Seleção e avaliação de componentes temporais no downscaling estatístico

Abstract

O Brasil vem se destacando internacionalmente pelo aumento na geração a partir da fonte eólica. Dado o fato desta fonte ser intermitente, este aumento traz consigo a necessidade do desenvolvimento de ferramentas mais acuradas para estimar o recurso eólico com vistas a auxiliar o planejamento da matriz elétrica brasileira. Existem modelos que estimam a velocidade do vento sobre o globo, entretanto, esta informação está disponível em baixa resolução espacial (macroescala). Estes modelos são conhecidos como GCMs (Global Circulation Models). O comportamento do vento no local de interesse (microescala) sofre a influência de diversos fatores que não são considerados na modelagem macroescalar. O recurso eólico na microescala pode ser estimado utilizando os dados do GCM como entrada das técnicas de aumento de resolução espacial (downscaling). Particularmente, este estudo utiliza técnicas de downscaling estatístico para estimar a velocidade do vento de 8 estações anemométricas. Usualmente as estimativas do vento local (preditando) são feitos utilizando instantes de tempo concomitantes entre macroescala e microescala. Neste trabalho, algumas técnicas utilizam em seus dados de entradas (preditores) instantes de tempos anteriores ao momento avaliado, nomeados neste texto como componentes temporais (CTs). Em uma avaliação global notou-se que a adição de componentes temporais melhorou as estimativas. Foi desenvolvida uma metodologia objetiva para seleção das CTs a partir das funções de autocorrelação e autocorrelação parcial. Após comparação dos resultados com ambas as metodologias, notou-se que para a maioria dos modelos, a metodologia baseada na autocorrelação parcial apresentou melhores resultados. Em adição ao mencionado, foram desenvolvidos modelos que utilizaram técnicas de clustering para melhorar as estimativas e concluiu-se que existe um ganho significativo nestas ao unir a adição de CTs e técnicas de agrupamento. Cada um dos modelos citados anteriormente utilizaram como dados de entrada cada um dos 16 níveis do GCM empregados neste trabalho. Em acréscimo a isto foram desenvolvidos modelos que além das componentes temporais realizaram seleções espaciais avaliando todos os níveis do GCM. Estes modelos apresentaram bom desempenho, especialmente nas regiões mais complexas, com destaque para o modelo RTCTP (Regressão, Teste de hipótese, Clustering, Teste de hipótese, Análise de componentes principais).