X SBAI – Simpósio Brasileiro de Automação Inteligente 18 a 21 de setembro de 2011 São João del-Rei - MG - Brasil ISSN: 2175-8905 - Vol. X 369 COMPARAÇÃO ENTRE MODELOS ESTATÍSTICOS E REDES NEURAIS USANDO PERSISTÊNCIA COMO REFERÊNCIA PARA A PREVISÃO DA VELOCIDADE DO VENTO ERICK C. BEZERRA 1 , MARCOS C.O. DO REGO 1 , ARTHUR P. DE S. BRAGA 1 E RUTH P.S. LEÃO 1 . DEPARTAMENTO DE ENGENHARIA ELÉTRICA, UNIVERSIDADE FEDERAL DO CEARÁ CAIXA POSTAL 6001 – CAMPUS DO PICI – CEP:60455-760 E-MAILS: ERICK.BEZERRA@GMAIL.COM, MARCOS337@HOTMAIL.COM, ARTHURP@DEE.UFC.BR, RLEAO@DEE.UFC.BR Abstract This study compares the predicted outcome of wind speed from Artificial Neural Networks (NARX and FTDNN) and stochastic models (AR, ARMA and ARIMA), taking as reference the persistence model results. A time series with 45,658 measurements of wind speed was used, whereby 80% were selected for the training and 20% for validation of the Artificial Neu- ral Networks. To evaluate the performance of the applied Artificial Neural Networks and stochastic models the MAE, RMSE and MAPE indexes have been deployed. For a time length from 1h to 6h the forecasting results are quite similar and for a time length from 12h to 48h the MAPE points out to the NARX as the one with more accuracy. Keywords Wind forecasting, artificial neural network, temporal series based statistical models. Resumo Este trabalho compara o resultado da previsão das Redes Neurais Artificiais (NARX e FTDNN) e de modelos estocásticos (AR, ARMA e ARIMA), tendo como referência os resultados obtidos através do modelo de Persistência. Foi utilizada uma série histórica com 45.658 dados de medição da velocidade do vento, em que 80% foram selecionados para a fase de treinamento e 20% para a validação. Como critério de avaliação do desempenho das redes e modelos estatísticos foram considerados: o MAE, RMSE e MAPE. Os resultados entre 1h e 6h são bem similares para todos os modelos e para 12h e 48h existe diferenças entre os valores do MAPE indicando que o NARX é o que obteve maior precisão. Palavras-chave Previsão de velocidade de vento, Redes Neurais Artificiais, modelos estatístico de séries temporais. 1 Introdução Muitos países têm devotado elevada atenção no uso de fontes renováveis para atender a demanda crescente de energia e assegurar um desenvolvimento sustentável. Nas últimas duas décadas, a energia eólica surgiu como a principal tecnologia de energia verde. As projeções pelo Global Wind Energy Council (GWEC) indicam que até 2015 a capacidade mundial de potência instalada deverá chegar a 449 GW, o dobro da potência instalada em 2010 (GWEC, 2010). A previsão da geração eólica é hoje uma necessidade para a operação confiável, segura e econômica dos sistemas de potência. A previsão pode ser usada para a combinação ótima da geração eólica e hidráulica. Pode ainda servir como base para quantificar a necessidade de reserva para compensar a eventual redução de geração eólica. Gerenciar a variabilidade da geração eólica é o aspecto chave associado à integração ótima desta energia renovável na rede elétrica (Lei et al., 2009), (Luickx, Delarue, D´haeseleer, 2008), (Sfetsos, 2000). Definir o objetivo da previsão é o primeiro passo para desenvolver um sistema de previsão. A previsão da geração eólica pode ser considerada em diferentes escalas de tempo dependendo da aplicação (Cutler, 2006). Uma previsão de milissegundos a poucos minutos, considerada como de curtíssimo prazo, é usada no controle ativo do aerogerador. Para o planejamento da operação e mercado de energia, a previsão pode compreender uma faixa de 1 a 72 horas. Neste caso, a previsão auxilia na definição ou compromisso de unidades de geração convencionais e na otimização da programação ou despacho dessas unidades. Esta escala de previsão é definida como de curto prazo. Para períodos de 5 a 7 dias a previsão pode ser considerada para o planejamento da manutenção das plantas eólicas e é dita ser de longo prazo. A previsão com horizontes acima de 12 meses é usada no planejamento de recursos energéticos e em leilões de energia. (Piwko et al., 2005). Figura 1. Horizontes de tempo segundo a aplicação da previsão de geração eólica (Piwko et al., 2005). Para este trabalho, a previsão é utilizada para a operação de um aerogerador, com horizontes de tempo de: 1, 6, 12, 24 e 48 horas, e a frequência da previsão é horária. O objetivo do artigo é investigar o erro de previsão para diferentes métodos estatísticos que utilizem apenas dados históricos de velocidade do vento.