Técnicas para redução de dimensionalidade de séries temporais e detecção de velocidades extremas do vento para geração eólica

Abstract

O alto custo da produção de energia, juntamente com as vantagens da energia eólica como uma fonte de energia renovável e a característica de ser amplamente disponível, levou vários países a estabelecerem incentivos para regular e promover a geração de energia eólica. Todas as turbinas eólicas instaladas no mundo até o final de 2016 podem gerar cerca de 5% da demanda mundial de eletricidade. O Brasil tem um enorme potencial de energia eólica e a diversificação de sua matriz de energia está se tornando cada vez mais necessária, o que é ainda mais relevante quando a fonte de energia é renovável. No mundo, o uso de energia eólica para a produção de energia em larga escala vem recebendo incentivos crescentes, tanto no desenvolvimento de novas tecnologias como em controle e interpretação de informações coletadas para o desenvolvimento de tecnologias nessa área. Uma das mais promissoras soluções para obter informações das séries temporais de velocidade do vento e potência envolvem a realização da redução de dimensionalidade dessas bases de dados; por isso este trabalho propõe a comparação de três métodos: Piecewise Aggregate Approximation (PAA), Piecewise Aggregate Approximation com Regressão Quantílica (PAA/RQ) e Adaptive Piecewise Aggregate Approximation (APAA), para extrair o máximo de informações dessas séries temporais por redução de dimensionalidade, propiciando assim um ganho de tempo computacional no processo de análise de dados. A implementação desses algoritmos permitiu precisar qual o método mais eficiente na determinação da quantidade possível de eventos extremos de cut-in e cut-off da velocidade do vento e assim determinar quais regiões têm maior potencial para a implementação de um Parque Eólico, assim como estimar períodos em que a turbina eólica não estaria em pleno funcionamento. O desempenho de todos os métodos estudados nesse trabalho é testado para os sítios eólicos localizados nas regiões Sul e Nordeste. Esses locais foram escolhidos por pertencerem a regiões do Brasil com diferentes características geográficas e de vento; essa escolha teve como objetivo a verificação da robustez dos métodos em cenários divergentes. Os resultados indicam que o método APAA teve um desempenho superior que os métodos PAA e PAA/RQ, pois identificou uma maior quantidade de valores extremos.