Banca de DEFESA: FÁBIO HENRIQUE DE ANDRADE LIMA

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE: FÁBIO HENRIQUE DE ANDRADE LIMA
DATA : 21/01/2026
HORA: 14:00
LOCAL: Virtual
TÍTULO:

Previsão de Geração Eólica Baseada em Redes Transformers e
Agrupamentos de Centrais Eólicas com Interdependência Temporal e Espacial

 

PALAVRAS-CHAVES:

Transformer. Energia Eólica. Previsão. Séries Temporais.
Modelos de Linguagem. Aprendizagem Profunda. Agrupamentos.

 

PÁGINAS: 112
RESUMO:

Esta tese propõe uma abordagem inovadora para a previsão de geração eólica
de curto prazo, aseada na combinação de agrupamento de parques eólicos por
similaridade de comportamento temporal e modelos de aprendizado profundo do
tipo Transformer. Inicialmente, desenvolveu-se uma metodologia de
clustering utilizando métricas de autocorrelação das séries temporais de
potência dos parques, identificando grupos de usinas que compartilham
padrões como ciclos diurnos pronunciados e níveis de persistência temporal
semelhantes. Em seguida, foi construído um modelo preditivo multivariado,
com arquitetura Transformer encoder-only, capaz de receber simultaneamente
a série temporal alvo (parque eólico a ser previsto) e séries exógenas
provenientes dos demais parques do mesmo cluster. Esse modelo explora as
relações não lineares espaço-temporais entre as séries para aprimorar a
acurácia da previsão em múltiplos horizontes (horas à frente). A abordagem
proposta foi avaliada com dados reais de geração eólica, englobando dezenas
de usinas das regiões Nordeste e Sul do Brasil e da Austrália (com
diferentes características geográficas e regimes de vento). Os resultados
demonstraram que o modelo Transformer multivariado com entradas
provenientes de parques correlacionados supera os métodos de referência
considerados. A avaliação foi abrangente, utilizando modelos de referência
já consolidados na literatura e de diferentes classes e metodologias:
Autorregressivo Linear (AR), Multilayer Perceptron (MLP), Long Short-Term
Memory (LSTM), Convolutional Neural Networks (CNN), Support Vector
Regression (SVR). Ainda como modelo de referência, na classe de modelos
Transformer, foi avaliado o Frozen Pretrained Transformer (FPT), apontado
como preditor universal e pré-treinado com dados oriundos de Natural
Language Processing (NLP). Além disso, este trabalho propõe avaliar os
modelos treinados com diferentes horizontes de previsão (1,5h; 12h e 24h) e
com diferentes números de lags regressores (24, 48 e 96). Observou-se uma
redução significativa do erro médio de previsão e um aumento na correlação
entre previsões e valores observados em comparação às abordagens que tratam
cada usina isoladamente. Ademais, o modelo proposto mostrou desempenho
consistente em diferentes cenários de vento, destacando sua capacidade de
se adaptar a diferentes regimes. Em síntese, o trabalho comprova que a
incorporação de interdependências temporais e espaciais entre parques
eólicos, por meio do agrupamento prévio e do uso de um Transformer
multivariado, eleva consideravelmente a qualidade das previsões de curto
prazo. Os resultados obtidos representam um avanço no estado da arte da
previsão de energia eólica, evidenciando o potencial de técnicas baseadas
em atenção e aprendizado profundo para captar a dinâmica complexa dos
ventos e apoiar a integração eficiente de fontes renováveis no setor
elétrico.

 

MEMBROS DA BANCA:
Interno - 2646068 - ADIEL TEIXEIRA DE ALMEIDA FILHO
Externo à Instituição - FRANCISCO MADEIRO BERNARDINO JUNIOR - UNICAP
Presidente - 1512321 - GEORGE DARMITON DA CUNHA CAVALCANTI
Externo à Instituição - GUSTAVO DE NOVAES PIRES LEITE - IFPE
Externo à Instituição - VALENTIN PASCHOAL PERRUCI - UFPE