Análise comparativa entre abordagens probabilísticas de previsão da potência ativa de aerogeradores em curto prazo

Abstract

O crescimento acelerado da população mundial, aliado ao avanço exponencial do desenvolvimento tecnológico, tem gerado um aumento expressivo e contínuo na demanda global por energia. No entanto, a intermitência associada à geração eólica representa um dos maiores desafios para a integração dessa fonte ao sistema elétrico interligado. Nesse contexto, a previsão da geração eólica torna-se um dos pilares fundamentais para viabilizar a crescente integração dessa fonte renovável na matriz energética, sendo a previsão uma estratégia amplamente adotada para o gerenciamento da intermitência intrínseca a tal fonte. No desenvolvimento de modelos estatísticos preditivos, destacam-se duas classes principais: determinística e probabilística. Os modelos determinísticos fornecem, como previsão, apenas o valor esperado da variável de interesse para um dado horizonte temporal (i.e., single point forecasting). Por outro lado, os modelos probabilísticos oferecem, além do valor esperado, a incerteza associada à previsão. Nesse sentido, este trabalho tem como objetivo avaliar a performance de duas abordagens probabilísticas aplicadas à previsão de potência eólica em curto prazo (até 24 horas à frente), baseadas em: (i) Power Curve Modeling e (ii) Time Series Based Models, incluindo Quantile Regression, Elastic Net, Gradient Boosting e redes neurais do tipo Multi-Layer Perceptron. A avaliação foi realizada por meio de métricas como Quantile Score} e Continuous Ranked Probability Score, considerando um estudo de caso focado na região Nordeste do Brasil. Os resultados do estudo de caso indicam que os Time Series Based Models apresentaram desempenho superior na métrica de resolução das previsões, enquanto a Power Curve Modeling destacou-se pela maior confiabilidade das previsões. Além disso, a aplicação de técnicas de clustering nos modelos proporcionou uma melhora significativa na confiabilidade sem comprometer a resolução. Essa comparação evidenciou a importância do estudo comparativo entre diferentes abordagens, ressaltando seus desempenhos variados para cada horizonte de previsão.