| dc.contributor | D'Aquino, Carla de Abreu | |
| dc.contributor | Universidade Federal de Santa Catarina | |
| dc.creator | Silveira, Edvana da Silva da | |
| dc.date | 2022-10-21T17:01:01Z | |
| dc.date | 2022-10-21T17:01:01Z | |
| dc.date | 2022 | |
| dc.date.accessioned | 2023-09-02T04:30:51Z | |
| dc.date.available | 2023-09-02T04:30:51Z | |
| dc.identifier | 378272 | |
| dc.identifier | https://repositorio.ufsc.br/handle/123456789/241009 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/8579001 | |
| dc.description | Dissertação (mestrado) - Universidade Federal de Santa Catarina, Campus Araranguá, Programa de Pós-Graduação em Energia e Sustentabilidade, Araranguá, 2022. | |
| dc.description | As concessionárias e o operador do sistema precisam de previsões e estimativas quanto ao recurso eólico para assim, gerenciar o despacho antecipado de eletricidade das usinas tradicionais, como por exemplo, as termelétricas ou hidrelétricas com reservatórios de acumulação. Dessa forma, o objetivo geral desse trabalho é analisar o desempenho de algoritmos de Machine Learning na previsão da velocidade do vento costeiro, com uma hora de antecedência, utilizando três algoritmos: Extreme Gradiente Boosting (XGBoost), Redes Neurais Artificiais e Regressão Linear Multivariável. Para o desenvolvimento do estudo, foram utilizados dados coletados por um anemômetro de copo instalado na Base de Observação do Oceano e Atmosfera (BOOA), construída sobre uma plataforma de pesca localizada no Balneário Arroio do Silva, Santa Catarina. Foram utilizados cerca de 25000 dados horários correspondentes ao período de 2018 a 2021. A metodologia foi dividida nas seguintes etapas: tratamento e preparação do conjunto de dados, treinamento, aplicação e avaliação dos modelos e, seleção do melhor modelo e sua validação para o ano de 2020. O modelo utilizando XGBoost apresentou melhores resultados para a região de estudo. Sua acurácia foi avaliada considerando métricas de desempenho, análise estatística e a investigação de sua capacidade frente a um evento extremo, o Ciclone Bomba. Destacam-se o valor de MAE (Mean Absolute Error) menores que 1,00 m/s, MBE (Mean Bias Error) próximos de zero, e, também valores de RMSE (Root Mean Square Error) próximos de 1,00 m/s. Assim, o modelo apresentou capacidade de realizar previsões promissoras com antecedência de 1 hora. Essas, são muitos importantes para a setor de energia eólica, principalmente quando inserida em locais onde ocorrem diferentes fenômenos extremos, especialmente no Sul do Brasil, e, considerando a presente mudança climática global. | |
| dc.description | Abstract: The concessionaires and the system operator need forecasts and estimates regarding the wind resource in order to manage the anticipated dispatch of electricity from traditional plants, such as thermoelectric plants or hydroelectric plants with accumulation reservoirs. Thus, the general objective of this work is to analyze the ability to predict the coastal wind speed, one hour ahead, using three Machine Learning algorithms: Extreme Gradient Boosting (XGBoost), Artificial Neural Networks and Multivariable Linear Regression. For the development of the study, were used data collected by a cup anemometer installed at the Ocean and Atmosphere Observation Base (BOOA), built on a fishing platform located in Balneário Arroio do Silva, Santa Catarina. Near 25,000 hourly data corresponding to the period from 2018 to 2021 were used. The methodology was divided into the following steps: cleaning and preparation of the data set, training, application and evaluation of the models, and selection of the best model and its validation for the year 2020. The model using XGBoost showed better results for the study case. Its accuracy was evaluated considering performance metrics, statistical analysis and the investigation of its capacity in the face of an extreme event, Bomb Cyclone. Some highlights are the value of MAE (Mean Absolute Error) lower than 1.00 m/s, MBE (Mean Bias Error) close to zero, and also values of RMSE (Root Mean Square Error) close to 1.00 m/ s. Thus, the model was able to make promising predictions 1 hour ahead. These are very important for the wind energy sector, especially when inserted in places where different extreme phenomena occur, especially in southern region of Brazil, and considering the present global climate change. | |
| dc.format | 89 p.| il., gráfs. | |
| dc.format | application/pdf | |
| dc.language | por | |
| dc.subject | Energia | |
| dc.subject | Energia eólica | |
| dc.subject | Ventos | |
| dc.subject | Aprendizado do computador | |
| dc.title | Machine learning e a previsão de curto prazo da velocidade do vento costeiro | |
| dc.type | Dissertação (Mestrado) | |
