Modelagem de média mensal de velocidade do vento para região litorânea no nordeste Brasileiro através do método aditivo Holt-Winters com vias a previsão de geração eólica

Autores

DOI:

https://doi.org/10.5380/rber.v5i4.48582

Resumo

No presente trabalho foi realizado um estudo de previsão da média mensal de velocidade do vento para a cidade de Caucaia, litoral do Estado do Ceará no nordeste do Brasil. Para isso foi utilizado o modelo aditivo de Holt-Winters, a partir dos dados de velocidade do vento ao nível de 10 m de altura no período de janeiro de 2004 até dezembro de 2005, coletados da Fundação Cearense de Meteorologia e Recursos Hídricos. A previsão mostrou-se eficiente baseada no fato de que a análise de erro realizada forneceu valores (em geral) reduzidos como, por exemplo, existe um o erro percentual médio da previsão comparado ao observado de apenas 3,5%. Dessa forma foi possível identificar que os dados previstos conseguem acompanhar o perfil dos dados observados indicando assim a viabilidade do modelo para a região de estudo. Esse trabalho poderá ser utilizado como uma ferramenta de previsão de velocidade do vento, visando o estudo e avanço da geração eólio-elétrica em diversas regiões do país, proporcionando aos tomadores de decisão a instalação de novos parques eólicos, visto que haverá possibilidade de conhecer o regime local de intensidade de vento futuro.

Biografia do Autor

Henrique do Nascimento Camelo, IFCE/Acaraú - professor efetivo UFRN - doutorando em Ciências Climáticas.

Doutorando em Ciências Climáticas da Universidade Federal do Rio Grande do Norte (UFRN). Possui mestrado em Ciências Físicas Aplicadas pela Universidade Estadual do Ceará (2007). Tem experiência nas áreas de Ensino de Física, Física da Atmosfera e Energias Renováveis. Atualmente é professor efetivo do Curso de Física do Instituto Federal de Educação, Ciência e Tecnologia do Ceará (IFCE), campus Acaraú.

Paulo Sérgio Lucio, Programa de Pós-Graduação em Ciências Climáticas – PPGCC/UFRN – professor efetivo

Graduação em Matemática pela Universidade Federal do Espírito Santo (1987), Mestrado em Estatística pela Universidade Estadual de Campinas (1991) e Doutorado em Geofísica pelo "Institut de Physique du Globe de Paris" (1996). Pós-Doutorado no Instituto Superior Técnico de Lisboa (2001), no Centro de Geofísica da Universidade de Évora (2002-2005) e no "Laboratoire dOcéanographie et du Climat, Expérimentation et Approches Numériques" (LOCEAN) na França (2011/2012). Professor do Departamento de Estatística da Universidade Federal de Minas Gerais (1991-2002). Assessor-Técnico (colaborador sênior) do Instituto Nacional de Meteorologia (2006). Atualmente é Professor Associado do Departamento de Ciências Atmosféricas e Climáticas da Universidade Federal do Rio Grande do Norte (UFRN), Investigador Científico do Centro de Geofísica da Universidade de Évora, Coordenador do Grupo de Pesquisas do CNPq sobre "Clima, Ambiente, Saúde e Educação", Professor do Bacharelado em Meteorologia e do Programa de Pós-graduação em Ciências Climáticas (PPgCC). Coordenador do PPgCC (2012-2016) da UFRN

João Bosco Verçosa Leal Junior, Universidade Estadual do Ceará – UECE – professor efetivo

possui Bacharelado em Física Geral e Fundamental pela Universidade Federal do Ceará (1994), Mestrado em Física pela Universidade Federal do Ceará (1998) e Doutorado em Física pela Universidade Federal do Ceará (2003). Atualmente é Professor Adjunto da Universidade Estadual do Ceará (UECE). Tem experiência nas áreas de Física e Geociências, com ênfase em física da atmosfera, atuando principalmente nos seguintes temas: modelagem numérica da atmosfera, micrometeorologia, microfísica de nuvens, climatologia e física estatística.

Referências

BOX, G. P.; JENKINS, G. M. Time Series Analysis: Forecasting and Control. São Francisco: Holden Day, 525 p., 1978.

BHASKAR, M.; JAIN, A.; SRINATH, N. V. Wind speed forecasting: present status. In: PROCEEDING OF THE 2010 INTERNATIONAL CONFERENCE ON POWER SYSTEM TECHNOLOGY, Hangzhou, China. Anais. p. 1-6. 2010.

CADENA, E.; RIVERA, W. Wind speed forecasting in three different regions of Mexico, using a hybrid ARIMA - ANN model. Renewable Energy, v. 35, n. 12, p. 2732-2738, 2010.

CEPEL, Centro de Pesquisas de Energia Elétrica. 2010. Disponível em: <http://www.cepel.br>. (Consultado em 12/01/2015).

CORRAR, L. J.; THEÓPHILO, C. R. Pesquisa operacional para decisão em contabilidade e administração: contabilometria. São Paulo, SP: Atlas, 125 p., 2004.

COCHRAN, W. G. The stimation of sample sign. In: Sampling Techniques. 3 ed. Nova York: John Willey, 1997, Cap. 4 p. 7290.

DANTAS, T. M.; OLIVEIRA, F. L. C. Previsão de velocidade de vento: Uma abordagem utilizando Bagging Holt Winters com decomposição STL. In: XLVI Simpósio Brasileiro de Pesquisa Operacional, Salvador/Ba. Anais. p. 1111-1121. 2014.

DÍAZ, J. A.; SOUTO, A.; RODRÍGUEZ, S., SAAVEDRA, J.; CASARES, J. An ensemble-in-time forecast of solar irradiance. In: International Conference on Renewable Energies and Power Quality, Santiago de Compostela. Anais. p. 311-316. 2012.

DORVLO, A. S. S.; JERVASE, J. A.; Al-LAWATI, A. Solar radiation estimation using artificial neural networks. Applied Energy, v. 71, n. 4, p. 307–319, 2002.

EPE, Empresa de Pesquisa Energética. 2014. Disponível em: <http://www.epe.gov.br>. (Consultado em 12/05/2015).

HOLT, C. C. Forecasting seasonals and trends by exponentially weighted moving averages, ONR Research Memorandum, Carnigie Institute 52, 1957.

KAVESSERI, R. G.; SEETHARAMAN, K. Day-ahead wind speed forecasting using f-ARIMA models. Renewable Energy, v. 34, n. 5, p. 1388–1393. 2009.

MAGALHÃES, M. N.; LIMA, A. C. P. Noções de Probabilidade e Estatística. 7ª.ed., São Paulo, SP: Edusp, 392 p., 2013.

MAKRIDAKIS, S. G.; WHEELWRIGHT, S. C.; HYNDMAN, R. J. Forecasting: methods and applications. 3 Ed. New York, USA: Wiley, 656 p., 1998.

MORETTIN, P. A.; TOLOI, C. M. Séries temporais. 2ª.ed., São Paulo, SP: Atual, 325 p.,1987.

MORETTIN, P. A.; TOLOI, C. M. C. Análise de Séries Temporais. 2. ed. São Paulo: Edgard Blücher, 350 p., 2006.

MONTGOMERY, D. C. Introduction to Time Series Analysis and Forecasting. 6 ed. New York: Wiley-Interscience, 650 p.,2008.

R-PROJECT. (2014). The R Project for Statistical Computing. Disponível em: <http://www.r-project.org/>. Acesso em: junho de 2015.

TROROEN, I.; PETERSEN, E.L. (1989). European Wind Atlas. Rise National Laboratory, Roskilde, Denmark.

SEINFRA Secretaria de Infraestrutura do Estado do Ceará. 2001. Disponível em: <http://www.seinfra.ce.gov.br/>. (Consultado em 12/01/2015).

WINTERS, P. R. Forecasting sales by exponentially weighted moving averages. Management Science. v. 6, n. 3, p. 324–342. 1960.

ZHANG, G. P. Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, Amsterdam, v. 50, n.1, p. 159-175. 2003.

Downloads

Publicado

2016-11-23

Como Citar

Camelo, H. do N., Lucio, P. S., & Leal Junior, J. B. V. (2016). Modelagem de média mensal de velocidade do vento para região litorânea no nordeste Brasileiro através do método aditivo Holt-Winters com vias a previsão de geração eólica. Revista Brasileira De Energias Renováveis, 5(4). https://doi.org/10.5380/rber.v5i4.48582

Edição

v. 5 n. 4 (2016)

Seção

Artigos