Desenvolvimento de um modelo de machine learning para previsão de potência em aerogeradores

Abstract

A crescente demanda por energia renovável e a necessidade de otimizar a eficiência operacional de parques eólicos destacam a importância de modelos precisos de previsão de geração de energia. Este trabalho propõe o desenvolvimento de um modelo de aprendizado de máquina para prever a potência ativa gerada por aerogeradores, utilizando dados provenientes do sistema Aquisição e Supervisão de Dados (SCADA) de uma turbina eólica localizada na Turquia. Foram avaliados algoritmos como Regressão Linear, Árvores de Decisão, Gradient Boosting, Extreme Gradient Boosting (XGBoost) e Random Forest, com o objetivo de identificar o modelo mais adequado para capturar as complexidades dos dados e fornecer previsões confiáveis. A metodologia incluiu a preparação dos dados, a otimização de hiperparâmetros e a avaliação dos modelos com métricas como erro médio quadrático (RMSE), erro absoluto médio (MAE), erro absoluto percentual médio (MAPE) e coeficiente de determinação (R²). O XGBoost destacou-se como o modelo com melhor desempenho, apresentando RMSE de 170,17 kW, R² de 0,9818 e MAPE de 12,88%, seguido pelo Gradient Boosting, Random Forest, Árvore de Regressão e a Regressão Linear. Os resultados demonstram que a previsão precisa da geração eólica é fundamental para mitigar incertezas, otimizar a eficiência operacional e contribuir para uma gestão energética mais sustentável e eficiente. Este trabalho alinha-se aos desafios globais de transição para fontes renováveis, oferecendo uma ferramenta valiosa para a gestão de parques eólicos.