Skip navigation
Use este identificador para citar ou linkar para este item: https://repositorio.ufpe.br/handle/123456789/32495

Compartilhe esta página

Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisorARAÚJO, Alex Maurício-
dc.contributor.authorFERNANDES, Lucas Cabral-
dc.date.accessioned2019-09-10T22:14:01Z-
dc.date.available2019-09-10T22:14:01Z-
dc.date.issued2018-08-31-
dc.identifier.urihttps://repositorio.ufpe.br/handle/123456789/32495-
dc.description.abstractA importância de uma previsão com qualidade ganhou visibilidade devido aos benefícios que traz ao planejamento, manutenção e operação do setor elétrico como um todo. Com vistas a explorar o comportamento periódico do vento, e por consequência da potência gerada, este trabalho busca desenvolver uma metodologia para previsão de potência baseada em análise espectral e na decomposição do sinal. No caso da análise espectral foi utilizada a transformada rápida de Fourier como meio de identificação de componentes. Para a decomposição aplicou-se um método aditivo, que se resume em subtrações sucessivas de médias móveis, no qual tais médias são tomadas em intervalos correspondentes aos períodos identificados através da análise espectral. O processo de decomposição é repetido para cada uma das componentes, encontrando, então, subcomponentes do sinal original. Para cada subcomponente é treinada uma rede neural. Uma outra rede é ajustada para realizar a recomposição da previsão final. A metodologia foi desenvolvida de forma que sua aplicação seja objetiva, ou seja, sem a necessidade de alterações subjetivas caso o método seja aplicado à diferentes séries temporais, garantindo generalidade. A metodologia proposta foi aplicada a cinco estudos de caso e se provou consistente tendo alcançado os objetivos de superar os métodos de referência. Em relação à persistência os resultados da metodologia desenvolvida chegaram a uma melhora de até 45%. Portanto a metodologia proposta alcançou os resultados almejados, justificando o gasto computacional mais elevado que a realização da dupla decomposição implica.pt_BR
dc.description.sponsorshipANPpt_BR
dc.language.isoporpt_BR
dc.publisherUniversidade Federal de Pernambucopt_BR
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazil*
dc.rightsopenAccesspt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.subjectEngenharia Mecânicapt_BR
dc.subjectEnergia eólicapt_BR
dc.subjectPrevisãopt_BR
dc.subjectRedes neurais artificiaispt_BR
dc.subjectAnálise espectralpt_BR
dc.subjectDecomposiçãopt_BR
dc.titlePrevisão de potência eólica de curtíssimo prazo baseada na análise espectral e decomposição da série temporalpt_BR
dc.typemasterThesispt_BR
dc.contributor.advisor-coCOSTA, Alexandre Carlos Araújo da-
dc.contributor.authorLatteshttp://lattes.cnpq.br/0222963920148804pt_BR
dc.publisher.initialsUFPEpt_BR
dc.publisher.countryBrasilpt_BR
dc.degree.levelmestradopt_BR
dc.contributor.advisorLatteshttp://lattes.cnpq.br/5905967201590284pt_BR
dc.publisher.programPrograma de Pos Graduacao em Engenharia Mecanicapt_BR
dc.description.abstractxThe importance of high quality forecasting gained visibility due to the benefits it assures to the planning, maintenance and operation of the electrical sector. Towards to exploring wind’s, and therefore wind power, periodical behaviour this work aims to develop a wind power forecasting methodology based on spectral analysis and signal decomposition. For the spectral analysis the fast Fourier transform algorithm was used as a mean to identify the components within the original time series. For the decomposition an additive method was applied, which resumes in sucessive subtractions of moving averages from the original signal, those averages are taken regarding the intervals correspondent to the period identified with the spectral analysis. The process is then repeated to each one of the components, finding the subcomponets of the signal. For each subcomponent a neural network is trained to forecast its behavior. The recomposition of the signal is done by another neural network which produces the final forecast. The methodology was developed in a objective way, so it does not needs further subjective alterations when applied to different time series, assuring generality. The methodology was then applied in five different cases proving to be consistent and reaching the objectives to overcomes the reference methods, namely the persistence and a neural network adjusted for the original time series withouth the double decomposition. Regarding the persistence the proposed methodology results achieved improvements until 45%. Therefore the proposed methodology achieved the desired results, justifying the high computational cost of the double decomposition.pt_BR
Aparece nas coleções:Dissertações de Mestrado - Engenharia Mecânica

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
DISSERTAÇÃO Lucas Cabral Fernandes.pdf5,65 MBAdobe PDFThumbnail
Visualizar/Abrir


Este arquivo é protegido por direitos autorais



Este item está licenciada sob uma Licença Creative Commons Creative Commons