Análise de velocidade de vento usando cadeia de Markov
DOI:
https://doi.org/10.33448/rsd-v10i9.17435Palavras-chave:
Petrolina; Energia eólica; Modelagem; Entropia.Resumo
A busca por energias renováveis vem aumentando nas últimas décadas devido, principalmente, às preocupações ambientais como também à crescente demanda energética. A energia eólica é uma das fontes de energia renovável amplamente adotada pelo mundo, sendo a região nordeste do Brasil destacada pela sua grande capacidade de produção. A implementação de parques eólicos carece de estudos preliminares sobre modelagem estatística de velocidade do vento e, entre os métodos propostos, a Cadeia de Markov se mostrou eficiente. Este trabalho apresenta uma análise estatística da velocidade do vento na cidade de Petrolina – PE, com objetivo de aplicar cadeias de Markov de primeira ordem como método probabilístico na modelagem da velocidade do vento a cada hora. Os dados foram obtidos no site do Instituto Nacional de Meteorologia (INMET), correspondendo ao período de 2010 a 2020. Foram utilizadas cadeias de Markov de primeira ordem com dois estados para encontrar as probabilidades de transição, e a variação anual dessas probabilidades e a Entropia normalizada foram analisadas. Os principais resultados mostraram que o modelo proposto se ajusta bem às variações da velocidade do vento em meses específicos do ano e que modelos com mais estados podem ser propostos com o objetivo de diminuir a perda de informação calculada pelo valor da entropia.
Referências
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
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 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
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.
