Skip navigation
Use este identificador para citar ou linkar para este item: https://repositorio.ufpe.br/handle/123456789/14993

Compartilhe esta página

Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisorAQUINO, Ronaldo Ribeiro Barbosa de-
dc.contributor.authorSOUZA, Ramon Bezerra de-
dc.date.accessioned2016-01-25T18:22:30Z-
dc.date.available2016-01-25T18:22:30Z-
dc.date.issued2014-08-29-
dc.identifier.urihttps://repositorio.ufpe.br/handle/123456789/14993-
dc.description.abstractO Brasil apresenta um amplo potencial eólico a ser explorado, atualmente, observa-se a grande expansão desta fonte de geração, principalmente no nordeste do Brasil, onde os ventos apresentam uma importante característica de complementaridade em relação às vazões do rio São Francisco. Porém, devido à incerteza associada à potência disponível, o aprimoramento das ferramentas de previsão de curto prazo representa um fator determinante para a operação do sistema, contribuindo para facilitar a comercialização de energia elétrica, o controle dos parques eólicos e fornecer uma estimativa futura para determinada localidade. Este trabalho é uma contribuição aos modelos de previsão de velocidades médias horárias dos ventos, para o horizonte de previsão de uma a quatro horas, utilizando as Redes Neurais Artificiais, sistemas Neuro-Fuzzy e o Reservoir Computing como métodos de inteligência artificial e as variáveis velocidade média do vento, umidade do ar, radiação solar e temperatura como entradas dos modelos de previsão. Os resultados obtidos para as previsões com alguns modelos propostos, revelaram ganhos da ordem de 50 % quando comparados com o modelo de referência, ratificando a eficiência dos modelos desenvolvidos.pt_BR
dc.description.sponsorshipCAPESpt_BR
dc.language.isoporpt_BR
dc.publisherUNIVERSIDADE FEDERAL DE PERNAMBUCOpt_BR
dc.rightsopenAccesspt_BR
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.subjectEngenharia Elétricapt_BR
dc.subjectPrevisão de ventospt_BR
dc.subjectRedes neurais artificiaispt_BR
dc.subjectAnálise de séries temporaispt_BR
dc.subjectInteligência artificialpt_BR
dc.subjectSistemas Neuro-Fuzzypt_BR
dc.titleAvaliação de modelos de inteligência artificial para previsão da velocidade de vento em curto prazopt_BR
dc.typemasterThesispt_BR
dc.contributor.authorLatteshttp://lattes.cnpq.br/8462552844285140pt_BR
dc.publisher.initialsUFPEpt_BR
dc.publisher.countryBrasilpt_BR
dc.degree.levelmestradopt_BR
dc.contributor.advisorLatteshttp://lattes.cnpq.br/0731639653204720pt_BR
dc.publisher.programPrograma de Pos Graduacao em Engenharia Eletricapt_BR
dc.description.abstractxBrazil has a large wind potential to be exploited, currently, there is a great expansion of this source of generation, primarily in northeastern Brazil, where winds have an important feature of complementarity with the flows San Francisco River. However, due to the uncertainty associated with the available power, the improvement in short-term forecasting tools is a key factor for system operation, helping to facilitate the sale of electricity, control of wind farms and provide an estimate for future Local determined. This work is a contribution to the average speeds hourly forecast models of the winds, to the forecasting horizon of one to four hours, using the Artificial Neural Networks, Neuro-Fuzzy systems and Reservoir Computing as methods of artificial intelligence and speed variables average wind, humidity, solar radiation and temperature as inputs for forecasting models. The results obtained for predictions with some proposed models, showed gains of about 50% compared to the reference model, confirming the efficiency of the developed models.pt_BR
Aparece nas coleções:Dissertações de Mestrado - Engenharia Elétrica

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Dissertação_Ramon_Bezerra_Souza_versão_final.pdf3,1 MBAdobe PDFThumbnail
Visualizar/Abrir


Este arquivo é protegido por direitos autorais



Este item está licenciada sob uma Licença Creative Commons Creative Commons