Analise da dinâmica do vento em Petrolina, Nordeste do Brasil, utilizando Multiscale Entropy
DOI:
https://doi.org/10.33448/rsd-v10i1.11460Palavras-chave:
Velocidade do vento; Multiscale entropy; Energia eólica.Resumo
Objetivo: Neste artigo analisamos a variabilidade intra-anual da complexidade da dinâmica do vento em Petrolina, Brasil e sua relação com o potencial eólico. Metodologia: Aplicamos o método Multiscale Sample Entropy (MSE) nas séries temporais da velocidade do vento para cada mês de 2010. Os dados são registrados a cada 10 minutos a 50m de altura. Resultados: Os resultados mostraram os valores de entropia mais altos em escales temporais maiores, indicando que as flutuações da velocidade do vento são menos regulares e menos previsíveis quando a velocidade do vento é observada em frequência temporal mais baixa. Em todos os meses a velocidade média do vento está acima de 3,5 m, velocidade na qual as turbinas começam a operar e produzir eletricidade, indicando que a localização de Petrolina é promissora para a geração de energia eólica. Também descobrimos que a velocidade do vento está positivamente correlacionada com os valores de entropia para todos os meses quando dados são registrados na freqüência de 10min e entre agosto e dezembro quando são registrados na freqüência de 1 h. Conclusão: Nestes períodos as flutuações temporais da velocidade do vento são mais irregulares, o que é considerado condição desfavorável para o funcionamento dos aerogeradores, levando a uma menor eficiência na captação de energia eólica para a produção de eletricidade.
Referências
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.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2021 Gutenberg Ferreira da Silva; Ikaro Daniel de Carvalho Barreto; Tatijana Stosic
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.
