Análisis de la velocidad del viento utilizando la cadena de Markov
DOI:
https://doi.org/10.33448/rsd-v10i9.17435Palabras clave:
Petrolina; Energia eólica; Modelado; Entropía.Resumen
La búsqueda de energías renovables se ha incrementado en las últimas décadas, principalmente debido a preocupaciones ambientales, así como a la creciente demanda de energía. La energía eólica es una de las fuentes de energía renovable ampliamente adoptada en el mundo, destacando la región noreste de Brasil por su gran capacidad de producción. La implementación de parques eólicos carece de estudios preliminares sobre modelado estadístico de la velocidad del viento y, entre los métodos propuestos, se sabe que la Cadena de Markov es eficiente. Este trabajo presenta un análisis estadístico de la velocidad del viento en la ciudad de Petrolina - PE, con el objetivo de aplicar una cadena de Markov de primer orden, un método probabilístico, en la modelación horaria de la velocidad del viento. Los datos se obtuvieron de la página web del Instituto Nacional de Meteorología (INMET), correspondiente al período 2010 a 2020. Se utilizó cadena de Markov de primer orden con dos estados para encontrar probabilidades de transición, y se analizó la variación anual de estas probabilidades y la entropía normalizada. Los resultados mostraron que el modelo propuesto se ajusta bien a las variaciones de velocidad del viento en meses específicos del año y que se pueden proponer modelos con más estados para reducir la pérdida de información calculada por el valor de entropía.
Citas
ABEEólica. (2018). Annual wind energy report. Recuperado em 12 de abril de 2021, de http://abeeolica.org.br/wp-content/uploads/2019/06/Boletim-Anual_2018_Inglês.pdf
Bagal, H. A., Soltanabad, Y. N., Dadjuo, M., Wakil, K., & Ghadimi, N. (2018). Risk-assessment of photovoltaic-wind-battery-grid based large industrial consumer using information gap decision theory. Solar Energy, 169, 343-352.doi.org/10.1016/j.solener.2018.05.003
Balzter, H. (2000). Markov chain models for vegetation dynamics. Ecological modelling, 126(2-3), 139-154. doi.org/10.1016/S0304-3800(00)00262-3
Carta, J. A., Ramirez, P., & Velazquez, S. (2009). A review of wind speed probability distributions used in wind energy analysis: Case studies in the Canary Islands. Renewable and sustainable energy reviews, 13(5), 933-955. doi.org/10.1016/j.rser.2008.05.005
Chitsaz, H., Amjady, N., & Zareipour, H. (2015). Wind power forecast using wavelet neural network trained by improved Clonal selection algorithm. Energy conversion and Management, 89, 588-598.doi.org/10.1016/j.enconman.2014.10.001
de Figueirêdo, B. C. L., Moreira, G. R., Stosic, B., & Stosic, T. (2014). Multifractal analysis of hourly wind speed records in Petrolina, Northeast Brazil. Revista Brasileira de Biometria, 32(4), 599-608. Recuperado em 8 de abril de 2021, de http://jaguar.fcav.unesp.br/RME/fasciculos/v32/v32_n4/A9_Barbara.pdf
Ettoumi, F. Y., Sauvageot, H., & Adane, A. E. H. (2003). Statistical bivariate modelling of wind using first-order Markov chain and Weibull distribution. Renewable energy, 28(11), 1787-1802.doi.org/10.1016/S0960-1481(03)00019-3
Global Wind Energy Council. (2019). Global wind report: Annual market update. Recuperado em 3 de junho de 2020, de https://gwec.net/global-wind-report-2019
Global Wind Energy Council. (2021). Global Wind Report, 2021. Recuperado em 8 de abril de 2021, de https://gwec.net/global-wind-report-2021/
Wickham, H. ggplot2: Elegant Graphics for Data Analysis. Springer-Verlag New York, 2016.
INMET - Instituto Nacional de Meteorologia, https://portal.inmet.gov.br/dadoshistoricos (Último acesso em 29 de abril de 2021)
Jiao, R., Huang, X., Ma, X., Han, L., & Tian, W. (2018). A model combining stacked auto encoder and back propagation algorithm for short-term wind power forecasting. Ieee Access, 6, 17851-17858. doi: 10.1109/ACCESS.2018.2818108.
Jung, C., & Schindler, D. (2019). Wind speed distribution selection–A review of recent development and progress. Renewable and Sustainable Energy Reviews, 114, 109290.doi.org/10.1016/j.rser.2019.109290
Kaygusuz, K. (2012). Energy for sustainable development: A case of developing countries. Renewable and Sustainable Energy Reviews, 16(2), 1116-1126.doi.org/10.1016/j.rser.2011.11.013
Masseran, N. (2015). Markov chain model for the stochastic behaviors of wind-direction data. Energy conversion and management, 92, 266-274.doi.org/10.1016/j.enconman.2014.12.045
Poggi, P., Muselli, M., Notton, G., Cristofari, C., & Louche, A. (2003). Forecasting and simulating wind speed in Corsica by using an autoregressive model. Energy conversion and management, 44(20), 3177-3196.doi.org/10.1016/S0196-8904(03)00108-0
Ruffato-Ferreira, V., Barreto, R. C., Júnior, A. O., Silva, W. L., Viana, D. B., Nascimento, J. A. S., & Freitas, M. A. V. (2017). A foundation for the strategic long-term planning of the renewable energy sector in Brazil: Hydroelectricity and wind energy in the face of climate change scenarios. Renewable and Sustainable Energy Reviews, 72, 1124-1137.doi.org/10.1016/j.rser.2016.10.020
Sadorsky, P. (2021). Wind energy for sustainable development: Driving factors and future outlook. Journal of Cleaner Production, 289, 125779.doi.org/10.1016/j.jclepro.2020.125779
Sarmiento, C., Valencia, C., & Akhavan-Tabatabaei, R. (2018). Copula autoregressive methodology for the simulation of wind speed and direction time series. Journal of Wind Engineering and Industrial Aerodynamics, 174, 188-199. doi.org/10.1016/j.jweia.2018.01.009
Shamshad, A., Bawadi, M. A., Hussin, W. W., Majid, T. A., & Sanusi, S. A. M. (2005). First and second order Markov chain models for synthetic generation of wind speed time series. Energy, 30(5), 693-708. doi.org/10.1016/j.energy.2004.05.026
Simas, M., & Pacca, S. (2013). Energia eólica, geração de empregos e desenvolvimento sustentável. Estudos avançados, 27(77), 99-116. doi.org/10.1590/S0103-40142013000100008
Spedicato, G. A. Discrete Time Markov Chains with R. The R Journal, 2017.
Van Kooten, G. C., Duan, J., & Lynch, R. (2016). Is there a future for nuclear power? Wind and emission reduction targets in fossil-fuel Alberta. PloS one, 11(11), e0165822. https://doi.org/10.1371/journal.pone.0165822
Xie, K., Liao, Q., Tai, H. M., & Hu, B. (2017). Non-homogeneous Markov wind speed time series model considering daily and seasonal variation characteristics. IEEE Transactions on Sustainable Energy, 8(3), 1281-1290. doi: 10.1109/TSTE.2017.2675445
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2021 José Edvaldo de Oliveira Nunes; João Valério de Souza Neto; Maria Marciele de Lima Silva; Natália Moraes Cordeiro; Ruben Vivaldi Silva Pessoa; Ikaro Daniel de Carvalho Barreto; Lucian Bogdan Bejan; 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.
