Please use this identifier to cite or link to this item: http://repositorio.ufersa.edu.br/handle/prefix/918
metadata.dc.type: Dissertação
Title: Uma abordagem de mineração de dados para estimativa da velocidade do vento
metadata.dc.creator: Freitas, Nicksson Ckayo Arrais de
metadata.dc.contributor.advisor1: Silva, Marcelino Pereira dos Santos
metadata.dc.contributor.advisor-co1: Sakamoto, Meiry Sayuri
metadata.dc.contributor.referee1: Marques, Carla Katarina de Monteiro
metadata.dc.contributor.referee2: Souza, Jerffeson Teixeira de
metadata.dc.description.resumo: Recursos renováveis são as alternativas mais promissoras para geração de energia, considerando que o uso de combustíveis fósseis tem causado fortes impactos no ecossistema terrestre e no clima. Como um recurso para produção de eletricidade, indústrias eólicas têm levado vantagem em relação às outras fontes e, consequentemente, a capacidade de geração dessas indústrias vem crescendo no mundo inteiro. No entanto, previsões de energia são elementos cruciais para os operadores de sistemas elétricos, pois permitem-os tomarem melhores decisões relacionadas ao mercado elétrico e às suas atividades operacionais. Vale salientar-se que a saída de potência dos parques eólicos depende da natureza estocástica do vento, um recurso natural, intermitente, incerto e incontrolável. De fato, estimativas consistentes da velocidade do vento podem evitar prejuízos, garantir a oferta segura e sustentável de eletricidade, facilitar a regulamentação de sistemas eólicos e aumentar a produtividade operacional nas indústrias através de uma tomada de decisão mais confiável. Todavia, a previsão de vento é um problema complexo e desafiador devido à falta de ferramentas apropriadas e aos eventos que influenciam as suas condições como rotação da terra, efeitos físicos e fatores climáticos. Para propor soluções neste contexto, ainda devemos considerar que dados meteorológicos têm acumulado enormes volumes de informação nos bancos de dados espaciais, o que demanda a investigação de meios relevantes para extração de informação estratégica. A tecnologia de mineração de dados constitui-se em solução para extrair, de forma semiautomática e inteligente, conhecimento relevante de enormes conjuntos de dados. Este trabalho apresenta uma nova abordagem de mineração de dados para previsão da velocidade do vento que tem baixo custo, contempla relevantes algoritmos de inteligência artificial e fornece recursos eficientes para tratamento de bancos de dados. No geral, a abordagem tem se mostrado promissora, flexível e bem fundamentada nos dois estudos de casos realizados no Brasil. Redes neurais, máquina de vetores de suporte, árvore de decisão e k-vizinho mais próximos são métodos envolvidos na construção de diversos modelos de previsão da velocidade do vento
Abstract: Renewable sources are the most promising alternatives for power generation, whereas the use of fossil fuels has caused strong impacts on terrestrial ecosystems and the climate. Wind industries, as a power source, have advantages over other sources, as a consequence, wind energy generation capacity had a tremendous growth worldwide. However, energy forecasts are crucial elements for electrical system operators, because they can make better decisions on the electrical market and support operational activities. It is worth emphasizing that the output of energy from wind farms depends on the stochastic nature of the wind, which is a natural, intermittent, uncertain and difficult-to-control resource. In fact, wind speed prediction may avoid economic losses, ensure the safe and sustainable supply of electricity, facilitate regulation of wind systems, and increase the operational efficiency of industries through a more reliable decision making. Wind speed prediction is a complex and challenging problem due to the lack of appropriate tools and the events that influence wind conditions like earth moving, physical effects, and climatic factors. For proposing solutions in this context, we must consider that weather data have accumulated huge volumes of information in spatial databases, demanding the investigation of relevant means for knowledge extraction. Data mining arises as a solution to extract relevant knowledge intelligently and semi-automatically from huge datasets. This paper presents a new and low-cost data mining approach for wind speed forecasting, which incorporates relevant artificial intelligence algorithms and provides effective treatment of datasets. The approach has proven to be flexible, promising, and well-founded in two case studies carried out in Brazil. Neural networks, support vector machines, decision trees, and k-nearest neighbors are methods involved in building the diverse models for wind speed estimation
Keywords: Recursos renováveis
Energia eólica
Velocidade do vento
Mineração de dados
Bancos de dados
Inteligência Artificial
Renewable sources
Wind energy
Wind speed
Data mining
Databases
Artificial intelligence
metadata.dc.subject.cnpq: CNPQ::CIENCIAS EXATAS E DA TERRA
metadata.dc.language: por
metadata.dc.publisher.country: Brasil
Publisher: Universidade Federal Rural do Semi-Árido
metadata.dc.publisher.initials: UFERSA
metadata.dc.publisher.department: Departamento de Ciências Agrônomicas e Florestais
metadata.dc.publisher.program: Programa de Pós-Graduação em Ciência da Computação
Citation: Citação com autor incluído no texto: Freitas (2018) Citação com autor não incluído no texto: (FREITAS, 2018)
metadata.dc.rights: Acesso Aberto
URI: http://repositorio.ufersa.edu.br/handle/prefix/918
Issue Date: 28-Feb-2018
Appears in Collections:MESTRADO EM CIÊNCIA DA COMPUTAÇÃO

Files in This Item:
File Description SizeFormat 
NickssonCAF_DISSERT.pdf8.24 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.