ARTIGO ORIGINAL
DUARTE, Nathália Cristina Valadão [1]
DUARTE, Nathália Cristina Valadão. Previsão de geração eólica baseada na classificação do tipo de clima em parque eólico. Revista Científica Multidisciplinar Núcleo do Conhecimento. Ano 06, Ed. 06, Vol. 04, pp. 124-141. Junho de 2021. ISSN: 2448-0959, Link de acesso: https://www.nucleodoconhecimento.com.br/engenharia-eletrica/parque-eolico
RESUMO
Com a busca por fontes de energia menos poluentes, a energia eólica passa a ter relevância no cenário mundial na geração de energia elétrica, por ser uma das melhores fontes de energia renovável, com um menor impacto sobre o meio ambiente. Contudo devido a imprevisibilidade dos ventos, por sua natureza intermitente, a utilização da fonte pode enfrentar reveses para a previsão com antecedência da potência elétrica a ser gerada, sendo este um dos principais problemas na aplicação da tecnologia. Dessa forma, como uma possível solução para o problema, este estudo utiliza dados disponibilizados de um parque eólico na França, medidos no ano de 2013 e a partir da aprendizagem supervisionada, utilizando os modelos de classificação Linear SMV e Quadratic SMV realizada a previsão geração de energia elétrica (grandeza prevista), na localidade, classificando-a em acima ou abaixo da média, baseando-se na relação entre as entradas que são a velocidade de vento medida no primeiro anemômetro, em m/s; a velocidade vento medida no segundo anemômetro, em m/s; a direção do vento em graus, e a saída, que é a grandeza prevista. Após encontrar todos os parâmetros de interesse para o aprendizado supervisionado, compararam-se os dois modelos. Como resultado, apresenta-se a previsão para potência acima da média que demostrou 97,6% dos valores corretos para o modelo Linear SMV e 97% para o modelo Quadratic. E a predição para a potência abaixo da média apresentou valores pertinentes em 97% para o modelo Linear SMV e em 96,85% para o modelo Quadratic. Com estes resultados, pode-se definir o modelo Linear, para este estudo, como o modelo de melhor desempenho, sendo este capaz de predizer com mais precisão a geração de energia elétrica no parque Eólico em Haute Borne.
Palavras-Chaves: Classificação, Máquina de Vetor Suporte, Previsão de Geração Eólica, MATLAB.
1. INTRODUÇÃO
Diante das novas perspectivas mundiais, onde as questões ambientais estão sendo tratadas de maneira relevante, com foco na busca pela diminuição da degradação dos ecossistemas, têm-se buscado gerar energia a partir de fontes alternativas menos poluentes, com destaque para a energia eólica, que é uma das melhores fontes de energia renovável, com o menor impacto sobre o meio ambiente. Encontrando-se nas políticas energéticas, formas de inovação e desenvolvimento a partir das fontes renováveis, com o objetivo de conciliar a viabilidade econômica e tecnológica com a socioambiental.
As fontes renováveis estão em conformidade com aspectos ambientais. Permitem não só a diversificação, mas também alternativas menos poluentes da matriz energética, ao reduzir a dependência dos combustíveis fósseis, como carvão e petróleo, cuja utilização é responsável pela emissão de grande parte dos gases que provocam o efeito estufa (AGÊNCIA NACIONAL DE ENERGIA ELÉTRICA, 2016).
A capacidade instalada de geração eólica entre 2000 e 2016, gerou uma taxa média de crescimento de 23,8% ao ano. O acréscimo de 50,2 GW de potência eólica, em 2016, respondeu por 23% da expansão mundial de todas as fontes – 55% com a solar – (MINISTÉRIO DE MINAS E ENERGIA, 2014).
No entanto, existem alguns obstáculos da utilização de energia eólica em grande escala. Uma das maiores dificuldades é sua integração no sistema elétrico. A energia eólica é intermitente e volátil, e pode apresentar reveses no sistema de energia. A integração em larga escala de energia eólica na rede elétrica pode ter influência desfavorável sobre a estabilidade do mesmo (MINGHAO; DONGXIANG; CHAO, 2009).
A intermitência do recurso eólico pode ser parcial ou totalmente superada quando da implementação de modelos que realizem a previsões cada vez mais precisas. A velocidade do vento pode ser prevista satisfatoriamente, utilizando o conhecimento prévio dos dados históricos do mesmo, por meio de técnicas computacionais. Com alguns parâmetros cruciais, o modelo pode prever de forma satisfatória a potência. A previsão da velocidade do vento aumenta se a velocidade do vento é assumida como sendo uma função da velocidade do vento anterior e a hora local (MISHRA; RAMESH, 2009).
Um método de previsão baseado em rede neural função de base radial (RBF) é proposto, no estudo. Em que, a influência do método de construção de conjunto de dados sobre a precisão das previsões é pesquisada. Os resultados das simulações mostram que a precisão das previsões é melhorada realizando a reconstrução do conjunto de dados. Provando que a precisão das previsões mais altas de energia eólica podem ser obtidas através da introdução da velocidade do vento como entradas RBF (JUNLI; XINGJIE; JIAN, 2010).
No estudo investiga-se o impacto da direção do vento sobre a previsão de energia eólica. Uma base histórica é utilizada como modelo para uma previsão de curto prazo, em função do tempo, desenvolvido com base nos dados de velocidade do vento, direção do vento, na saída do parque eólico. Métodos estatísticos são adotados para a análise de dados. Para mostrar a eficácia, a abordagem é aplicada em um parque eólico no norte da China. O erro quadrático médio é reduzido de 41,3% por meio da aplicação da abordagem proposta (BRAGA; CARVALHO; LUDERMIR, 1998).
O objetivo deste trabalho é a partir da base dados um parque eólico real, realizar uma aprendizagem supervisionada, ou seja, a previsão de geração elétrica no local. Utilizam-se as informações históricas fornecidas pelo operador do parque, no ano de 2013.
Este artigo está disposto em seis seções. Na seção 2 apresenta-se um breve resumo sobre o parque eólico em Haute Borne. Seguindo na seção 3, as diretrizes e aplicações de aprendizado de máquinas a parques eólicos. Na seção 4, apresenta-se a metodologia utilizada e na seção 5, a modelagem do sistema. Por último, a seção 6 apresenta a conclusão do estudo.
2. PARQUE EÓLICO EM HAUTE BORNE
A empresa responsável pela operação do parque desenvolve os seus negócios (energia, gás natural, serviços energéticos) em torno de um padrão baseado no crescimento responsável para enfrentar os grandes desafios da transição da energia para uma economia de baixos níveis de carbono: acesso à energia sustentável, mitigação e adaptação às mudanças climáticas e o uso racional de recursos. O Grupo oferece a indivíduos, cidades e empresas soluções altamente eficientes e inovadoras baseadas principalmente em sua expertise em quatro setores principais: energia renovável, eficiência energética, gás natural liquefeito e tecnologia digital.
Com a força de sua posição de liderança em energia eólica na França, alcançando a marca de primeiro produtor com capacidade instalada de 1.860 MW, em 2017. E de acordo com sua estratégia de realizar a digitalização de uma área com o foco principal na sua transformação, com intuito de alcançar maior eficiência, a empresa decidiu abrir ao público os seus dados históricos de vento no parque. Este parque eólico é operado por sua subsidiária que possui seu trabalho voltado para geração de energia elétrica por fontes, menos poluente.
O parque em Haute Borne possui quatro turbinas eólicas, que estão a 80 metros, com potência nominal de 8 GW, fornecendo energia elétrica para o equivalente a 7.300 pessoas desde 2009, evitando assim cerca de 12.000 toneladas métricas de emissões de CO2 por ano.
3. DIRETRIZES E APLICAÇÕES DE APRENDIZADO DE MÁQUINAS
O vento é uma das fontes de energia alternativa mais favorável. Essa tecnologia pode ser implantada em instalações terrestres e marítimas. A European Wind Energy Association (EWEA) estima que este potencial possa aumentar para 392 GW, dos quais 294 GW podem ser parques eólicos onshore e 98 GW parques eólicos offshore (HOLMATOV; HOEKSTRA; KROL, 2019).
A energia eólica, como recurso renovável , é a fonte que tem alcançado relevância ao produz energia elétrica por meio de turbinas eólicas. Esse sistema de conversão de energia eólica é econômico e ecologicamente correto. Requer conhecimento das condições do vento no local a ser instalado o parque (SHOAIB et al., 2019).
O aerogerador ou turbina eólica, para a geração de energia, apresenta o mesmo princípio de funciona de um moinho de vento, no qual energia das massas de ar é convertida em energia mecânica. Na turbina eólica, o vento movimenta as pás e realiza o giro do rotor, que propaga a rotação ao gerador, que no que lhe concerne, converte a energia mecânica em energia elétrica. (ATLANTIC ENERGIA ENERGIAS RENOVÁVEIS S.A, 2016).
A seguir, exemplos da utilização de aprendizado de máquina a parques eólicos:
3.1 PROBLEMAS TÉCNICOS
Uma startup cearense, criada no início do ano de 2016, venceu em novembro do mesmo ano, o primeiro EDP Open Innovation, em Portugal, e trouxe € 50 mil para investir. A equipe é composta por engenheiros recém-formados pelo Instituto Tecnológico de Aeronáutica (ITA) e profissionais experientes do mercado de energia elétrica do Brasil. A startup utiliza a tecnologia de aprendizado de máquina para identificar, preventivamente, prováveis reveses na parte técnica dos parques eólicos.
Os dados são obtidos através dos sensores e dos relatórios de inspeção e manutenção. A aprendizagem de máquina é encarregada de organizá-los e extrair informações relevantes que irão contribuir para as análises. Segundo seus idealizadores, é uma questão de tempo para que os parques eólicos brasileiros percebam que se utilizar da tecnologia pode ser uma boa oportunidade de aumentar o retorno de investimento de maneira rápida e segura.
Eles afirmam, também, que através do aprendizado de máquinas, conseguem aproveitar inúmeros modelos preditivos de várias indústrias diferentes e identificam padrões de falhas, gerando conhecimento para o parque eólico e para o mercado (INOVA JOR, 2016).
3.2 REDUÇÃO CUSTO DE REPAROS EM AEROGERADORES
Utilizando a automatização e o aprendizado de máquinas, sistema que suporta um processamento de até 100.000 registros por segundo, uma empresa do setor elétrico utiliza em seus parques eólicos, um método de análise preditiva para a manutenção dos aerogeradores com base no estudo do comportamento de vibrações geradas por estes equipamentos. Possibilitando a redução dos custos com as atividades de reparos que podem alcançar desde os 15% até aos 95%.
A análise preditiva consiste na detecção prematura de avarias nos principais componentes dos aerogeradores, o que permite detectar falhas antecipadamente que em alguns casos pode ser com meses de antecedência, permitindo planejar os reparos para períodos com menores custos, minimizar as perdas de indisponibilidades dos aerogeradores e melhorando assim a eficiência de todo o sistema dos parques eólicos. O sistema de análise permite a utilização em qualquer tipo de aerogerador. A empresa passou a utilizar o sistema de análise em todos os aerogeradores que possuem menos de 5 anos em funcionamento, o sistema gera uma supervisão e controle do estado de cada máquina. (PORTAL ENERGIA, 2018)
3.3 PREVISÃO DOS PADRÕES DO VENTO COM ANTECEDÊNCIA
O sistema de aprendizado de máquinas de uma empresa multinacional de serviços online e software dos Estados Unido está sendo testado em turbinas eólicas da própria empresa, desde o início do ano de 2019. A máquina tem sido alimentada com as informações sobre as ocorrências meteorológicas e os dados de turbinas de vento de 700 MW do parque eólico no centro dos EUA, grande parte recolhida pela multinacional. Dessa forma, o sistema é capaz de predizer a velocidade do vento com antecipação em cerca de 36 horas.
Com a análise dos dados, o prognóstico informado pelo modelo instalado recomenda as melhorias indispensáveis, um dia antes. Esta salienta a importância desta informação, para poder organizar melhor a distribuição de energia necessária para uma hora específica e que seja mais proveitoso para a rede, isto é, na prática, a companhia, consegue prever a quantidade de energia que consegue entregar no dia seguinte. Com isso, os clientes conseguem também gerir melhor as suas necessidades energéticas, passando, a saber, quando podem contar ou não com energia eólica. A energia do vento da mesma, através deste sistema tornou-se 20% mais rentável (SAPO TEK, 2019).
4. METODOLOGIA DE ANÁLISES
4.1 REVISÃO DA LITERATURA
As máquinas de vetores suporte (SVMs) são grupos de métodos de aprendizado de máquina, originalmente introduzidos para o problema de classificação e posteriormente generalizados para várias outras situações. Eles são baseados em princípios da teoria de aprendizagem estatística e otimização convexa e são usados atualmente em vários domínios de aplicação, incluindo bioinformática, categorização de texto e visão computacional. Em virtude da relevância que a geração de energia elétrica, provenientes dos ventos, tem fornecido ao setor elétrico, os estudos sobre a previsão de energia eólica se tornaram um tema em alta, nos últimos anos. Estudiosos e especialista desenvolvem pesquisas robustas e de diferentes perspectivas para a tratativa de tal questão (MAMONE; TURCHI; CRISTIANINI, 2016).
Atualmente, com relação à previsão da geração eólica, a maioria dos estudiosos concentra-se em dois métodos de pesquisa: modelo estatístico e modelo físico. Embora ambos os métodos possam prever a geração de energia eólica, eles são substancialmente diferentes um do outro. O método estatístico é baseado em dados históricos de geração de energia eólica, tais como modelo autoregressivo (AR), modelo de média móvel (MA), modelo MA autoregressivo (ARMA) e outros métodos (LI et al., 2018).
De acordo com os dados históricos, é prevista a operação da etapa seguinte e obtido o valor da geração eólica. O modelo utiliza as informações meteorológicas e outros dados como variáveis independentes para construir a curva de geração de energia eólica, de forma a simular e prever o valor da próxima etapa. Este método depende muito da coleta abrangente de informações e da alta precisão dos dados das turbinas eólicas; bem como, a obtenção de múltiplas fontes de dados, meteorológicos e de geração de energia (LI et al., 2018).
Os autores realizam uma previsão de geração de energia eólica utilizando a máquina de vetores de suporte de mínimos quadrados combinada com decomposição em modo empírico de conjunto, análise de componentes principais e um algoritmo de morcego (WU; PENG, 2016). Uma previsão de energia eólica de curto prazo com base na máquina de vetor de suporte com algoritmo de libélula aprimorado é realizada (LI et al., 2020). Uma aplicação proposta pelos autores apresenta um classificador de máquina de vetor de suporte difuso multiclasse para diagnóstico de falhas de turbinas eólicas (HANG; ZHANG; CHENG, 2016). Segundo este estudo é desenvolvido um classificador de máquina de vetor de suporte proximal linear e outro não linear para previsão de velocidade do vento (RANGANAYAKI; DEEPA, 2019). Uma abordagem de combinação robusta é realizada para previsão e análise de velocidade do vento de curto prazo, combinando de previsões ARIMA (Média Móvel Integrada Autorregressiva), ELM (Máquina de Aprendizagem Extrema), SVM (Máquina de Vetor Suporte) e LSSVM (Máquinas de vetores de suporte de mínimos quadrados) usando um GPR (Modelo de regressão do processo gaussiano) (WANG; HU, 2015).
4.2 ESTUDO DE CASO
A partir do dataset disponibilizado pela operadora do parque em Haute Borne, foram extraídos dados medidos, durante o ano de 2013, dos quatro aerogeradores pertencentes ao local. Em um período de verificação, mediante as condições climáticas: vento medido através de dois anemômetros em pontos distintos e a direção do vento. Observou-se o quanto esses parâmetros influenciam na potência gerada. Baseando-se na média, 336,8 kW, desse período, são previstas potências classificadas como acima ou abaixo da média.
As etapas foram realizadas a fim de realizar os ajustes para o aprendizado de máquinas e são divididas em: Validação, Treinamento de Máquina de Vetor Suporte, Classificação e Avaliação da Performance. A seguir, cada uma dessas etapas é detalhada.
4.2.1 VALIDAÇÃO
Para a etapa de validação foi utilizado método de Holdout que separou o grupo de dados totais em dois subgrupos excludentes entre si, sendo um para treinar (estimou-se os parâmetros) e o outro para a validação de dados (teste)
4.2.2 TREINAMENTO
A Máquina de Vetor Suporte foi treinada através da função de Kernel, que resumidamente, realiza a identificação das entradas em lacunas de determinação para uma classificação que possui uma característica não linear.
4.2.3 MÉTODO DE CLASSIFICAÇÃO
São escolhidos dois modelos de máquinas de vetor suporte (SVM): Linear e Quadratic, para este estudo. O algoritmo de classificação, SVM, apresenta uma linha de separação, mais comumente chamada de hiperplano que classifica os dados em duas classes. Essa linha busca potencializar a distância entre os pontos mais próximos em relação a cada uma das classes (LEMONADE, 2019).
4.2.4 MÉTODO DE AVALIAÇÃO DE PERFORMANCE
Para esta etapa utilizou-se a matriz de confusão, que avalia qual é o nível de desempenho do classificador. Os termos dividem-se em quatro possíveis especificações:
- Verdadeiro Positivo (VP) – a classificação da classe positiva foi realizada corretamente. A classe real é Positiva e o modelo classificou como Positiva.
- Verdadeiro Negativo (VN) – a classificação correta da classe negativa. A classe real é Negativa e o modelo classificou como Negativa.
- Falso Positivo (FP) – a classificação equivocada da classe positiva. A classe real é Negativa e o modelo classificou como Positiva.
- Falso Negativo (FN) – classificação errada da classe negativa. A classe real é Positiva e o modelo classificou como Negativa.
A precisão pode ser definida como o número de vezes que uma classe foi predita corretamente dividida pelo número de vezes que a classe foi predita corretamente mais a classificação equivocada da classe positiva. (MINERANDO DADOS, 2017)
4.2.4.1 MATRIZ DE CONFUSÃO
Sendo um conceito de aprendizado de máquina, a matriz de confusão compreende informações sobre classificações reais e previstas realizadas por um sistema de classificação. Uma matriz de confusão tem duas dimensões, a primeira dimensão é organizada pela classe real de um objeto, a outra é ordenada através da classe que o classificador prevê (DENG et al., 2016).
A matriz de confusão indica como o classificador está se comportando. Como pode ser observado na fig.1
Fig. 1 Métricas de desempenho com base na Matriz de Confusão
5. ANÁLISES E RESULTADOS
Os estudos são realizados com auxílio do software MATLAB, a partir de dois modelos, conforme descrito na seção anterior, Linear SVM e Quadratic SVM que realizam a classificação da variável de interesse prevista.
Em uma análise preliminar, conforme fig. 2, a relação entre os ventos medidos através dos dois anemômetros, instalados em pontos distintos, possui uma resposta linear e traz contribuições significativas a partir de ventos a 6m/s.
Fig. 2: Relação dos ventos medidos no anemômetro 1 e 2.
A avaliação de desempenho dos modelos pode ser verificada através da matriz de confusão, podendo ser observado nas tabelas II e III, o desempenho para cada modelo de acordo com os valores de precisão, velocidade da previsão e tempo de treinamento.
5.1 MODELO LINEAR SVM
A TABELA II apresenta os parâmetros e as medida que compõem os resultados de desempenho do classificador. A fig. 3 apresenta a representação da matriz de confusão para avaliação da performance de execução do modelo de classificação Linear SVM.
Fig. 3: Matriz de confusão – Modelo Linear SVM.
5.2 MODELO QUADRATIC SVM
Observa-se a partir da fig. 4, a representação da matriz de confusão para o desempenho do classificador de modelo Quadratic SVM e as informações contidas na TABELA III demonstram o comportamento do parâmetro e suas medidas do modelo em questão.
Fig. 4: Matriz de confusão – Modelo Quadratic SVM.
Observa-se que os dois modelos possuem desempenhos satisfatórios. Contudo, ao compará-los pode-se verificar que o modelo Linear SVM possui o melhor desempenho para classificar os dados em questão. Apresentando uma precisão maior em 0,3%; uma velocidade de resposta em 43000 obs/seg. mais rápida e um tempo de treinamento com antecipação em 153,659seg; se comparado ao modelo Quadratic SMV.
5.3 COMPARAÇÃO ENTRE OS DOIS MODELOS
Foram testados dois modelos de máquinas de vetor suporte (SVM): Linear e Quadratic. Estes testes foram baseados nos resultados gerados pela matriz de confusão de cada um deles para os dados do parque eólico em Haute Borne, na França, disponibilizados pela operadora do empreendimento. Conforme a seção IV, os dados de entradas são a velocidade vento medida no primeiro anemômetro, em m/s; a velocidade vento medida no segundo anemômetro, em m/s e a direção do vento em graus. A aprendizagem supervisionada foi utilizada para prever geração de energia elétrica na localidade que é variável de interesse.
A grandeza prevista, a potência elétrica, é classificada em:
- Potência acima da média, verdadeiro positivo – VP ou Verdadeiro 1 ;
- Potência abaixo da média, verdadeiro negativo – VN ou Verdadeiro 0.
De acordo com a tabela IV, observam-se os diferentes parâmetros que compõe o desempenho e o percentual na predição da grandeza de interesse em cada modelo.
A previsão para potência acima da média apresentou 97,6% dos valores corretos para o modelo Linear SMV e 97% para o modelo Quadratic. E a predição para a potência abaixo da média apresentou valores pertinentes em 97% para o modelo Linear SMV e em 96,85% para o modelo Quadratic. Com estes resultados, pode-se atestar que o modelo Linear, para este estudo, é o modelo de melhor desempenho.
6. CONCLUSÃO
As questões relacionadas, a uma produção energética mais limpa, tanto no âmbito nacional quanto no internacional, tem sido alvo de estudos e análises. Nessa conjuntura, a energia eólica vem obtendo relevância em sua possível capacidade de geração de energia.
Contudo, a imprevisibilidade dos ventos, resulta na falta de garantia da geração através da fonte, o que tem sido um dos principais pontos críticos nessa modalidade de geração de energia elétrica.
Neste artigo, o aprendizado de máquinas foi apontado como uma das possíveis ferramentas para aperfeiçoar e gerar métodos que pudessem ser aplicados para elevar a confiabilidade nas operações desses parques, com uma maior previsibilidade nos índices de ventos.
A energia proveniente dos ventos apresenta relevante participação na matriz energética, em diversos países. Dessa forma, são indispensáveis métodos que apresentem precisão e eficiência no prognóstico da geração de energia elétrica. Como verificado nos itens IV e V, técnicas computacionais permitem a utilização de modelos, com aplicação para dados reais, a fim de que delineiem a predição das grandezas de interesse que contribuem para o planejamento e a operação de sistemas elétricos que incluem parques eólicos.
O estudo de caso apresentou um sistema real em um modelo supervisionado de classificação no qual a partir de dados históricos de um parque eólico na França foi possível prever dados de geração de energia elétrica provenientes da velocidade dos ventos. Como pode ser observado na seção 5, o melhor modelo é o Linear SVM, com 97,1% de precisão e menor tempo computacional para treinamento; 13,581seg, um tempo de treinamento antecipado em 153,659seg se comparado ao modelo Quadratic SMV.
Conforme verificado na tabela IV, os diferentes parâmetros que compõe o desempenho e o percentual na predição da grandeza de interesse em cada modelo são apresentados. A previsão para potência acima da média apresentou 97,6% dos valores corretos para o modelo Linear SMV e 97% para o modelo Quadratic. E a predição para a potência abaixo da média apresentou valores pertinentes em 97% para o modelo Linear SMV e em 96,85% para o modelo Quadratic. Com estes resultados, pode-se verificar que o modelo Linear, é o modelo de melhor atenderia os reveses para este estudo, sendo capaz de predizer, com mais precisão, a geração de energia elétrica no parque Eólico em Haute Borne.
REFERÊNCIAS
ANEEL. Agência Nacional de Energia Elétrica. Atlas de Energia Elétrica do Brasil – Outras Fontes – Parte II, Fontes Renováveis, Capitulo 5, 2016.
ATLANTIC ENERGIA ENERGIAS RENOVÁVEIS S.A. Saiba como funciona o aerogerador, que transforma vento em eletricidade Disponível em: <http://atlanticenergias.com.br/saiba-como-funciona-o-aerogerador-que-transforma-vento-em-eletricidade/>.Acesso em: 20/04/2019.
CARVALHO, Andre Carlos Ponce de Leon Ferreira; BRAGA, Antônio de Pádua; LUDERMIR, Teresa Bernarda. Fundamentos de redes neurais. Publicação da COPPE/UFRJ para a XI Escola de Computação Brasileira, Rio de Janeiro, 1998.
DENG, Xinyang et al. An improved method to construct basic probability assignment based on the confusion matrix for classification problem. Information Sciences, v. 340, p. 250-261, 2016.
FILHO, Geraldo Pereira Rocha et al. ResiDI: Um Sistema de Decisao Inteligente para Infraestruturas Residenciais via Sensores e Atuadores Sem Fio, São Paulo, 2015.
HANG, Jun; ZHANG, Jianzhong; CHENG, Ming. Application of multi-class fuzzy support vector machine classifier for fault diagnosis of wind turbine. Fuzzy Sets and Systems, v. 297, p. 128-140, 2016
HOLMATOV, Bunyod; HOEKSTRA, Arjen Y.; KROL, Maarten. S. Land, water and carbon footprints of circular bioenergy production systems. Renewable and Sustainable Energy Reviews, v. 111, p. 224-235, 2019.
INOVA. JOR. Startup aplica aprendizado de máquina à energia eólica Disponível em: < https://www.inova.jor.br/2016/12/05/delfos-energia-eolica/> Acesso em: 25/04/2019.
JUNLI, Wu; XINGJIE, Liu; JIAN, Qian. Wind speed and power forecasting based on RBF neural network. In: 2010 International Conference on Computer Application and System Modeling (ICCASM 2010). IEEE, 2010. p. V5-298-V5-301.
LEMONADE. Support Vector Machines. Disponível em: <https://docs.lemonade.org.br/pt-br/spark/aprendizado-de-maquina/classificacao-support-vector-machines.html>. Acesso em 27/04/2019.
LI, Cunbin et al. Short-term wind power prediction based on data mining technology and improved support vector machine method: A case study in Northwest China. Journal of cleaner production, v. 205, p. 909-922, 2018.
LI, Ling-Ling et al. Short-term wind power forecasting based on support vector machine with improved dragonfly algorithm. Journal of Cleaner Production, v. 242, p. 118447, 2020.
MAMMONE, Alessia; TURCHI, Marco; CRISTIANINI, Nello. Support vector machines. Wiley Interdisciplinary Reviews: Computational Statistics, v. 1, n. 3, p. 283-289, 2009.
MINERANDO DADOS. Café Com Código #09: Entendendo Métricas de Avaliação de Modelos. Disponível em: <https://minerandodados.com.br/cafe-com-codigo-09-metricas-de-avaliacao-de-modelos/>. Acesso em 30/04/2019
MME. Ministério de Minas e Energia. Energia Eólica no Brasil e Mundo ano de referência 2015. Disponível em < http://antigo.mme.gov.br/documents/20182/3244637c-b17e-4d14-b339-d5f81a98dd18> Acesso em: 17/04/2019.
MINGHAO, Zhao; DONGXIANG, Jiang; CHAO, Liu. Research on wind power forecasting method using phase space reconstruction and artificial neural network. In: 2009 International Conference on Sustainable Power Generation and Supply. IEEE, 2009. p. 1-5.
MISHRA, Alok Kumar; RAMESH, L. Application of neural networks in wind power (generation) prediction. In: 2009 International Conference on Sustainable Power Generation and Supply. IEEE, 2009. p. 1-5.
PORTAL ENERGIA. Sistema pode reduzir até 95% custo de reparações em aerogeradores. Disponível em: <https://www.portal-energia.com/sistema-reparacoes-aerogeradores-endesa/>. Acesso em: 25/04/2019.
RANGANAYAKI, V.; DEEPA, S. N. Linear and non-linear proximal support vector machine classifiers for wind speed prediction. Cluster Computing, v. 22, n. 1, p. 379-390, 2019.
SAPO TEK. Como pode a tecnologia de machine learning valorizar a energia eólica? Disponível em: <https://tek.sapo.pt/noticias/computadores/artigos/como-pode-a-tecnologia-de-machine-learning-valorizar-a-energia-eolica>. Acesso em 26/04/2019.
SHOAIB, Muhammad et al. Assessment of wind energy potential using wind energy conversion system. Journal of cleaner production, v. 216, p. 346-360, 2019.
WANG, Jianzhou; HU, Jianming. A robust combination approach for short-term wind speed forecasting and analysis–Combination of the ARIMA (Autoregressive Integrated Moving Average), ELM (Extreme Learning Machine), SVM (Support Vector Machine) and LSSVM (Least Square SVM) forecasts using a GPR (Gaussian Process Regression) model. Energy, v. 93, p. 41-56, 2015.
WU, Qunli; PENG, Chenyang. Wind power generation forecasting using least squares support vector machine combined with ensemble empirical mode decomposition, principal component analysis and a bat algorithm. Energies, v. 9, n. 4, p. 261, 2016.
[1] Mestranda em Engenharia Elétrica, Universidade Federal Fluminense; pós-graduação em engenharia elétrica, União Brasileira de Faculdades ; graduação em Engenharia Elétrica com ênfase em Sistemas de Potência, Universidade do Estado do Rio de Janeiro.
Enviado: Junho, 2021.
Aprovado: Junho, 2021.
