Previsão de Energia Eólica: Modelo de Ensemble Baseado em Modelos Estatísticos e de Aprendizado de Máquina
DOI:
https://doi.org/10.33448/rsd-v9i12.11251Palavras-chave:
Energia eólica; Modelos estatísticos; Aprendizado de máquina; Seleção de variáveis.Resumo
O setor de energia é um dos pilares da sociedade moderna, tendo em vista que pode impactar o desenvolvimento de um país em diversos segmentos – econômico, social, ambiental etc. Quanto ao impacto ambiental, sabe-se que sua produção pode ocasionar resíduos e gerar malefícios para o meio ambiente, ocasionando aumento do efeito estufa e contribuindo para o aquecimento global. Neste sentido, ganha destaque o setor de energia eólica, baseado em uma produção derivada do vento e considerado “limpo”. No entanto, existe certa incerteza em relação a sua produção, por não ser possível produzir ou estocar o vento. Por conta disso, tornam-se necessários modelos de predição para que haja segurança na utilização deste tipo de produção. As predições não são tarefas triviais, visto que existem diversas variáveis que impactam sua obtenção, bem como sua estabilidade ou (instabilidade). Diversos modelos já foram utilizados com este intuito, como os tradicionais (ARIMA), os inteligentes (XGBoost e Random Forest) e os modelos ensemble (junção de modelos), que vêm ganhando muito destaque. O objetivo do trabalho é desenvolver uma estratégia para prever a produção de energia eólica em base horária, em duas estações distintas e com diferentes modelos. Após a realização dos experimentos, pode-se perceber que os modelos individuais (com destaque para o XGBoost) apresentaram bons resultados; no entanto, deve ser notado que, na maioria dos casos de picos/outliers, estes modelos sofrem de superestimação. O modelo ensemble, entretanto, conseguiu suprir tal deficiência em relação aos modelos individuais, corrigindo os casos de superestimação.
Referências
ABEE.A.B.E.E. Associação Brasileira de Energia Eólica: Mercado Eólico brasileiro. Recuperado de http://www.abeeolica.org.br /.
Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.
Chang, G. W., Lu, H. J., Hsu, L. Y., & Chen, Y. Y. (2016, July). A hybrid model for forecasting wind speed and wind power generation. In 2016 IEEE Power and Energy Society General Meeting (PESGM) (pp. 1-5). IEEE.
Chen, T., & Guestrin, C. (2016, August). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining (pp. 785-794).
Daraeepour, A., & Echeverri, D. P. (2014, February). Day-ahead wind speed prediction by a Neural Network-based model. In ISGT 2014 (pp. 1-5). IEEE.
de Siqueira, T. G., & Salgado, R. M. (2011). An Intelligent Approach for Medium Term Hydropower Scheduling Using Ensemble Model. In Electrical Power Systems and Computers (pp. 353-362). Springer, Berlin, Heidelberg.
Díaz-Uriarte, R., & De Andres, S. A. (2006). Gene selection and classification of microarray data using random forest. BMC bioinformatics, 7(1), 3.
Eldali, F. A., Hansen, T. M., Suryanarayanan, S., & Chong, E. K. (2016, September). Employing ARIMA models to improve wind power forecasts: A case study in ERCOT. In 2016 North American Power Symposium (NAPS) (pp. 1-6). IEEE.
Foley, A. M., Leahy, P. G., Marvuglia, A., & McKeogh, E. J. (2012). Current methods and advances in forecasting of wind power generation. Renewable Energy, 37(1), 1-8.
Friedman, J. H. (2001). Greedy function approximation: a gradient boosting machine. Annals of statistics, 1189-1232.
GWEC, G. W. E. C. (2018). Global Wind Report: Annual market update 2018. Recuperado de http://gwec. net/.
Hansen, L. K., & Salamon, P. (1990). Neural network ensembles. IEEE transactions on pattern analysis and machine intelligence, 12(10), 993-1001.
Hansen, L. K., & Salamon, P. (1990). Neural network ensembles. IEEE transactions on pattern analysis and machine intelligence, 12(10), 993-1001.
Jurado, S., Peralta, J., Nebot, A., Mugica, F., & Cortez, P. (2013, July). Short-term electric load forecasting using computational intelligence methods. In 2013 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE) (pp. 1-8). IEEE.
Lei, M., Shiyan, L., Chuanwen, J., Hongling, L., & Yan, Z. (2009). A review on the forecasting of wind speed and generated power. Renewable and Sustainable Energy Reviews, 13(4), 915-920.
Li, S., Wang, P., & Goel, L. (2015). Wind power forecasting using neural network ensembles with feature selection. IEEE Transactions on sustainable energy, 6(4), 1447-1456.
Liu, H., Tian, H. Q., Chen, C., & Li, Y. F. (2010). A hybrid statistical method to predict wind speed and wind power. Renewable energy, 35(8), 1857-1861.
Morettin, P. A., & Toloi, C. M. C. (2006). Análise de Séries Temporais, Segunda Edição.
Ruppert, D. (2011). Statistics and data analysis for financial engineering (Vol. 13). New York: Springer.
Salgado, R. M., Machado, T. C., & Ohishi, T. (2016). Intelligent models to identification and treatment of outliers in electrical load data. IEEE Latin America Transactions, 14(10), 4279-4286.
Salgado, R. M., Pereira, J. J., Ohishi, T., Ballini, R., Lima, C. A. M., & Von Zuben, F. J. (2006, July). A hybrid ensemble model applied to the short-term load forecasting problem. In The 2006 IEEE International Joint Conference on Neural Network Proceedings (pp. 2627-2634). IEEE.
Tubino, D. F. (2000). Administração dos estoques. Manual de planejamento e controle da produção. São Paulo: Atlas, 103-145.
Werner, L., & Ribeiro, J. L. D. (2003). Previsão de demanda: uma aplicação dos modelos Box-Jenkins na área de assistência técnica de computadores pessoais. Gestão & Produção, 10(1), 47-67.
Yang, L., He, M., Zhang, J., & Vittal, V. (2015). Support-vector-machine-enhanced markov model for short-term wind power forecast. IEEE Transactions on Sustainable Energy, 6(3), 791-799.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2020 Luís Gustavo Gutierrez Gebin; Ricardo Menezes Salgado; Denismar Alves Nogueira
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.