Analysis of wind energy in Brazil using Time Series
DOI:
https://doi.org/10.33448/rsd-v11i1.24827Keywords:
Wind energy; Trend; Forecasts; SARIMA.Abstract
This paper aim was, adjust a time series model to the generated electrical energy series through the wind grid for studying trend, seasonality and making predictions. The used historic series consists in the electric energy generated through the wind grid, collected monthly by the Operador Nacional do Sistema Elétrico. The range is between jan/2007 until mar/2021, with 171 observations. The series was divides into two groups, first (jan/2007 to dec/2019) used for modelling process (calibration) and the other one (jan/2020 to mar/2021) for predictions evaluation (validation). For making predictions it was used apr/2021 to dec/2022 period. In the procedures, first was applied a Box-Cox transform on data scale for turn the model into additive. Then, the presence of trend was checked. From the transformed original series with an order 1 difference, FAC and FACP correlograms, were possible purpose some models. The residual not correlated and a lower AIC were the criteria used for the models. From the chose ones, were made prediction for jan/2020 to mar/2021 period, that were compared to the real observations through EQMP. The SARIMA (5,1,2)×(0,0,3)12 model was chosen because of its lowest EQMP. Other observation is related to the next months followed a rising pattern since 2015. The purposed model for forecasting the amount of electric energy generated by the wind grid will help the managers, giving them time for programming the proper energy’s distribution.
References
Alencar, D. B. (2018). Modelo híbrido baseado em séries temporais e redes neurais para prevenção da geração de energia eólica. Tese de doutorado, Universidade Federal do Pará, Belém, PA, Brasil.
Akaike, H. (1973). Maximum likelehood identification of gaussian autoregressive moving average models. Biometrika, London, 21, 243-7.
Box, G. E. P., & Jenkins, G. M. (1976). Time Series Analysis: Forecasting and Control. San Francisco: Holden-Day.
Braz, C. A., Rodrigues, R. L., & Siqueira, H. V. (2017). Geração de energia elétrica por meio de fontes de energia renováveis: uma revisão sistemática. Revista de Gestão Industrial, 13(1), 228-42.
Delfino, O. A. S., Santos, P. H. A. B., & Santos, R. V. R. (2021). Análise do comportamento da vazão de água na usina hidrelétrica do Funil/MG para realizar previsões e auxiliar na tomada de decisões. Sigmae, 10(1), 34-46.
Fernandes, L. C. (2018). Previsão de potência eólica de curtíssimo prazo baseada na análise espectral e decomposição da série temporal. Dissertação de mestrado, Universidade Federal de Pernambuco, Recife, PE, Brasil.
Ferreira, R. A., Miranda, V. F. L., Santos, P. M., & Sáfadi, T. (2020). Um estudo sobre a evolução de óbitos por câncer de mama no Brasil usando modelos de séries temporais. Research, Society and Development, 9(12), 1-20.
Hyndman, R., Athanasopoulos, G., Bergmeir, C., Caceres, G., Chhay, L., O’hara-Wild, M., Petropoulos, F., Razbash, S., Wang, E., & Yasmeen, F. (2019). Forecast: Forecasting functions for time series and linear models. R package version 8.5, https://pkg.robjhyndman.com/forecast/
Lima, J. E. C., Castro, L. F., & Cartaxo, G. A. A. (2019). Aplicação do Modelo Sarima na Previsão de Demanda no Setor Calçadista. Rev. Mult. Psic., 13(46), 892-913.
Lima, D. K. S., Leão, R. P. S., Santos, A. C. S., Melo, F. D. C., & Chaves, C. M. N. M. (2013). Análise do potencial eólico offshore do Ceará em períodos de El Niño e La Niña. Revista Ciência e Natura, v. esp., 37-9.
Ljung, G. M., & Box, G. E. P. (1978). On a measure of lack of fit in time series models. Biometrika, 65(2), 97-303.
Melo, E. (2013). Fonte eólica de energia: aspectos de inserção, tecnologia e competitividade. Estudos Avançados, 27(77), 125-42.
Malta, C. S. (2009). Estudos de séries temporais de vento utilizando análises estatísticas e agrupamento de dados. Trabalho de conclusão de curso, Universidade Federal do Rio de Janeiro, Rio de Janeiro, RJ, Brasil.
Martins, F. R., Guarnieri, R. A., & Pereira, E. B. (2008). O aproveitamento da energia eólica. Revista Brasileira de Ensino de Física, 30(1), 1304-13.
Ministério de Minas e Energia. MME (2021). Disponível em: https://static.poder360.com.br/2021/08/1-Boletim-Mensal-de-Energia-Maio-2021-Portugues.pdf. Acesso em 10 de setembro de 2021.
Morais, L. C. (2015). Estudo sobre o panorama da energia elétrica no Brasil e tendências futuras. Dissertação de mestrado, Universidade Estadual Paulista, Bauru, SP, Brasil.
Morettin, P. A., & Toloi, C. M. C. (2006). Análise de Séries Temporais (2a ed.). São Paulo: Edgard Blucher.
Operador Nacional do Sistema Elétrico. ONS (2021). Disponível em: http://www.ons.org.br/Paginas/resultados-da-operacao/historico-da-operacao/geracao_energia.aspx. Acesso em 15 de setembro de 2021.
Operador Nacional do Sistema Elétrico. ONS (2014). Disponível em:
http://antigo.mme.gov.br/documents/239673/907477/Boletim_de_Monitoramento_do_Sistema_Elxtrico_-_Fevereiro-2014.pdf/a52de0a5-aeee-bb66-05e8-7c7adc5862e6. Acesso em 12 de setembro de 2021.
Pinto, R. J., & Santos, V. M. L. (2019). Energia eólica no Brasil: evolução, desafios e perspectivas. Journal on Innovation and Sustainability, 10(1), 124-42.
Pereira, A. S., Shitsuka, D. M., Parreira, F. J., & Shitsuka R. (2018). Metodologia da pesquisa científica. [e-book]. Santa Maria. Ed. UAB/NTE/UFSM. Recuperado de: https://repositorio.ufsm.br/bitstream/handle/1/15824/ Lic_Computacao_Metodologia-Pesquisa-Cientifica.pdf?sequence=1
R Core Team. (2021). R: a language and environment for statistical computing. Vienna: R Foundation for statistical computing. http://www.Rproject.org.
Rodrigues, L. B., Perobelli, F. F. C., & Vasconcelos, S. (2017). Geração de energia eólica no Brasil: um investimento viável. Revista Brasileira de Economia de Empresas, 17(2), 71-94.
Sáfadi, T. (2004). Uso de séries temporais na análise de vazão de água na represa de Furnas. Ciência e Agrotecnologia, 28(1), 142-8.
Salino, P. J. (2011). Energia eólica no Brasil: uma comparação do PROINFA e dos novos leilões. Trabalho de conclusão de curso. Universidade Federal do Rio de Janeiro, Rio de Janeiro, RJ, Brasil.
Santos, P. H. A. B., Delfino, O. A. S., Santos, R. V. R., & Nascimento, M. (2021). Ajuste de um modelo de séries temporais para prever a precipitação pluviométrica. Research, Society and Development, 10(6), 1-11.
Shapiro, S. S., & Wilk, M. B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 52, 591–611.
Silva, H. B. (2018). Técnicas para redução de dimensionalidade de séries temporais e detecção de velocidades extremas do vento para geração de energia eólica. Dissertação de mestrado, Universidade Federal de Pernambuco, Recife, PE, Brasil.
Silva, P. K. O. (2017). Análise e previsão de curto prazo do vento através de modelagem estatística em áreas de potencial eólico no Nordeste do Brasil. Tese de doutorado, Universidade Federal de Campina Grande, Campina Grande, PB, Brasil.
Trapletti, A., & Hornik, K. (2021). tseries: Time Series Analysis and Computational Finance. R package version 0.10-49, https://CRAN.R-project.org/package=tseries.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2022 Mateus dos Santos Silva; Pedro Henrique Alves Bittencourt Santos; Ricardo Vitor Ribeiro dos Santos; Mateus do Nascimento; Marcelino Alves Rosa de Pascoa; Renato Nunes Pereira; Tiago Almeida de Oliveira
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors who publish with this journal agree to the following terms:
1) Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
2) Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
3) Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
