Previsão de Geração de

Energia Eólica usando

Acadêmico: Gean Lucas Rafael Espindola
Rede Neural Artificial: Professor: Cesar Alberto Penz
"Pawan Danawi" – Um
Estudo de Caso do Sri
Lanka

Florianópolis, junho, 2023.

 Ficha do Artigo
Título: Forecasting Wind Power Generation Using Artificial Neural Network: “Pawan Danawi”—A Case Study from Sri Lanka
Ano: 24 Mar 2021
Classificação Qualis: B1
ISSN: 2090-0147
DOI: 10.1155/2021/5577547
Publicado em: Journal of electrical and computer engineering, 2021, Vol.2021, p.1-10
Link direto: https://doi.org/10.1155/2021/5577547

2
Agenda
 Informações sobre o estudo de caso;
 Rede Neural Artificial (RNA);
 Desenvolvimento de Modelos de Previsão;
 Resultados;
 Conclusões.

3
Objetivo
 Desenvolver RNA para prever a geração de energia eólica em “Pawan Danawi”, um
parque eólico em funcionamento no Sri Lanka.
Figura 1 – Localização do Parque Pawan Danawi

 Parque eólico onshore “Pawan Danawi”

 Localizado em Kalpitiya, área noroeste do Sri Lanka
 Capacidade nominal: 10,2 MW
 Aerogeradores: 12 (Gamesa G58-850)
 Altura das torres: 65 m
 Diâmetro das pás: 58 m
 Entrada em operação: Agosto de 2012

4
Informações do estudo de caso
 Velocidade média do vento ao longo dos meses dos últimos 5 anos. A variação ao longo
dos meses de cada ano é semelhante, e ventos fortes podem ser observados nos
meses de junho, julho e agosto.
Figura 3 – Variação mensal da velocidade do vento

5
Informações do estudo de caso
 Os dados médios mensais de geração de energia (MW) ao longo dos meses dos
últimos 5 anos. foram obtidos das autoridades do parque eólico.
Figura 2 – Variação da geração mensal de energia eólica

6
 Informações do estudo de caso

Figura 4 – Variação da geração de energia eólica versus velocidade

 A geração de energia tem correlação forte média do vento.

com a velocidade do vento;

 O coeficiente de determinação obtido para
a linha de tendência mostra que o poder
preditivo varia exponencialmente com a
potência e a velocidade do vento;
 A potência produzida por uma turbina
eólica depende não apenas da velocidade
do vento, mas também de outras variáveis.

7
Informações Iniciais - RNA
 Matrizes de entrada: Velocidade do vento, direção do vento e temperatura ambiente;
 Matriz de saída: Energia eolioelétrica gerada;
 Camadas ocultas: 01
 Algoritmos de treinamento: (i) Levenberg-Marquardt (LM); (ii) Scaled Conjugate
Gradient (SCG), e (iii) Bayesian Regularization (BR);
 Calibração do modelo: Em cinco porcentagens (5%, 10%, 15% 20% e 25%);
 Avaliação do desempenho: Erro quadrático médio (MSE), o coeficiente de correlação
(R), a raiz do erro quadrático médio (RSR), o número de Nash e o BIAS.

8
Algoritmos de treinamento
 Características globais dos três algoritmos
 não requerem a especificação explícita da quantidade de neurônios na camada oculta ou das funções de ativação;
 mas é necessário escolher as funções de ativação que o algoritmo pode considerar nas camadas ocultas.
 ajustam automaticamente os pesos e os vieses da rede neural durante o treinamento;
 objetivo de minimizar a diferença entre as saídas esperadas e as saídas previstas;
 adaptam-se a complexidade do modelo durante o treinamento, aprendendo automaticamente os padrões dos dados.

9
Algoritmos de treinamento
 Levenberg-Marquardt (LM)
 Abordagem de otimização
 combina o método do gradiente com o método de Gauss-Newton;
 Tamanho da rede
 eficiente para redes de tamanho médio, mas pode ter limitações de memória em redes grandes;
 Regularização
 não possui uma técnica de regularização específica, mas pode ser usado em conjunto com outras técnicas de
regularização.

10
Algoritmos de treinamento
 Scaled Conjugate Gradient (SCG)
 Abordagem de otimização
 combina a abordagem do gradiente conjugado com a abordagem do modelo de região de confiança. É mais
rápido que o LM, evitando a técnica de busca em linha;
 Tamanho da rede
 adequado para problemas com um grande número de equações lineares. Requer menos memória em
comparação com o LM;
 Regularização
 não possui uma técnica de regularização específica, mas pode ser usado em conjunto com outras técnicas de
regularização.

11
Algoritmos de treinamento
 Bayesian Regularization (BR)
 Abordagem de otimização
 combina a minimização do erro de soma dos quadrados com a regularização baseada em probabilidade e
procura encontrar um conjunto de pesos que minimize a função de erro, mas que também seja consistente com
a distribuição de probabilidade dos pesos;
 Tamanho da rede
 pode ser aplicado a redes de diferentes tamanhos, incluindo redes menores e mais difíceis;
 Regularização
 utiliza a regularização baseada em probabilidade, forçando a rede neural a convergir para um conjunto de
pesos que adquirem valores mínimos para os vieses, tornando a rede suave.

12
Desenvolvimento de Modelos de Previsão
 Processo de calibração
 o conjunto de validação é usado para ajustar os parâmetros e monitorar o desempenho da rede durante
o treinamento;
 calibração é conduzida variando a porcentagem de dados usados para validação durante o treinamento
da rede;
 ajuda a encontrar um equilíbrio entre o ajuste excessivo (overfitting) e a capacidade de generalização
da rede neural.

13
Avaliação do desempenho
 O processo foi conduzido para 30 execuções diferentes para cada caso;
 150 (5*30) execuções separadas foram realizadas para um algoritmo de treinamento,
resultando em 450 execuções no total;
 O desempenho dos algoritmos de treinamento é avaliado por técnicas amplamente
utilizadas: O cálculo de MSE, R, RSR, número de Nash e BIAS é dado nas equações
abaixo:

14
Avaliação do desempenho
 Média dos erros quadrados entre os valores previstos pelo modelo e os valores reais
dos dados de teste de acordo com a expressão abaixo.
 onde O é a geração de energia observada, E é a geração de energia esperada ou prevista e N é o
número de pontos de dados na matriz.

15
Avaliação do desempenho
 Coeficiente de correlação R, também conhecido como coeficiente de determinação, é
uma medida estatística que indica a relação linear entre as variáveis previstas e as
variáveis reais.
 o valor de R varia entre -1 e 1, onde 1 indica uma correlação perfeita e -1 indica uma correlação inversa
perfeita;
 quanto mais próximo de 1 o valor de R, melhor é a relação entre as previsões e os valores reais;
 onde O é a geração de energia observada, E é a geração de energia esperada ou prevista.

16
Avaliação do desempenho
 O RSR é uma métrica que representa a raiz quadrada do erro médio ao quadrado
dividido pelo desvio padrão dos valores reais.
 é uma medida relativa que normaliza o erro médio ao quadrado pelo desvio padrão dos dados;
 um valor de RSR próximo de 0 indica um bom ajuste do modelo aos dados.

17
Avaliação do desempenho
 O número de Nash é calculado como a razão entre a soma dos quadrados das
diferenças entre os valores observados (O) e os valores previstos (E), e a variância dos
valores observados.
 varia de -∞ a 1, sendo que um valor de 1 indica uma correspondência perfeita entre os valores
observados e previstos;
 quanto mais próximo de 1, melhor é a qualidade do modelo em reproduzir os dados observados;
 valores negativos indicam que o modelo é menos preciso do que simplesmente utilizar a média dos
valores observados.

18
Avaliação do desempenho
 BIAS é uma métrica estatística usada medir o desvio sistemático entre os valores
observados (O) e os valores previstos (E).
 indica a tendência geral do modelo em subestimar ou superestimar os valores observados;
 Um valor de BIAS igual a zero indica que o modelo tem uma tendência neutra, ou seja, não há um viés
sistemático;
 Valores positivos de BIAS indicam que o modelo tende a superestimar os valores observados (o modelo
prevê valores inferiores aos valores reais observados, sendo conservador em suas previsões);
 valores negativos indicam uma tendência de subestimação (o modelo estima valores maiores do que o
esperado na prática).

19
Resultados e Avaliação do desempenho

 Os resultados da comparação das porcentagens de validação mostram que uma

porcentagem de validação de 5% dá o MSE mais baixo para o algoritmo LM;
 O valor R geral correspondente é 0,94, que é quase igual aos resultados dos outros
quatro valores percentuais (10%, 15%, 20% e 25%);
 No geral, o algoritmo de treinamento LM previu com sucesso a geração de energia
eólica;

20
Resultados - Variação da potência prevista versus real para o algoritmo LM no percentual de validação de 5%

Figura 5 – Treinamento Figura 6 – Validação

21
Resultados - Variação da potência prevista versus real para o algoritmo LM no percentual de validação de 5%

Figura 7 – Teste Figura 8 – Geral

22
Resultados e Avaliação do desempenho

 A calibração do algoritmo de treinamento SCG mostra um melhor desempenho na

porcentagem de validação de 10% com o MSE mínimo de 0,017; existe uma forte
correlação entre os parâmetros de entrada e a potência de saída em todas as cinco
porcentagens de validação;
 O algoritmo de treinamento BR mostrou o seu melhor desempenho em 15% da
porcentagem de validação. No entanto, os valores mínimos de MSE do BR são menores
do que os dos outros dois algoritmos e obtidos a uma taxa muito maior;

23
Resultados e Avaliação do desempenho

 O desempenho de todos os modelos foi analisado em termos de R, MSE e BIAS. Os

coeficiente de correlação é superior a 0,94, os valores de MSE são inferiores a 0,17 e os
valores de BIAS são inferiores a 1, o que demonstra a precisão dos modelos;
 Os valores de MSE obtidos no modelo BR são menores em comparação com os outros
dois algoritmos; no entanto, eles têm custos computacionais mais altos;

24
Resultados e Avaliação do desempenho

 Ao considerar a eficiência computacional dos três algoritmos, LM e SCG produzem MSE

mínimo em épocas relativamente menores. Isso significa que LM e SCG atingiram o
resultado ideal em menos tempo.

25
Conclusões
 A potência prevista é baseada na velocidade e Figura 9 – O erro entre os níveis de potência previstos e reais para
o algoritmo LM com uma porcentagem de validação de 15%.
direção do vento e na temperatura ambiente. A
previsão da geração de energia eólica é
possível para anos futuros se as variáveis
independentes (dados climáticos) estiverem
disponíveis como variáveis climáticas
projetadas;
 Os resultados mostraram a capacidade e
robustez dos modelos de predição
desenvolvidos sob vários algoritmos de
treinamento, em que o algoritmo LM com uma
porcentagem de validação de 15% produziu os
melhores resultados.

26
 Referência
Amila T. Peiris, Jeevani Jayasinghe, Upaka Rathnayake, "Forecasting Wind Power Generation Using Artificial
Neural Network: “Pawan Danawi”—A Case Study from Sri Lanka", Journal of Electrical and Computer
Engineering, vol. 2021, Article ID 5577547, 10 pages, 2021. https://doi.org/10.1155/2021/5577547

27
 Previsão de Geração de
Energia Eólica usando
Rede Neural Artificial: Obrigado!
Acadêmico: Gean Lucas Rafael Espindola
"Pawan Danawi" – Um Professor: Cesar Alberto Penz
Estudo de Caso do Sri
Lanka

Florianópolis, junho, 2023.