potencial Eólico Brasileiro. In: Atlas do Potencial Eolico Brasileiro. Ministério de Minas e Energia - Eletrobras. Disponível: <http:// www.cresesb. cepel.br/ index.php? section= publicacoes&task =livro&cid =1>. Acesso em: 21/12/2018.

AMARANTE, O. D.; DA SILVA, F. J. L.; RIOS FILHO, L. G.; VIDAL, M. 2003. Atlas Do Potencial Eólico do Estado do Rio Grande Do Norte. Camargo Schubert Engenharia Eólica, COSERN/Iberdrola Empreendimentos do Brasil, 47. Disponível em:

<http://www.cresesb.cepel.br/publicacoes/download/atlas_eolico/atlas_eolico_RN.pdf>. Acesso em: 21/12/2018.

ARNETTE, A. N. Renewable energy and carbon capture and sequestration for a reduced carbon energy plan: An optimization model. Renewable and Sustainable Energy Reviews, v. 70, p. 254-265, 2017. Disponível em:

<https://www.sciencedirect.com/science/article/pii/S1364032116309224>. Acesso em: 21/12/2018.

BARRETO, A. B.; ARAGÃO, M. R. S.; BRAGA, C. C. 2002. Estudo do ciclo diário do vento à superfície no Nordeste do Brasil. In: CONGRESSO BRASILEIRO DE

METEOROLOGIA, 12, 2002, Foz de Iguaçu- Paraná. p.496-479, 2002. Disponível em: <https://docplayer.com.br/10225500-Xii-congresso-brasileiro-de-meteorologia-foz-de-iguacu- pr-2002-estudo-do-ciclo-diario-do-vento-a-superficie-no-nordeste-do-brasil.html>. Acesso em: 21/12/2018.

BENNETT, C.; STEWART, R. A.; LU, J. Autoregressive with exogenous variables and neural network short-term load forecast models for residential low voltage distribution

networks. Energies, v. 7, n. 5, p. 2938-2960, 2014. Disponível em: <https://www.mdpi.com/1996-1073/7/5/2938>. Acesso em: 21/12/2018.

BOX, G. E.; TIAO, G. C. Intervention analysis with application to economic and

enviromental problems. Journal of the American Statistical Association, v. 70, p. 70-79, 1975. Disponível em:

<https://amstat.tandfonline.com/doi/abs/10.1080/01621459.1975.10480264>. Acesso em: 21/12/2018.

BOX, G. E.; JENKINS, G. M.; REINSEL, G. C.; LJUNG, G. M. Time series analysis: forecasting and control. 5ª Ed. New York: John Wiley & Sons, 2015.

BURTON, T.; SHARPE, D.; JENKINS, N.; OSSANVI, E. Wind energy handbook. Chichester: John Wiley & Sons, 2001.

CADENAS, E.; RIVERA, W. Wind speed forecasting in the south coast of Oaxaca, Mexico. Renewable Energy, v. 32, n. 12, p. 2116-2128, 2007. Disponível em:

<https://www.sciencedirect.com/science/article/pii/S0960148106002801>. Acesso em: 21/12/2018.

CADENAS, E.; RIVERA, W. Short term wind speed forecasting in La Venta, Oaxaca, México, using artificial neural networks. Renewable Energy, v. 34, n. 1, p. 274–278, 2009. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0960148108001171>. Acesso em: 21/12/2018.

CADENAS, E.; RIVERA, W. Wind speed forecasting in three different regions of Mexico, using a hybrid ARIMA–ANN model. Renewable Energy, v. 35, n. 12, p. 2732-2738, 2010. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0960148110001898>. Acesso em: 21/12/2018.

CADENAS, E.; RIVERA, W.; CAMPOS-AMEZCUA, R.; HEARD, C. Wind speed

prediction using a univariate ARIMA model and a multivariate NARX model. Energies, v. 9, n. 2, p. 109, 2016. Disponível em: <https://www.mdpi.com/1996-1073/9/2/109/htm>. Acesso em: 21/12/2018.

CAMELO, H. N.; LUCIO, P. S.; LEAL JUNIOR, J. B. V.; DOS SANTOS, D. V. G.; CARVALHO, P. C. M. Innovative Hybrid Modeling of Wind Speed Prediction Involving Time-Series Models and Artificial Neural Networks. Atmosphere, v. 9, n. 2, p. 77-94, 2018a. Disponível em: <https://www.mdpi.com/2073-4433/9/2/77>. Acesso em: 21/12/2018.

CAMELO, H. N.; LUCIO, P. S.; LEAL JUNIOR, J. B. V. ; CARVALHO, P. C. M. ; SANTOS, D. V. G. . Innovative hybrid models for forecasting time series applied in wind generation based on the combination of time series models with artificial neural networks. Atmosphere, v.9, n.77, p.01-18, 2018b. Disponível em: <www.mdpi.com /journal/ atmosphere>. Acesso em: 21/12/2018.

CAMELO, H. N.; LUCIO, P. S.; LEAL JUNIOR, J. B. V.; CARVALHO, P. C. M. Previsão de velocidade do vento no Nordeste brasileiro através do modelo ARIMAX. Revista Ciência e Tecnologia, v. 20, n. 36, p. 9-17, 2017a. Disponível em:

CAMELO, H. N.; LUCIO, P. S.; LEAL JUNIOR, J. B. V. Wind speed modeling using ARIMA, Holt-Winters e ANN methodologies in the forecast of wind generation in northeast Brazil. Brazilian journal of Climatology, v. 21, p. 449-466, 2017b. Disponível em:

<https://revistas.ufpr.br/revistaabclima/article/view/48565>. Acesso em: 21/12/2018. CAMELO, H. N.; LUCIO, P. S.; LEAL JUNIOR, J. B. V.; CARVALHO, P. C. M. Time Series Forecasting Methods and Hybrid Modeling both Applied on Monthly Average Wind Speed for Regions of Northeastern Brazil. Revista Brasileira de Meteorologia, v. 32, n. 4, p. 565-574, 2017c. Disponível em:

<http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0102-77862017000400565>. Acesso em: 21/12/2018.

CAMELO, H. N.; LUCIO, P. S.; LEAL JUNIOR, J. B. V. Modelagem de média mensal de velocidade do vento para regiao litorânea no Nordeste brasileiro através do método aditivo Holt-Winters com vias a previsao de geraçao eólica. Revista Brasileira de Energias Renováveis, v. 5, p. 1-20, 2016. Disponível em:

<https://revistas.ufpr.br/rber/article/view/48582>. Acesso em: 21/12/2018.

CAMELO, H. N.; TEIXEIRA, W. F.; LUCIO, P. S.; JUNIOR, J. B. V. L. Previsão de

Velocidade Média do Vento através da utilização de modelagem Auto-Regressiva de Médias Móveis (ARMA) em Região Serrana no Estado do Ceará-Brasil. Revista Brasileira de Energias Renováveis, v. 4, n. 3, p. 17-29, 2015. Disponível em:

<https://revistas.ufpr.br/rber/article/view/39718>. Acesso em: 21/12/2018.

CAMELO, H. N.; CARVALHO, P. C.; JUNIOR, J. B. V. L.; ACCIOLY FILHO, J. B. P. Análise estatística da velocidade de vento do estado do Ceará. Revista Tecnologia, v. 29, n. 2, p. 211-223, 2008. Disponível em: <http://periodicos.unifor.br/tec/article/view/38>. Acesso em: 21/12/2018.

CAO, Q.; EWING, B. T.; THOMPSON, M. A. Forecasting wind speed with recurrent neural networks. European Journal of Operational Research, v. 221, n. 1, p. 148-154, 2012. Disponível em:

<https://www.sciencedirect.com/science/article/abs/pii/S0377221712001920>. Acesso em: 21/12/2018.

CARVALHO, P.. Geração eólica. Imprensa Universitária, 2003.

CEPEL.Centro de Pesquisas de Energia Elétrica, 2013. Disponível em: <http://www. novoatlas.cepel.br/>. Acesso em: 21/12/2018.

CHANG, W. Y. A literature review of wind forecasting methods. Journal of Power and Energy Engineering, v. 2, p. 161-168, 2014. Disponível em:

<http://m.scirp.org/papers/44881>. Acesso em: 21/12/2018.

CHEN, K.; YU, J. Short-term wind speed prediction using an unscented Kalman filter based state-space support vector regression approach. Applied Energy, v. 113, p. 690-705, 2014. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0306261913006600>. Acesso em: 21/12/2018.

CHOUBIN, B.; DARABI, H.; RAHMATI, O.; SAJEDI-HOSSEINI, F.; KLOVE, B. River suspended sediment modelling using the CART model: A comparative study of machine

learning techniques. Science of the Total Environment, v. 615, p. 272-281, 2018.

Disponível em: <https://www.sciencedirect.com/science/article/pii/S0048969717326451>. Acesso em: 21/12/2018.

CORTEZ, P.; RIO, M.; ROCHA, M.; SOUSA, P. Multi‐scale Internet traffic forecasting using neural networks and time series methods. Expert Systems With Applications, v. 29, p. 143-155, 2012. Disponível em: <https://onlinelibrary.wiley.com/doi/full/10.1111/j.1468- 0394.2010.00568.x>. Acesso em: 21/12/2018.

DANTAS, T. M.; OLIVEIRA, F. L. C. Previsão de velocidade de vento: Uma abordagem utilizando Bagging Holt Winters com decomposição STL. In: XLVI SIMPÓSIO

BRASILEIRO DE PESQUISA OPERACIONAL, 2014, Salvador/Ba, p. 1111-1121, 2014. Disponível em: <http://www.din.uem.br/sbpo/sbpo2014/pdf/arq0257.pdf >. Acesso em: 21/12/2018.

DE FREITAS, N. C.; SILVA, M. P. D. S.; SAKAMOTO, M. S. Wind speed forecasting: a review. Internationl Journal of Engineering Research and Application, v. 8, p. 4-9, 2018. Disponível em: <http://www.ijera.com/papers/Vol8_issue1/Part-1/B0801010409.pdf>. Acesso em: 21/12/2018.

DE GENNARO, G.; TRIZIO, L.; DI GILIO, A.; PEY, J.; PÉREZ, N.; CUSACK, M.;

QUEROL, X. Neural network model for the prediction of PM 10 daily concentrations in two sites in the Western Mediterranean. Science of the Total Environment, v. 463, p. 875-883, 2013. Disponível em:

<https://www.sciencedirect.com/science/article/pii/S0048969713007456>. Acesso em: 21/12/2018.

DE GIORGI, M. G.; FICARELLA, A.; TARANTINO, M. Assessment of the benefits of numerical weather predictions in wind power forecasting based on statistical

methods. Energy, v. 36, n. 7, p. 3968-3978, 2011. Disponível em:

<https://www.sciencedirect.com/science/article/abs/pii/S0360544211003215>. Acesso em: 21/12/2018.

DE JONG, P.; DARGAVILLE, R.; SILVER, J.; UTEMBE, S.; KIPERSTOK, A.; TORRES, E. A. Forecasting high proportions of wind energy supplying the Brazilian Northeast

electricity grid. Applied Energy, v. 195, p. 538-555, 2017. Disponível em:

<https://www.sciencedirect.com/science/article/pii/S0306261917302726>. Acesso em: 21/12/2018.

DE MICHEAUX, P. L.; DROUILHET, R.; LIQUET, B. The R Software: Fundamentals of Programming and Statistical Analysis. New York: Spring, 2014.

DÍAZ-ROBLES, L. A.; ORTEGA, J. C.; FU, J. S.; REED, G. D.; CHOW, J. C.; WATSON, J. G.; MONCADA-HERRERA, J. A. A hybrid ARIMA and artificial neural networks model to forecast particulate matter in urban areas: The case of Temuco, Chile. Atmospheric

Environment, v. 42, n. 35, p. 8331-8340, 2008. Disponível em:

<https://www.sciencedirect.com/science/article/pii/S1352231008006523>. Acesso em: 21/12/2018.

DINCER, F. The analysis on wind energy electricity generation status, potential and policies in the world. Renewable and Sustainable Energy Reviews, v. 15, p. 5135–5142, 2011.

Disponível em: <https://www.sciencedirect.com/science/article/pii/S1364032111002838>. Acesso em: 21/12/2018.

DITTMAR, M. Development Towards Sustainability: How to judge past and proposed policies? Science of the Total Environment, v. 472, p. 282-288, 2014. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0048969713012941>. Acesso em: 21/12/2018.

EPE – Empresa de Pesquisa Energética (Brasil). Balanço Energético Nacional. Rio de Janeiro: EPE, 2017. Disponível em:< https://ben. epe.gov.br/ BENRelatorioFinal.aspx ?ano Coleta=2017&anoFimColeta=2016>. Acesso em: 21/12/2018.

FARUK, D. Ö. A hybrid neural network and ARIMA model for water quality times series prediction. Engineering Applications of Artificial Intelligence, v. 23, n. 4, p. 586-594, 2010. Disponível em:

<https://www.sciencedirect.com/science/article/abs/pii/S0952197609001390>. Acesso em: 21/12/2018.

FERREIRA, A. G.; MELLO, N. G.da S. Principais sistemas atmosféricos atuantes sobre a região Nordeste do Brasil e a influência dos oceanos Pacífico e Atlântico no clima da região. Revista Brasileira de Climatologia, v. 1, n. 1, 2005. Disponível em:

<https://revistas.ufpr.br/revistaabclima/article/view/25215/16909>. Acesso em: 21/12/2018. FLORES, P.; TAPIA, A.; TAPIA, G. Application of a control algorithm for wind speed prediction and active power generation. Renewable Energy, v. 30, n. 4, p. 523-536, 2005. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0960148104002915>. Acesso em: 21/12/2018.

FOLEY, A. M.; LEAHY, P. G.; MARVUGLIA, A.; MCKEOGH, E. J. Current methods and advances in forecasting of wind power generation. Renewable Energy, v. 37, n. 1, p. 1-8, 2012. Disponível em:

<https://www.sciencedirect.com/science/article/pii/S0960148111002850>. Acesso em: 21/12/2018.

GAVARD, C. Carbon price and wind power support in Denmark. Energy Policy, v. 92, p. 455-467, 2016. Disponível em:

<https://www.sciencedirect.com/science/article/pii/S0301421516300313>. Acesso em: 21/12/2018.

GUALTIERI, G.; SECCI, S. Methods to extrapolate wind resource to the turbine hub height based on power law: A 1-h wind speed vs. Weibull distribution extrapolation

comparison. Renewable Energy, v. 43, p. 183-200, 2012. Disponível em:

<https://www.sciencedirect.com/science/article/pii/S0960148112000109>. Acesso em: 21/12/2018.

GUJARATI, D. N.; PORTER, D. C. Econometria Básica. 5ª Ed. São Paulo: McGraw-Hill, 2010.

GWEC – Global Wind Energy Council. Global wind report 2017 (tech. rep.). In: SAWYER S; DYRHOM, M, editors. GWEC (Global Wind Energy Council). Brussels, Belgium; 2017. p. 76. Disponível em:< http://files. gwec.net/register?file=/files/GWR2017.pdf>.Acesso em: 21/12/2018.

HAQUE, A. U.; MANDAL, P.; KAYE, M. E.; MENG, J.; CHANG, L.; SENJYU, T. A new strategy for predicting short-term wind speed using soft computing models. Renewable and Sustainable Energy Reviews, v. 16, p. 4563-4573, 2012. Disponível em:

<https://www.sciencedirect.com/science/article/pii/S1364032112003760>. Acesso em: 21/12/2018.

HU, J.; WANG, J.; ZENG, G. A hybrid forecasting approach applied to wind speed time series. Renewable Energy, v. 60, p. 185-194, 2013. Disponível em:

<https://www.sciencedirect.com/science/article/pii/S0960148113002577>. Acesso em: 21/12/2018.

HYNDMAN, R.; KOEHLER, A. B.; ORD, J. K.; SNYDER, R. D. Forecasting with exponential smoothing: the state space approach. New York: Springer Science & Business Media, 2008.

KAIMAL, J. C.; FINNIGAN, J. J. Atmospheric boundary layer flows: their structure and measurement. Oxford: Oxford university press, 302 p, 1994.

KAVASSERI, R. G.; SEETHARAMAN, K. Day-ahead wind speed forecasting using f- ARIMA models. Renewable Energy, v. 34, n. 05, p. 1388-1393, 2009. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0960148108003327>. Acesso em: