Análisis de la dinámica del viento en Petrolina, Noreste de Brasil, utilizando Multiscale Entropy
DOI:
https://doi.org/10.33448/rsd-v10i1.11460Palabras clave:
Velocidad del viento; Multiscale entropy; Energía eólica.Resumen
Objetivó: En este trabajo analizamos la variabilidad intra-anual de la complejidad de la dinámica del viento en Petrolina, Brasil y su relación con el potencial eólico. Metodología: Se aplicó el método de Multiscale Sample Entropy Entropy (MSE) en series temporales de velocidad del viento para cada mes de 2010. Los datos se registran cada 10 min a 50 m de altura. Resultados: Los resultados mostraron valores de entropía más altos en escalas temporales más altos, lo que indica que las fluctuaciones de la velocidad del viento son menos regulares y menos predecibles cuando la velocidad del viento se observa a una frecuencia temporal más baja. Para todos los meses, la velocidad media del viento está por encima de 3.5 m, la velocidad a la que las turbinas comienzan a funcionar y a producir electricidad, lo que indica que la ubicación de Petrolina es prometedora para la generación de energía eólica. También encontramos que la velocidad del viento se correlaciona positivamente con los valores de entropía para todos los meses cuando se registra a una frecuencia de 10 min y entre agosto y diciembre cuando se registra una frecuencia de t 1 h. Conclusión: En estos períodos las fluctuaciones temporales de la velocidad del viento son más irregulares, lo que se considera una condición desfavorable para el funcionamiento de los aerogeneradores, lo que conlleva una menor eficiencia en la captación de energía eólica para la producción de electricidad.
Citas
Ahmed, M. U., & Mandic, D. P. (2011). Multivariate multiscale entropy: A tool for complexity analysis of multichannel data. Physical Review E, 84(6), 61918. APS.
de Araujo Lima, L., & Bezerra Filho, C. R. (2010). Wind energy assessment and wind farm simulation in Triunfo–Pernambuco, Brazil. Renewable Energy, 35(12), 2705–2713. Elsevier.
Ayodele, T. R., & Ogunjuyigbe, A. S. O. (2016). Wind energy potential of Vesleskarvet and the feasibility of meeting the South African׳ s SANAE IV energy demand. Renewable and Sustainable Energy Reviews, 56, 226–234. Elsevier.
Balasis, G., Daglis, I. A., Papadimitriou, C., Kalimeri, M., Anastasiadis, A., & Eftaxias, K. (2009). Investigating dynamical complexity in the magnetosphere using various entropy measures. Journal of Geophysical Research: Space Physics, 114(A9). Wiley Online Library.
Behera, S., Sahoo, S., & Pati, B. B. (2015). A review on optimization algorithms and application to wind energy integration to grid. Renewable and Sustainable Energy Reviews, 48, 214–227. Elsevier.
Cavalcante, G., Vieira, F., Campos, E., Brandini, N., & Medeiros, P. R. P. (2020). Temporal streamflow reduction and impact on the salt dynamics of the São Francisco River Estuary and adjacent coastal zone (NE/Brazil). Regional Studies in Marine Science, 38, 101363. Elsevier.
Chou, C.-M. (2014). Complexity analysis of rainfall and runoff time series based on sample entropy in different temporal scales. Stochastic Environmental Research and Risk Assessment, 28(6), 1401–1408. Springer.
Costa, M., Goldberger, A. L., & Peng, C.-K. (2002). Multiscale entropy analysis of complex physiologic time series. Physical review letters, 89(6), 68102. APS.
Courtiol, J., Perdikis, D., Petkoski, S., Müller, V., Huys, R., Sleimen-Malkoun, R., & Jirsa, V. K. (2016). The multiscale entropy: Guidelines for use and interpretation in brain signal analysis. Journal of neuroscience methods, 273, 175–190. Elsevier.
Dutra, R. M., & Szklo, A. S. (2008). Incentive policies for promoting wind power production in Brazil: Scenarios for the Alternative Energy Sources Incentive Program (PROINFA) under the New Brazilian electric power sector regulation. Renewable Energy, 33(1), 65–76. Elsevier.
Faria, B. L. de, Justino, F. B., & Monteiro, L. I. B. (2011). Estudo do Potencial Eólico do Nordeste Brasileiro: uma alternativa para complementar a Matriz Energética durante o período de seca. XVII Congresso Brasileiro de Agrometeorologia. https://silo.tips/download/estudo-do-potencial-eolico-do-nordeste-brasileiro-uma-alternativa-para-complemen.
Gamboa, J. C. R., Marques, E. C. M., & Stosic, T. (2019). Complexity analysis of Brazilian agriculture and energy market. Physica A: Statistical Mechanics and its Applications, 523, 933–941. Elsevier.
Guzman-Vargas, L., Ramírez-Rojas, A., & Angulo-Brown, F. (2008). Multiscale entropy analysis of electroseismic time series. Natural Hazards and Earth System Sciences, 8(4), 855–860. Copernicus GmbH.
GWEC, G. W. E. C. (2019). Global Wind Report: Annual Market Update 2019. Retrieved March 6, 2020, from https://gwec.net/global-wind-report-2019
Koçak, K. (2009). Examination of persistence properties of wind speed records using detrended fluctuation analysis. Energy, 34(11), 1980–1985. Elsevier.
Kumar, M., Pachori, R. B., & Acharya, U. R. (2017). Automated diagnosis of myocardial infarction ECG signals using sample entropy in flexible analytic wavelet transform framework. Entropy, 19(9), 488. Multidisciplinary Digital Publishing Institute.
Laib, M., Golay, J., Telesca, L., & Kanevski, M. (2018). Multifractal analysis of the time series of daily means of wind speed in complex regions. Chaos, Solitons & Fractals, 109, 118–127. Elsevier.
Laib, M., Guignard, F., Kanevski, M., & Telesca, L. (2019). Community detection analysis in wind speed-monitoring systems using mutual information-based complex network. Chaos: An Interdisciplinary Journal of Nonlinear Science, 29(4), 43107. AIP Publishing LLC.
Li, H., Meng, Q., Wang, Y., & Zeng, M. (2011). Multi-scale entropy analysis of single-point wind speed in outdoor near-surface environments. 2011 International Conference on Electrical and Control Engineering (pp. 4579–4582). IEEE.
Li, Q., & Zuntao, F. (2014). Permutation entropy and statistical complexity quantifier of nonstationarity effect in the vertical velocity records. Physical Review E, 89(1), 12905. APS.
Ni, Q., Feng, K., Wang, K., Yang, B., & Wang, Y. (2017). A case study of sample entropy analysis to the fault detection of bearing in wind turbine. Case studies in engineering failure analysis, 9, 99–111. Elsevier.
Pereira, A. S., Shitsuka, D. M., Parreira, F. J., & Shitsuka, R. (2018). Metodologia da pesquisa científica Santa Maria, Brazil. https://repositorio.ufsm.br/bitstream/handle/1/15824/Lic_Computacao_Metodologia-Pesquisa-Cientifica.pdf?sequence=1
Richman, J. S., & Moorman, J. R. (2000). Physiological time-series analysis using approximate entropy and sample entropy. American Journal of Physiology-Heart and Circulatory Physiology, 278(6), H2039–H2049. American Physiological Society Bethesda, MD.
Safari, B., & Gasore, J. (2010). A statistical investigation of wind characteristics and wind energy potential based on the Weibull and Rayleigh models in Rwanda. Renewable Energy, 35(12), 2874–2880. Elsevier.
Santana, L. V. R., Stosic, T., Ferreira, T. A. E., & Silva, A. S. A. da. (2020a). Comparação dos dados da velocidade do vento no Nordeste do Brasil da ERA-40 e Instituto Nacional de Meteorologia (INMET) utilizando medidas de entropia. Research, Society and Development, 9(8), e446985257. https://rsdjournal.org/index.php/rsd/article/view/5257
Santana, L. V. R., Stosic, T., Ferreira, T. A. E., & Silva, A. S. A. da. (2020b). Análise da regularidade da velocidade do vento no Nordeste do Brasil através da Sample Entropy. Research, Society and Development, 9(7), e762974746. https://rsdjournal.org/index.php/rsd/article/view/4746
Silva, B. B. da, Alves, J. J. A., Cavalcanti, E. P., & Dantas, R. T. (2002). Potencial eólico na direção predominante do vento no Nordeste brasileiro. Revista Brasileira de Engenharia Agrícola e Ambiental, 6(3), 431–439. SciELO Brasil.
Tar, K. (2008). Some statistical characteristics of monthly average wind speed at various heights. Renewable and Sustainable Energy Reviews, 12(6), 1712–1724. Elsevier.
Witzler, L. T., Ramos, D. S., Camargo, L. A. S., & Guarnier, E. (2016). Reconstruction of wind generation historical series aiming at the analysis of energy complementarity: Methodology and applications. 2016 13th International Conference on the European Energy Market (EEM) (pp. 1–6). IEEE.
Zhou, Y., Zhang, Q., Li, K., & Chen, X. (2012). Hydrological effects of water reservoirs on hydrological processes in the East River (China) basin: complexity evaluations based on the multi‐scale entropy analysis. Hydrological Processes, 26(21), 3253–3262. Wiley Online Library.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2021 Gutenberg Ferreira da Silva; Ikaro Daniel de Carvalho Barreto; Tatijana Stosic
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
