Previsão de potência para avaliação de condições operacionais de turbinas eólicas usando redes do tipo Transformers

Abstract

A natureza intermitente e imprevisível dos ventos impõe desafios significativos à operação, despacho e manutenção de parques eólicos, motivo pelo qual métodos de previsão precisos tornam-se fundamentais para ganhos operacionais, como redução de custos, maior disponibilidade das turbinas e integração segura da energia eólica na matriz elétrica brasileira. Partindo desse problema, esta tese propõe novos modelos de previsão de potência eólica de curto prazo baseados em arquiteturas Transformer. Foram desenvolvidos três modelos originais — T2V-Transformer, T2V-Flowformer e T2V Flashformer — que integram a codificação temporal Time2Vec e empregam mecanismos alternativos de atenção (FlowAttention e FlashAttention) para reduzir a complexidade computacional do FullAttention, mantendo ou ampliando a precisão das previsões. A pesquisa foi conduzida com dados reais de turbinas eólicas localizadas no Nordeste do Brasil, considerando diferentes condições sazonais e horizontes de previsão de até 12 horas. Os resultados evidenciaram ganhos consistentes de desempenho, com os modelos propostos superando os métodos de referência (ARIMA, MLP, LSTM e DLinear) em grande parte dos cenários avaliados, apresentando maior precisão e desempenho nas métricas de avaliação utilizadas. A análise de sensibilidade mostrou que a aplicação do Time2Vec na entrada do codificador gera impactos positivos expressivos, especialmente nas variantes Flowformer e Flashformer. Adicionalmente, observou-se que melhorias aparentemente pequenas se tornam relevantes quando acumuladas em longos períodos de operação, resultando em benefícios concretos à eficiência energética e à confiabilidade operacional. Do ponto de vista metodológico, este trabalho se destaca por apresentar a primeira aplicação do mecanismo FlashAttention à previsão de energia eólica, além da primeira integração conjunta de Time2Vec com múltiplos mecanismos de atenção nesse contexto. A abordagem proposta combina robustez preditiva e viabilidade computacional, oferecendo um procedimento metodológico que avança o estado da arte em previsão de séries temporais eólicas e fornece subsídios práticos para uma gestão mais inteligente e sustentável de parques eólicos.