Abordagem da máquina de vetor suporte otimizada por evolução diferencial aplicada à previsão de ventos

Resumo: As fontes de energia eólica são reconhecidas por nao emitir resíduos na atmosfera mas apresentam algumas outras questões ambientais que nao podem ser negligenciadas, possuem benefícios sociais e sao economicamente competitivas, o que indica um crescimento na aplicacão desta tecnologia. A previsão da capacidade energetica gerada em parques eolicos, sendo principalmente orientada a viabilidade de instalaçao de novos parques eolicos, gerenciamento de sistemas e planejamento de manutencães, e de interesse dos operadores do sistema e companhias de energia eletrica. O objetivo geral deste trabalho e levantar o desempenho da maquina de vetor suporte otimizada pela evolucao diferencial na identificação das series de ventos, para avaliar a viabilidade do uso destas tecnicas na previsão a curto prazo da geracao de energia eletrica proveniente destas fontes eolicas. A tecnica a ser aplicada neste trabalho, a máquina de vetor suporte à mínimos quadrados (LS-SVM, do ingles Least squares support vector machine). Uma vertente da maquina de vetor suporte original que substitui as inequações da teoria original por equacães, torna o metodo atrativo computacionalmente.Buscando um refinamento do processo de aprendizado, a evolucão diferencial e utilizado em conjunto ao de regressao. Sabendo que em sua essencia, otimizar e maximizar uma propriedade desejada do sistema enquanto simultaneamente minimiza uma característica indesejavel. O que sao estas propriedades e quao efetivamente podem ser melhoradas depende do problema em questao. Dentre diversas opcães existentes, dadas as características da otimizacao a ser realizada, optou-se por uma vertente da evolucao diferencial (ED) idealizada por Price e Storn, pesquisadores da Universidade de Berkeley, que a desenvolveram para ser um otimizador versátil, confiavel e eficiente. Esta vertente e dita alto adaptativa por otimiza seus proprios parâmetros durante as iterações da ED e e conhecida SADE, do ingles Self-adaptive Differential Evolution. Para a realizacão dos testes com os algoritmos foram utilizadas Series temporais de ventos reais, medidas pelo (Research Laboratory of Renewable Energy ,RERL) em três localidades distintas nos Estados Unidos da America. Neste contexto, as series adotadas foram as seguintes: Barnstable, Orleans e Paxton. Os testes apontam bons resultados para uma previsaão um passo a frente mas naão obteve um bom resultado para uma previsãao N passos a frente mas e mostrado que com alguns ajustes das entradas e uma melhor analise da correlação do erro esse algoritmo tem potencial para vir a ser aplicado na identificaçao e previsao de series de ventos. Alguns fatores devem ser observados quanto a identificacao de sistemas em geral, como o fato do modelo matematico ser sempre uma representaçcãao aproximada. Portanto não existe um modelo unico e ideal para um sistema e sim famílias de modelos com características e desempenhos variados