COMPARAÇÃO DE MODELOS PARA PREVISÃO DA VELOCIDADE DO VENTO ATRAVÉS DE REDES NEURAIS EM LENÇÓIS, BAHIA

"COMPARISON OF MODELS FOR WIND SPEED PREDICTION THROUGH NEURAL NETWORKS IN LENÇOIS, BAHIA"

Bispo, Amanda Santana Lins; Nascimento, Lian Filipe Santana; Gomes, Yuri de Jesus; Conterato, Flávio Santos

Original Article:

O intuito do trabalho foi comparar modelos de previsão, usando inteligência artificial, de modo que fosse possível concluir qual o melhor para a previsão da velocidade do vento, para 1 hora em Lençóis, BA, utilizando uma fonte de dados do Instituto Nacional de Meteorologia (INMET). Além disso, uma rede neural artificial (RNA), foi desenvolvida utilizando bibliotecas TensorFlow e Keras, foi comparada com outros modelos de previsão, e se mostrou a mais eficiente dentre as opções, para esse propósito. A métrica principal observada para avaliar esse estudo foi Mean Absolute Error (MAE), e as auxiliares foram Mean Squared Error (MSE) e R². A Rede Neural Artificial (RNA) obteve os seguintes valores para cada métrica: 0.421 para o MAE, 0.389 para o MSE e 0.523 na métrica de R².

The intention of this work was to compare forecasting, models using artificial intelligence, so that was possible to conclude which is the best one for the forecasting of wind speed for 1 hour in Lençóis, BA, using an data source from the Instituto Nacional de Meteorologia (INMET). Furthermore, an Artificial Neural Network (ANN), was developed using TensorFlow and Keras libraries, was compared with other forecasting models, and showed to be the most efficient among the options for this purpose. Moreover, the main metric used to evaluate this study was Mean Absolute Error (MAE), and the auxiliary ones were Mean Squared Error (MSE) and R². The RNA obtained the following values for each metric: 0.421 for MAE, 0.389 for MSE and 0.523 for R² metric.

Palavras-chave:

DOI: 10.5151/siintec2021-208825

Referências bibliográficas

• [1] "1 Fonte de energia renováveis representam 83% da matriz elétrica brasileira. GOV, 2020. Available in: https://www.gov.br/pt-br/noticias/energia-minerais-e-combustiveis/2020/01/fontes-deenergia-renovaveis-representam-83-da-matriz-eletrica-brasileira. Access in: 22 jul. 2021.
• [2] 2 LESSA, Claudia. Especialistas apontam efeitos ambientais negativos de pequenas hidrelétricas. Câmara dos Deputados, 2019. Available in: https://www.camara.leg.br/noticias/606063-especialistas-apontam-efeitos-ambientais-negativos-de-pequenas-hidreletricas/. Access in: 25 jul. 2021.
• [3] 3 GOMES, Luis Henrique. Investimento na matriz eólica superam R$ 187,1 bi na última década. Folha de São Paulo, 2021. Available in: https://www1.folha.uol.com.br/mpme/2021/07/investimentos-na-matriz-eolica-superam-r-1871-bi-na-ultima-decada.shtml. Access in: 22 jul. 2021.
• [4] 4 Machine Learning can boost the value of wind energy. DeepMind, 2019. Available in: https://deepmind.com/blog/article/machine-learning-can-boost-value-wind-energy.
• [5] Access in: 23 jul. 2021.
• [6] 5 IBGE – Instituto Brasileiro de Geografia e Estatística. Panorama da cidade de Lençóis. Lençóis - BA. 2017, IBGE - Instituto Brasileiro de Geografia e Estatística | v4.6.8.
• [7] 6 CONTERATO, Flavio Santos et al. (2020). COMPARISON OF SHORT-TERM TEMPERATURE FORECASTING BETWEEN ARTIFICIAL NEURAL NETWORK
• [8] AND MACHINE LEARNING. Available in: http://pdf.blucher.com.br.s3-sa-east-1.amazonaws.com/engineeringproceedings/siintec2020/COMPARISONOFSHORT-TERM.pdf. Access in: 26 jul. 2021.
• [9] 7 PENTEADO, Karoline. Métricas de avaliação para séries temporais. alura, 2021. Available in: https://www.alura.com.br/artigos/metricas-de-avaliacao-para-series-temporais.
• [10] Access in: 30 jul. 2021.
• [11] 8 ZUCATELLI, P.J. et al. Short-term wind speed forecasting in Uruguay using computational intelligence, Colonia Eulacio, Soriano Department, Uruguay, v. 5, p. 1-11, may 2019. DOI https://doi.org/10.1016/j.heliyon.2019.e01664. Available in: https://reader.elsevier.com/reader/sd/pii/S2405844018368087?token=E2A6CFCAC3 977E342F98D8B8C7E52B0C81BE7C5FF8BE699258CF5E9DA724CEE60BA3EB346BFDBDCEE018D65A7A52A338. Access in: 30 jul. 2021.
• [12] 9 OLIVEIRA, J. B. SISTEMAS INTELIGENTES E WAVELETS PARA PREVISÃO DE VENTO E GERAÇÃO EÓLICA. 2008. 92 p. Dissertação (Mestrado em Engenharia Elétrica) – Universidade Federal de Pernambuco, Recife, 2008.
• [13] 10 Zucatelli, Pedro et al. (2018). PREVISÃO DA VELOCIDADE DO VENTO A CURTO PRAZO USANDO REDES NEURAIS ARTIFICIAIS EM MUCURI, BAHIA. 10.26678/ABCM.CONEM2018.CON18-0393. Available in: https://www.researchgate.net/publication/326045477_PREVISAO_DA_VELOCIDADE_DO_VENTO_A_CURTO_PRAZO_USANDO_REDES_NEURAIS_ARTIFICIAIS_EM_MUCURI_BAHIA. Access in: 15 sep. 2021."
• [14]

Como citar:

Bispo, Amanda Santana Lins; Nascimento, Lian Filipe Santana; Gomes, Yuri de Jesus; Conterato, Flávio Santos; "COMPARAÇÃO DE MODELOS PARA PREVISÃO DA VELOCIDADE DO VENTO ATRAVÉS DE REDES NEURAIS EM LENÇÓIS, BAHIA", p-577-584. In: VII International Symposium on Innovation and Technology. São Paulo: Blucher, 2021.
ISSN 23577592, DOI 10.5151/siintec2021-208825