Aplicação de técnicas de aprendizado de máquina e decisões orientadas a dados no setor eólico brasileiro

Abstract

Nos últimos anos tem-se observado uma forte ascensão das energias renováveis no cenário energético nacional. Dentre os principais sorvedouros desse tipo de energia, a energia eólica tem desempenhado um papel primordial, em especial, devido a sua intensa predominância na região Nordeste e Sul do Brasil. Entretanto, mesmo possuindo diversas vantagens, a energia eólica pode ser suscetível à altas variações de potência elétrica gerada, devido a características específicas climáticas e físicas como solo, temperatura, umidade do ar, entre outras. Assim, dentro desse contexto, este trabalho de conclusão de curso visa investigar a problemática de previsão de potência elétrica gerada no Parque Eólico de Praia Formosa a partir de dados disponibilizados pela Operador Nacional do Sistema Elétrico (ONS) e pelo Instituto Nacional de Meteorologia (INMET), com o intuito de colaborar na elaboração de planejamentos energéticos que sejam mais assertivos para o setor energético nacional. Nesse contexto, a fim de investigar tais conjuntos de dados para a realização da predição de potência elétrica, foram adotadas técnicas de Aprendizado de Máquina (AM), sendo elas: Máquinas Vetores de Suporte (Support Vector Machines), Aumento Extremo de Gradiente (Extreme Gradient Boosting), Aumento de Gradiente (Gradient Boosting), Redes Neurais Artificiais Multicamadas (RNA Multilayer Perceptron), e Árvores de Decisão via Floresta Aleatória (Random Forest).

In recent years, there has been a strong rise in renewable energies in the national energy scenario. Among the main types of energy generation, wind energy has played a key role, in particular, due to its intense predominance in the Northeast and South regions of Brazil. However, despite having several advantages, wind energy can also be susceptible to high variation of energy load due to specific climatic and physical features such as soil, temperature, air humidity, among and other factors. Therefore, this work aims at investigating the forecasting application of energy generation at Praia Formosa Wind Farm, based on available data taken from the National Electric System Operator (ONS) and National Institute of Meteorology (INMET), allowing for more assertive energy plans to support the national energy sector. In order to proceed with our study and analysis, the following Machine Learning (ML) techniques have been employed: Support Vector Machines, Extreme Gradient Boosting, Gradient Boosting, Artificial Neural Network Multilayer Perceptron and Random Forest.