PREVISÃO DE VELOCIDADE DO VENTO COM SÉRIEL TEMPORAL MULTIVARIADA UTILIZANDO REDE NEURAL RECORRENTE
DOI:
https://doi.org/10.59627/cbens.2022.1069Palavras-chave:
MV-LSTM, Previsão Eólica, Energia EólicaResumo
A análise de séries temporais é de extrema importância para controle e gerenciamento de sistemas de geração elétrica com elevada intermitência como é o caso dos sistemas eólicos, onde há necessidade de prever a velocidade do vento com maior precisão, com o intuito de ter uma despachabilidade de energia de forma inteligente e gerenciando riscos que a alta instabilidade do vento pode causar. Este trabalho implementa-se um modelo de Rede Neural Recorrente multivariada do tipo memória de curto longo prazo (MV-LSTM) para dados de velocidade média, máxima e mínima horária. Uma rede LSTM com única varável também é implementada para comparar os resultados. Os dados utilizados foram coletados por um anemômetro sônico no período de 01 de janeiro a 31 de dezembro de 2015 no cerrado nativo brasileiro na Fazenda Água Limpa – FAL localizada no Distrito Federal. Os resultados mostram que os vetores de velocidade máxima e mínima melhoram a previsão de velocidade do vento e que o modelo MV-LSTM reduz o atraso da previsão quando há uma mudança brusca da velocidade do vento.
Downloads
Referências
Cao, Y., Gui, L., 2018. Multi-Step wind power forecasting model Using LSTM networks, Similar Time Series and LightGBM, 5th International Conference on Systems and Informatics (ICSAI), pp. 192-197.
Dubey, A. K., Kumar, A., García-Díaz, V., Sharma, A. K., Kanhaiya, K., 2021. Study and analysis of SARIMA and LSTM in forecasting time series data, Sustainable Energy Technologies and Assessments, vol. 47, n. 10, pp. 114-128.
Du, S., Li, T., Yan Y., Shi-Jinn, H., 2019. Deep Air Quality Forecasting Using Hybrid Deep Learning Framework, arXiv, vol. 47, pp. 114-126.
Hochreiter, S., Schmidhuber, J., 1997. Long short-term memory, Neural Comput, vol. 9, pp. 1735–1780.
Jin, X., Yu, X., Wang, X., Bai, Y., Su, T., Kong, J., 2020. Prediction for Time Series with CNN and LSTM, Springer Singapore, pp. 631-641.
Liang, S., Nguyen, L., Jin, F., 2018. A Multi-variable Stacked Long-Short Term Memory Network for Wind Speed Forecasting, IEEE Int. Conf. Big Data, pp. 4561–4564.
Rashid, M. H., 2018. AMI Smart Meter Big Data Analytics for Time Series of Electricity Consumption, 17th IEEE International Conference On Trust, Security And Privacy In Computing And Communications, pp. 1771-1776.
Xie, A., Yang, H., Chen, J., Sheng, L., Zhang, Q., 2021. A Short-Term Wind Speed Forecasting Model Based on a Multi-Variable Long Short-Term Memory Network, vol. 12, n. 1, pp. 2073-4433.
Yao, W., Huang, P. Jia, Z., 2018. Multidimensional LSTM Networks to Predict Wind Speed, 37th Chinese Control Conference (CCC), pp. 7493-7497.
Zufferey, T., Ulbig, A., Koch, S., Hug, G., 2017. Forecasting of Smart Meter Time Series Based on Neural Networks, Springer International Publishing, pp. 10-21.
