Propostas de modelos híbridos para o mapeamento de padrões locais em séries temporais de velocidade do vento

Abstract

A energia eólica é considerada uma alternativa promissora na matriz energética global

devido à sua disponibilidade abundante e ao baixo impacto ambiental em termos de emis- sões de gases de efeito estufa. Contudo, sua integração ao sistema elétrico enfrenta desafios

técnicos significativos. Especialmente, devido à variabilidade temporal e espacial das velo- cidades e direções do vento, que resultam em uma geração intermitente e não despachável.

Essa característica compromete a estabilidade do fornecimento de energia elétrica, exi- gindo estratégias avançadas de planejamento, operação e controle em redes interligadas.

Para mitigar esses desafios, a previsão adequada da velocidade do vento torna-se um re- quisito para o dimensionamento apropriado de sistemas eólicos. Isto permite otimizar a

operação de turbinas, ajustar o despacho energético e implementar políticas de manuten- ção preditiva. Apesar das redes neurais serem conhecidas como aproximadores universais

de funções, aplicar essa teoria na prática é algo também desafiador. Ademais, a modela- gem das séries temporais de velocidade do vento apresenta alta complexidade devido aos

padrões não lineares e estocásticos inerentes. Portanto, há uma demanda para o uso de métodos preditivos robustos, como modelos híbridos que integram técnicas estatísticas e aprendizado de máquina. O princípio da "sabedoria das multidões" postula que a resposta agregada de um grupo de indivíduos geralmente supera a de um único especialista. Esse conceito também se aplica a modelos de previsão, em que a combinação de múltiplos preditores frequentemente proporciona resultados superiores ao desempenho do melhor preditor individual. Este cenário tem impulsionado esforços significativos em pesquisa e desenvolvimento tecnológico em escala global. Portanto, este trabalho investiga o uso de

diferentes modelos híbridos e suas combinações para alcançar um mapeamento mais ade- quado de padrões locais em séries temporais complexas de velocidade do vento. Desta

forma, foram propostos modelos híbridos, baseando-se na estratégia de dividir para con- quistar. Supõe-se que o processo de aprendizado de cada sub-série localmente possa ser

mais efetivo do que o aprendizado da série completa de forma global. No geral, os resulta- dos em séries de velocidade do vento com diferentes granularidades e diversos tamanhos

evidenciaram a eficácia das propostas. A principal proposta desta pesquisa, denominada

LocLN, foi composta por modelos de treinamento rápido. Tais quais, modelos autorre- gressivos, integrados e de médias móveis (ARIMA, do inglês Auto Regressive Integrated

Moving-Average) e máquinas de aprendizado extremo (ELM, do inglês Extreme Learning Machine). O LocLN conseguiu obter uma diminuição de aproximadamente 30% nos erros de previsão para o horizonte de 3h um passo a frente, quando comparado com modelos individuais de redes neurais recorrentes. Ademais, o teste de hipótese de Diebold-Mariano (DM) sobre os erros quadráticos revelou a relevância do LocLN em relação aos demais 18 métodos concorrentes nas 10 bases de dados. Foram 103 vitórias, 75 empates e 2 derrotas

entre 180 comparações no teste DM. Estes resultados demonstraram que em 98,8% dos casos comparados, o LocLN foi superior ou igual aos métodos concorrentes que possuem abordagens individuais e também híbridas, tais quais bagging e boosting.