文章基本信息

标题：Previsão de Energia Eólica: Modelo de Ensemble Baseado em Modelos Estatísticos e de Aprendizado de Máquina
本地全文：下载
作者：Luís Gustavo Gutierrez Gebin ; Ricardo Menezes Salgado ; Denismar Alves Nogueira 等
期刊名称：Research, Society and Development
电子版ISSN：2525-3409
出版年度：2020
卷号：9
期号：12
页码：1-33
DOI：10.33448/rsd-v9i12.11251
出版社：Grupo de Pesquisa Metodologias em Ensino e Aprendizagem em Ciências
摘要：O setor de energia é um dos pilares da sociedade moderna, tendo em vista que pode impactar o desenvolvimento de um país em diversos segmentos – econômico, social, ambiental etc. Quanto ao impacto ambiental, sabe-se que sua produção pode ocasionar resíduos e gerar malefícios para o meio ambiente, ocasionando aumento do efeito estufa e contribuindo para o aquecimento global. Neste sentido, ganha destaque o setor de energia eólica, baseado em uma produção derivada do vento e considerado “limpo”. No entanto, existe certa incerteza em relação a sua produção, por não ser possível produzir ou estocar o vento. Por conta disso, tornam-se necessários modelos de predição para que haja segurança na utilização deste tipo de produção. As predições não são tarefas triviais, visto que existem diversas variáveis que impactam sua obtenção, bem como sua estabilidade ou (instabilidade). Diversos modelos já foram utilizados com este intuito, como os tradicionais (ARIMA), os inteligentes (XGBoost e Random Forest) e os modelos ensemble (junção de modelos), que vêm ganhando muito destaque. O objetivo do trabalho é desenvolver uma estratégia para prever a produção de energia eólica em base horária, em duas estações distintas e com diferentes modelos. Após a realização dos experimentos, pode-se perceber que os modelos individuais (com destaque para o XGBoost) apresentaram bons resultados; no entanto, deve ser notado que, na maioria dos casos de picos/outliers, estes modelos sofrem de superestimação. O modelo ensemble, entretanto, conseguiu suprir tal deficiência em relação aos modelos individuais, corrigindo os casos de superestimação.
关键词：Wind energy; Statistical models; Machine learning; Selection of variables.