Sistema de previsão de geração eólica baseado em ferramentas de inteligência artificial

• Ano de defesa: 2018
• Autor(a) principal: GOUVEIA, Hugo Tavares Vieira
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Pernambuco; UFPE; Brasil; Programa de Pos Graduacao em Engenharia Eletrica
• Palavras-chave em Português: Engenharia Elétrica; Inteligência artificial; Previsão de vento; Redes neurais; Séries temporais; Transformada Wavelet
• Link de acesso: https://repositorio.ufpe.br/handle/123456789/32605

Com o aumento da participação de fontes de geração intermitente nas matrizes eletro-energéticas de países como o Brasil, torna-se essencial para os estudos de planejamento e programação da operação do sistema o conhecimento prévio da geração futura dessas fontes. A distribuição de probabilidades da geração de energia eólica em bases mensal e anual é bem conhecida, o que facilita o planejamento energético com a inclusão desta fonte. Por outro lado, em horizontes que variam de poucas horas a alguns dias à frente, a constante intermitência da fonte eólica exige previsões de geração confiáveis para a determinação do ponto ótimo de operação do sistema elétrico. Nesta tese foi desenvolvido um método no qual se aplica um algoritmo evolucionário para a definição dos hiperparâmetros e topologia de redes neurais recorrentes do tipo Echo State Networks que realizam previsões de vento e geração eólica, em base horária, no horizonte de 24 horas. Assim como no método que deu origem ao proposto na presente tese, o algoritmo evolucionário permite a busca simultânea pelos melhores hiperparâmetros e topologia da rede, sem a necessidade de redução dos autovalores da matriz de pesos do reservoir (camada interna da Echo State Network), e em tempo consideravelmente inferior àquele necessário caso fosse realizada uma busca exaustiva pelos melhores parâmetros da rede, o que exige grande esforço computacional e elevado tempo de processamento. Dentre as principais contribuições da tese destaca-se a possibilidade de utilização de estados aumentados no reservoir, os quais podem ser os sinais de aproximação e detalhe da análise de multiresolução via Wavelets, ou então do tipo quadráticos. Os estados aumentados possibilitam a redução da quantidade de neurônios no reservoir sem perda de desempenho e com redução do esforço computacional e, consequentemente, do tempo de processamento. O método foi aplicado para a realização da previsão horária da velocidade do vento em quinze localidades distintas e também para a previsão da geração de cinco plantas comerciais, todas localizadas na Região Nordeste. Os resultados demonstraram que os erros das previsões obtidas com o método proposto são equivalentes aos erros obtidos com os melhores modelos do estado da arte na previsão de velocidade de vento e geração eólica.