Um Novo Método para Reconhecimento de Padrões Locais por Meio de
Ensembles Aplicado a Séries Temporais de Velocidade do Vento
Energia eólica, velocidade do vento, previsão de séries
temporais, ensembles, padrões locais.
Os sistemas de energia eólica dependem da previsão da velocidade do vento
para planejamento, programação, manutenção e controle. No entanto, as
séries temporais de velocidade do vento são complexas, tornando o
reconhecimento de padrões desafiador, principalmente para métodos
individuais com a limitação de mapeamento global. Uma alternativa é a
utilização de modelos híbridos, que combinam diferentes métodos
incorporando múltiplas hipóteses, e assim oferecem maior precisão preditiva
e redução das incertezas. Os Ensembles e os modelos de correção de erros
são dois tipos de modelos híbridos. Alguns ensembles têm o objetivo
capturar padrões locais ao longo do tempo, enquanto os modelos de correção
de erros buscam mapear uma combinação de padrões lineares e não lineares.
Nessa pesquisa, combinamos ensembles e modelos de correção de erros para
criar um modelo híbrido chamado LocLN, que incorporou reconhecimento de
padrões locais lineares e não lineares. Nossa proposta demonstrou sua
eficácia em dez séries temporais de velocidade do vento. Somente em uma das
dez bases de dados, dois dos 18 modelos concorrentes superaram o LocLN no
teste de hipótese de Diebold-Mariano (DM) sobre o erro quadrático médio
(RMSE). Os modelos concorrentes empregaram mapeamentos globais e locais de
métodos encontrados na literatura, que envolvem ensembles, modelos de
correção de erros, e modelos individuais.