Previsão da velocidade dos ventos por redes neurais artificiais e arima de box & jenkins

• Main Author: Rossi, Daniela Jardin [UNESP]
• Other Authors: Universidade Estadual Paulista (UNESP)
• Format: Others
• Language: Portuguese
• Published: Universidade Estadual Paulista (UNESP) 2014
• Subjects: Redes neurais (Computação); Previsão com Metodologia de Bonx-Jenkis; Ventos - Velocidade; Box-Jenkis forecasting
• Online Access: http://hdl.handle.net/11449/111121

Made available in DSpace on 2014-12-02T11:16:56Z (GMT). No. of bitstreams: 0 Previous issue date: 2013-06-07Bitstream added on 2014-12-02T11:20:52Z : No. of bitstreams: 1 000795776.pdf: 1293799 bytes, checksum: 2be8ea3e65aa88cf22ca1db70c4025b7 (MD5) === Nesta pesquisa apresenta-se o desenvolvimento de uma metodologia híbrida utilizando a rede neural artificial perceptron multicamadas e os modelos estatísticos ARIMA com a abordagem de Box e Jenkins, com o objetivo de prever séries temporais de velocidade dos ventos. Os modelos estatísticos ARIMA realizam a previsão das séries de dados, que ainda conservam os padrões não lineares, juntamente com a rede MLP e o algoritmo de aprendizagem retropropagação que, através do erro de previsão obtido, desenvolvem um Modelo Híbrido aditivo para previsão de séries temporais. Os testes de validação foram realizados com dois bancos de dados de séries de velocidade dos ventos. No Teste 1 os dados foram fornecidos de um banco de dados agrometereológicos localizado na região de Ilha Solteira - SP, e no Teste 2 os dados são oriundos de um projeto desenvolvido pelo INPE (Instituto Nacional de Pesquisas Espaciais) que fornece dados anemométricos e solarimétricos em alturas de 25 e 50 metros, possuindo bases em várias regiões do Brasil. Analisando os erros médios quadráticos (MAPE) conclui-se que estão dentro dos limites encontrados na literatura === This work presents a hybrid methodology using MLP (multilayer perceptron) neural network and statistical ARIMA of Box and Jenkins to predict wind time series. The ARIMA models predict the time series data that are nonlinear, and the error obtained is introduced in the MLP by backpropagation training, forming the hybrid additive model. Tests were done with two data sets. Test 1 uses data from Ilha Solteira, SP region developed by an Agrometheorogical project of UNESP Campus of Ilha Solteira. Test 2 the data are from a project developed by INPE (National Space Research Institute) which provides solar and wind data in adequate high to energy generation in several regions of Brazil. Results are analyzed by MAPE (mean absolute percent error) and are in accordance with those found in the specialized literature