Repositório Institucional da Universidade Federal de Alagoas (RIUFAL) 00 CAMPUS ARISTÓTELES CALAZANS SIMÕES (CAMPUS A. C. SIMÕES) ICAT - INSTITUTO DE CIÊNCIAS ATMOSFÉRICAS TRABALHOS DE CONCLUSÃO DE CURSO (TCC) - GRADUAÇÃO - ICAT Trabalhos de Conclusão de Curso (TCC) - Bacharelado - METEOROLOGIA - ICAT
Use este identificador para citar ou linkar para este item: https://www.repositorio.ufal.br/handle/123456789/18855
Tipo: Trabalho de Conclusão de Curso
Título: Correção de bias da velocidade do vento da saída do modelo atmosférico, utilizando inteligência artificial para o estado de Alagoas
Autor(es): Vasconcelos, Luana do Nascimento
Primeiro Orientador: Silva Junior, Rosiberto Salustiano da
metadata.dc.contributor.referee1: Gomes, Helber Barros
metadata.dc.contributor.referee2: Mariano, Ericka Voss Chagas
metadata.dc.contributor.referee3: Ramos, Diogo Nunes da Silva
Resumo: Este estudo aborda o refinamento das simulações do recurso velocidade do vento e potencial eólico, utilizando redes neurais artificiais para corrigir erros nas simulações do modelo atmosférico WRF. A crescente participação das energias renováveis na matriz elétrica brasileira reforça a importância de previsões meteorológicas mais precisas para garantir eficiência na geração de energia e minimizar o uso de termelétricas, que possuem impactos ambientais negativos. O estudo utilizou dados de estações anemométricas localizadas em Alagoas para os municípios de Feliz deserto, Girau do Ponciano e Água branca, com dados do período do ano de 2008 para validar a metodologia das simulações com refinamento a partir de redes neurais do tipo LSTM. O modelo híbrido WRF+LSTM foi empregado para corrigir os erros sistemáticos do WRF, utilizando aprendizado profundo para melhorar as estimativas de velocidade do vento à 100 metros de altura. As métricas estatísticas demonstram que o modelo híbrido apresentou melhorias significativas na simulação da velocidade do vento em todas as localidades analisadas. Na estação de Feliz Deserto, a correlação aumentou de 0,56 (WRF) para 0,87 (WRF+LSTM), com redução do viés de 0,50 m/s para –0,15 m/s, e queda no RMSE de 1,59 m/s para 0,72 m/s, além da redução do erro percentual nRMSE de 24% para 11%. Resultados semelhantes foram observados nas estações de Girau do Ponciano e Água Branca, com aumento da correlação de 0,62 para 0,85 e de 0,54 para 0,85, respectivamente. Nessas estações, o RMSE caiu de 2,69 m/s para 1,02 m/s, e de 2,02 m/s para 1,01 m/s, com reduções expressivas no nRMSE (de 31% para 12%, e de 25% para 12%). A abordagem WRF+LSTM melhora significativamente a simulação da velocidade do vento em comparação ao modelo WRF isolado. Essa combinação aprimorou a captura das variações sazonais, especialmente nos períodos de maior intensidade dos ventos. Além disso, destacou-se a capacidade do modelo em representar com maior precisão a influência da circulação de brisa marítima e continental, que afeta significativamente os padrões de vento, bem como os efeitos do relevo acidentado nas dinâmicas atmosféricas. Os resultados indicam que a abordagem híbrida é promissora para otimizar a previsão de geração eólica, melhorando o planejamento e a operação dos parques eólicos. O estudo sugere que a combinação de modelos atmosféricos com redes neurais pode contribuir para a expansão da energia renovável no Brasil, tornando a geração mais eficiente e previsível.
Abstract: This study addresses the refinement of wind speed and wind power resource simulations by using artificial neural networks to correct errors in simulations generated by the WRF atmospheric model. The increasing share of renewable energy in Brazil’s electricity matrix underscores the importance of more accurate weather forecasts to ensure efficient energy generation and to minimize the use of thermoelectric plants, which have negative environmental impacts. The study used data from anemometric stations located in Alagoas, specifically in the municipalities of Feliz Deserto, Girau do Ponciano, and Água Branca, with data from the year 2008 to validate the simulation methodology refined through LSTM-type neural networks. The hybrid WRF+LSTM model was employed to correct systematic errors of the WRF model, using deep learning to improve wind speed estimates at 100 meters above ground level. Statistical metrics show that the hybrid model presented significant improvements in wind speed simulation across all analyzed locations. At the Feliz Deserto station, the correlation increased from 0.56 (WRF) to 0.87 (WRF+LSTM), with a bias reduction from 0.50 m/s to –0.15 m/s, and a decrease in RMSE from 1.59 m/s to 0.72 m/s. Additionally, the normalized RMSE (nRMSE) dropped from 24% to 11%. Similar results were observed at the Girau do Ponciano and Água Branca stations, with correlation increases from 0.62 to 0.85 and from 0.54 to 0.85, respectively. At these stations, RMSE decreased from 2.69 m/s to 1.02 m/s, and from 2.02 m/s to 1.01 m/s, with notable reductions in nRMSE (from 31% to 12%, and from 25% to 12%). The WRF+LSTM approach significantly enhances wind speed simulation compared to the standalone WRF model. This combination improved the capture of seasonal variations, especially during periods of higher wind intensity. Furthermore, the model showed greater accuracy in representing the influence of sea and land breeze circulations, which significantly affect wind patterns, as well as the effects of complex terrain on atmospheric dynamics. The results indicate that the hybrid approach is promising for optimizing wind power forecasting, improving the planning and operation of wind farms. The study suggests that combining atmospheric models with neural networks can contribute to the expansion of renewable energy in Brazil, making power generation more efficient and predictable.
Palavras-chave: Redes neurais (Computação)
Modelagem atmosférica
Long short-term memory
Weather research and forecasting
Previsão do tempo
Neural networks (Computing)
Atmospheric modeling
Weather forecast
CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::GEOCIENCIAS::METEOROLOGIA
Idioma: por
País: Brasil
Editor: Universidade Federal de Alagoas
Sigla da Instituição: UFAL
metadata.dc.publisher.department: Curso de Meteorologia - Bacharelado
Citação: VASCONCELOS, Luana do Nascimento. Correção de bias da velocidade do vento da saída do modelo atmosférico, utilizando inteligência artificial para o estado de Alagoas. 2026. 36 f. Trabalho de Conclusão de Curso (Bacharelado em Meteorologia) – Instituto de Ciências Atmosféricas, Universidade Federal de Alagoas, Maceió, 2025.
Tipo de Acesso: Acesso Aberto
URI: https://www.repositorio.ufal.br/handle/123456789/18855
Data do documento: 20-mai-2025
Aparece nas coleções:Trabalhos de Conclusão de Curso (TCC) - Bacharelado - METEOROLOGIA - ICAT

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Correção de bias da velocidade do vento da saída do modelo atmosférico, utilizando inteligência artificial para o estado de Alagoas.pdfCorreção de bias da velocidade do vento da saída do modelo atmosférico, utilizando inteligência artificial para o estado de Alagoas1.3 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.