TCC Alexandre Simon Shyu - Versao Final

UNIVERSIDADE FEDERAL DE SANTA CATARINA
CURSO DE GRADUAÇÃO EM ENGENHARIA MECÂNICA
ALEXANDRE SIMON SHYU
APLICAÇÃO DE MODELO HÍBRIDO DE PREVISÃO DE GERAÇÃO

EÓLICA NOS PARQUES EÓLICOS DE PEDRA DO SAL E BEBERIBE
FLORIANÓPOLIS
2015
APLICAÇÃO DE MODELO HÍBRIDO DE PREVISÃO DE GERAÇÃO EÓLICA NOS

PARQUES EÓLICOS DE PEDRA DO SAL E BEBERIBE
Trabalho apresentado ao Curso de Graduação em

Engenharia de Mecânica da Universidade Federal de Santa
Catarina como parte dos requisitos para a obtenção do título
de Engenheiro Mecânico.
Orientador: Prof. Júlio César Passos
FLORIANÓPOLIS
2015
FOLHA DE IDENTIFICAÇÃO CATALOGRÁFICA
Shyu, Alexandre Simon, 1991

Aplicação de modelo híbrido de previsão de geração eólica nos parques
eólicos de Pedra do Sal e Beberibe
66 f. Il Color
Orientador: Júlio César Passos
Trabalho de Conclusão de Curso (graduação) – Universidade Federal de

Santa Catarina, Curso de Engenharia Mecânica, 2015
1. Modelo Híbrido 2. Previsão eólica 3. Rede neural artificial

I. Passos, J.C. II. Universidade Federal de Santa Catarina. Curso de
Engenharia Mecânica
APLICAÇÃO DE MODELO HÍBRIDO DE PREVISÃO DE GERAÇÃO EÓLICA NOS

PARQUES EÓLICOS DE PEDRA DO SAL E BEBERIBE
Este Trabalho de Graduação foi julgado adequado para a obtenção do título de Engenheiro
Mecânico e aprovado em sua forma final pela Comissão examinadora e pelo Curso de
Graduação em Engenharia Mecânica da Universidade Federal de Santa Catarina.
Prof. Carlos Enrique Niño, Dr. Prof. Jonny Carlos da Silva, Dr.
Coordenador do Curso Professor da Disciplina
Comissão Examinadora:
___________________________________
Prof. Júlio César Passos, Dr.
Orientador
___________________________________
Reinaldo Haas, Dr.
___________________________________
Eng.Pedro Alvim de Azevedo Santos, Ms.
AGRADECIMENTOS
De início agradeço a meus pais, Shyu Cheng Hsiung e Eunice Simon por darem todas
as condições e apoio para a conclusão de mais essa etapa em minha vida.
Em segundo lugar agradeço aos meus professores, em especial, ao professor Júlio Cesar
Passos e Reinaldo Hass por terem me possibilitado o aprendizado e desafio nesse tema
abordado.
Em terceira oportunidade agradeço ao Mestre em Engenharia Pedro Alvim e Mestre
Yoshiaki Sakagami por terem me acompanhado nas visitas técnicas e estarem sempre a
disposição para solucianar possíveis dúvidas.
À empresa Tractebel Energia S.A., em especial, ao Eng. Frederico de Freitas Tavares,
pelo suporte ao trabalho realizado e os recursos necessários para que o projeto pudesse ser
realizado.
Aos colegas do grupo da eólica, Vinícius Fuck, Isadora Limas, Virgílio Machado e Theo
Balconi pelo auxílio durante a execução do trabalho.
E por fim aos operadores das usinas eólicas de Pedra do Sal e Beberibe por sempre se
comprometerem a repassar boa parte da gama de dados utilizados nesse trabalho.
"O caminho mais curto é sempre tentar
mais uma vez." Edison, Thomas
RESUMO
O objetivo deste trabalho de conclusão de curso é apresentar os resultados obtidos de
um modelo híbrido que junta WRF e redes neurais artificiais para a previsão de geração eólica
das Usinas Eólicas de Pedra do Sal-PI e Beberibe-CE, Brasil. Esse modelo de previsão conta
com dados de entrada de uma modelagem numérica regional do Weather Research and
Forecasting (WRF). Tais dados de entrada são inseridos em uma rede neural artificial a qual
fornece como dados de saída a geração eólica do parque inteiro, ou para cada turbina eólica do
parque. O modelo fornece uma previsão em um horizonte de 72h e foram realizadas durante os
testes 120 previsões para Pedra do Sal e 80 para Beberibe, com isso obtve-se um erro médio
para esse período. Com os resultados conclui-se um desempenho superior ao modelo usa uma
rede neural por turbina, além disso a inserção de novas variáveis gera uma melhor acuricidade.
Palavras-chave: Previsão Geração eólica. Modelo híbrido. WRF. Redes neurais artificiais.
Parques eólicos nordeste.
ABSTRACT
The goal of this work is to show the results from a hybrid model, which join the WRF
with artificial neural networks to generate a forecast model of wind energy for the wind farms
of Pedra do Sal-PI and Beberibe-CE in Brazil. In this forecast model, data from a numeric
prevision model is added to a system of neural networks, and the system can vary from one
neural network for each turbine or only one neural network for the entire park. The model can
predict 72h ahead and to validate the model, 120 previsions were made for Pedra do Sal and 80
previsions for Beberibe, with this validation a mean error was obtained for the period. The
results obtained with the model that uses one neural nework for each turbine show a better
performance against the model that uses only one neural network for the entire park, beside that
the inclusion of new variavles as an inputs generated better results.
Keywords: Wind power forecast. Hybrid model. WRF. Artificial Neural Netwaork. Northeast
Wind Farms.
LISTA DE FIGURAS
Figura 2.1 - Ventos Permanentes Geotrópicos ........................................................................ 6

Figura 2.2 - Influencia da topografia no regime de ventos ...................................................... 7
Figura 2.3 - Variação da velocidade durante o dia .................................................................. 7
Figura 2.4 – Espectro do vento de Brookheaven, Nova Iorque do trabalho feito por Van der
Hoven (1957). ........................................................................................................................ 8
Figura 2.5 - Distribuição de Weibull para diferentes valores de fator de forma (k) e (c) para os
municípios de Água Doce e Imbituba. .................................................................................. 10
Figura 2.6 - Cilindro de ar em frente ao rotor. ...................................................................... 11
Figura 2.7 - As diferentes abordagens de previsão ................................................................ 15
Figura 2.8 – Fluxograma da modelo previsão física de geração ............................................ 16
Figura 2.9 - Fluxograma da modelo previsão estatística de geração. ..................................... 16
Figura 2.10 – Principais etapas da abordagem híbrida. ......................................................... 17
Figura 2.11 - Modelo não-linear de um neurônio. ................................................................. 22
Figura 2.12 - Função Heaviside. ........................................................................................... 23
Figura 2.13 - Função Transferência linear. ........................................................................... 23
Figura 2.14 - Função Transferência sigmoide para parâmetro de inclinação a variável. ........ 24
Figura 2.15 - Rede feedforward com camada única .............................................................. 25
Figura 2.16 – Rede alimentada adiante com uma camada oculta e uma camada de saída. ..... 26
Figura 2.17 - Rede Recorrente.............................................................................................. 26
Figura 3.1 -Vista de satélite da localização do parque eólico de Pedra do Sal e Beberibe. ..... 29
Figura 3.2 -Vista de satélite da unidade eólica de Pedra do Sal. ............................................ 31
Figura 3.3 – Vista de satélite da unidade eólica de Beberibe. ................................................ 31
Figura 3.4 - LiDAR instalado no parque eólica em Pedra do Sal........................................... 34
Figura 3.5 – Layout do parque de Pedra do Sal com instrumentação. .................................... 35
Figura 3.6 – Fluxograma do modelo híbrido. ........................................................................ 36
Figura 3.7 - Domínio do WRF utilizado nas simulações ....................................................... 37
Figura 3.8 –Fluxograma do modelo estatístico ..................................................................... 38
Figura 3.9 - Curva de Potência resultante da soma de geração de cada aerogerador, para o
Parque Eólico de Pedra do Sal, as velocidades provêm do anemômetro da nacele do
aerogerador. ......................................................................................................................... 39
Figura 4.1 – Fluxograma do período de previsão .................................................................. 41
Figura 4.2 - Comparação entre a previsão de geração dada pelo modelo híbrido em verde e a
geração real no parque em azul, ambas na base temporal média de 10 minutos..................... 43
Figura 4.3 – Zoon da figura 27 entre os meses de dezembro e janeiro. .................................. 43
Figura 4.4 - Erro entre os dados observados e previstos ao longo das previsões e BIAS
normalizado. ........................................................................................................................ 44
Figura 4.5 - Histograma da frequência de erros entre a previsão e a geração real. ................. 44
normalizado. ........................................................................................................................ 45
Figura 4.9 – Comparação entre a previsão de geração dada pelo modelo híbrido em verde e a
Figura 4.10 – Erro entre os dados observados e previstos ao longo das previsões e BIAS
normalizado ......................................................................................................................... 47
Figura 4.11 – Histograma da frequência de erros entre a previsão e a geração real................ 48
normalizado. ........................................................................................................................ 50
Figura 4.14 - Histograma da frequência de erros entre a previsão e a geração real. ............... 50
normalizado. ........................................................................................................................ 52
geração real no parque em azul, ambas na base temporal média de 10 minutos. Período entre
agosto e setembro................................................................................................................. 54
normalizado. ........................................................................................................................ 55
LISTA DE TABELAS
Tabela 1 - Características Gerais de Pedra do Sal ................................................................. 30

Tabela 2 - Características Gerais de Beberibe ....................................................................... 30
Tabela 3 - Parâmetros de Weibull dos parques eólicos em 2009. ........................................... 32
Tabela 4 – Fator de capacidade Beberibe.............................................................................. 32
Tabela 5 – Fator de capacidade Pedra do Sal. ....................................................................... 32
Tabela 6 - Especificações das turbinas eólicas. ..................................................................... 33
Tabela 7 - Descrição da instrumentação da Torre Anemométrica. ........................................ 35
Tabela 8 - Dados de entradas usadas na rede. ....................................................................... 40
Tabela 9 - Erros médios para o período de previsão, Modelo I, primeiro período. ................. 42
Tabela 10 - Erros médios para o período de previsão, Modelo II, primeiro período. ............. 45
Tabela 11 – Erros médios para o período de previsão, Modelo I, segundo período................ 46
Tabela 12 – Respectivos erros médios de cada turbina ......................................................... 48
Tabela 13 - Erros médios para o período de previsão. ........................................................... 49
Tabela 14 – Novas variáveis incluídas no modelo e redução do NMRSE em comparação sem o
uso de tais variáveis. ............................................................................................................ 51
Tabela 16 - Respectivos erros médios de cada turbina. ......................................................... 53
Tabela 18 – Comparação dos erros em relação aos modelos I e II ......................................... 56
LISTA DE SIGLAS
ANEEL: Agência Nacional de Energia Elétrica

UEBB: Usina Eólica de Beberibe
UEPS: Usina Eólica de Pedra do Sal
CFD: Computational Fluid Dynamics
EWEA: European Wind Energy Association
FSL: Forecast Systems Laboratory
HFWA: Air Force Weather Agency
MAE: Erro Absolto Médio
MLP: Multilayer Perceptron
MOS: Model Output Statistics
MSE: Erro Quadrático Médio
NCAR: National Center for Atmospheric Research
NCEP: National Center for Environmental Prediction
NOAA: National Oceanic and Atmospheric Administration
NOMADS: National Operational Model Archive and Distribution System
NMAE: Erro Absoluto Médio Normalizado
NREL: National Renewable Energy Laboratory
NRMSE: Raiz do Erro Quadrático Médio Normalizado
NWP: Numerical Weather Prediction
RMSE: Raiz do Erro Quadrático Médio
RNA: Redes Neurais Artificiais
SIN: Sistema Interligado Nacional
SCADA: Supervisory Control and Data Acquisition
WRF: Weather Research and Forecasting
ZCIT: Zona de Convergência Intertropical
SUMÁRIO
1 INTRODUÇÃO ....................................................................................................................... 2
1.1 APRESENTAÇÃO .......................................................................................................................................2
1.2 OBJETIVOS ...............................................................................................................................................3
1.2.1 Objetivo Geral ................................................................................................................................. 3

1.2.2 Objetivos Específicos ....................................................................................................................... 3
1.3 JUSTIFICATIVA .........................................................................................................................................3
1.4 LIMITAÇÕES .............................................................................................................................................4
1.5 ESCOPO DO TRABALHO............................................................................................................................4
2 FUNDAMENTAÇÃO TEÓRICA ............................................................................................ 5

2.1 CARACTERÍSTICAS FÍSICAS DOS VENTOS ..................................................................................................5
2.1.1 Circulação Global dos Ventos........................................................................................................... 5

2.1.2 Comportamento dos ventos ............................................................................................................ 6
2.1.3 Turbulência ..................................................................................................................................... 8
2.1.4 Caracterização do vento .................................................................................................................. 9
2.1.5 CONVERSÃO DE ENERGIA EÓLICA .................................................................................................. 11
2.1.6 AEROGERADORES.......................................................................................................................... 12
2.2 PREVISÃO NUMÉRICA DO TEMPO.......................................................................................................... 12
2.2.1 Modelo Global .............................................................................................................................. 13

2.2.2 Modelo regional/mesoescala......................................................................................................... 13
2.3 MODELOS TÍPICOS DE PREVISÃO DE GERAÇÃO EÓLICA.......................................................................... 14
2.3.1 Abordagem física........................................................................................................................... 15

2.3.2 Abordagem estatística ................................................................................................................... 16
2.3.3 Abordagem híbrida ....................................................................................................................... 17
2.3.4 Método de avaliação das previsões ............................................................................................... 18
2.4 REDES NEURAIS ARTIFICIAIS (RNA) ........................................................................................................ 21
2.4.1 Modelo do neurônio ..................................................................................................................... 22

2.4.2 Arquiteturas de rede ..................................................................................................................... 24
2.4.3 Algoritmo backpropagation ........................................................................................................... 27
3 METODOLOGIA .................................................................................................................. 28
3.1 ESTUDO DE CASO ................................................................................................................................... 28
3.1.1 Caracterização dos parques eólicos de Pedra do Sal e Beberibe ..................................................... 29

3.1.2 Instrumentação e materiais disponíveis no parque ........................................................................ 34
3.2 MODELO HÍBRIDO DE PREVISÃO DE GERAÇÃO ...................................................................................... 36
3.2.1 Modelo físico: WRF ....................................................................................................................... 37

3.2.2 Modelo estatístico: Rede Neural Artificial ...................................................................................... 37
4 RESULTADOS PEDRA DO SAL ......................................................................................... 41
4.1 ENTRADA MULTIVARIÁVEL, MODELO I, PRIMEIRO PERÍODO. ................................................................ 42
4.2 ENTRADA MULTIVARIÁVEL, MODELO II, PRIMEIRO PERÍODO. ............................................................... 44
4.3 ENTRADA MULTIVARIÁVEL, MODELO I, SEGUNDO PERÍODO. ................................................................ 46
4.4 ENTRADA MULTIVARIÁVEL, MODELO II, SEGUNDO PERÍODO ................................................................ 48
5 RESULTADOS BEBERIBE .................................................................................................50

5.1 ENTRADA MULTIVARIÁVEL, MODELO I .................................................................................................. 51
5.2 ENTRADA MULTIVARIÁVEL, MODELO II ................................................................................................. 53
5.3 DISCUSSÃO ............................................................................................................................................ 56
6 CONCLUSÕES....................................................................................................................... 58
6.1 SUGESTÕES ............................................................................................................................................ 58
REFERÊNCIAS ............................................................................................................................. 59
2
1 INTRODUÇÃO
1.1 APRESENTAÇÃO
Inúmeros países têm buscado montar uma matriz energética com cada vez mais
participação de fontes renováveis de energia, com o objetivo de assegurar um desenvolvimento
sustentável e menos dependentes de energias fósseis. O Brasil, segundo estimativa da ONG
Greenpeace teria capacidade para chegar a ter uma matriz energética com uma participação de
66,5% de fontes renováveis. Ainda de acordo com esse mesmo relatório da ONG Greenpeace,
se levarmos em conta apenas a matriz elétrica, essa participação subiria para 92%. Atualmente,
temos no Brasil a quarta maior produção de energia renovável do mundo, de acordo com o
boletim Ranking Mundial de Energia e Socioeconomia.
Nesse contexto a energia eólica apresentaria no em 5 anos o segundo lugar em questão
de relevância na matriz elétrica com estimativa de potencial de 21,1% em nossa matriz. Com
base nos dados de 2013, o Brasil já detém o 15º lugar de produção eólica mundial.
Com base nisso, a previsão de geração eólica é uma necessidade para que se possa operar
de forma eficiente e econômica o parque eólico, além de fornecer uma base confiável para
comercialização de energia no curto prazo no mercado livre de venda de energia. Por exemplo,
uma boa previsão de curto prazo pode ser usada para gerar uma combinação otimizada entre
energia eólica e outra fonte de energia tal como térmica e hidroelétrica, com isso quando se está
previsto gerar grandes quantidades de energia eólica, pode-se diminuir o uso da energia térmica,
gerando assim uma economia nos custos.
Existem previsões de geração eólica para diferentes escalas de tempo. As previsões de
curtíssimos prazos servem para o controle ativo do próprio aerogerador, existem escalas para
previsões de milissegundos em alguns casos e é comum uso de redes neurais de séries temporais
para esses casos. Na escala de curto prazo é possível encontrar previsões que variam entre 1 a
72 horas, em geral estas previsões servem para otimizar o sistema como citado no parágrafo
anterior, além de fornecer um melhor planejamento da manutenção preventiva e preditiva do
sistema. As previsões de períodos entre 5 e 7 dias já são consideradas de curto-médio prazo e
servem principalmente para venda de energia no mercado livre e definição do preço da mesma.
Por fim, as previsões com horizontes acima de 12 meses são usadas em leilões de energia como
forma de planejamento dos recursos. Piwko et al., (2005)
Por fim, definido o período de previsão, usa-se três tipos de abordagem para a previsão
de geração, que segundo Soman et al. (2010) se dividem em: abordagem física a qual confia
fundamentalmente na previsão numérica do tempo, a abordagem estatística que inclui o modelo
3
de persistência e redes neurais e baseia-se fortemente no histórico de dados e a terceira

abordagem que se baseia em um modelo híbrido juntanto método físico e estatístico.
Com base nesse contexto, o presente trabalho visa analisar o uso de um modelo híbrido
de previsão, focado no uso de um modelo físico e de redes neurais artificiais (RNA) para a
previsão em um horizonte de até 72 horas. Para isso um estudo de caso foi realizado na Usina
Eólica de pedra do Sal (PI) e Usina Eólica de Beberibe (CE)
1.2 OBJETIVOS
1.2.1 Objetivo Geral
Aperfeiçoar um modelo de previsão de geração eólica de curto prazo para um horizonte

de até 72 horas, fazendo uso para isso de uma abordagem híbrida de um modelo físico já em
funcionamento (WRF – Weather Research and Forecasting) e estatístico com uso de redes
neurais que será criado.
1.2.2 Objetivos Específicos
 Filtrar os dados de geração coletados no parque eólico de Pedra do Sal e Beberibe

 Verificar qual estratégia de modelo apresenta melhores resultados.
 Analisar a influência de diferentes variáveis como dados de entrada no modelo.
 Analisar os resultados para diferentes abordagens de uso de redes neurais.
 Tratar os dados da previsão do tempo obtidos através do modelo físico WRF;
 Realizar uma análise de sensibilidade da arquitetura da rede neural e da base temporal
de análise.
 Analisar os resultados do modelo híbrido, comparando-os com a real produção eólica
do parque
1.3 JUSTIFICATIVA
A variabilidade e incerteza da geração eólica durante um período traz consigo grandes

desafios para o sistema elétrico de geração, principalmente no que tange o quanto está agendado
para fornecer ao sistema e a geração real que é expedida para a rede. Com isso, a previsão de
geração eólica se torna uma ferramenta essencial para que se diminua as consequências dessa
variabilidade e incerteza dentro da geração eólica e torne possível o uso otimizado de diversos
4
canais de geração elétrica. Além disso, no ambiente livre de comércio de energia é

extremamente importante ter uma boa estimativa de quanto a energia eólica irá influenciar no
portifólio energético para que se possa definir os preços a serem comercializados.
Em suma, uma boa previsão de geração eólica pode oferecer as seguintes vantagens:
 Elaboração de um plano de manutenção programada otimizada nas áreas de
geração e transmissão.
 Auxílio na precificação da energia.
 Planejamento de sistemas otimizados de reservas energéticas
 Efieciência no uso de diferentes fontes de energia em um sistema interligado.
Com base nisso, o presente trabalho visa aperfeiçoar um modelo de previsão que alia
um modelo físico numérico, ao inserir um modelo estatístico de redes neurais.
1.4 LIMITAÇÕES
Uma das limitações foi a falta de um histórico detalhado das manutenções ocorridas
durante o período analisado nos parques eólicos estudados. Isso ocasionou problemas durante
o tratamento e preparação dos dados antes da inserção dos mesmo no modelo de previsão. Caso
houvesse em mãos os planos de manutenção os resultados poderiam ser melhores.
1.5 ESCOPO DO TRABALHO
O presente trabalho divide-se basicamente em Fundamentação Teórica, Metodologia,

Resultados e Considerações finais.
A fundamentação teórica focará em questões relativas ao vento; mostrará sua formação
e seu comportamento. Atrelado a isso, mostrará os principais modelos de previsão do tempo e
de geração eólica. Por fim, esse capítulo tem o objetivo de relatar os conceitos associados a
redes neurais artificiais, expondo seus principais modelos e suas vantagens.
O capítulo referente à metodologia abordará as questões particulares da pesquisa,
fornecendo informações detalhadas dos métodos de investigação e da origem dos dados
utilizados para obtenção dos resultados.
No final, no ponto relativo aos resultados e às considerações finais, apresentar-se-á as
principais conclusões da pesquisa e indicar-se-á sugestões para trabalhos futuros.
5
2 FUNDAMENTAÇÃO TEÓRICA
2.1 CARACTERÍSTICAS FÍSICAS DOS VENTOS
2.1.1 Circulação Global dos Ventos
Os ventos classificam se em horizontais e verticais (ascendentes ou descendentes) e são

um fenômeno atmosférico causado pela incidência de radiação irregular do sol sobre a
superfície do planeta o que causa diferenças de pressão e temperaturas nessas áreas. Nos locais,
no qual a radiação solar é menor, gera-se uma zona de alta pressão. No entanto, nas regiões nas
quais a incidência é mais intensa, o ar atmosférico possui uma temperatura mais elevada e com
isso gera-se uma zona de baixa pressão atmosférica. Essa diferença de pressão gera a
movimentação de massas de ar, que partem das zonas de maior pressão para as zonas de menor
pressão. Atrelado a isso, existe a força de Coriolis, que se origina devido ao movimento de
rotação da Terra e também influenciam no movimento das massas de ar, deslocando-as no
sentido anti-horário no hemisfério sul e no sentido horário no hemisfério norte. Em outras
palavras, o ar movendo-se livremente no hemisfério Norte desvia-se para a direita, e o ar se
movendo no hemisfério Sul é defletido para a esquerda.
Os ventos alísios são formados devidos aos fatores citados no parágrafo acima. Tal tipo
de vento tem como característica principal o deslocamento, em baixas altitudes, da massa de ar
fria e úmida da zona de alta pressão (trópicos), para a zona de baixa pressão (Zona de
Convergência Intertropical –ZCIT) a qual surge na linha do Equador, região onde existe uma
incidência de radiação solar quase que uniforme e constante. Chegando nas áreas de baixa
pressão do Equador, os ventos ascendem, com isso, perdem umidade através das precipitações
e condensação, formando assim os ventos contra-alísios que se deslocam do equador para os
trópicos. Sua principal característica é de ser um vento que leva ar seco para as zonas tropicais,
tal motivo explica o porquê de os maiores desertos estarem localizados nessas zonas. Existem
variações nos padrões de movimentação dos ventos contra-alísios e alísios, principalmente,
devido a alterações no movimento de rotação da Terra e também devido a fatores climáticos
como o La Niña e El Niño. HAAS, et al. (2014)
Outros dois padrões de vento se denominam de; ventos polares de leste e ventos de
oeste. Os ventos polares de leste se deslocam dos polos em direção aos trópicos e seguem de
leste para oeste, são ventos que carregam um ar frio e denso. Os ventos de oeste sopram entre
as latitudes de 30 e 60 graus (norte ou sul). Os mesmo tem sua origem na ascensão do ar quente
da zona equatorial.
6
Figura 2.1 - Ventos Permanentes Geotrópicos
Fonte: Ferreira, 2010
2.1.2 Comportamento dos ventos
O principal fator que influência o comportamento e variabilidade dos ventos é sua

localização geográfica, na qual a existência de diferentes regiões climáticas e com intensidades
de insolação diferentes geram um regime de ventos diferentes entre essas zonas. Atrelado a
isso, existem fatores secundários, tais como topografia do terreno e variabilidade temporal que
irão influenciar diretamente no comportamento dos ventos.
A topografia e a altura influênciam drasticamente a velocidade do vento, a qual aumenta
com o aumento da altura. Nas proximidades da superfície terrestre, a velocidade do vento possui
um perfil aproximademente logarítmico com a altura e o mesmo tem velocidade nula em um
ponto junto a superfície. Essa altura junto a superfície depende dos tipos de obstáculos, além
da vegetação e relevo presente. Como podemos ver na figura 2.2 nas regiões que possuem
edifícios altos, a velocidade dos ventos atinge valores altos apenas em alturas muito elevadas,
enquanto que em áreas costeiras esses valores são atingidos em alturas muito mais baixas.
7
Figura 2.2 - Influencia da topografia no regime de ventos
Fonte: Ferreira, 2010

Além desses fatores físicos, a escala temporal também afeta a variação do vento, sendo
relevante a pequena e grande escala temporal. Na escala de tempo maior que compreende
meses, estações climáticas e períodos sazonais, observa-se padrões e velocidades de ventos
diferentes de acordo com os períodos. Na variação em menor escala (segundos, minutos, horas
e dia) em geral, o vento sopra mais forte durante o dia que durante a noite como podemos ver
pela análise da figura 2.3, no entanto isso pode mudar dependendo o local.
Figura 2.3 - Variação da velocidade durante o dia
Fonte: Windpower, 1998
Essa variação temporal em pequena escala pode ser melhor compreendida através de
uma análise de frequência feita por Hoven (1957). Hoven construiu um espectro de velocidade
do vento a partir de um conjunto de dados analisados em diferentes frequências de aquisições
temporais, a figura 2.4 mostra o espectro obtido.
8
Figura 2.4 – Espectro do vento de Brookheaven, Nova Iorque do trabalho feito por
Van der Hoven (1957).
Fonte: Hoven, 1957

Pela figura 2.4 podemos ver dois picos principais e um pico intermediário, além de um
intervalo espectral entre os mesmos. O primeiro pico refere-se a um período de 4 dias, causado
por sistemas de pressão migratória que é decorrente da entrada e saída de massas de ar. O pico
intermediário refere-se as mudanças associadas ao longo do dia e período noturno. Por fim, o
último pico refere-se as variações em escalas de segundos associados a turbulência. O formato
do intervalo espectral está associado a rugosidade da superfície em determinadas
circunstâncias.
2.1.3 Turbulência
Turbulência caracteriza-se pela variação da velocidade do vento em um pequeno

intervalo de tempo, tipicamente menor que 10 minutos. A mesma é ocasionada, principalmente,
por dois motivos: atrito com a superfície da Terra (presença de montanhas, obstáculos) e efeitos
térmicos devido a diferenças de temperaturas.
Por ser um processo complexo a turbulência não pode ser simplesmente determinada
por equações determinísticas. Assim sendo, a turbulência é descrita usando um sistema de
equações diferenciais baseadas nas leis da conservação da massa, do momento e da energia,
sempre levando em conta a umidade, temperatura, pressão e densidade. Em algumas aplicações
é importante descrever a turbulência de forma estatística.
A intensidade de turbulência, por exemplo, é um parâmetro estatístico que mede o nível
geral de turbulência e é definido por:
9
𝜎 (2.1)
𝐼= ̅
𝑉
onde 𝜎 𝑒 𝑉̅ representam o desvio padrão do vento e a velocidade média do vento

geralmente definido na base temporal de 10 minutos. A mesma depende fortemente da
topografia e rugosidade do terreno.
2.1.4 Caracterização do vento
2.1.4.1 Distribuição de Weibull
Desenvolvida pelo físico sueco Wallodi Weibull, a distribuição estatística de Weibull

foi primeiramente criada com o objetivo de descrever o tempo de vida de materiais sobre cargas
que causavam fadiga e fraturas nos mesmos. Por ser indicada para situações onde se estuda
grandezas com grandes variações, a distribuição de Weibull se encaixa perfeitamente no
contexto da energia éolica, no qual existe grandes variações e distribuições de velocidade dos
ventos, logo uma variável estocástica.
Mais especificamente no estudo da geração eólica, o diferencial da distribuição de
Weibull está em modelar de maneira aceitável as características do vento em um determinado
local, através de dois parâmetros (k e c), representados pela seguinte equação:
𝑘 𝑉 𝑘−1 𝑉 𝑘
( )
𝑓 𝑉 = ( )( ) 𝑒𝑥𝑝 [− ( ) ]
𝑐 𝑐 𝑐 (2.2)
O fator de forma admensional, k, representa a forma da curva da distribuição, em geral

esse parâmetro está na faixa de 1,5 e 3 Matinez (2003). Quanto maior o valor de k, indica que
a curva fica mais estreita e com uma ponta menor, logo a probabilidade decai rapidamente para
altas velocidades de vento. A função densidade de probabilidade representa a porcentagem de
ocorrências da velocidade V e V+dV em relação ao total de ocorrências.
No caso do parâmetro de escala c, também chamado de fator característico da
distribuição temos que esse valor representa a velocidade em que 63,2% dos dados de vento
estarão abaixo desse valor. A figura 2.5 traz como exemplo uma curva da distribuição de
Weibull.
10
Figura 2.5 - Distribuição de Weibull para diferentes valores de fator de forma (k) e (c)
para os municípios de Água Doce e Imbituba.
Fonte: Damaz et al., 2007
Ao realizar-se a integração da distribuição de Weibull, encontra-se a Função Acumulada

de Weibull, conforme mostrado abaixo:
𝑉
𝑉 𝑘
𝐹 (𝑉 ) = ∫ 𝑓 (𝑉 )𝑑𝑉 = 1 − 𝑒𝑥𝑝 [− ( ) ]
0 𝑐 (2.3)
Nessa equação o valor de 𝐹 (𝑉 ) informa a fração acumulada de ocorrência de valores

menores que V. Ao multiplicar-se 𝐹 (𝑉 ) pelo tempo (número de horas de dados de vento de
uma localidade, por exemplo), tem-se o intervalo de tempo com ventos com velocidade menor
que V. Dalmaz et al., (2007)
Na geração eólica é de grande valia o conhecimento do intervalo de tempo no qual a
velocidade do vento é superior a um determinado valor de V, pois isso permite estimar a geração
de um parque eólico a ser instalado. Dessa maneira, utiliza-se a função da confiabilidade, R(V):
𝑅 (𝑉 ) = 1 − 𝐹 (𝑉 ) (2.4)
onde R(V) representa o intervalo de tempo no qual a velocidade do vento é superior a

um determinado valor V.
11
2.1.5 CONVERSÃO DE ENERGIA EÓLICA
2.1.5.1 Energia Cinética do Vento
Definimos a energia cinética contida no vento pela equação abaixo:
1
𝐸= 𝑚𝑣 2 (2.4)
2
Onde 𝑚 é a massa e 𝑣 é a velocidade.
Figura 2.6 - Cilindro de ar em frente ao rotor.
Fonte: Jain, et al., 2011
Podemos considerar que para uma turbina horizontal, o volume de ar que chega ao rotor
é um cilindro no qual a massa contida no mesmo fornecerá a energia extraída na turbina como
podemos ver na figura 2.6. Considerando que existe um fluxo de massa permanente e inserindo
a unidade de massa por segundo na eq. (2.5), obtemos:
1 (2.5)
𝐸̇ = 𝑚̇𝑣 2
2
𝑚̇ = 𝜌𝐴𝑣 (2.6)
Onde temos 𝜌 como densidade do ar, 𝐴 como a área frontal do rotor, 𝑚̇ como o fluxo de
massa e 𝐸̇ como energia por segundo, que equivale a potência.
1 1 (2.7)
𝐸̇ = 𝑃 = 𝜌𝐴𝑣𝑣 2 = 𝜌𝐴𝑣 3
2 2
12
Com base na Eq. (2.7) podemos notar que a velocidade do vento tem um papel
importantíssimo na geração e tem influência ao cubo da potência no resultado final, logo isso
reforça que uma boa previsão de potência deve usar dados de velocidade do vento mais
confiáveis possíveis.
2.1.6 AEROGERADORES
São máquina utilizadas para capturar a energia cinética dos ventos e convertê-la em
energia mecânica rotacional. As turbinas podem ser de eixo vertical e de eixo horizontal,
atrelado a isso as mesmas podem ser instaladas tanto no mar quanto na terra.
As turbinas de eixo vertical conseguem lidar melhor com a ocorrência de turbulência e tende a
ser mais segura e de fácil manutenção. Atualmente, apesar de apresentarem algumas vantagens
as turbinas de eixo vertical não estão presente muito no mercado, resumem-se a pequenos
projetos e causa disso é a sua baixa eficiência.
Turbinas de eixo horizontal é o tipo mais utilizado devido ao seu melhor desempenho
aerodinâmico. Em média essas turbinas possuem rotores com 3 pás e a estabilidade de uma
turbina nessa configuração possibilita a redução dos custos e construção de aerogeradores com
média de 100 metros de altura, sendo alguns capazes de gerarem até 5 MW.
Em geral esses aerogeradores são gerenciados por um sistema chamado SCADA
(Supervisory Control and Data Acquisition), onde obtêm-se em intervalos de 10 minutos todas
as variáveis fornecidas pelo aerogerador, tais como velocidade, geração, temperatura entre
outras. Por meio desse sistema que os dados foram fornecidos para o projeto.
2.2 PREVISÃO NUMÉRICA DO TEMPO
A previsão numérica do tempo é uma abordagem que utiliza poderosos sistemas de

computação para rodar modelos atmosféricos com objetivo de prever as condições de tempo
em horizontes que variam de horas a semanas e está em uso desde 1950.
Um modelo de previsão numérica de tempo é basicamente formado por três
componentes; um conjunto de equações de escoamento adiabático invíscido, um grupo de
equações dos fenômenos físicos, tais como: radiação, convecção, transição de fase, turbulência
e por um conjunto de dados medidos em tempo real que servirão como condição inicial do
modelo.
13
Nas últimas três décadas, os modelos evoluíram em resolução, parametrização físicas

mais precisas e melhores sistemas de dados medidos em tempo real. Isso se deu principalmente,
devido aos avanços científicos nos equipamentos e estações de medições, além dos
computadores. Em conjunto com isso as previsões se extenderam para mais que apenas uma
semana a frente e novas ferramentas estatísticas foram incorporadas dentro do modelo de
previsão para lidar com as próprias incertezas dentro do modelo.
2.2.1 Modelo Global
Nos modelos globais de previsão as equações que governam a atmosfera são resolvidas
sobre todo o globo, sem, entretanto, aterem-se às peculiaridades de cada região. Com isso,
previsões meteorológicas de curto e médio alcance de até 16 dias do estado da estratosfera e
troposfera são produzidas. A resolução desses modelos em escala vertical varia de 10 a 30
quilômetros e na escala horizontal de 15 a 50 quilômetros e na superfície é na escala de 500 m
até um 1 quilômetro, da estratosférica.
2.2.1.1 Global Forecast System (GFS)
Produzido pela National Centers for Environmental Prediction (NCEP) esse modelo
global de previsão reúne dezenas de variáveis atmosféricas, do solo e da terra. Nesse conjunto
de dados estão presentes dados de temperaturas, ventos, umidade do solo, concentração de
ozônio na camada atmosférica e nível de precipitação.
Para previsões entre uma e duas semanas a resolução horizontal cai para 70 quilômetros.
Esse modelo é composto por quatro modelos distintos; um atmosférico, um oceânico, um
modelo de terra-solo, e um de gelo presente no mar.
2.2.2 Modelo regional/mesoescala
Com os dados do modelo global de NWP obtém-se as condições de contorno do modelo

regional. Logo, os modelos de mesoescala visam refinar os detalhes das previsões geradas por
modelos de larga escala, a exemplo do GFS, com o intuito de possibilitar previsões destinadas
a áreas menores e usuários finais específicos. Para se obter uma boa performance dos modelos
de previsão, tanto os globais quanto os regionais, é extremamente desejável que as condições
iniciais representem de forma fiel o comportamento da atmosfera naquele dado momento.
14
2.2.2.1 Weather Research and Forecast Model (WRF)
O desenvolvimento do WRF partiu de uma parceria em 1990 entre o National Center

for Atmospheric Research (NCAR), National Oceanic and Atmospheric Administration
(NOAA), National Center for Environmental Prediction (NCEP), Forecast Systens Laboratory
(FSL), Air Force Weather Agency (AFWA), além de universidades e a Federal Aviation
Administration (FAA).
Esse modelo permite gerar simulações atmosféricas baseadas em dados reais ou em
condições idealizadas e oferece uma flexibilidade para ser instalado em diversas plataformas
computacionais. Além disso, o mesmo é disponibilizado gratuitamente pelos seus
desenvolvedores. Segundo National Centers for Environmental (2015), existem cerca de 25.000
usuários em 130 países.
2.3 MODELOS TÍPICOS DE PREVISÃO DE GERAÇÃO EÓLICA
Os modelos de previsão em geral podem fazer uso do modelo NWP ou não, leva-se em
conta principalmente o horizonte de previsão desejado e com isso pesa-se os custos desse
modelo para ver se exitem vantagens em seu uso. Segundo Giebel et al., (2011), modelos de
previsão que usam o NWP já superam as abordagens de uso de série temporal em horizontes de
3 a 6 horas.
Existem três abordagens diferentes para a previsão de curto prazo: uma estatística, uma
física e uma que combina o que há de melhor entre as duas. A abordagem estatística tenta
encontrar uma relação entre algumas variáveis que em geral incluem os resultados do NWP e
dados de vento ou potência que são medidos em tempo real no site. Frequentemente, redes
neurais artificiais e métodos dos mínimos quadrados são usados para esse fim, onde os
parâmetros dos modelos são estimados a partir de dados e ignora-se na maioria dos casos
quaisquer fenômenos físicos.
Na abordagem física, busca-se estimar com maior precisão possível o vento local de
interesse antes do uso de modelos estatísticos de saída e a curva de potência do fabricante para
obter a geração de energia. O terceiro grupo consiste no modelo otimizado que combinam as
duas abordagens onde o modelo físico captura o fluxo de ar na região do parque eólico e faz-se
uso de um sistema avançado estatístico para confirmar esses dados. Na figura 2.7 temos: (1)
Método estatístico usando apenas os dados em tempo real do SCADA como dados de entrada,
ótimo para horizontes de previsão abaixo de 6 horas. (2) Método físico ou estatístico, boa
performance para horizontes acima de 3 horas. (2) + (3) Modelo físico, boa performance para
15
horizontes acima de 3 horas. (1) + (2) Modelo estatístico usando dados de entrada do modelo
NWP. (1)+(2)+(3) Modelo combinando a diferentes abordagens.
Figura 2.7 - As diferentes abordagens de previsão
Fonte: GIEBEL et al., 2011
2.3.1 Abordagem física
A partir de um modelo global NWP, diminui-se a escala para um modelo de mesoescala

tal qual o WRF. Com isso, tenta-se primeiramente obter o melhor nível de altura do modelo
NWP que condiz com a altura do aerogerador. Esse passo é extremamente importante para que
se refine a malha do modelo NWP, no qual considerações físicas deverão ser feitas, tais como:
rugosidade, topografia e obstáculos. Além disso, é importante modelar o perfil local de vento e
talvez levar em conta a estabilidade atmosférica.
Esses dois procedimentos podem ser obtidos através do uso de um programa CFD
(Computational Fluid Dynamics) e a combinação da modelagem de um perfil logarítmico junto
com a lei de arrasto geostrófico.
O segundo passo consiste em converter a velocidade do vento em potência gerada, para
esse caso usa-se a curva de potência do fabricante, em muitos casos segundo Monteiro et al.,
(2009) recomenda-se usar a curva do parque obtida por meio de medições realizadas em campo.
Por fim utiliza-se um modelo estatístico de saída para tratamento e refinamento dos
dados obtidos a fim de eliminar possíveis erros de previsão. A Figura 2.8 traz um fluxograma
resumido das etapas do processo comentado anteriormente.
16
Figura 2.8 – Fluxograma da modelo previsão física de geração
2.3.2 Abordagem estatística
Na abordagem estatística temos apenas uma etapa que consiste em um bloco estátistico
onde as variáveis de entrada são transformadas diretamente em geração de potência. Nesse
bloco estatístico variáveis de entrada do modelo NWP, tais como velocidade, direção,
temperatura, e variáveis medidas em tempo real em campo são inseridas no modelo. Em geral,
esse bloco contém modelos estatísticos lineares e não lineares podendo eles serem uma total
caixa-preta, por exemplo: uso de redes neurais, ou serem modelos “grey box”, onde limitantes
físicos e outras informações são inseridas primeiramente.
Figura 2.9 - Fluxograma da modelo previsão estatística de geração.
Fonte: Monteiro et al., 2009

17
2.3.3 Abordagem híbrida
Atualmente, segundo Costa et al., (2008) a maioria dos softwares comerciais em uso
utiliza-se da abordagem que combina modelo físico e estatístico matemático. A grande
vantagem do modelo híbrido é que o mesmo se beneficia da boa precisão dos modelos de séries
estatísticas temporais para curtos horizontes de previsão e também da precisão fornecida pelos
modelos físicos de previsão para horizontes entre 6 a 72 horas.
Grande parte dos modelos atuais de previsão são constituídos por uma parte física –
baseada na previsão meteorológica de mesoescala do tempo, a qual inclui as características
locais do terreno – e uma parte baseada em inteligência computacional (estatística), que consiste
em uma transformação não linear das variáveis meteorológicas e das séries históricas de
geração em potência produzida.
Os modelos puramente baseados em séries temporais apresentam excelentes
desempenhos apenas de 6 a 10 horas. Assim, sem as previsões meteorológicas (físicas) seria
impossível efetuar previsões de geração eólica de qualidade para um horizonte superior.
Monteiro et al., (2009).
Figura 2.10 – Principais etapas da abordagem híbrida.
Fonte: Monteiro et al., 2009

18
2.3.4 Método de avaliação das previsões
Segundo Giebel et al., (2011) a maioria dos erros em previsões de geração eólica provêm
dos modelos numéricos de previsão, em geral esses erros classificam-se em erros de level e
erros de fase. O erro de level, por exemplo, pode estimar de forma errada a severidade de uma
tempestade. Já o erro de fase, considerando esse mesmo exemplo, estima errado quando começa
a tempestade e quando a mesma atinge seu pico. Desses erros, o erro de level é o mais fácil de
detectar na série temporal, no entanto o erro de fase é mais difícil de quantificar e causa grande
impacto no erro final. Portanto, é essencial que a previsão eólica seja propriamente analisada,
não apenas para verificar os desempenhos dos métodos escolhidos de maneira adequada, mas
também, para obter uma compreensão mais profunda do comportamento e a incerteza de
previsão. Monteiro et al., (2009).
De acordo com Landeberg et al., (1994) é extremamente importante a avaliação da
performance do modelo através de diferentes variedades de erros, sendo os mais importantes o
RMSE e MAE. Esses erros do modelo de previsão são feitos através da comparação entre a
previsão da geração eólica, em um certo momento, e o valor real mensurado no mesmo
momento. Dessa maneira, a qualidade do modelo de previsão de geração eólica é expressa
através da análise do desvio entre a previsão e o valor real.
2.3.4.1 Principais métodos de avaliação dos erros
O principais erros usados na comparação entre modelos são o bias, MAE, RMSE,
MAPE e coeficiente de correlação 𝑅2 . Além disso, é muito importante separar os erros em dois
grupos, sendo um grupo para dados de treinamento e um segundo grupo para dados de
validação.
O erro básico de previsão observado para um dado tempo 𝑡 + 𝑘 de uma previsão feita
no tempo de origem 𝑡, 𝑒𝑡+𝑘|𝑡 , é definido como a diferença entre o valor da geração efetivamente
medido em 𝑡 + 𝑘, 𝑀𝑡+𝑘 , e o valor da geração em 𝑡 + 𝑘 originalmente prevista em 𝑡,𝑃𝑡+𝑘|𝑡 .
𝑒𝑡+𝑘|𝑡 = 𝑀𝑡+𝑘 − 𝑃𝑡+𝑘|𝑡 (2.8)
onde:
𝑒𝑡+𝑘|𝑡 é o erro correspondente ao tempo 𝑡 + 𝑘da previsão feita em 𝑡.
𝑀𝑡+𝑘 é a medição de geração no tempo 𝑡 + 𝑘.
19
𝑃𝑡+𝑘|𝑡 é a previsão da geração para o tempo 𝑡 + 𝑘feita no tempo 𝑡.
Recomenda-se sempre normalizar os erros pela capacidade instalada do parque, pois

assim é possível comparar os resultados de previsão com outras unidades eólicas, alguns autores
normalizam pela potência média do parque. Logo abaixo temos o erro dividido pela potência
instalada no parque.
𝑒𝑡+𝑘|𝑡 1 (2.9)
𝑒𝑡+𝑘|𝑡 = = [𝑀 − 𝑃𝑡+𝑘|𝑡 ]
𝑃𝑖𝑛𝑠𝑡 𝑃𝑖𝑛𝑠𝑡 𝑡+𝑘
onde 𝑃𝑖𝑛𝑠𝑡 é a potência nominal instalada no parque.
Com o erro específico é possível obter o BIAS que corresponde a uma estimativa do
erro de level que é fornecido pelo erro médio ao longo de todo período de avaliação, descrito
tal como a seguinte fórmula.
𝑁 (2.10)
1
𝐵𝐼𝐴𝑆𝑘 = ̅̅̅
𝑒𝑘 = ∑ 𝑒𝑡+𝑘|𝑡
𝑁
𝑡=1
onde N é o número do erro de previsões usado no período de avaliação.

Segundo Tambke et al. (2005)é interessante dividir o BIAS em três componentes: BIAS
para a potência média, BIAS para o desvio padrão da potência e um para a dispersão. Com isso,
existe melhor clareza em saber quais tipos de erros estão influenciando mais na previsão, se são
os erros de level ou erros de fase. Além disso, o BIAS é uma medição importante porque indica
se a previsão é sobre-estimada ou subestimada. No entanto, um BIAS igual a zero não indica
que há uma previsão perfeita, pois, os erros positivos são cancelados pelos erros negativos
encontrados no período de avaliação.
Um bom método de previsão para identificar a contribuição dos erros positivos e
negativos é o Erro Quadrático Médio (MSE), o qual consiste na média do quadrado do erro em
um intervalo de análise.
20
𝑁 (2.11)
1
𝑒𝑘 = ∑ 𝑒𝑡+𝑘|𝑡 2
𝑀𝑆𝐸𝑘 = ̅̅̅
𝑁
𝑡=1
Além do MSE existem mais duas medições básicas que avaliam o erro aleatório: Erro
Absoluto Médio (MAE) e Raiz do Erro Quadrático Médio (RMSE).
𝑁 (2.12)
1
𝑒𝑘 = ∑|𝑒𝑡+𝑘|𝑡 |
𝑀𝐴𝐸𝑘 = ̅̅̅
𝑁
𝑡=1
(2.13)
∑𝑁
𝑡=1 𝑒𝑡+𝑘|𝑡
2
𝑅𝑀𝑆𝐸𝑘 = √𝑀𝑆𝐸𝑘 = √
𝑁
O uso do RMSE implica no uso de uma função de perda quadrática, enquanto o MAE
requer a utilização de uma função linear. Se um determinado método foi treinado para produzir
previsões com mínimo MSE, então o uso do RMSE é mais adequado para a sua avaliação.
Contudo, sempre que não estiver claro o critério do método de previsão, é preferível o uso do
MAE. Monteiro et al. (2009)
Para fins comparativos, assim como foi mostrado para o erro de previsão, 𝑒𝑡+𝑘|𝑡 , o MAE
e o MSE também são normalizados em relação a potência nominal instalada no parque
formando o Erro Absoluto Médio Normalizado, NMAE, e a Raiz do Erro Quadrático Médio
Normalizado, NRMSE.
Os valores de BIAS e MAE estão relacionados diretamente com produção de energia.
No entanto, o RMSE está relacionado com a variância dos erros. Lembrando que o erro RMSE
não tem uma interpretação direta e é extremamente sensível a grandes variações de erros de
previsão se comparado com o MAE. Por isso, é importante sempre levar em conta o MAE junto
com RMSE para obter uma análise fiel se aboradagem de previsão usada têm boa acuricidade.
Outro erro usado pela Spanish Wind Energy Association é o MAPE (Mean Absolute
Percentage Error). Esse erro é usado pelo governo como um índice para que donos de unidades
eólicas que participam do mercado elétrico possam estimar sua previsão de geração eólica. Com
isso, se as estimativas estiverem acima do MAPE estipulado os produtores devem pagar multa.
𝑁
1 𝑒𝑡+𝑘|𝑡
𝑀𝐴𝑃𝐸𝑘 = 100 𝑥 ∑ | | (2.14)
𝑁 𝑀𝑡+𝑘
𝑡=1
21
Para comparação de acuricidade de métodos de previsão, é importante lever em conta

que um método pode funcionar melhor de acordo com um critério do que outro. A performance
de previsão de geração depende muito do tempo que foi avaliado e não somente da variação da
previsão dos erros. Por exemplo, alguns métodos fornecem resultados satisfatório para períodos
de pouca geração, no entando, em períodos de muita geração eólica a sua acuricidade cai
drasticamente. Por isso, é importante analisar vários critérios para poder analisar qual o melhor
método de previsão.
Com isso, é interessante comparar o nível de performance dos diferentes métodos com
um método de referência. Podemos avaliar isso através da seguinte equação:
𝑟𝑒𝑓
𝑟𝑒𝑓 𝐸𝑣𝐶𝑘 − 𝐸𝑣𝐶𝑘
𝐼𝑚𝑝𝐸𝐶 (𝑘) = 𝑟𝑒𝑓 (2.15)
𝐸𝑣𝐶𝑘
Onde 𝐸𝑣𝐶 é o critério de avaliação, o qual pode ser MAE, RMSE, SDE, ou seus
𝑟𝑒𝑓
equivalentes normalizados. 𝐸𝑣𝐶𝑘 é o valor do método de referência que será comparado.
𝑟𝑒𝑓
𝐼𝑚𝑝𝐸𝐶 é a valor da melhoria que o método apresenteu com base no método de referência, em
geral ele é representado em porcentagem e valores positivos indicam aperfeiçoamentos,
enquanto, que valores negativos indicam que o método usado é pior que o método de referência.
2.4 REDES NEURAIS ARTIFICIAIS (RNA)
Segundo Haykin (2008) uma rede neural é um processador que tenta imitar o
comportamento do cérebro, o qual é constituído de unidades de processamento simples e
paralelamente distribuído. Além disso, a mesma tem a capacidade de armazenar conhecimento
experimental e torna-lo disponível para uso futuro, sendo esse conhecimento adquirido através
de sue ambiente por um processo de aprendizagem. Outro aspecto que torna a rede neural
semelhante ao funcionamento do cérebro se deve ao fato de que as forças de conexão entre os
neurônios, conhecidas como pesos sinápticos, são utilizadas para armazenar informações.
Um dos grandes benefícios do uso de redes neurais é a sua habilidade de poder
generalizar. Assim uma rede neural produz saídas adequadas para entradas que não estavam
presentes durante o treinamento. Essa capacidade de generalização e processamento faz com
que as redes neurais resolvam problemas complexo que atualmente são intratáveis.
Outra vantagen das redes neurais é o seu poder de adaptabilidade, ou seja, uma rede
treinada para operar em um ambiente específico pode ser facilmente retreinada para lidar com
pequenas modificações nas condições operativas ambientes.
22
2.4.1 Modelo do neurônio
O neurônio é um modelo básico de processamento de informações que faz parte de uma

rede neural. Na figura 2.11 é possível ver três elementos básicos de um modelo neuronal.
Primeiramente, é possível ver que existem um conjunto de sinapses ou elos de coneções,
cada um caracterizado por um peso ou força própria. Por exemplo, um sinal de entrada 𝑥𝑚 na
sinapse 𝑚 é conectado ao neurônio 𝑘 e multiplicado pelo peso sináptico 𝑤𝑘𝑚 .
O segundo aspecto se refere a existir um somador no bloco que irá somar os sinais de
entrada, ponderados pelas respectivas sinapses do neurônio.
E o terceiro elemento diz respeito a existência a uma função de ativação que irá restringir
a amplitude de saída de um neurônio. Essa função de ativação também pode ser chamada de
função restritiva pois limita o intervalo permissível de amplitude do sinal de saída a um valor
finito. Além disso, existe um bias que é aplicado externamente, representado por 𝑏𝑘 , esse bias
permite aumentar ou diminuir a entrada líquida da função de ativação, dependendo se ela é
positiva ou negativa.
Figura 2.11 - Modelo não-linear de um neurônio.
Fonte: Haykin, 2008

2.4.1.1 Tipos de função de ativação
A escolha da função restritiva é particular ao tipo de problema que a rede neural deseja
resolver. Na literatura existem diversas funções, serão abordadas no texto apenas as três
principais funções
A função limear ou função de Heaviside define o vetor de saída do neurôrnio como 0,
se o vetor de entrada da rede (v) é menor que 0; ou 1, se (v) é maior ou igual a zero. Essa função
é muito usada em neurônios que tenham a função de classificação e pecepção de padrões. Tal
neurônio na literatura é referido como modelo de McCulloch-Pitts.
23
Figura 2.12 - Função Heaviside.
Fonte: Haykin, 2008
A segunda função de ativação é a linear por partes, que estabelece uma relação linear
entre o vetor de entrada da rede (v) e o vetor de saída da rede (v), logo pode ser vista como uma
aproximação de um amplificador não-linear. Um neurônio com esse tipo de função de ativação
não limita numericamente o sinal de saída. Dessa maneira, ele é comumente utilizado na
camada de saída das redes neurais de forma a permitir que o resultado final possa ser qualquer
valor.
Figura 2.13 - Função Transferência linear.
Fonte: Hagan, 1995
A terceira função ativação, sigmóide, é a forma mais comum de função restritiva

utilizada na construção de redes neurais artificiais, a mesma é definida com uma função
estritamente crescente que exibe um balanceamento adequado entre comportamento linear e
não-linear. Esse tipo de função de ativação é muito utilizado em redes backpropagation.
24
Figura 2.14 - Função Transferência sigmoide para parâmetro de inclinação a variável.
Fonte: Haykin, 2008
2.4.2 Arquiteturas de rede
A arquitetura de rede é a maneira pela qual os neurônios estão organizados e essa forma
de estrutura está estritamente ligada com o algoritmo de aprendizagem usado para treinar a rede.
Além disso, a escolha de uma arquitetura, afeta o desempenho da rede, assim como as
aplicações para as quais ela é desejada. Algumas redes permitem que as conexões caminhem
tanto no sentido entrada-saída quanto saída-entrada. Outras permitem que os neurônios da
mesma camada sejam conectados. Nesta seção três diferentes arquiteturas de redes serão
definidas.
2.4.2.1 Rede Feedforward com Camada Única
A forma como os neurônios são organizados na arquitetura da rede é através de camadas.

Quando se tem apenas uma camada de entrada de nós de fonte projetando-se sobre uma camada
de saída de neurônios, mas não vice-versa, diz-se que essa rede é do tipo alimentada adiante ou
acíclica. Ela também é conhecida como rede de camada única, porque a camada de saída é a
única que possui os nós computacionais (neurônios). A figura 2.15 ilustra o caso de quatro nós
na camada de entrada e quatros neurônios na camada de saída.
25
Figura 2.15 - Rede feedforward com camada única
Fonte: Haykin, 2008
2.4.2.2 Redes Feedforward com Múltiplas Camadas
Esse tipo de rede é característico a presença de uma ou mais camadas ocultas, cujos nós
computacionais são chamados correspondentemente de neurônios ocultos. O objetivo dos
neurônios ocultos é intervir, de maneira útil, entre a entrada externa e a saída da rede. Com uma
ou mais camadas ocultas, torna-se a rede capaz de extrair características de ordem elevada. Em
um sentido livre, a rede adquire uma perspectiva global apesar da sua conectividade local,
devido ao conjunto extra de conexões sinápticas e da dimensão extra de interações neurais.
Os nós de entrada fornecem o sinal de entrada aos neurônios (nós computacionais) da
segunda camada, cujos sinais de saída são utilizados como sinais de entrada para terceira
camada e assim por diante até o restante da rede. O conjunto de sinais de saída da camada de
saída (última) constitui a resposta global da rede para o padrão de ativação fornecido pelos nós
da fonte da camada de entrada.
26
Figura 2.16 – Rede alimentada adiante com uma camada oculta e uma camada de
saída.
Fonte: Haykin, 2008
2.4.2.3 Rede Recorrentes
As redes recorrentes se diferenciam das redes retroalimentadas por terem ao menos um

laço de realimentação. Em uma rede recorrente pode existir, por exemplo, uma única camada
de neurônios, onde cada neurônio é alimentado pelo seu sinal de saída de volta para as entradas
de todos os outros neurônios. A presença de laços de alimentação na estrutura da rede neural
tem um impacto profundo na capacidade de aprendizagem da rede e seu desempenho.
Figura 2.17 - Rede Recorrente
Fonte: Haykin, 2008

27
2.4.3 Algoritmo backpropagation
As redes neurais contam com inúmeros algoritmos para reconhecimento de padrões:

Kohonen, Perceptron, Adaline, Backpropagation e entre outros, cada um com sua
especificidade. A principal vantagem em se usar o Backpropagation é que o mesmo trabalha
com multicamadas e resolve problemas “não-linearmente separáveis” que alguns algoritmos
não resolvem.
O algoritmo backpropagation consiste em um algoritmo de treinamento supervisionado
por correção e erro para redes feedfoward de camadas múltiplas. Com isso, uma vez com o erro
calculado o algoritmo corrige os pesos em todas as camadas, partindo da saída até a entrada.
28
3 METODOLOGIA
3.1 ESTUDO DE CASO
O trabalho de conclusão de curso irá analisar dois estudos de caso: um para o parque
eólico de Pedra do Sal, localizado no Piauí e outro para o parque eólico de Beberibe, localizado
no Ceará. Ambos os parques foram visitados 3 vezes durante o ano de 2014, a fim de realizar
coleta de dados e entender melhor o local de pesquisa.
A empresa Tractebel Energia S/A, do grupo GDF SUEZ, proprietária das centrais
eólicas, forneceu os dados de geração média de energia elétrica e velocidade média do vento a
cada 10 minutos para cada aerogerador. Os valores da velocidade média foram obtidos pelo
anemômetro que fica localizado na nacele do aerogerador.
O presente trabalho insere-se no projeto de P&D ANEEL 0403-0020/2011 (UFSC –
IFSC – Tractebel Energia), o qual visa desenvolver um software de previsão eólica.
29
3.1.1 Caracterização dos parques eólicos de Pedra do Sal e Beberibe
Ambos os parques eólicos estão localizados na região nordeste, em regiões

extremamente propícias para a produção eólica. O parque eólico de Pedra do Sal localiza-se no
município de Parnaíba, estado do Piauí, e encontra-se em operação desde dezembro de 2008. O
parque conta com 20 aerogeradores de 900kW de potência e possui uma potência outorgada e
fiscalizada de 18 MW. Já o parque eólico de Beberibe está localizado no município de Beberibe,
estado do Ceará, o mesmo conta com 32 aerogeradores de 800 kW e uma capacidade instalada
de 25,6 MW
Figura 3.1 -Vista de satélite da localização do parque eólico de Pedra do Sal e

Beberibe.
Fonte: Google Earth, 2015

30
Tabela 1 - Características Gerais de Pedra do Sal

Parque eólico de Pedra do Sal
Proprietário Tractebel Energia S/A
Localização Parnaíba-PI
Coordenadas Geográficas 02°49’41” S/41°42’33” O
Altitude média [m] 3
Início da operação 30/12/2008
N° de Aerogeradores 20
Potência Instalada [MW] 18
Tabela 2 - Características Gerais de Beberibe

Parque eólico de Beberibe
Proprietário Tractebel Energia S/A
Localização Beberibe-CE
Coordenadas Geográficas 04°11’37.89”S/38°04’36.26”O
Altitude média [m] 43
Início da operação 30/12/2011
N° de Aerogeradores 32
Potência Instalada [MW] 26
Para o parque eólico de Pedra do Sal é possível observar segundo a

31
Figura 3.2 que o mesmo está totalmente à beira mar e em frente ao parque existem
apenas pequenas dunas, gerando um terreno com uma orografia de baixa complexidade. O
vento predominante, de acordo com a orientação das dunas, é entre leste a nordeste. Devido a
isso, os aerogeradores do parque estão posicionados na direção noroeste-sudeste a fim de se
produzir com mais eficiência.
O parque eólico de Beberibe está localizado um pouco mais adentro da costa, logo após
as falésias e residências de apenas um pavimento. Se comparado com Pedra do Sal, a orografia
do terreno é um pouco mais complexa. Ambos os parques são grandemente influenciados pelos
fenômenos meteorológicos atuantes próximo ao equador, a exemplo a variação da ZCIT.
32
Figura 3.2 -Vista de satélite da unidade eólica de Pedra do Sal.
Figura 3.3 – Vista de satélite da unidade eólica de Beberibe.
Nas tabelas 3, 4 e 5 é possível observar os parâmetros de Weibull e os respectivos fatores

de capacidade dos parques eólicos de Beberibe e Pedra do Sal durante os anos entre 2009 e
2012.
33
Tabela 3 - Parâmetros de Weibull dos parques eólicos em 2009.

Parâmetros eólicos Pedra do Sal Beberibe
Velocidade média (m/s) 7,31 6,81
Fator de Forma (k) 2,78 3,01
Fator de Escala – c (m/s) 8,9 7,3
Tabela 4 – Fator de capacidade Beberibe.

Ano Vento (m/s) Geração (GWh) FC (%)
2009 6,81 61,78 27,55
2010 7,89 75,50 33,67
2011 6,67 64,37 28,70
2012 8,06 77,64 34,62
Média 7,36 69,82 31,13
Tabela 5 – Fator de capacidade Pedra do Sal.

Ano Vento (m/s) Geração (GWh) FC (%)
2009 7,31 34,43 15,35
2010 7,71 32,20 14,36
2011 7,40 52,50 23,41
2012 8,98 67,18 29,96
Média 7,85 46,58 20,77
34
As turbinas eólicas instaladas no parque foram fabricadas pela empresa Wobben Wind
Power Indústria e Cormércio Ltda, representante da empresa alemã Enercon GmbH no Brasil.
Na tabela 6 temos as respectivas especificações do tipo de turbina utilizado em cada parque.
Tabela 6 - Especificações das turbinas eólicas.

Parque eólico de Pedra do Sal | Beberibe
Fabricante WobbenWindpower
Modelo E-44 | E-48
Potência Nominal [kW] 900 | 800
Diâmetro do Rotor [m] 44 | 48
Capacidade Específica [W/m] 592
Altura do Eixo do Rotor [m] 55 | 45
Tipo de Torre Tubular de aço/cônica
Tipo de Rotor Upwind
Sentido de Rotação do Rotor Horário
Número de Pás 3
Comprimento da Pá [m] 22 | 24
Área Varrida pelas Pás [m2] 1520 | 1810
Velocidade do Rotor [rpm] 16 – 34,5 | 16 - 31
Material das Pás Fibra de Vidro e Epóxi
Tensão do Gerador [V] 400
Frequência da Rede [Hz] 50/60
Velocidade de Início de 3
Produção [m/s]
Velocidade de Potência Nominal 15,5
[m/s]
Velocidade de Corte de 25 | 28
Produção [m/s]
Classe do Vento IEC S e IA
Fonte: Enercom GmBH , 2015

35
3.1.2 Instrumentação e materiais disponíveis no parque
O banco de dados de geração, fornecidos a cada 10 minutos através do software

SCADA, utilizado para o presente estudo foi submetido a um procedimento de validação e
filtragem, com objetivo de eliminar dados inconsistentes para análise. Para isso, dados
referentes à manutenção e operação fora do padrão de cada aerogerador receberam filtros
sinalizadores (flags) na série histórica, não sendo utilizados na análise final.
Para o parque eólico de Pedra do Sal um perfilador de velocidades LIDAR, da fabricante
LEOSPHERE, modelo WINDCUBE 8, foi instalado a aproximadamente 100m a montante dos
aerogeradores, estando 565m separado da torre anemométrica do parque. Um cone de laser
lançado na atmosfera é capaz de calcular a velocidades das partículas suspensas no ar pelo efeito
Doppler, através da técnica conhecida como Velocity-Azimuth Display (VAD). Com isso, o
equipamento fornece a cada 6 segundos um perfil de velocidade com um vetor tridimensional
do vento em qualquer altura entre 40m e 500 m. Já no parque eólico de Beberibe, esse mesmo
equipamento não foi instalado.
Figura 3.4 - LiDAR instalado no parque eólica em Pedra do Sal.
Os dois parques possuem, uma torre anemométrica de 100m, a qual foi instalada para a
campanha de medição seguindo a norma IEC 61400-12-1. A presença de dois anemômetros
36
sônicos 3D com medições em alta frequência, nos extremos da torre, permite o cálculo de
parâmetros de turbulência com objetivo de correlacionar os perfis de vento medidos pelo
LIDAR para melhor caracterizar o site. É importante frisar que os dados obtidos com esses
instrumentos não foram inseridos no modelo de previsão, mas serviram como base para criar
uma boa fundamentação do comportamento dos ventos no parque.
A Tabela 7 descreve os instrumentos instalados nas torres anemométricas localizadas
nos parques eólicos.
Tabela 7 - Descrição da instrumentação da Torre Anemométrica.

Sensor Alturas Aquisição /
Médias
Anemômetros de 10m/40m/60m/80m/98m 1Hz/10min
copo ThiesFirstClass
Wind Vane Thies 58m/78m 1Hz/10min
First Class
Anemômetro Sônico 20m/100m 20Hz/60min
3D Young 8100
Termohigrômetro 40m/98m 1Hz/10min
Barômetro 13m 1Hz/10min
Figura 3.5 – Layout do parque de Pedra do Sal com instrumentação.
Fonte: GoogleEarth, 2015

37
3.2 MODELO HÍBRIDO DE PREVISÃO DE GERAÇÃO
A estratégia aborada nesse presente trabalho se dá pela utilização de um modelo híbrido

de previsão, onde usa-se primeiramente um modelo de previsão física do tempo do modelo
WRF e com esses dados passa-se para um modelo estatístico com o uso de redes neurais
artificiais que irá aperfeiçoar o modelo final.
O modelo físico inicia-se com o modelo físico de mesoescala WRF, o qual usa os dados
do modelo Global Forecast System (GFS) e os dados de topografia e rugosidade do parque
eólico como dados de entrada para rodar uma simulação. Com isso o WRF fornece como
resultado a previsão do tempo (velocidade nos 3 eixos, temperatura e umidade em vários níveis
de altura) em um horizonte de 24, 48 e 72 horas com uma base temporal de 10 minutos. Esses
dados serão posteriormente usados como dados de entrada na rede neural tanto para treinamento
como para validação do modelo. Lembrando que durante o trabalho já se utilizou do modelo
WRF em funcionamento, nessa etapa nada foi criado.
Figura 3.6 – Fluxograma do modelo híbrido.
Artipoli (2014), Castellani et al (2014) e Liu (2012) desenvolveram nos seus trabalhos
um modelo híbrido muito semelhante ao apresentado na presente pesquisa e compararam com
modelos puramente estatísticos e puramente físicos. Dentre os modelos analisados, a
metodologia híbrida foi a que apresentou melhores resultados
38
3.2.1 Modelo físico: WRF
O sistema de modelagem do WRF utiliza como input dados do modelo Global Forecast
System (GFS), captados a cada 12h, que representam as previsões para três dias, com resolução
espacial e temporal de 0,5o (~50km) e 1h, respectivamente. Juntamente com dados de
topografia e rugosidade de terreno, o modelo é executado para um horizonte de 72h, utilizando
um aninhamento de 15x15 km, para simulação de uma série de previsão a cada 10min.É
importante frisar que esse modelo foi apenas utilizado e não elaborado pelo autor. A figura 3.7
ilustra do domínio do WRF utilizado nas simulações.
Figura 3.7 - Domínio do WRF utilizado nas simulações
Fonte:Yoshiaki, 2014
3.2.2 Modelo estatístico: Rede Neural Artificial
Com os dados do modelo físico e os dados de geração e com a definição do período em

que será realizada a previsão divide-se os dados em dois grupos. Um grupo de dados que será
usado no treinamento e outro que será usado para a validação do modelo. Os dados do grupo
de treinamento passam por uma filtragem para que se passa utilizar o mesmo durante o
treinamento da rede neural. As redes neurais criadas foram baseadas em algoritmos e funções
já fornecidas pelo programa MATLAB.
Além disso, foi utilizado duas estratégias de previsão; uma se refere a criação de uma
rede neural por turbina do parque e consequentemente a filtragem dos dados individualmente,
39
tal estratégia iremos se referir como modelo I. Já para o modelo II utiliza-se apenas uma rede
neural para o parque inteiro e assim apenas uma filtragem de todo o conjunto.
Devido a um problema que ocorreu nos transformadores da usina eólica de Pedra do Sal
em abril de 2014, algumas das turbinas do parque tiveram que ter suas capacidades de produção
diminuidas para 400 KW, com isso para o presente trabalho dividiu-se o período de previsão
em dois para o parque eólico de Pedra do Sal. Isso se deu, pois, a rede neural teve que ser
ajustada para essa nova configuração do parque eólico. Para o parque Eólico de Beberibe foi
feito apenas uma série histórica, pois esse parque não apresentou esse problema dos
transformadores.
Por fim, após treinar e validar a rede neural, simula-se essa rede para novos valores do
resultado da previsão física WRF. O resultado dessa simulação é justamente a previsão de
geração do parque na mesma data e hora dos dados do WRF simulados. Após isso, os resultados
da previsão são incorporados à série histórica de dados, a fim de ampliar o horizonte de
treinamento, logo a rede neural é sempre realimentada ao fim do ciclo.
O fluxograna da Figura 3.8 ilustra todos os procedimentos utilizados, utilizados para o
desenvolvimento da rede neural do presente trabalho.
Figura 3.8 –Fluxograma do modelo estatístico
3.2.2.1 Filtragem dos dados
O modelo estatístico inicia-se com a seleção da série histórica de dados que serão
utilizados no treinamento da rede. Esses dados iniciais consistem nos resultados da previsão
40
física do WRF (velocidade nos 3 eixos, direção do vento, temperatura e umidade em vários
níveis de altura) realizada no passado e os dados de geração eólica temporalmente
sincronizados.
Dentre essa gama de dados existe alguns que não representam de forma fiel o
comportamento real de geração do parque, por exemplo, velocidades de vento acima de 2,5 m/s
e geração nula. Logo, uma uma filtragem cuidadosa e realista dos dados que serão usados no
treinamento se mostra necessário. Após a filtragem dos dados, apenas os dados bons são
inseridos na rede neural, o restante é descartado.
A filtragem constitui em 4 etapas sendo três delas realizadas baseadas mais na
observação do comportamento de determinado aerogerador e uma quarta filtragem realizada a
partir da curva de potência do parque ou aerogerador. Para o modelo I realiza-se uma filtragem
individual para cada aerogerador e para o modelo II usa-se uma única filtragem baseada no
parque inteiro.
Figura 3.9 - Curva de Potência resultante da soma de geração de cada aerogerador,
para o Parque Eólico de Pedra do Sal, as velocidades provêm do anemômetro da nacele do
aerogerador.
Com base na figura acima é possível observar que existem 4 padrões de dados com
falhas nas séries históricas:
a) Dados que seguem diferentes curvas de potência de acordo com o ajuste de potência
ajustado no parque.
b) Dados que seguem a tendência da curva de potência.
c) Dados com baixa geração para altas velocidade de vento, ou dados com geração zero.
d) Dados com geração bem superior que a curva de potência.
41
Os dados (a) demonstram que o aerogerador as vezes é ajustado para uma potência
máxima inferior ao padrão de funcionamento. A gama de dados (c) pode ser justificada pelo
fato de alguns dos aerogeradores estar desligado (em manutenção) ou em processo de
desligamento, pois sua potência gerada é inferior à curva de potência em uma dada velocidade.
Por fim, os dados (d) são também inconsistentes, porque a potência gerada é superior à curva
de potência em uma dada velocidade.
O intuito é deixar para treinamento apenas os dados (b) que seguem o padrão da curva
de potência do parque ou de cada aerogerador, dependendo do modelo usado na previsão. Para
isso realiza-se os procedimentos citados anteriormente. Uma vez eliminados os dados de
geração, elimina-se também os dados do WRF referentes a mesma escala de tempo.
3.2.2.2 Treinamento da rede neural artificial
A rede utilizada nos modelos foi a rede de alimentação direta (feedforward) com 15
neurônios de entrada e um número variável de neurônios na camada oculta. Em geral, essa
quantidade de neurônios na camada oculta era baseada em testes de sensibilidade a fim de
observar qual quantidade poderia fornecer resultados otimizados. Observou-se que quantidades
superiores a 5 neurônios levavam mais tempo de processamento e aumentava-se os erros de
previsão, no entanto, a aderência entre as curvas de geração prevista e real melhoravam.
Também se levou em conta que a utilização de muitos neurônios na camada oculta poderia
resultar em uma memorização excessiva da rede e a consequente perda da capacidade de
genrelaização da rede. Em relação ao método de treinamento usou-se o backpropagation pelo
algoritmo de Levenberg-Maquardt por ser um dos padrões para essse tipo de método.
Para os dados de entrada foram usados diferentes níveis de velocidade, direção e
temperatura, como pode ser observado na Tabela 8. No caso de Beberibe uso-se mais, tais como
calor latente, fluxo de calor da superfície, espessura da camada limite atmosférica e u*.
Tabela 8 - Dados de entradas usadas na rede.
Variável do WRF Níveis (m)
Velocidade 35,100,200,300,500
Direção do Vento 35,100,200,300,500
Temperatura 35,100,200,300,500
Total de 15 entradas
42
Esses dados foram inseridos na camada de entrada e na camada oculta ajustou-se o

número de neurônios ocultos de acordo com a necessidade comentada no parágrafo anterior.
Todos esses neurônios da camada oculta possuem a função tangente-sigmoide.
A camada de saída (Output Layer) utiliza apenas um neurônio, pois existe apenas um
valor desejado na saída (target). A camada de saída utiliza uma função transferência linear para
permitir que a saída possa ser qualquer valor.
Dessa maneira, para cada conjunto de dados de entrada, que pode variar conforme se
deseja treinar (dados do WRF), sincroniza-se um valor desejado de saída (target), que, nesse
caso, é o valor da geração eólica.
4 RESULTADOS PEDRA DO SAL
Com o uso do modelo híbrido foi possível realizar ao total 120 previsões de três dias
cada. Primeiramente, dividiu-se essa totalidade de previsões em dois períodos, pois devido a
queima de um transformador em abril de 2014 houve a necessidade de uma reconfiguração da
potência máxima do parque eólico. Com isso, a divisão de dois períodos em duas redes neurais
diferentes se mostra interessante para que cada rede neural capte as diferentes configurações do
parque nesses dois períodos de tempo.
O primeiro período de previsão compreende 01/08/2013 até 29/03/2014, sendo o mês
de julho de 2013 usado apenas como treinamento estático da rede neural, ou seja, todos os dados
desse mês serviram apenas para treinamento e ajuste da rede. Para o segundo período que
compreende 01/05/2014 até 30/07/2014 foi usado o mês de abril de 2014 inteiro para
treinamento estático da rede, na figura 4.1 é possível observar o fluxograma. Dentro dos
intervalos de previsão tanto do modelo I e II a rede se comportou de forma dinâmica, pois a
cada ciclo de previsão os dados previstos eram inseridos na rede e a mesma sofria uma
realimentação de dados e treinamentos.
Figura 4.1 – Fluxograma do período de previsão

43
4.1 ENTRADA MULTIVARIÁVEL, MODELO I, PRIMEIRO PERÍODO.
Nesse tópico, mostra-se os resultados do modelo I, onde usa-se ao total 20 redes neurais
diferentes, ou seja, uma rede neural por turbina. Após isso consegue-se a geração média do
parque na base temporal de 10 minutos. Para esse primeiro perído realiza-se 80 ciclos de
previsões e os erros podem ser conferidos na tabela abaixo.
Tabela 9 - Erros médios para o período de previsão, Modelo I, primeiro período.

MAE (MW) 2,87
NMAE (%) 15,98
RMSE (MW) 3,57
NRMSE (%) 19,84
BIAS (MW) 0,25
NBIAS (%) 1,44
44
De acordo com a figura abaixo conclui-se que a rede apresenta dificuldades em detectar
os picos e vales da previsão, principalmente em casos onde existe um aumento brusco da
geração. Em relação aos erros de fase a rede se mostrou satisfatória uma vez que se obteve uma
boa aderência entre as curvas de geração real e prevista. A figura 4.3 traz um zoom dos pontos
de previsão da figura 4.2 e nela podemos ver de forma evidente, como os picos para geração
acima de 15 MW não são detectados pela rede neural.
Figura 4.2 - Comparação entre a previsão de geração dada pelo modelo híbrido em
verde e a geração real no parque em azul, ambas na base temporal média de 10 minutos.
Figura 4.3 – Zoon da figura 27 entre os meses de dezembro e janeiro.

45
normalizado.
Figura 4.5 - Histograma da frequência de erros entre a previsão e a geração real.
4.2 ENTRADA MULTIVARIÁVEL, MODELO II, PRIMEIRO PERÍODO.
Nessa etapa, mostra-se os resultados do modelo II, onde usa-se apenas uma rede neural
para o parque inteiro. Foram realizados 80 ciclos de previsão, sendo cada ciclo composto por 3
dias. Os principais erros encontrados podem ser analisados na tabela abaixo:
46
Tabela 10 - Erros médios para o período de previsão, Modelo II, primeiro período.
MAE (MW) 2,89
NMAE (%) 16,05
RMSE (MW) 3,62
NRMSE (%) 20,13
BIAS (MW) 0,22
NBIAS (%) 1,27
Como pode ser observado o modelo II apresentou erros um pouco maiores se comparado
com o modelo I, provavelmente devido a última semana de dezembro onde o modelo II
apresentou um grande erro de amplitude. Em relação a Figura 4.6 é possível observar que o erro
mais comum aos dois modelos é o erro de amplitude.
Figura 4.6 - Comparação entre a previsão de geração dada pelo modelo híbrido em verde
e a geração real no parque em azul, ambas na base temporal média de 10 minutos.
normalizado.
47
4.3 ENTRADA MULTIVARIÁVEL, MODELO I, SEGUNDO PERÍODO.
Foram realizados ao total 30 previsões no modelo híbrido e cada uma com um horizonte
de 72 horas a frente, totalizando 90 dias de previsão. A base temporal usada nas simulações foi
a de 10 minutos, a mesma base temporal que o sistema SCADA fornece de informações de
geração.
A Tabela 11 traz os erros mais importantes para a avaliação das previsões, os quais foi
possível obter um erro quadrático médio normalizado (NRMSE) de 17,39%.
Tabela 11 – Erros médios para o período de previsão, Modelo I, segundo período.

MAE (MW) 2,53
NMAE (%) 14.07
RMSE (MW) 3,13
NRMSE (%) 17,39
BIAS (MW) 0,51
NBIAS (%) 2,86
Com base no gráfico da Figura 4.9 é possível ver que a quase totalidade dos erros se
devem ao erro de amplitude, o qual em geral é previsto em menor intensidade do que a realidade
gerada. Por outro lado, é possível concluir que em relação aos erros de fase, a rede neural
apresentou um ótimo desempenho. Em relação a Figura 4.10 conclui-se que as menores
intensidades de erro estão localizadas nos períodos em que o parque gera uma menor quantidade
de energia, ou seja, com ventos de moderado a fraco. Por fim, pela Figura 4.11 conclui-se que
a maior frequência de erros se localiza entre -20% à 20%, significando um resultado satisfatório.
48
Figura 4.9 – Comparação entre a previsão de geração dada pelo modelo híbrido em
Figura 4.10 – Erro entre os dados observados e previstos ao longo das previsões e
BIAS normalizado
49
Figura 4.11 – Histograma da frequência de erros entre a previsão e a geração real.
Tabela 12 – Respectivos erros médios de cada turbina

MAE NMAE RMSE NRMSE BIAS NBIAS
(MW) (%) (MW) (%) (MW) (%)
Turbina 1 0,12 13,46 0,14 16,49 0,03 4,10
Turbina2 0,11 13,19 0,14 16,29 0,04 4,86
Turbina 3 0,15 17,52 0,19 21,84 0 -0,01
Turbina 4 0,16 17,53 0,2 22,13 0,01 0,88
Turbina 5 0,15 17,4 0,19 22,15 0,02 2,56
Turbina 6 0,15 16,73 0,19 21,7 0,05 5,58
Turbina 7 0,15 17,48 0,19 22,05 0 0,33
Turbina 8 0,11 13,09 0,14 16,15 0,04 4,91
Turbina 9 0,11 12,85 0,14 15,74 0,03 4,18
Turbina 10 0,12 13,38 0,15 16,79 0,05 5,67
Turbina 11 0,11 13,23 0,15 16,67 0,04 5,06
Turbina 12 0,12 13,85 0,15 16,81 0,03 3,61
Turbina 13 0,12 13,45 0,14 16,61 0,04 5,04
Turbina 14 0,11 13,07 0,14 16,16 0,04 4,45
Turbina 15 0,15 17,22 0,19 21,70 0,01 1,28
Turbina 16 0,15 16,99 0,19 21,62 0,01 1,45
Turbina 17 0,15 17,07 0,19 21,63 0,01 1,53
Turbina 18 0,15 16,96 0,19 21,7 0,01 1,75
Turbina 19 0,15 16,88 0,19 21,43 0,01 1,38
Turbina 20 0,12 13,36 0,14 16,25 -0,01 -1,48
4.4 ENTRADA MULTIVARIÁVEL, MODELO II, SEGUNDO PERÍODO
Para o modelo II, analisando-se o segundo período de previsão obteve-se os erros de

acordo com a tabela 13. Foi observado durante os testes que uma maior quantidade de neurônios
na rede aumentava a aderência da curva entre previsto e real, no entanto, em alguns pontos os
erros eram demasiadamente grandes e consequêntemente aumentava-se drasticamente o erro
50
quadrático médio normalizado (NRMSE). Com isso em mente, optou-se por usar 3 neurônios
na camada oculta, a fim de otimizar seu funcionamento.
Tabela 13 - Erros médios para o período de previsão.

MAE (MW) 2,88
NMAE (%) 16.03
RMSE (MW) 3,64
NRMSE (%) 20,22
BIAS (MW) 1,13
NBIAS (%) 6,29
Com base na figura 37 é possível observar que existe um grande erro de fase entre 10/05
a 19/05 e diferente do Modelo I a rede neural não consegue uma boa aderência com a curva de
geração real, gerando mais erros de amplitudades que o Modelo I, principalmente na detecção
dos picos de geração.
51
Figura 4.13 - Erro entre os dados observados e previstos ao longo das previsões e
BIAS normalizado.
Observa-se que o histograma de erros da figura 4.14 apresenta uma maior concentração
de erros entre 10% a 45%, principalmente aos erros de amplitudes citados anteriormente.
5 RESULTADOS BEBERIBE
Com o uso do modelo híbrido foi possível realizar ao total 80 previsões de três dias cada.
O período de previsão compreende 01/08/2013 até 29/03/2014, sendo o mês de julho de 2013
usado apenas como treinamento estático da rede neural, ou seja, todos os dados desse mês
serviram apenas para treinamento e ajuste da rede. Dentro dos intervalos de previsão tanto do
modelo I e II a rede se comportou de forma dinâmica, pois a cada ciclo de previsão os dados
previstos eram inseridos na rede e a mesma sofria uma realimentação de dados e treinamentos.
52
Para Beberibe usou-se uma rodada de teste mais refinado do WRF, além do uso de novas
variáveis, as quais são citadas na tabela abaixo. A inclusão de tais variáveis contribuiu na média
para a melhora do NMRSE do sistema em comparação ao não uso de tais variáveis.
Tabela 14 – Novas variáveis incluídas no modelo e redução do NMRSE em

comparação sem o uso de tais variáveis.
Variável WRF Redução do NMRSE
Fluxo de calor da superfície
Espessura da camada atmosférica
Fluxo de calor latente 0,96 %
u* (teoria da similaridade)
5.1 ENTRADA MULTIVARIÁVEL, MODELO I
Nesse modelo, 32 redes neurais foram criadas usando diferentes quantidades de

neurônios. Pode ser observado através da figura 5.1 que durante as primeiras semanas de agosto
houve uma aderência muito boa da rede neural entrre o previsto e gerado. Além disso, a
detecção dos vales se mostrou muito deficiente e tal fator é explicado pelo valor negativo do
NBIAS normalizado. Por fim, durante a última parte da previsão, entre dezembro e março, a
rede se mostrou deficiente na detecção dos picos e vales, logo apenas seguiu uma tendência
média geral.

MAE (MW) 3,89
NMAE (%) 14,97
RMSE (MW) 4,91
NRMSE (%) 18,88
BIAS (MW) -0,22
NBIAS (%) -0,87
Número de neurônios: Variável
53
normalizado.

54
Tabela 16 - Respectivos erros médios de cada turbina.

BIAS RMSE
(MW) MAE (MW) NBIAS (%) NMAE (%) NRMSE (%) (MW)
Turbina 1 -0,01 0,14 -1,12 18,10 23,10 0,18
Turbina 2 -0,01 0,15 -1,14 18,63 23,77 0,19
Turbina 3 0,00 0,13 -0,36 16,53 21,30 0,17
Turbina 4 -0,01 0,12 -1,47 15,13 19,77 0,16
Turbina 5 -0,01 0,13 -0,87 15,76 21,62 0,17
Turbina 6 -0,01 0,12 -1,08 15,32 19,91 0,16
Turbina 7 -0,01 0,14 -0,69 18,03 22,89 0,18
Turbina 8 -0,01 0,12 -1,03 14,76 19,02 0,15
Turbina 9 0,00 0,14 0,11 17,53 22,51 0,18
Turbina 10 -0,01 0,15 -1,02 18,39 24,20 0,19
Turbina 11 0,00 0,14 -0,52 17,49 22,06 0,18
Turbina 12 -0,01 0,13 -0,96 16,34 20,67 0,17
Turbina 13 -0,01 0,12 -0,63 14,71 22,29 0,18
Turbina 14 -0,01 0,15 -0,97 18,57 23,36 0,19
Turbina 15 0,00 0,15 -0,31 18,66 23,69 0,19
Turbina 16 0,00 0,15 -0,53 18,38 23,53 0,19
Turbina 17 0,00 0,15 -0,55 18,55 23,59 0,19
Turbina 18 -0,01 0,15 -0,83 18,31 23,10 0,18
Turbina 19 -0,01 0,14 -1,20 18,02 22,95 0,18
Turbina 20 -0,01 0,15 -1,19 18,41 23,47 0,19
Turbina 21 -0,01 0,13 -1,11 16,66 21,28 0,17
Turbina 22 -0,01 0,15 -0,72 18,16 23,09 0,18
Turbina 23 0,00 0,14 -0,44 17,84 22,64 0,18
Turbina 24 -0,01 0,15 -0,90 18,58 23,76 0,19
Turbina 25 -0,01 0,14 -1,04 17,24 22,02 0,18
Turbina 26 -0,01 0,14 -0,96 17,78 22,58 0,18
Turbina 27 -0,01 0,14 -1,04 17,98 22,78 0,18
Turbina 28 0,00 0,15 -0,62 18,63 23,80 0,19
Turbina 29 -0,03 0,19 -3,55 23,58 30,73 0,25
Turbina 30 0,00 0,15 0,21 18,58 23,65 0,19
Turbina 31 -0,01 0,14 -1,78 17,88 22,80 0,18
Turbina 32 0,00 0,13 -0,06 15,83 20,35 0,16
5.2 ENTRADA MULTIVARIÁVEL, MODELO II
Como pode ser observado na Tabela 17 o modelo II apresentou erros maiores que o
modelo I, tal como ocorreu nas outras rodadas de testes. Novamente, é possível observar que a
rede detecta mal os picos e vales entre dezembro e março de acordo com a Figura 5.5. Além de
apresentar enormes erros de amplitudes pontuais o que afeta consideravelmente os erros totais
de previsão de acordo com a Figura 5.6. O histograma da Figura 5.7 reforça o argumento que a
previsão prevista acaba sendo maior que a real.
55
Foram realizados testes de sensibilidade em relação a quantidade de neurônios na rede,

testou-se com 1 até 8 neurôrinos. Foi possível concluir que com o aumento dos neurônios o
BIAS do modelo sofria um aumento, no entanto ocorria o decaimento do NRMSE e uma melhor
aderência entre a curva de previsão e a de geração real. No entanto, após 4 neurônios ou efeito
do NRMSE se invertia, e o modelo se tornava inconsistente, além de demandar um maior tempo
de rodada.
MAE (MW) 4,10
NMAE (%) 15,80
RMSE (MW) 5,22
NRMSE (%) 20,10
BIAS (MW) -0,25
NBIAS (%) -0,97
Número de neurônios: 4
Período entre agosto e setembro.
56
normalizado.

57
5.3 DISCUSSÃO
A tabela abaixo traz os resultados finais para os modelos I e II tanto para Pedra do Sal e
Beberibe, os quais foram mostrados anteriormente.
Tabela 18 – Comparação dos erros em relação aos modelos I e II
Local Modelo Período MAE NMAE RMSE NRMSE BIAS NBIAS
(MW) (%) (MW) (%) (MW) (%)
I Primeiro 2,88 15,98 3,57 19,84 0,25 1,44
I Segundo 2,53 14,07 3,13 17,39 0,51 2,86
Pedra do I Média 2,70 15,02 3,35 18,61 0,38 2,15
Sal II Primeiro 2,89 16,05 3,62 20,13 0,22 1,27
II Segundo 2,88 16,03 3,64 20,22 1,13 6,29
II Média 2,88 16,04 3,63 20,17 0,67 3,78
Beberibe I Primeiro 3,89 14,97 4,91 18,88 -0,22 -0,87
II Primeiro 4,10 15,80 5,22 20,10 -0,25 -0,97
Na tabela acima é possível comparar os diferentes modelos usados nas previsões e seus
respectivos erros. A conclusão que se obtem através dessa tabela é que o modelo I, onde se
realiza a previsão por cada turbina e depois chega-se a previsão do parque, oferece um erro
menor que o modelo II, no qual apenas a previsão final do parque é realizada. Os resultados
poderiam ser ainda melhores se fosse considerado o histórico de manutenções preventivas
realizados durante o período, no entanto, a grande limitação do desse trabalho foi não deter em
mãos o cronograma de manutenções planejadas realizadas nos períodos de análise.
O desempenho melhor do modelo I em relação ao modelo II se deve ao fato de que para
cada turbina existe uma rede neural única. Isso faz com que a rede possa se ajustar melhor as
variáveis e características de cada turbina no parque. Por exemplo, uma turbina que sofra o
efeito esteira funcionará de forma bem diferente de uma sem esse efeito de forma expressiva.
Outro ponto positivo que somente o modelo I oferece, é a possibilidade de se programar uma
manutenção preventiva levando em conta as informações das turbinas que irão gerar mais ou
menos energia durante o período de programação da manutenção. Com isso, gera-se uma
otimização do tempo de parada versus produção para o caso de manutenção dos aerogeradores.
Em relação a literatura, segundo Monteiro et al. (2009) os típicos erros de previsão para
um horizonte de 48 horas situam se entre 15% a 20% para NMAE e 19% a 27% para o NRMSE.
Para horizontes de 72 horas, de acordo com Artipoli et al. (2014) os erros NRMSE de quatro
58
unidades eólicas ficaram entre 17% a 24%. O melhor resultado achado na literatura através do
trabalho de Liu (2012) fornece um erro MAE variando de 7,87 a 9,90 e o NRMSE entre 9,40%
a 13,61% para 12 ciclos de previsão de 72 horas.
Por fim, como observado na Tabela 14, a insersão de variáveis tais como fluxo de calor
da superfície, espessura da camada atmosférica, fluxo de calor latente e u*, fornecem uma
redução do NMRSE em 0,96%. Isso se deve ao fato que com tais informações a rede consegue
captar de forma melhor a camada limite atmosférica, a rugosidade do terreno e por fim o período
do dia em análise.
59
6 CONCLUSÕES
O objetivo do trabalho propõe um modelo híbrido de previsão de geração eólica para os

parques eólicos de Pedra do Sal e Beberibe. Tal modelo híbrido consiste da junção de redes
neurais artificiais e da previsão numérica do tempo já realizada pelo projeto. Esse modelo se
dividiu em duas estratégias de previsão; uma usando uma rede neural por turbina e outra usando
apenas uma única rede neural para o parque inteiro.
A fim de validar o modelo, foi realizado 120 previsões de 72 horas cada, totalizando 360
dias de previsão para o parque eólico de Pedra do Sal e 80 ciclos de previsões de 72 horas cada,
totalizando 240 dias de previsão para o parque eólico de Beberibe. Vale ressalvar que os dados
usados para teste não sofreram nenhum tipo de filtragem, já os dados de treinamento foram
filtrados com o intuito de melhorar o aprendizado da rede. Além disso, após cada ciclo de
previsão os dados de teste eram reinseridos na rede e a mesma sofria um retreinamento,
constituindo uma rede dinâmica com retroalimentação constante.
Por fim, os resultados encontrados para ambos os parques ficaram na faixa de erros
(NRMSE variando entre 14% a 24%) que a literatura e estado da arte alcançaram utilizando
modelos híbridos de previsão de geração. Além disso, foi possível verificar que o uso
estratégico de certas variáveis de entrada, tal como fluxo de calor latente, espessura da camada
atmosférica acarretam um acrécimo de acuricidade na rede neural.
6.1 SUGESTÕES
Em relação as recomendações para próximos trabalhos, seria de grande valia realizar um

sistema de filtragem de dados por meio de Wavelets, o que acarretaria um refino dos dados
usados no treinamento da rede. Atrelado a isso, recomenda-se usar diferentes arquiteturas de
redes neurais a fim de observar qual oferece resultados mais concisos, nesse trabalho antes do
uso da arquitetura feedforwad usou-se a arquitetura NARX. Por último, fica como possibilidade
utilizar o sistema híbrido preparado neste trabalho para previsão de geração de outros parques
eólicos.
60
REFERÊNCIAS
ARTIPOLI, G.; DURANTE, F.DEWI GmWI Italy: Physical Modeling in Wind Energy
Forecasting. Número 44, fevereiro 2014.
A. Costa et al. Renewable and Sustainable Energy: A review on the young history of the wind power
short-term prediction. 1725–1744 2008.
BURTON, Tony et al. Wind Energy Handbook. Chichester: Wiley, 2001. 617 p.
CASTELLANI, Francesco et al. Energy Procedia: Wind energy forecast in complex sites with a
hybrid neural network and CFD based method. V. 45, p.188-197 2014.
DAMAS, Leonardo Balvedi. Análise da geração e aplicação do método MCP em dois parques
eólicos em operação no Brasil. 2013. Dissertação (Mestrado em Engenharia Mecânica) – Programa
de Pós-Graduação em Engenharia Mecânica. Universidade Federal de Santa Catarina. Florianópolis,
2013.
DALMAZ, Alessandro. Estudo do potencial eólico e previsão dos ventos para geração de
eletricidade em Santa Catarina. 2007. Dissertação (Mestrado em Engenharia Mecânica) –
Programa de Pós-Graduação em Engenharia Mecânica. Universidade Federal de Santa Catarina.
Florianópolis, 2007.
GIEBEL, G. et al. State-of-the-art on methods and software tools for short-term prediction of wind
energy production. In: European wind energy conference & exhibition (EWEC), Madrid, Espanha,
2003.
GOOGLE. Software Google Earth. Disponível em:< http://www.google.com/earth>. Acesso em: 10

março. 2015.
GIORGI, Maria et al. Applied Energy: Error analysis of short term wind power prediction models
V. 88, p.1298-1311 2011.
Hoven, I. V. Power spectrum of horizontal wind speed in the frequency range from 0.0007 to 900
cycles per hour. American Meteorological Society. 1957
HAYKIN, Simon S. Redes neurais: Princípios e práticas. 2. ed. Bookman, 2001.
HAGAN, T. Martin; DEMUTH, B. Howard; BEALE, Mark. Neural Network Design. 1995.
JAIN, Pramod et al. Wind Energy Engineering. New York: Mc Graw Hill, 2011. 32 p.
Kalnay, E. Atmospheric modeling, data assimilation and predictability. Cambridge University

Press., 2002
61
LI, Gong et al. Applied Energy: On comparing three artificial neural networks for wind speed
forecasting V. 87, p.2313-2320 2010.
LIU, Z.; GAO, W.; WAN, Y. H.; MULJADI, E. NREL: Wind power plant prediction by using
neural networks. Raleigh. Carolina do Norte, Setembro, 2012.
LANDBERG et al. Short-term Prediction of Local Wind Conditions. Boundary-Layer Meteorology.

171 1996.
MONTEIRO, C.; BESSA, R.; MIRANDA, V.; WANG, J.; CONZELMANN, G. Wind Power
Forecasting: State-of-the-Art 2009. Novembro 2009.
Martinez, C. Princípios de convercion de la energia eólica. Em Sistemas eólicos de procucción de

energia electrica (pp. 27-96). Madrid, 2003
MEHMET, Bilgili et al. Renewable Energy: Application of artificial neural networks for the wind
speed prediction of target satation using reference stations data. V. 32, p.2350-2360 2007.
National Centers for Environmental Prediction. (23 de 01 de 2015). www.ncdc.noaa.gov. Fonte:

National Climatic Data Center: http://www.ncdc.noaa.gov/data-access/model-data/model-
datasets/global-forcast-system-gfs
National Center for Atmospheric Research. (26 de 01 de 2015). www.wrf-model.org. Fonte: The
Wather Research & Forecasting Model: http://www.wrf-model.org/index.php
ONG Greenpeace; Conselho Europeu de Energia Renovável. (2010). Revolução Energética
Piwko, R. B. The Effects of Integrating Wind Power on Transmission System

Planning,Reliability, and Operations. 2005
SOMAN, S. Saurabh et al. A review of wind power and wind speed forecasting methods with
different time horizons. North American Power Symposium (NAPS), 2010.
SALCEDO-SANZ, Sancho et al. Renewable Energy: Hybridizing the fifth generation mesoscale
model with artificial neural networks for short-term wind speed prediction. V. 34, p.1451-1457
2009.
TAMBKE, J et al. Wind Energy: Forecasting offshore wind speeds above the North Sea. 3-16 2005.

TCC Alexandre Simon Shyu - Versao Final

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

TCC Alexandre Simon Shyu - Versao Final

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL DE SANTA CATARINA

CURSO DE GRADUAÇÃO EM ENGENHARIA MECÂNICA

ALEXANDRE SIMON SHYU

APLICAÇÃO DE MODELO HÍBRIDO DE PREVISÃO DE GERAÇÃO

APLICAÇÃO DE MODELO HÍBRIDO DE PREVISÃO DE GERAÇÃO EÓLICA NOS

Trabalho apresentado ao Curso de Graduação em

Orientador: Prof. Júlio César Passos

Shyu, Alexandre Simon, 1991

Orientador: Júlio César Passos

Trabalho de Conclusão de Curso (graduação) – Universidade Federal de

1. Modelo Híbrido 2. Previsão eólica 3. Rede neural artificial

ALEXANDRE SIMON SHYU

APLICAÇÃO DE MODELO HÍBRIDO DE PREVISÃO DE GERAÇÃO EÓLICA NOS

Figura 2.1 - Ventos Permanentes Geotrópicos ........................................................................ 6

Tabela 1 - Características Gerais de Pedra do Sal ................................................................. 30

ANEEL: Agência Nacional de Energia Elétrica

1.2 OBJETIVOS ...............................................................................................................................................3

1.2.1 Objetivo Geral ................................................................................................................................. 3

1.4 LIMITAÇÕES .............................................................................................................................................4

1.5 ESCOPO DO TRABALHO............................................................................................................................4

2 FUNDAMENTAÇÃO TEÓRICA ............................................................................................ 5

2.1.1 Circulação Global dos Ventos........................................................................................................... 5

2.2.1 Modelo Global .............................................................................................................................. 13

2.3.1 Abordagem física........................................................................................................................... 15

2.4.1 Modelo do neurônio ..................................................................................................................... 22

3.1.1 Caracterização dos parques eólicos de Pedra do Sal e Beberibe ..................................................... 29

3.2.1 Modelo físico: WRF ....................................................................................................................... 37

4.2 ENTRADA MULTIVARIÁVEL, MODELO II, PRIMEIRO PERÍODO. ............................................................... 44

4.3 ENTRADA MULTIVARIÁVEL, MODELO I, SEGUNDO PERÍODO. ................................................................ 46

4.4 ENTRADA MULTIVARIÁVEL, MODELO II, SEGUNDO PERÍODO ................................................................ 48

5 RESULTADOS BEBERIBE .................................................................................................50

5.2 ENTRADA MULTIVARIÁVEL, MODELO II ................................................................................................. 53

5.3 DISCUSSÃO ............................................................................................................................................ 56

de persistência e redes neurais e baseia-se fortemente no histórico de dados e a terceira

1.2.1 Objetivo Geral

Aperfeiçoar um modelo de previsão de geração eólica de curto prazo para um horizonte

1.2.2 Objetivos Específicos

 Filtrar os dados de geração coletados no parque eólico de Pedra do Sal e Beberibe

A variabilidade e incerteza da geração eólica durante um período traz consigo grandes

canais de geração elétrica. Além disso, no ambiente livre de comércio de energia é

1.5 ESCOPO DO TRABALHO

O presente trabalho divide-se basicamente em Fundamentação Teórica, Metodologia,

2.1 CARACTERÍSTICAS FÍSICAS DOS VENTOS

2.1.1 Circulação Global dos Ventos

Os ventos classificam se em horizontais e verticais (ascendentes ou descendentes) e são

Figura 2.1 - Ventos Permanentes Geotrópicos

Fonte: Ferreira, 2010

2.1.2 Comportamento dos ventos

O principal fator que influência o comportamento e variabilidade dos ventos é sua

Figura 2.2 - Influencia da topografia no regime de ventos

Fonte: Ferreira, 2010

Figura 2.3 - Variação da velocidade durante o dia

Fonte: Windpower, 1998

Fonte: Hoven, 1957

Turbulência caracteriza-se pela variação da velocidade do vento em um pequeno

onde 𝜎 𝑒 𝑉̅ representam o desvio padrão do vento e a velocidade média do vento

2.1.4 Caracterização do vento

2.1.4.1 Distribuição de Weibull

Desenvolvida pelo físico sueco Wallodi Weibull, a distribuição estatística de Weibull

O fator de forma admensional, k, representa a forma da curva da distribuição, em geral

Fonte: Damaz et al., 2007

Ao realizar-se a integração da distribuição de Weibull, encontra-se a Função Acumulada

Nessa equação o valor de 𝐹 (𝑉 ) informa a fração acumulada de ocorrência de valores

onde R(V) representa o intervalo de tempo no qual a velocidade do vento é superior a