Modelos híbridos estocástico - matemático para previsão de velocidade do vento

UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE CENTRO DE CIÊNCIAS EXATAS E DA TERRA

PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIAS CLIMÁTICAS

TESE DE DOUTORADO

MODELOS HÍBRIDOS ESTOCÁSTICO - MATEMÁTICO PARA PREVISÃO DE VELOCIDADE DO VENTO

HENRIQUE DO NASCIMENTO CAMELO

NATAL 2018

MODELOS HÍBRIDOS ESTOCÁSTICO - MATEMÁTICO PARA PREVISÃO DE VELOCIDADE DO VENTO

HENRIQUE DO NASCIMENTO CAMELO

Tese de Doutorado apresentada ao Programa de Pós-graduação em Ciências Climáticas, do Centro de Ciências Exatas e da Terra da Universidade Federal do Rio Grande do Norte, como parte dos requisitos para obtenção do título de Doutor em Ciências Climáticas.

Orientador: Prof. Dr. Paulo Sérgio Lucio

Co-orientador: Prof. Dr João Bosco Verçosa Leal Junior

COMISSÃO EXAMINADORA

Prof. Dr. Paulo Sergio Lucio (Universidade Federal do Rio Grande do Norte - UFRN)

Prof. Dr. João Bosco Verçosa Leal Junior (Universidade Estadual do Ceará - UECE)

Prof. Dr. Paulo Cesar Marques de Carvalho (Universidade Federal do Ceará – UFC)

Prof. Dr. José Maria Brabo Alves (Universidade Estadual do Ceará - UECE)

Profa. Dra. Meiry Sayuri Sakamoto (Fundação Cearense de Meteorologia e Recursos Hídricos - FUNCEME)

NATAL RN 2018

Universidade Federal do Rio Grande do Norte - UFRN Sistema de Bibliotecas - SISBI

Catalogação de Publicação na Fonte. UFRN - Biblioteca Setorial Prof. Ronaldo Xavier de Arruda - CCET

Camelo, Henrique do Nascimento.

Modelos híbridos estocástico - matemático para previsão de velocidade do vento / Henrique do Nascimento Camelo. - 2019.

138f.: il.

Tese (Doutorado) - Universidade Federal do Rio Grande do Norte, Centro de Ciências Exatas e da Terra, Programa de

Pós-Graduação em Ciências Climáticas. Natal, 2019.

Orientador: Paulo Sergio Lucio.

Coorientador: João Bosco Verçosa Leal Junior.

1. Séries temporais - Tese. 2. Box-Jenkins - Tese. 3. Holt-Winters - Tese. 4. Inteligência artificial - Tese. 5. Nordeste brasileiro - Tese. I. Lucio, Paulo Sergio. II. Leal Junior, João

Bosco Verçosa. III. Título.

RN/UF/CCET CDU 519.246.8

AGRADECIMENTOS

A todos os meus familiares, em especial minha esposa Ana Karine e meu filho Guilherme e amigos.

Ao meu orientador e professor Dr. Paulo Sérgio Lucio.

À Universidade Federal do Rio Grande do Norte (UFRN) instituição dedicada por muitos anos na formação de pessoa.

A todos que compõem a Pós-Graduação em Ciências Climáticas (PPGCC/UFRN). Aos professores do PPGCC/UFRN, em especial os que eu obtive convívio diretamente por ocasião das disciplinas cursadas.

Ao Instituto Federal de Educação, Ciência e Tecnologia do Ceará (IFCE), instituição que tenho o prazer de fazer parte como professor e assim espero por toda minha vida.

Ao meu coorientador e amigo professor Dr. João Bosco Verçosa Leal Junior. Ao companheiro de pesquisa do doutorado o amigo Oseas.

Ao companheiro de pesquisa em geração eólica professor Dr. Paulo Cesar Marques de Carvalho.

Ao amigo engenheiro Daniel Von Glehn pelas parcerias nas pesquisas e consequente publicação em periódicos científicos.

À Agência Nacional do Petróleo (ANP) pelo financiamento da bolsa de doutorado. Ao professor Dr. Jorge Eduardo Lins, coordenador do projeto da bolsa de doutorado ANP.

RESUMO

Nos últimos dez anos, é possível identificar maiores inserções de recursos renováveis de energias para geração de eletricidade na matriz energética nacional, como é o caso da geração eólica. Isto pode ser justificado em diversos aspectos, por exemplo, em relação à fonte eólica que tem exercido importante função na matriz brasileira ao fornecer uma alternativa financeiramente viável à principal geradora de eletricidade do país, como a fonte hidráulica. Outro ponto a favor da geração eólica trata-se da questão ambiental, a utilização deste recurso deve ser encarada sobretudo neste aspecto. Além disso, no Nordeste do Brasil, há a chamada complementariedade, isto quando as vazões dos rios para gerarem energia são baixas, principalmente, segundo semestre do ano, em grande parte da mesma os ventos são, climatologicamente, mais intensos. A quantidade de trabalhos sobre geração eólica no Brasil cresce a cada dia, trazendo benefícios ao setor em particular e fornecendo garantias de exploração dos ventos locais. Nesse sentido este trabalho tem como objetivo apresentar dois modelos híbridos inovadores os quais poderão auxiliar no setor eólico por serem capazes de realizar previsões das velocidades dos ventos com boa acurácia afirmação baseada em medidas de validações dos modelos. Os modelos foram elaborados a partir das combinações matemáticas de dois modelos clássicos de séries temporais (Auto-Regressivo Integrado de Médias Móveis e Entradas Exógenas (ARIMAX) e suavização exponencial com o Holt-Winters (HW)) com um modelo de inteligência artificial (Rede Neural Artificial (RNA)). Nas comparações entre as séries temporais (observada e ajustada em termos de médias mensais e horárias) é possível identificar, por exemplo, valor do coeficiente de eficiência Nash-Sutcliffe (NS) de aproximadamente 98%, e também valor de erro percentual em torno de 4,5%, os quais de acordo com a literatura confirmam a boa acurácia dos modelos. Um grande diferencial dos modelos híbridos propostos quando comparado com outros tradicionais da literatura está no fato de que conseguem incorporar as características (linear e não-linear), as quais são frequentemente encontradas em séries temporais, uma condição importante para proporcionar maiores precisões das velocidades do vento previstas fornecendo, desta maneira, maiores reduções de medidas estatísticas de erros, por exemplo, em alguns casos da ordem de 50%,quando comparado com os modelos clássicos que os compõem. Os modelos híbridos propostos podem representar importantes ferramentas norteadoras aos tomadores de decisão do setor de geração eólica no tocante a exploração dos ventos, entretanto, outras áreas de interesse podem ser analisadas quanto à viabilidade dos mesmos.

Palavras-chaves: Séries temporais. Box-Jenkins. Holt-Winters. Inteligência Artificial. Nordeste brasileiro.

ABSTRACT

In the last 10 years, it is possible to identify greater insertions of renewable energy resources for electricity generation in the national energy matrix, such as wind generation. This can be justified in several aspects, for example, in relation to the wind power source; it has played an important role in the Brazilian matrix by providing a financially viable alternative to the main electricity generator in the country that is the hydraulic source. Another point in favor of the wind generation is the environmental issue, the use of this resource must be considered in this aspect, in addition in the Northeast of Brazil there is the so-called complementarity, this when the river flows to generate energy are low, second half of the year, in much of it according to climatology the winds are more intense. The amount of work on wind generation in the country grows each day bringing benefits to the particular sector providing guarantees of exploitation of the local winds. In this sense, the objective of this work is to present two innovative hybrid models, which can help in the wind sector, by being able to predict wind velocities with good accuracy based on validation measures of the models. The models were elaborated from the mathematical combinations of two classic time-series models (Integrated Automatic Regressive of Moving Averages and Exogenous inputs (ARIMAX) and Exponen Tial Exponential Smoothing with Holt-Winters - HW) with an artificial intelligence model (Artificial Neural Network (RNA)). In the comparisons between the time series (observed and adjusted in terms of monthly and hourly averages) it is possible to identify, for example, Nash-Sutcliffe (NS) efficiency value of approximately 98%, and also percentage error value around 4.5%, which according to the literature (as will be shown) confirm the good accuracy of the models. A large differential of the proposed hybrid models, when compared to other traditional ones is that they can incorporate both linear and nonlinear characteristics, which are often found in time series, being this important condition to provide greater precision of the velocities of the predicted wind, thus providing greater reductions in statistical error measures (for example, in some cases of the order of 50%) when compared with the classical models that compose them. The proposed hybrid models may represent important tools for decision-makers in the wind generation sector in terms of wind exploitation; however, other areas of interest can be analyzed for their feasibility.

SUMÁRIO

LISTA DE FIGURAS ... i

LISTA DE TABELAS ... iii

LISTA DE SÍMBOLOS ... viii

1. INTRODUÇÃO ... 1

1.1. Objetivos da Tese ... 4

1.2. Contextualização do Problema ... 5

1.3. Questões Norteadoras e Hipóteses ... 7

1.4. Importância da Presente Pesquisa para o Setor Eólico ... 8

1.5. Estrutura da Tese ... 11

2. REVISÃO DA LITERATURA – PREVISÃO DE VELOCIDADE DO VENTO ... 11

2.1. Contexto Mundial ... 11

2.2. Contexto Do Brasil ... 17

3. MATERIAL E MÉTODOS ... 21

3.1. Regiões de Estudo e Dados Utilizados ... 21

3.2. Modelos de Séries Temporais ... 24

3.2.2. Modelo Holt-Winters ... 34

3.3. Inteligência Artificial ... 38

3.4. Modelos Híbridos ... 41

3.4.1. Modelo Híbrido de Zhang ... 42

3.4.2. Propostas inovadoras de modelos Híbridos ... 43

3.5 Medidas de Acurácia ... 45

3.5.1. Técnicas estatísticas ... 45

3.5.2. Critérios para o melhor modelo de previsão por medidas de acurácia ... 47

3.5.3. Medidas de erros (trabalhos sobre previsão de velocidade do vento) para diferentes horizontes de previsões ... 47

3.6 Breve Descrição do Software Utilizado ... 50

3.7 FLUXOGRAMA ... 57

4.1 Configurações dos Modelos ... 61

4.1.2 Configurações dos modelos HW ... 64

4.1.3. Configurações dos Modelos RNA ... 67

4.2 Análises das Medidas de Acurácia ... 70

4.3 Ilustrações Gráficas ... 75

4.4 Respostas – Questões Norteadoras e Hipóteses ... 99

4.5 Pontos Positivos e Negativos dos Modelos Hybrid (2) e Hybrid (3) ... 101

4.5.1 Pontos positivos ... 101

5 CONCLUSÕES ... 103

6 PERSPECTIVAS – TRABALHOS FUTUROS ... 105

REFERÊNCIAS ... 106

ANEXOS ... 116

ANEXO A - SCRIPTS ... 116

ANEXO B – ARTIGOS PUBLICADOS EM PERIÓDICOS ... 118

ANEXO C – TRABALHOS APRESENTADOS EM EVENTOS ... 120

LISTA DE FIGURAS

Figura 1 - Estimativas de médias mensais de velocidade do vento e potência eólica instalada em todo território brasileiro. ... 3 Figura 2 - Mapa do Brasil com ilustração das regiões (Fortaleza e Natal), em que foram coletados os dados das velocidades dos ventos dos aeroportos das respectivas cidades. ... 22 Figura 3 - Mapa com destaque do Estado do Ceará com ilustrações das localidades de (Paracuru e Camocim), onde foram coletados os dados de velocidade do vento da SEINFRA. ... 23 Figura 4 - Ilustração de um processo estocástico interpretado como uma família de variáveis aleatórias. ... 26 Figura 5 - Ilustração das etapas envolvidas na configuração do modelo ARIMA para previsão de séries temporais... 29 Figura 6 - Série Hipotética de velocidade do vento para ilustrar uma série temporal estacionária. ... 37 Figura 7 - Representação de estrutura de Redes Neurais Artificiais. ... 40 Figura 8 - Exemplo do Ambiente R – utilizando o console Rstudio. ... 51 Figura 9 - Apresentação de fluxograma etapas resumidas para as elaborações dos modelos hybrid (1) e hybrid (2) por meio do software R. ... 59 Figura 10 - Apresentação de fluxograma: etapas resumidas para a elaboração do modelo hybrid (3) por meio do software R. ... 60 Figura 11(a) - Série temporal observada da velocidade do vento em Camocim (linha cor preta) considerando o período de treinamento. ... 77 Figura 11(b) - Série temporal ajustada (modelo hybrid (3)) da velocidade do vento em Camocim (linha cor azul). ... 78 Figura 11(c) - Apresentação dos valores de MAE (linha cor preta) na comparação entre as séries temporais (observada e ajustada – hybrid (3)) em Camocim. ... 79 Figura 12(a) - Série temporal observada da velocidade do vento em Paracuru (linha cor preta) considerando o período de treinamento. ... 80 Figura 12(b) - Série temporal ajustada (modelo hybrid (3)) da velocidade do vento em Paracuru (linha cor azul)... 81 Figura 12(c) - Apresentação dos valores de MAE na comparação entre as séries temporais (observada e ajustada – hybrid (3)) em Paracuru. ... 82

Figura 13 - Em Camocim - Comparação entre as séries temporais (observada e prevista) na Fase de Teste (31/08/2005) em (a), e em (b), representação da medida de MAE entre essa comparação. ... 84 Figura 14 - Camocim - Comparação entre as séries temporais (observada e prevista) na fase de teste (31/08/2005) em (a), e em (b) representação da medida de MAE nessa comparação. 85 Figura 15 - Fortaleza média mensal - Comparação entre as séries temporais (observada e ajustada) na Fase de Treinamento em (a), (b) comparação entre as séries temporais (observada e prevista) na Fase de Teste, e em (c) representação da medida de MAE, nessa última. ... 87 Figura 16 - Natal média mensal - Comparação entre as séries temporais (observada e ajustada) na Fase de Treinamento em (a), (b) comparação entre as séries temporais (observada e prevista) na Fase de Teste, e em (c) representação da medida de MAE, nessa última comparação. ... 88 Figura 17(a) - Série temporal observada da velocidade do vento em Fortaleza (linha cor preta) considerando o período de treinamento. ... 91 Figura 17(b) - Série temporal ajustada (modelo hybrid (2)) da velocidade do vento em Fortaleza (linha cor azul). ... 92 Figura 17(c) - Apresentação dos valores de MAE (linha cor preta) na comparação entre as séries temporais (observada e ajustada – hybrid (2)) em Fortaleza. ... 93 Figura 18(a) – Série temporal observada da velocidade do vento em Natal (linha cor preta) considerando o período de treinamento. ... 94 Figura 18(b) - Série temporal ajustada (modelo hybrid (2)) da velocidade do vento em Natal (linha cor azul). ... 95 Figura 18(c) - Apresentação dos valores de MAE (linha cor preta) na comparação entre as séries temporais (observada e ajustada – hybrid (2)) em Natal. ... 96 Figura 19 - Fortaleza - comparação entre as séries temporais (observada e prevista) na fase de Teste (01/01/2015) em (a), e em (b) representação da medida de MAE nesta comparação. ... 97 Figura 20 - Natal - Comparação entre as séries temporais (observada e prevista) na fase de Teste (01/01/2015) em (a), e em (b) representação da medida de MAE nesta comparação. ... 98

LISTA DE TABELAS

Tabela 1-Características do horizonte de previsão da velocidade do vento e suas possíveis aplicações no setor eólico. ... 9 Tabela 2-Características da Função de Autocorrelação (ACF) e da Função de Autocorrelação Parcial (PACF). ... 30 Tabela 3-Apresentação dos testes para identificação de ruído branco do modelo ARIMA. .... 32 Tabela 4-Medidas de acurácia para identificação de performance dos modelos híbridos propostos. ... 46 Tabela 5-Apresentação de estudos recentes de previsões das velocidades dos ventos. ... 48 Tabela 6-Configurações dos modelos HW (aditivo) para previsão de séries temporais utilizadas nas elaborações dos modelos híbridos. ... 52 Tabela 7-Configurações do modelo RNA para previsão de séries temporais utilizadas nas elaborações dos modelos híbridos. ... 54 Tabela 8-Configurações do modelo ARIMA para previsão de séries temporais utilizadas nas elaborações dos modelos híbridos. ... 55 Tabela 9-Configurações do modelo ARIMAX para previsão de séries temporais utilizadas nas elaborações dos modelos híbridos. ... 56 Tabela 10-Configurações dos melhores modelos ARIMA e ARIMAX em cada região de estudo em termos de médias mensais e horárias. ... 62 Tabela 11-Testes aplicados sobre os resíduos mensais e horários para identificar se os pressupostos dos modelos ARIMA e ARIMAX são atendidos. ... 63 Tabela 12-Apresentação dos termos (componentes e parâmetros) do modelo HW em Camocim. ... 65 Tabela 13-Apresentação dos termos (componentes e parâmetros) do modelo HW em Paracuru. ... 65 Tabela 14-Apresentação dos termos (componentes e parâmetros) do modelo HW em Fortaleza – mensal. ... 66 Tabela 15-Apresentação dos termos (componentes e parâmetros) do modelo HW em Natal – mensal. ... 66 Tabela 16-Apresentação dos termos (componentes e parâmetros) do modelo HW em Natal – horário. ... 67 Tabela 17-Apresentação dos termos (componentes e parâmetros) do modelo HW em Fortaleza – horário. ... 67

Tabela 18-Características dos modelos RNA gerados por meio de modelagens dos resíduos dos modelos ARIMA necessários para montagem dos modelos hybrid(1) e hybrid(3) em Camocim e Paracuru. ... 68 Tabela 19-Características dos resíduos obtidos pelos modelos RNA para configurações dos modelos híbridos (1, 2 e 3) em Natal e Fortaleza – mês. ... 68 Tabela 20-Características dos resíduos obtidos pelos modelos RNA para configurações dos modelos híbridos (1, 2 e 3) em Natal e Fortaleza – hora. ... 69 Tabela 21-Análises das medidas de acurácia – comparações entre séries temporais (observadas e ajustadas) em cada região de estudo – médias horárias dos dados da SEINFRACE. ... 71 Tabela 22-Análises das medidas de acurácia – comparações entre séries temporais (observadas e ajustadas) em cada região de estudo – médias mensais dos dados do AirMetar. ... 72 Tabela 23-Análises das medidas de acurácia – comparações entre séries temporais (observadas e ajustadas) em cada região de estudo – médias horárias dos dados do AirMetar. ... 73 Tabela 24-Respostas das questões norteadoras sobre os modelos híbridos elaborados para previsões das velocidades dos ventos no NEB. ... 99

LISTA DE SIGLAS E ABREVIATURAS

ABEEólica Associação Brasileira de Energia Eólica

ACF Auto-Correlation Function

Adaline Adaptive Linear Element

AIC Akaike Information Criterion

ANFIS Adaptative Neural Fuzzy Inference System

AR Auto - Regressive

ARMA Auto - Regressive Moving Average

ARIMA Auto - Regressive Integrated Moving Average

ARIMAX Auto - Regressive Moving Average Model including Exogenous

covariates

BP Breusch Pagan

BPNN Back-Propagation Neural Network

CCP Coeficiente de Correlação de Pearson

CE Ceará

CEPEL Centro de Pesquisas de Energia Elétrica

DF Dickey-Fuller

DS Desenvolvimento Sustentável

DW Durbin Watson

EEMD Ensemble Empirical Mode Decomposition

ELM Extreme Learning Machine

EPE Empresa de Pesquisa Energética

ER Energias Renováveis

ERNN Elman Recurrent Neural Networks

ETS ExponenTial Smoothing

FNN Feed-forward Neural Network

GA Genetic Algorithm

GPR Gaussian Process Regression

GWEC Global Wind Energy Council

GW Giga-Watt

HW Holt-Winters

IA Inteligência Artificial

INMET Instituto Nacional de Meteorologia

INPE Instituto Nacional de Pesquisas Espaciais

KF Kalman Filter

KS Kolmogorov Smirnorv

LSSVM Least Squares Support Vector Machines

MA Moving Average

MAE Mean Absolute Error

MAPE Mean Absolute Percentage Error

METAR METeorological Aerodrome Report

MLP MuLtilayer Perceptron

MLFNN MultLayer Feed-forward Neural Network

MMQ Método de Mínimos Quadrados

NCAR National Center for Atmospheric Research

NEB Nordeste do Brasil

NNE Norte do Nordeste brasileiro

NS Nash-Sutcliffe

NWP Numerical Weather Prediction

PACF Partial Auto-Correlation Function

RBFN Radial Basis Function Network

RMSE Root Mean Square Error

RNA Redes Neurais Artificiais

RNN Recurrent Neural Network

SARIMA Seasonal Auto-Regressive Integrated Moving Average

SEINFRACE Secretaria de Infraestrutura do Estado do Ceará

SI Seasonal Index Adjustment

SVM Support Vector Machine

SVR Support Vector Regression

UKF Unscented Kalman Filter

WRF Weather Research and Forecasting

LISTA DE SÍMBOLOS

Yt Série temporal observada no período t.

Yt-1 Série temporal observada no período t-1 (defasagem).

ΔYt Diferenciação entre as séries temporais Yt e Yt-1 que gera nova

Série temporal Zt que pode ser estacionária.

p Filtro da componente AR.

d Filtro da componente de diferenciação do modelo ARIMA.

q Filtro da componente MA.

σ Nível de significância para avaliar p-valor, neste trabalho

usando como 0,05.

φ Coeficiente relativo ao filtro AR.

θ Coeficiente relativo ao filtro MA.

εt Erro no período t, também chamado de resíduo.

l Log-verossimilhança.

T Número de observações.

k Número de parâmetros estimado do modelo o qual será utilizado

o AIC.

yt Variável dependente (velocidade do vento) no tempo t para o

modelo ARIMAX.

ρ Constante do modelo ARIMAX.

yt-i É a variável dependente (que também é a velocidade do vento)

defasada por i passos de tempo.

βi É o coeficiente de yt-i.

p É o número máximo de intervalos de tempo usado no modelo

ARIMAX.

wj Variáveis exógenas que neste trabalho foram incluídas no

modelo da seguinte forma: pressão, temperatura e precipitação para obtenção das séries temporais das velocidades dos ventos (ajustadas e previstas) em termos de médias mensais.

ωj Coeficientes das variáveis exógenas.

r Número máximo de variáveis exógenas do modelo ARIMAX.

θj Coeficiente do termo de εt-j que, por sua vez, representa o erro

s Comprimento da sazonalidade usado no modelo aditivo Hol-Winters.

Lt Nível da série temporal calculada pelo modelo Holt-Winters.

bt Componente de tendência do modelo Holt-Winters.

St Componente de sazonalidade do modelo Holt-Winters.

Ft+m Previsão para o período m adiante realizada pelo modelo

Holt-Winters.

α Coeficiente de suavização exponencial de nível.

β Coeficiente de suavização exponencial de tendência.

γ Coeficiente de suavização exponencial de sazonalidade.

xt-i Série temporal de entrada do modelo RNA, que representam os

resíduos fornecidos pelos modelos ARIMA, ARIMAX e HW.

yt+h Série temporal de saída do modelo RNA a qual representa novos

resíduos fornecidos por este modelo.

wi Pesos atribuídos para cada valor de entrada da série temporal em

questão.

bi Valor inicial de uma RNA denominado bias.

σj Função de soma (valores do produto do peso com entradas) em

RNA.

ARIMAfitted Série temporal ajustada (fitted) criada pelo modelo ARIMA.

RNAresiduals(1) Série temporal dos resíduos (residuals (1)) fornecidos pelo

modelo RNA que, por sua vez, as entradas foram dadas pelo modelo ARIMA.

hybrid(1) Modelo híbrido da literatura gerado pela combinação dos

modelos ARIMA com RNA.

ARIMAXfitted Série temporal ajustada (fitted) criada pelo modelo ARIMAX.

RNAresiduals(2) Série temporal dos resíduos (residuals (2)) fornecidos pelo

modelo RNA que, por sua vez, as entradas foram dadas pelo modelo ARIMAX.

hybrid(2) Modelo híbrido inovador gerado pela combinação dos modelos

ARIMAX com RNA.

HWfitted Série temporal ajustada (fitted) criada pelo modelo HW.

RNAresiduals(3) Série temporal dos resíduos (residuals(3)) fornecidos pelo

modelo RNA que, por sua vez, as entradas foram dadas pelo modelo HW.

hybrid(3) Modelo híbrido inovador gerado pela combinação dos modelos HW com RNA.

v

v

obs

v Média da velocidade do vento relativa à série temporal

(observada)

fit(i)

v Média da velocidade do vento relativa à série temporal

1. INTRODUÇÃO

O desenvolvimento de pesquisas, em Energias Renováveis (ER), cresce em todo o mundo. Isto pode ser justificado, devido às mudanças climáticas, que muitos cientistas anunciam como resultado do aumento de emissões antropogênicas de gases como CO2, NOx,

SOx, que causam efeitos prejudiciais como o aumento do efeito estufa, das chuvas ácidas, e da

degradação da camada de ozônio (AKELLA, SAINI e SHARMA, 2009). Os benefícios da utilização de fontes renováveis de energia são, principalmente, econômicos e ambientais. Fazer com que as futuras gerações possam viver em um mundo saudável, é um papel fundamental da humanidade, e para isso, é preciso investir, cada vez mais, em pesquisas de energias limpas e renováveis, como uma forma de alcançar o Desenvolvimento Sustentável (DS). Esse desenvolvimento é capaz de suprir as necessidades da geração atual, sem comprometer a capacidade de atender as necessidades das futuras gerações, portanto, o desenvolvimento que não esgota os recursos para o futuro (DITTMAR, 2014; OCETKIEWICZ, TOMASZEWSKA e MRÓZ, 2017). Em termos de geração de energia elétrica, as fontes ER descentralizadas, por exemplo, solar e eólica), podem cumprir esse papel, visto que para o Brasil a motivação especial para o uso dessas fontes pode ser pensada como complementares à hidráulica (principal produtora de eletricidade) quando ocorre baixo período de chuvas no país (CARVALHO, 2003).

Uma das formas de ER que mais contribuem para seu crescimento é a geração eólio-elétrica. A geração de energia elétrica através dos ventos vem crescendo, significativamente, ao redor do mundo (DINCER, 2011), bem como o recurso eólico que vem desempenhando papel de muita importância no que se refere à produção de eletricidade por meio de mecanismos livres de poluentes atmosféricos, assim, contribuindo para ambientes mais saudáveis, uma vez que esta estratégia de investir em fontes de energias limpas e renováveis está de acordo com o conceito de DS. Estudos apontam os benefícios das ER, sobretudo, com respeito à geração eólica na redução de gases poluidores da atmosfera terrestre, por exemplo, em relação ao gás CO2 (dióxido de carbono um dos principais gases que alteram o efeito

estufa). Fala-se em crédito de carbono uma espécie de certificado que é emitido quando há diminuição de emissão de gases que provocam o efeito estufa e consequentemente o aquecimento global no planeta, um crédito de carbono equivale a uma tonelada de CO2 que

deixou de ser produzido. Nesta premissa, ressalta-se a necessidade do homem de investir, ainda mais, em ER como forma de auxiliar na redução do excesso de gases do efeito estufa

gerado por intermédio de atividades humanas (ZHANG et al., 2015; GAVARD, 2016; ARNETTE, 2017).

Devido à sua enorme extensão territorial e recursos naturais, o Brasil possui grande capacidade de geração de eletricidade por meio de ER, sua matriz energética tem como principal geradora de eletricidade a hidráulica com percentual de aproximadamente 65% (LIN, ANKRAH e MANU, 2017). Especificamente em algumas regiões do Nordeste brasileiro, como é o caso do Estado do Ceará, estima-se que a geração eólica compõe cerca de 40% de toda produção de eletricidade em sua matriz energética no ano de 2018 (ABEEólica, 2018), e esse percentual vem evoluindo, ano após ano, como é possível perceber no relatório final anual – Balanço Energético Nacional elaborado pela Empresa de Pesquisa Energética (EPE) do governo brasileiro (EPE, 2017).

O sucesso da exploração dos ventos no Brasil para geração de eletricidade vem sendo muito comemorado na atualidade, conforme menciona a Associação Brasileira de Energia Eólica (ABEEólica), nos primeiros oito meses do ano de 2018, as eólicas geraram uma quantidade de energia 19% superior ao gerado no mesmo período do ano de 2017. Neste contexto, a participação dessa fonte na matriz elétrica brasileira alcançou aproximadamente 14%, conforme pode ser verificado na página eletrônica (ABEEólica, 2018). É importante destacar que essa instituição não possui fins lucrativos, congrega e representa a indústria de energia eólica no país, incluindo empresas de toda a cadeia produtiva.

Especificamente, no Nordeste do Brasil (NEB), em especial nas regiões litorâneas, é possível identificar na literatura diversos trabalhos que ao longo dos anos contribuíram sobremaneira para exploração do recurso eólico para geração de energia elétrica, por exemplo, é possível citar o estudo pioneiro do Atlas do Potencial Eólico Brasileiro divulgado pelo Centro de Pesquisas de Energia Elétrica (CEPEL), publicado no ano de 2001(ver Figura 1), organização que está vinculada ao governo brasileiro (AMARANTE, BROWER e ZACK, 2001). Este Atlas foi concebido para a altura de 50 m (altura suficiente para as tecnologias dos aerogeradores da época), e foi, sem dúvida, um importante marco para o desenvolvimento do setor eólico no Brasil.

É possível constatar através desse Atlas a possibilidade de que os ventos no NEB possam ser aproveitados praticamente o ano todo para geração de energia elétrica, e estima-se produção de cerca de 143 GW de potência eólica em todo território brasileiro, em torno de

51% desse valor está justamente sobre a região Nordeste do país (JUÁREZ et al., 2014), com médias anuais das velocidades dos ventos da ordem de 8,5 m/s que, por sua vez, quando comparadas, por exemplo, com as intensidades encontradas no Atlas Europeu do Vento, em especial nas regiões litorâneas da Alemanha mais promissoras do setor eólico, as quais verificam-se médias anuais entre 5,0 - 6,0 m/s (WACHSMANN e TOLMASQUIM, 2003) ao mesmo nível de altura de 50 m, portanto, são inferiores as encontradas no Nordeste do Brasil.

Figura 1 - Estimativas de médias mensais de velocidade do vento e potência eólica instalada em todo território brasileiro.

Fonte: CEPEL, 20011

É possível verificar, no setor eólico, diversos aprimoramentos de técnicas de exploração dos ventos na tentativa de avançar em tecnologia. No ano de 2013, houve uma reformulação do Atlas Eólico Brasileiro em especial, apresentando resultados para alturas de

1 _{Disponível em: < http://www.cresesb.cepel.br/index. php?section=publicacoes &task= livro&cid=1>. Acesso} em :05/02/2018.

100 m muito comum atualmente para instalação de aerogeradores (CEPEL, 2013), e assim, aproveitar maiores intensidades dos ventos. Uma linha de pesquisa que cresce a cada ano trata-se da questão da previsibilidade da velocidade do vento, em que a busca por um modelo computacional que possa oferecer maior precisão possível na previsão poderá auxiliar em diversos aspectos da geração eólica, por exemplo, em relação ao fato de atestar a viabilidade da exploração dos ventos de uma dada região para geração de energia elétrica (CAMELO et al., 2017a).

Embora existem muitos trabalhos, que enfatizam a qualidade dos ventos no país para geração de energia elétrica, ainda assim, o interesse na continuidade de pesquisas que possam fornecer garantias de exploração dos ventos de uma dada região deve ser incentivado, cada vez mais, como forma de auxiliar no planejamento energético nacional, e desta maneira, propondo maior inserção de geração eólica na matriz energética do país para geração de eletricidade por meio de um recurso limpo e renovável, contribuindo para atender questões ambientais.

Este trabalho tem como meta apresentar dois inovadores modelos híbridos de séries temporais capazes de realizar previsões das velocidades do ventos em estudo de caso em regiões do Nordeste brasileiro, uma vez que os modelos foram elaborados a partir da combinação matemática de modelos clássicos de séries temporais (o Auto Regressivo Integrado de Médias Móveis e entradas Exógenas – ARIMAX e suavização exponencial com o Holt-Winters - HW) com um modelo de inteligência artificial (Rede Neural Artificial – RNA). Esses modelos podem viabilizar informações necessárias para exploração dos ventos de regiões de estudos ao passo que os mesmos poderão ser capazes de realizar previsões com alta precisão como será demonstrado. Portanto, o objetivo é fornecer embasamento para capacitar tomadores de decisões na identificação de áreas adequadas para aproveitamento eólio-elétrico.

1.1. Objetivos da Tese

 Objetivo geral:

Apresentar modelos híbridos inovadores capazes de realizar previsões das velocidades do vento em termos de médias mensais e horárias.

 Objetivos específicos:

1. Apresentar modelo híbrido inovador univariado para previsão de velocidade do vento elaborado por meio da combinação matemática de um modelo clássico de série temporal (suavização exponencial com o Holt-Winters - HW) com um modelo de inteligência artificial (Rede Neural Artificial – RNA) – estudo de caso no NEB;

2. Apresentar modelo híbrido inovador multivariado combinado de um modelo clássico auto-regressivo de séries temporais (o Auto Regressivo Integrado de Médias Móveis e entradas Exógenas – ARIMAX) com um modelo de inteligência artificial (Rede Neurai Artificial – RNA) para previsão das velocidades do vento, variável associada as variáveis temperatura, pressão e precipitação – estudo de caso no NEB;

3. Mostrar que os modelos híbridos inovadores elaborados, nesta Tese de Doutorado, são mais precisos, nas previsões das velocidades do vento, comparando-os com um modelo híbrido clássico muito comum da literatura o qual combina modelos (Auto-Regressivo Univariado e Inteligência Artificial); 4. Mostrar que os modelos híbridos elaborados são capazes de representar

características particulares das sazonalidades das velocidades dos ventos das regiões do NEB;

5. Enfatizar a importância dos modelos híbridos elaborados em auxiliar na exploração dos ventos das regiões de estudo, importantes para tomadas de decisões no setor eólico.

1.2. Contextualização do Problema

O NEB, principalmente, o litoral dos estados do Ceará e Rio Grande do Norte são locais conhecidos pela enorme possibilidade de aproveitamento dos seus regimes dos ventos para indústria eólica, visto que ano-após-ano se verifica o crescimento de pesquisas as quais garantem a viabilidade técnica, econômica, e ambiental para exploração dos ventos nestas regiões (SCHMIDT, CANCELLA e PEREIRA, 2016; DE JONG et al., 2017; MIRANDA et al., 2017). Os esforços para justificar ainda mais o uso dos ventos para geração eólio-elétrica devem ser contínuos como forma de aperfeiçoar a tecnologia existente e, cada vez mais, conscientizar a sociedade em geral para os benefícios, sobretudo, na questão ambiental.

Uma técnica que vem auxiliando o setor eólico, em diversas nações do mundo afora nos últimos anos, trata-se da previsão de velocidade do vento. É possível encontrar vários trabalhos sobre esse tema na literatura com as mais variadas técnicas, por exemplo, utilizando modelos estatísticos de séries temporais e Inteligência Artificial computacional (CADENAS e RIVERA, 2009; KAVASSERI e SEETHARAMAN, 2009; LIU et al., 2010; CAO et al., 2012; CADENAS et al., 2016). No entanto, em termos de Brasil, a quantidade de estudos ainda é reduzida, identificam-se poucos trabalhos de previsão de velocidade do vento, por exemplo, em localidades da região Nordeste (RAMOS, LYRA e SILVA JÚNIOR, 2013; CAMELO et al., 2015; CAMELO et al., 2017a, CAMELO et al., 2018a, CAMELO et al., 2018b). A elaboração de modelos para previsão de velocidade do vento no país poderá auxiliar sobremaneira na exploração eólica, uma vez que, poderá ser possível realizar estimativas da intensidade da velocidade do vento da região de interesse e desta maneira otimizar o planejamento energético local proveniente da geração eólica.

A busca por um modelo ideal de previsão de velocidade do vento, que possa oferecer alta-precisão, e assim, auxiliar o setor eólico, tem sido objeto de muito desenvolvimento, tanto é verdade que no estágio atual os pesquisadores estão propondo a utilização de modelos híbridos, ou seja, criados a partir de combinações matemáticas entre vários modelos já existentes na literatura como forma de melhorar a performance das previsões (LIU, TIAN e LI, 2012; HU, WANG e ZENG, 2013; SU et al., 2014; SHUKUR e LEE, 2015; WANG et al., 2016; CAMELO et al., 2017b; CAMELO et al., 2018b). Neste sentido, o presente trabalho pretende contribuir na criação de modelos híbridos inovadores capazes de fornecer acurácia, nas previsões das velocidades dos ventos em regiões do Nordeste brasileiro, por sua vez, poderá ter utilidade no setor eólico servindo como uma ferramenta a mais para os tomadores de decisão.

É importante destacar que o vento em baixas altitudes, considerado como grandeza meteorológica, possui grandes dificuldades para sua previsão por diversos motivos, por exemplo, como a atmosfera é de natureza dinâmica isso pode se configurar empecilho na sua exata medição; outro fator está relacionado à influência exercida pelo terreno o qual poderá influenciar no escoamento do vento, dificultando desta maneira sua medição. No entanto, ressalta-se que a apresentação dos modelos híbridos neste trabalho é uma tentativa de representar a realidade local baseada na utilização de dados meteorológicos das regiões de estudo do NEB. É importante destacar que os modelos híbridos propostos neste estudo poderão ser testados em outras áreas de interesse, por exemplo, em Ciências do Mar para

auxiliar na contenção de óleo derramado (proposta de trabalho futuro que será apresentado no Anexo D).

1.3. Questões Norteadoras e Hipóteses

Nesta seção são apresentadas questões específicas que norteiam a presente pesquisa e as hipóteses investigadas e testadas durante a execução do estudo.

Questão (1)

A natureza dinâmica da atmosfera é de fato um empecilho para encontrar precisões nas previsões das variáveis meteorológicas como é o caso da velocidade do vento, por exemplo, em alturas de interesse do setor eólico?

Teste de Hipóteses (1)

h(0) – Mesmo com o fato da atmosfera ser de natureza dinâmica, e desta maneira, se configurar em empecilho para previsões das velocidades do vento com precisões, ainda assim, existe possibilidade de criar modelo capaz de realizar previsões desta variável no NEB para possíveis aplicação no setor de geração eólica.

h(1) – O fato da atmosfera ser de natureza dinâmica, configuram-se em empecilho para previsões das velocidades do vento com precisões, assim, não existe possibilidade de criar modelo capaz de realizar previsões dessa variável no NEB com boa acurácia para possíveis aplicação no setor de geração eólica.

Questão (2)

A elaboração de um modelo híbrido univariado (inovador), que consegue incorporar as características (linear e não-linear), combinado matematicamente, a partir de um modelo de série temporal (HW) com um modelo de inteligência artificial (RNA) poderá ser capaz de oferecer maiores precisões, nas previsões das velocidades do vento (em termos de médias horárias e mensais) das regiões do NEB, quando comparado com a utilização do modelo de série temporal que o compõe separadamente?

Teste de Hipóteses (2)

h(0) – O modelo híbrido univariado (inovador), para previsões das velocidades dos ventos em regiões do NEB, é capaz de oferecer precisões em termos de médias horárias e mensais.

h(1) – O modelo híbrido (inovador) não é capaz de oferecer precisões, nas previsões de médias horárias e mensais das velocidades do vento de regiões do NEB.

Questão (3)

É possível incorporar características meteorológicas locais, como temperatura, pressão e precipitação para a elaboração de um modelo híbrido de séries temporais multivariado para previsões das velocidades do vento com boa acurácia em regiões do NEB?

Teste de Hipóteses (3)

h(0) – A incorporação das características meteorológicas locais, como temperatura, pressão e precipitação, na elaboração de um modelo híbrido multivariado associado à intensidade da velocidade do vento, oferece boa acurácia nas previsões dessa variável em regiões do NEB. h(1) – Características meteorológicas locais, como temperatura, pressão e precipitação, associadas à velocidade do vento, ou seja, incorporadas ao modelo híbrido multivariado não influenciam para obtenções de precisões, nas previsões das velocidades dos ventos em regiões do NEB.

Questão (4)

Os modelos híbridos elaborados, nas questões (2) e (3) para previsões das velocidades do vento, conseguem representar características particulares de sazonalidades das regiões do NEB em estudo?

Teste de Hipóteses (4)

h(0) – Os modelos híbridos são capazes de representar características particulares de sazonalidades das velocidades do vento das regiões de estudo no NEB.

h(1) – Os modelos híbridos se mostram incapazes de representar características particulares de sazonalidades das velocidades do vento das regiões de estudo no NEB.

1.4. Importância da Presente Pesquisa para o Setor Eólico

O avanço, em pesquisas no setor eólico, certamente, tem sido importante para utilização do recurso eólico para geração de energia elétrica, em diversas nações. De acordo com ranking divulgado em abril de 2018 pela Global Wind Energy Council (GWEC), organização internacional especializada em energia eólica, houve uma expansão de aproximadamente 2,6 GW na geração dessa fonte no Brasil. Essa expansão fez com que o país

seja considerado destaque na instalação de capacidade eólica na América Latina e Caribe, e assim, subiu para a 8ª colocação em capacidade, ultrapassou o Canadá (GWEC, 2017).

A geração eólio-elétrica no mundo possui uma posição privilegiada nas matrizes energéticas. É possível identificar aumento significativo, e assim, as previsões desse tipo de recurso renovável tornam-se imprescindíveis para um adequado aproveitamento. Os modelos de previsões das velocidades do vento executados, nos mais variados horizontes de tempo, poderão auxiliar em diversas tarefas dentro do setor eólico, em termos de classificação de escala de tempo. É importante destacar que a mesma poderá variar para diferentes autores, porém Chang (2014) apresenta um resumo dividido em quatro categorias relativo ao horizonte de previsão e suas possíveis aplicações em geração eólio-elétrica, conforme ilustrado na Tabela 1.

Tabela 1- Características do horizonte de previsão da velocidade do vento e suas possíveis aplicações no setor eólico.

Escala de tempo Intervalo Aplicações no setor eólico

Curtissimo - prazo Poucos minutos a 1 hora à

frente  Ações de Regulação  Compensação do mercado de eletricidade

 Operações de grade em tempo real Curto-prazo 1 hora a várias horas à frente  Planejamento econômico de despacho de

carga

 Decisões razoáveis de carga (incremento / diminuição)

 Segurança operacional no mercado de eletricidade

Médio-prazo Várias horas a 1 semana à

frente  Decisões de unidade de reserva  Geração de decisões on-line / off-line Longo-prazo 1 semana a 1 ano ou mais à

frente  Planejamento de manutenção  Gerenciamento de operação  Custo operacional ótimo

 Estudo de viabilidade para o projeto do parque eólico

Fonte: Adaptado de Chang (2014).

As previsões das velocidades do vento para a geração eólio-elétrico e o planejamento das operações dos sistemas de energia elétrica possuem como foco principal a escala de tempo a curto prazo, isso ocorre porque as operações do sistema de energia elétrica, tais como, a regulação, o atendimento da carga, o balanceamento e a programação do despacho das unidades geradoras, são realizadas geralmente dentro de prazos estabelecidos. As

previsões de 1 até 72 h, são feitas para programação de operação a curto prazo e despacho e para a comercialização de energia elétrica. Por outro lado, as previsões no intervalo de 3 até 7 dias geralmente são utilizadas para planejar a manutenção dos parques eólicos, o comissionamento de gerador, as interrupções para manutenção dos geradores térmicos e para programar a manutenção da rede e as operações de armazenamento de energia, conforme identifica Foley et al. (2012).

Uma vez que modelos de previsões aplicados, em geração eólica, possam oferecer precisões, será possível reduzir o risco de incerteza, e dessa maneira, permitir melhor planejamento da rede e integração do vento dentro do sistema de energia (WANG et al., 2011; DE GIORGI, FICARELLA e TARANTINO, 2011; FOLEY et al., 2012). Embora possam existir grandes vantagens, nas realizações de previsões das intensidades dos ventos para o aproveitamento da energia eólica local, é importante ressaltar que a natureza aleatória do vento (especialmente em baixas altitudes) faz com que a sua previsão seja uma tarefa muito complexa. Isso poderá influenciar diretamente nas operações de planejamento, manutenção e despacho; pois, uma vez que o parque eólico entrou em funcionamento e foi conectado à rede elétrica de energia, é necessário que os operadores obtenham previsões precisas, com a finalidade de minimizar os riscos técnicos e econômicos (FOLEY et al., 2012).

Com o avanço da tecnologia do setor eólico, ao longo dos anos, é possível verificar que as instalações de aerogeradores estão sendo realizadas em alturas cada vez maiores, em que essa estratégia pode estar relacionada ao fato de que a intensidade da velocidade do vento aumenta com a altura (LACKNER et al., 2010; GUALTIERI e SECCI, 2012). A dificuldade de realizar pesquisa acadêmica, na área de geração eólica no Brasil, é um fator que deve ser levado em consideração com respeito à obtenção gratuita de dados de intensidade da velocidade do vento, uma vez que, os dados públicos disponíveis, por exemplo, do Instituto Nacional de Meteorologia (INMET)2 são medidos em grande parte do país ao nível de 10 m de altura. Porém, as empresas do setor eólico estão testando a implantação de aerogeradores em níveis (igual ou superior) a 100 m de altura para um maior aproveitamento energético, conforme é possível constatar através da ABEEólica (2018)3.

2_{Disponível em http://www.inmet.gov.br/portal/index.php?r=estacoes/estacoesautomaticas. (Consultado em} 11/02/2018).

3_{Disponível em}

Mesmo com a dificuldade encontrada, na questão da disponibilidade pública dos dados de interesse da geração eólica, a quantidade de trabalhos acadêmicos sobre esse tema é cada vez mais crescente no Brasil (RAMOS, LYRA e SILVA JÚNIOR, 2013; CAMELO, LUCIO e LEAL JUNIOR, 2016; CAMELO et al., 2017a; CAMELO et al., 2017b; CAMELO et al., 2017c), e assim, se faz necessária à sua continuidade como forma de inserir ainda mais essa fonte, na matriz energética nacional.

1.5. Estrutura da Tese

A estrutura da presente Tese de Doutorado está organizada da seguinte forma os capítulos: no capítulo 2, Revisão da Literatura, desenvolve-se breve descrição sobre o estado da arte dos modelos de previsões das velocidades dos ventos; no capítulo 3, Materiais e Métodos, descreve-se os dados utilizados das regiões de estudo do Nordeste brasileiro, bem como os modelos híbridos propostos para previsões das velocidades dos ventos em detalhes, e as medidas de acurácia as quais validam os resultados das previsões; no capítulo 4, Resultados e Discussões, mostrar-se os modelos híbridos propostos que possuem acurácia; no capítulo 5, Considerações Finais, apresentar-se as principais conquistas dos modelos híbridos para previsões das velocidades dos ventos; no capítulo 6, Perspectivas para Trabalhos Futuros, tratar-se de uma tentativa de nortear possibilidades de melhorias dos modelos híbridos, e comentários de possíveis aplicações em outras áreas; nas ultimas partes, Referências utilizadas em toda Tese, bem como Anexos: Anexo A, exemplos de scritps do software utilizado; Anexo B, participação em eventos científicos; Anexo C, artigos publicados em periódicos científicos; Anexo D, proposta de artigo elaborada pelo presente autor desta Tese de Doutorado.

2. REVISÃO DA LITERATURA – PREVISÃO DE VELOCIDADE DO VENTO

2.1. Contexto Mundial

De acordo com pesquisas da literatura, os métodos de previsões de velocidades dos ventos podem ser classificados basicamente em duas categorias: modelos baseados em análise de séries históricas da velocidade do vento e modelos que usam valores previstos por meio de modelos numéricos de previsão climatológica que, por sua vez, a denominação comum é Numerical Weather Prediction (NWP). É importante destacar que a previsão de velocidade do vento é geralmente descrita em termos de métodos físicos (ou também chamados de NWP),

métodos estatísticos (Box & Jenkins, Filtro de Kalman, Wavelet, Singular Spectral Analysis, entre outras) e os denominados modelos baseados em Inteligência Artificial Computacional (Redes Neurais, Lógica Fuzzy, etc.). A combinação qualquer de dois ou mais modelos descritos contribui para a elaboração dos chamados modelos híbridos (CHANG, 2014).

Em termos de modelos estatísticos usados para previsão de velocidade do vento, é possível destacar os modelos da metodologia Box & Jenkins (BOX et al., 2015), como é o caso do Auto-Regressivo Integrado de Médias Móveis (ARIMA), o qual será melhor descrito na seção de Materiais e Métodos. Trata-se de um modelo linear e basicamente funciona a partir de auto-correlações da variável de interesse, tentando captar características próprias da série temporal em questão para que seja possível realizar projeções. Com respeito aos modelos de Inteligência Artificial, verifica-se para o setor de geração eólica utilizações das Redes Neurais Artificiais (RNA), Sistema de Inferência Adaptativo Neuro-Difuso (Adaptative Neural Fuzzy Inference System (ANFIS)), métodos de lógica difusa (Fuzzy Logic Methods), rede neuro-difusa (Neuro-Fuzzy Network) e algoritmos de otimização evolutiva.

No caso das RNAs, essas podem resolver problemas não-lineares e complexos em termos de classificação ou previsão. Os modelos de RNAs representam relação não-linear complexa capaz de extrair dependência entre variáveis através do processo de treinamento. Os métodos baseados em RNA incluem Redes Neurais De Retropropagação (Back-Propagation Neural Network (BPNN)), Redes Neurais Recorrentes (Recurrent Neural Network (RNN)), Redes Neurais de Função Radial (Radial Basis Function Network (RBFN)), Rede Neural de Elementos Lineares Adaptativos, e Rede Neural de Alimentação Direta Ou Avante (Feed-forward Neural Network (FNN)).

A busca por um modelo que possa oferecer alta-precisão, na velocidade do vento prevista (em diferentes horizontes de tempo), e assim, auxiliar na exploração eólica é objeto de constante estudo. De Freitas, Silva e Sakamoto (2018) fizeram um trabalho de revisão da literatura a respeito de métodos de previsão de velocidade do vento. É possível constatar que, em publicações recentes, a estratégia inicial é de ajustar um modelo (seja ele estatístico, inteligência computacional ou mesmo híbrido) aos dados observados das velocidades do vento da região de estudo para identificar se o mesmo fornece acurácia de maneira que se afirme precisão, na previsão da velocidade do vento, e assim, capaz de auxiliar no planejamento energético local.

Ressalta-se que a utilização dos modelos provenientes de NWP não é muito usual, e o motivo para isso pode estar no fato de haver grandes dificuldades em suas configurações em função de que tratam-se de modelos que necessitam relacionar grandezas atmosféricas em diferentes resoluções espaciais que, por sua vez, são de natureza dinâmica, e por isso, em algumas ocasiões de difícil precisão, ou seja, a condição intermitente da atmosfera se torna empecilho para configuração de modelos NWP os quais forneçam precisão na velocidade do vento. A seguir, apresentar-se-á uma breve descrição de alguns relevantes trabalhos com a utilização dos métodos mencionados, anteriormente, para previsão de velocidade do vento em diversos lugares do mundo.

Cadenas e Rivera (2007) compararam duas técnicas de previsão da velocidade do vento, na costa sul do estado de Oaxaca e, no México. Os métodos utilizados nesta comparação são o ARIMA e RNA, em que os dados de entradas são referentes a uma série temporal de velocidade do vento em termos de médias mensais com sete anos de medições, em que seis anos foram utilizados na formulação dos modelos e o último ano foi usado para validar e comparar a eficácia da predição gerada pelas técnicas mencionadas acima. Os modelos ARIMA com componentes sazonais apresentaram uma melhor sensibilidade ao ajuste e à previsão da velocidade do vento para este caso em particular. No entanto, foi monstrado que os modelos desenvolvidos podem ser utilizados para prever de forma razoável, a produção mensal de eletricidade das estações de energia eólica em La Venta, Oaxaca, México, para auxiliar os operadores do Centro de Controle de Utilidade Elétrica. As medidas de acurácia mostram que a versão sazonal do modelo ARIMA apresenta valor de erro percentual da ordem de 13% para a previsão da velocidade do vento mensal.

Kavasseri e Seetharaman (2009) afirmaram que a integração da energia eólica, nas redes de eletricidade, torna-se cada vez mais importante obter previsões precisas de velocidade do vento. De acordo com os autores, as previsões precisas de velocidade do vento são necessárias para agendar a geração e as tarifas no mercado de eletricidade no dia-a-dia. Os pesquisadores examinaram o uso de modelos ARIMA para modelar e prever a velocidade do vento nos horizontes de 24 h e 48 h. Os modelos são aplicados aos registros de velocidade do vento obtidos em quatro locais potenciais de geração eólica em Dakota do Norte nos Estados Unidos. As velocidades do vento previstas são usadas em conjunto com a curva de potência de uma turbina eólica operacional para obter previsões correspondentes de produção de energia eólica. Os erros de previsão na velocidade/potência do vento são analisados e comparados com o modelo de persistência. Nos resultados, os autores indicaram que

melhorias significativas na precisão da previsão são obtidas com os modelos propostos em comparação com o método de persistência, por exemplo, é possível encontrar valor de erro percentual de aproximadamente 12%.

Cadenas e Rivera (2009) apresentaram previsões de velocidades dos ventos a curto prazo na região de La Venta, Oaxaca, México, aplicando técnica de RNA. Coletaram os dados durante sete anos através de uma rede de estações de medição localizadas no local de interesse. Diversas configurações de RNA foram geradas e comparadas através de medidas de erro para garantir o desempenho e a precisão dos modelos escolhidos. Os autores relataram que inicialmente um modelo com três camadas e sete neurônios foi escolhido, de acordo com as recomendações de diversos autores. No entanto, os pesquisadores afirmaram que os resultados não foram suficientemente satisfatórios e desenvolveram três modelos: primeiro constituído por três camadas e seis neurônios; segundo, por duas camadas e quatro neurônios; e terceiro, por duas camadas e três neurônios. O modelo mais simples de duas camadas, com dois neurônios de entrada e um neurônio de saída apresentou o melhor resultado para a previsão de velocidade do vento a curto prazo, com erro quadrático médio e valores absolutos médios de erro de 0,0016 e 0,0399, respectivamente. Os autores afirmaram que o modelo desenvolvido para previsão de velocidade do vento a curto prazo possui boa precisão para ser usado pelo Centro de Controle de Utilidade Elétrica em Oaxaca para o fornecimento de energia.

Xia, Zhao e Dai (2010) apresentaram um método de rede neuro-difusa para previsão de energia eólica a curto prazo. A abordagem de previsão foi aplicada para a previsão de geração eólica de um parque eólico real localizado na China. Nos resultados do teste, os autores mostraram que as redes neuro-difusas treinadas são poderosas para modelar o parque eólico e prever a energia eólica, por exemplo, com erro percentual da ordem de 13,3%. As abordagens de técnica de inteligência artificial computacionais para prever a velocidade do vento a curto prazo foram introduzidas por Haque et al. (2012). Os desempenhos dos modelos BPNN, RBFN, e ANFIS foram avaliados. As previsões das velocidades dos ventos foram realizadas de duas formas diferentes, nos horizontes de 24-72 h, onde a interação entre a velocidade do vento e outros parâmetros meteorológicos, como a direção do vento e a temperatura, são levadas em consideração no processo de previsão da velocidade do vento. Nos resultados dos testes obtidos para as previsões, os pesquisadores confirmaram que o algoritmo de previsão de velocidade de vento proposto com base no ANFIS combinado foi

capaz de transformar os dados meteorológicos históricos em previsões de velocidades dos ventos com maiores precisões, por exemplo, erro percentual na previsão da ordem de 13,23%.

É possível identificar que os métodos de inteligência artificial são melhor utilizados a partir de combinações matemáticas com modelos estatísticos de séries temporais, como é o caso do ARIMA, ou seja, constituindo-se, nos chamados modelos híbridos, os quais fornecem melhores acurácias (menores medidas estatísticas de erros), quando comparado com a utilização de cada modelo separadamente de acordo com Liu, Tian e Li (2012). Os autores afirmaram que a previsão da velocidade do vento é importante para proteger a segurança da integração da energia eólica, e que o desempenho do modelo híbrido é sempre melhor do que os modelos que os compõem usados separadamente. Assim, dois modelos híbridos são comparados baseados em ARIMA, RNA e Kalman Filter (KF) (técnica muito usada para diminuir incertezas nas previsões, tornando-as mais próximas dos dados reais, essa expressão é de origem da língua inglesa cuja tradução para o português é Filtro de Kalman). Os modelos RNA e KF são populares devido ao seu bom desempenho para resolver problemas não-lineares. Para essa análise particular, eles são escolhidos para fazer previsões de vários passos de tempo em duas localidades de parques eólicos da China. Foram utilizados dados de velocidade do vento contendo 500 medições de médias horárias, no nível de 40 m de altura, em que as 300 medidas iniciais foram utilizadas na etapa de treinamento para se adequarem ao modelo, e as 200 medidas finais foram utilizadas para a validação do modelo. Os autores mencionaram que um modelo RNA de três camadas pode lidar com dados não-lineares, se os números de neurônios forem selecionados corretamente. No modelo híbrido ARIMA-RNA, o modelo ARIMA é usado para decidir a estrutura de um modelo RNA; e no modelo ARIMA-Kalman, o modelo ARIMA é empregado para inicializar as equações de medição Kalman. Ambos os casos retratam bons desempenhos (por exemplo, com medida estatística de erro médio percentual de aproximadamente 3,45%) que podem, portanto, ser aplicados à previsão não estacionária da velocidade do vento em sistemas de energia eólica.

Chen e Yu (2014) ressaltaram que a previsão precisa da velocidade do vento, tornar-se cada vez mais importante para melhorar e otimizar a geração de energia eólica, e a previsão confiável de velocidade do vento a curto-prazo, para poder permitir o controle de turbinas eólicas e otimização em tempo real da operação de parques eólicos. No entanto, essa tarefa continua a ser desafiadora devido à forte natureza estocástica e à incerteza dinâmica da

velocidade do vento. Nessa pesquisa, Unscented Kalman Filter (UKF)4 é combinado com Support Vector Regression (SVR)5 based state-space model, para fornecer precisão da velocidade do vento a curto-prazo. Na metodologia proposta SVR-UKF, a regressão do vetor de suporte é empregada pela primeira vez para formular um modelo de espaço-estado não-linear e, em seguida, o Unscented Kalman Filter é adotado para executar estimativa de estado dinâmico, recursivamente, na sequência do vento com incerteza estocástica. O método SVR-UKF foi comparado aos métodos RNA, SVR, Auto-Regressivo (AR) e Auto-Regressivo integrado com o Filtro de Kalman (AR-Kalman) para prever série temporal da velocidade do vento de curto-prazo em três locais de Massachusetts, EUA. Nos resultados das previsões, os pesquisadores revelaram que o método proposto possui melhor desempenho (apresenta erro percentual médio de 6,72%) do que as outras abordagens em todos os locais.

Wang e Hu (2015) propuseram um modelo híbrido para previsão probabilística de velocidade do vento a curto-prazo. Nessa abordagem foi empregado Empirical Wavelet Transform (EWT) para extrair informações significativas de uma série de velocidade do vento para criar um banco de filtros de wavelet apropriado. O modelo Gaussian Process Regression (GPR) foi utilizado para combinar previsões independentes geradas pelos seguintes modelos de previsão, como Auto - Regressive Integrated Moving Average (ARIMA), Extreme Learning Machine (ELM), Support Vector Machine (SVM) e Least Square Support Vector Machines (LSSVM) de forma não-linear ao invés da forma linear comumente utilizada. Nessa pesquisa os autores forneceram mais informações probabilísticas para previsões de velocidade do vento, além de melhorias para a precisão de previsão. A eficácia da abordagem proposta foi demonstrada (com erro médio percentual encontrado de 9,45% com o uso do modelo híbrido EWT-ELM) com dados de velocidade do vento de dois parques eólicos na China.

Lydia et al. (2016) utilizaram uma versão mais sofisticada do modelo ARIMA, trata-se do Auto-Regressivo Integrado de Médias Móveis com entrada de variáveis eXogenas (ARIMAX), ou seja, sua principal vantagem está no fato desse modelo permitir a entrada de variáveis que podem se relacionar com a variável que se pretende prever, neste caso a velocidade do vento; e assim, o ARIMAX é considerado um importante técnica estatística multivariada. Nesse estudo, os modelos confeccionados foram baseados nas entradas das variáveis, direção do vento, temperatura, e radiação solar as quais foram obtidas no Center for

4_{UKF é de origem da língua inglesa cuja tradução para o português não é trivial, porém pode ser entendido como} – que não requer a linearização analítica das equações do sistema.

Wind Energy Technology, Chennai, Índia. Nas conclusões, os autores mencionaram que os modelos precisos para previsão da velocidade do vento (como é o caso do ARIMAX testado) podem revolucionar o setor de geração eólica (por oferecer precisões, nas previsões das velocidades do vento, por exemplo, apresenta erro percentual médio de 13,96%), e auxiliar em previsões climáticas e também alertas para ajudar a indústria da aviação.

Zhao et al. (2017) utilizaram o modelo meteorológico de mesoescala Weather Research and Forecasting (WRF) para estimar a velocidade do vento em diferentes locais de Portugal, foi validado a partir de dados observados. O WRF é um modelo muito versátil usado para simular a atmosfera em mesoescala desenvolvida pelo National Center for Atmospheric Research (NCAR) (Centro Nacional de Pesquisa Atmosférica). O desempenho do WRF, na previsão de energia eólica, foi avaliado em diferentes condições iniciais de dados de reanálise. Os autores, em seus resultados, sugeriram que a escolha dos dados constitui uma fonte de erro para a simulação do vento, mas pode-se verificar que reanálise de nova geração (atual) é capaz de proporcionar uma melhora considerável na simulação do vento em comparação com reanálise mais antiga. Na configuração do modelo WRF para prever a velocidade do vento (e consequentemente a energia eólica), em um horizonte de um dia em um parque eólico Shandong na China, utilizou-se uma resolução de 15 km. De acordo com os autores, é um método eficaz e eficiente (apresentando erro percentual de 11,77% para previsão diária da velocidade do vento), baseado em lógica difusa, para melhorar o desempenho da previsão fornecida pelo WRF e reduzir as incertezas para aplicações em operação nos parques eólicos.

2.2. Contexto Do Brasil

Em termos de Brasil a quantidade de estudos de previsão de velocidade do vento aplicados à geração eólica ainda é pequena. Rodrigues (2007) desenvolveu um modelo computacional de previsão de velocidade dos ventos, no horizonte de 24 horas, utilizou RNA. As técnicas de RNA utilizadas foram redes Perceptron Multi-Camadas, treinamento de retro-propagação e diversas configurações de redes. Foram realizadas simulações com uma série real de velocidade de vento da região Sul do Brasil e os resultados obtidos apresentaram ganhos em relação aos métodos de persistência (com redução de erro percentual da ordem de 9%).

Ramos, Lyra e Silva Júnior (2013) utilizaram o WRF para fornecer previsão diária de velocidade do vento para o Estado de Alagoas no Nordeste brasileiro. As medições foram relativas ao período de agosto/2007 a julho/2008 com alturas de 50-100 m situadas em três mesorregiões do Estado: Sertão, Agreste e Litoral. Os autores, em seus resultados, mostraram a qualidade da previsão do vento realizada com o WRF (por exemplo, valor de erro estatístico entre série temporal observada e prevista da ordem de 2,69 m/s), principalmente no período seco do interior do Estado de Alagoas. Os autores ressaltaram que alguns aspectos do modelo WRF precisam ser melhorados para aperfeiçoar a previsão na quadra chuvosa, principalmente, as parametrizações de microfísica de nuvens e de cumulus. Outro destaque positivo desse estudo foi referente aos índices estatísticos obtidos na simulação com o WRF que foram equivalentes, e melhores em alguns casos, a outros estudos do mesmo gênero.

Lira, Silva e Alves (2011) desenvolveram estudo para estimativa de velocidade do vento em função da altura em regiões do NEB. O método proposto viabilizou extrapolações de velocidade do vento em termos de médias diárias e mensais, com o uso da técnica de regressão linear. A equação do perfil logarítmico do vento comumente conhecida na literatura para realizar estimativas de velocidades dos ventos em diferentes níveis de alturas foi aplicada com interesses de obter valores em (20, 40 e 60 m), a partir dos dados observados de torres meteorológicas a 10 m de altura. Em seguida os coeficientes de correlação entre esses dados estimados em diferentes altitudes e os observados das regiões de estudos são calculados. Desta maneira, o modelo de regressão linear para se estimar novos valores em diferentes altitudes foi configurado. É importante destacar que esse procedimento foi realizado para dois períodos em sequência, ou seja, um período de calibração do modelo e em seguida, para o período de validação do mesmo. De acordo com os autores, em ambos os períodos, o modelo de regressão linear mostrou um bom desempenho, quer seja pelo alto índice de concordância entre as séries de dados estimados e observados e seus respectivos coeficientes de correlação (por exemplo, da ordem de 0,83), quer seja pelos baixos valores dos erros entre essas séries (por exemplo, com erro absoluto de aproximadamente 0,58 m/s).

Rossi (2013) apresentou metodologia híbrida e utilizou a RNA (MuLtilayer Perceptron (MLP), em português Perceptron Multicamadas) e o modelo estatístico ARIMA, com o objetivo de prever séries temporais de velocidades dos ventos ao nível de 50 m de altura, em região do sudeste do Brasil. A pesquisadora, na elaboração do modelo híbrido, utilizou o modelo ARIMA para realizar a previsão das séries de dados, que ainda conservam os padrões não lineares existentes, e em seguida juntamente com a rede MLP e o algoritmo de