REDE NEURAL RECORRENTE APLICADA NA PREVISÃO DE SÉRIES TEMPORAIS DE VELOCIDADES DE VENTO

INTRODUÇÃO: A produção de energia elétrica por meio da geração de energia eólica está em constante desenvolvimento pelo mundo, incluindo o Brasil, sendo ela uma das mais importantes fontes de energia renovável no país, logo após a hidrelétrica. Assim este projeto visa investigar dados provenientes de energia eólica. OBJETIVOS: Este trabalho tem como objetivo analisar e comparar alguns dos diversos modelos de previsão que usam redes neurais recorrentes (RNN) para previsão de séries temporais com dados provenientes de uma turbina eólica para prever a velocidade do vento com múltiplos passos à frente. MATERIAIS E MÉTODO: Dentre os modelos, os escolhidos foram Holt-Winters, ARIMA, ARIMAX e LSTM usando o modelo MISO – Multiple Input Single Output – em conjunto com a correlação de Pearson entre as variáveis disponíveis, de modo que foi criado um script em Python para a aplicação deles. Para ser realizada a comparação foram avaliadas métricas estatísticas que serviram como base para a medição dos métodos. RESULTADOS: O método que apresentou melhor precisão quando comparado com os demais foi o Long Short-Term Memory (LSTM) onde obteve uma precisão de 81% quando via R², isso deve-se a sua alta capacidade de ler dados longos e refletir caso a base de dados apresente sazonalidade ou tendência, assim sendo o melhor método para se prever a velocidade do vento. CONSIDERAÇÕES FINAIS: Diante da previsão e da avaliação dos modelos cada um apresentou características diferentes, sendo que o LSTM exige cuidados para obter bons resultados, devido a quantidade de parâmetros que podem ser alterados e otimizados, que variam de caso a caso. Em contrapartida o método que exige menor tempo computacional é o Holt-Winters, sua simplicidade é seu ponto forte, porém torna o método ineficaz para o caso de dados caóticos. O método ARIMA e ARIMAX não são complexos quanto o LSTM, possuindo alguns parâmetros para otimizar e sendo capaz de reconhecer tendência e sazonalidade com bons resultados em diversas situações.

PALAVRAS-CHAVE: Série-temporal; Rede Neural Recorrente; modelo MISO; Energia Eólica