Modelagem de velocidade do vento usando cadeia de Markov de primeira ordem para a cidade de Barbalha-CE

Autores

  • Fábio Sandro dos Santos Universidade Federal Rural de Pernambuco-UFRPE
  • Taciana Araújo da Silva Universidade Federal Rural de Pernambuco-UFRPE
  • Jader da Silva Jale Universidade Federal Rural de Pernambuco-UFRPE
  • Tatijana Stosic Universidade Federal Rural de Pernambuco-UFRPE

Palavras-chave:

Potencial Eólico, Processo Markoviano, Energia Renovável

Resumo

Nos dias atuais é cada vez mais necessária a utilização de fontes alternativas para a geração de energia elétrica. Nesse contexto, a energia eólica ganha evidência, por se tratar de uma fonte limpa, renovável e abundante. O objetivo do presente trabalho é analisar o potencial eólico da cidade de Barbalha–CE. Assim, analisamos uma série temporal de velocidade do vento (em m/s) desta cidade, disponibilizada pelo Instituto Nacional de Meteorologia (INMET). Utilizamos o modelo de cadeia de Markov de primeira ordem, o qual é amplamente empregado na literatura para dados de velocidade do vento. De acordo com a matriz de probabilidade de transição e as estatísticas descritivas, encontramos que a região apresenta velocidade aceitável para geração de energia eólica, considerando aerogeradores de pequeno porte.

Downloads

Não há dados estatísticos.

Biografia do Autor

Taciana Araújo da Silva, Universidade Federal Rural de Pernambuco-UFRPE

Mestranda da Universidade Federal Rural de Pernambuco-UFRPE

Jader da Silva Jale, Universidade Federal Rural de Pernambuco-UFRPE

Atualmente faz pós-doutorado em Ciência da Computação pela Universidade Federal Rural de Pernambuco, onde fez mestrado (2010) e doutorado (2015) em Biometria e Estatística Aplicada. Possui bacharelado em Estatística pela Universidade Federal do Ceará (2008).

Tatijana Stosic, Universidade Federal Rural de Pernambuco-UFRPE

Possui doutorado em Física Estatística pela Universidade de Belgrado, atualmente é Professora Associada II do Departamento de Estatística e Informática da Universidade Federal Rural de Pernambuco. Atua na Pós-Graduação em Biometria e Estatística Aplicada da UFRPE, onde promove aplicação de métodos de Física Estatística em diversas áreas fenomenológicas, para análise de dados de meio ambiente, hidrologia, economia e medicina.

Referências

ABEÉOLICAA - Associação Brasileira de Energia Eólica. Disponível em: http://abeeolica.org.br/ . Acesso em: 23 maio de 2018.

BEZERRA, F. D. Informe técnico: As fontes renováveis de energia solar e eólica no Nordeste: oportunidades para novos negócios & inovação. Banco do Nordeste. Ano IX, n. 5, 2015.

CARAPELLUCCI, R.; GIORDANO, L. A new approach for synthetically generating wind speeds: A comparison with the Markov chains method. Energy, v. 49, n. 1, p. 298-305, 2013.

D’AMICO, G.; PETRONI, F.; PRATTICO, F. First and second order semi-Markov chains for wind speed modeling. Physica A: Statistical Mechanics and its Applications, v. 392, n. 5, p. 1194-1201, 2013.

DOS SANTOS, F. S., DO NASCIMENTO, K. K. F., DE JESUS, E. S., DA SILVA JALE, J., STOSIC, T., & FERREIRA, T. A. E. (2019). Análise estatística da velocidade do vento em Petrolina-PE utilizando as distribuições Weibull e a Burr. Journal of Environmental Analysis and Progress, v. 4, n. 1, p. 057-064, 2019.

GARCIA, M. I.; GONGADZE, T. Wind profile prediction using linear Markov Chains: a linear algebra approach. In: Latin America Transactions. IEEE, v. 16, n. 2, p. 536-541, 2018.

INMET - Instituto Nacional de Meteorologia. AGRICULTURA, P. e. A. Ministério da. Disponível em: http://www.inmet.gov.br. Acesso em: 01 maio de 2018.

R Core Team R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria, 2018.

JALE, J. S.; JÚNIOR, S. F. A. X.; XAVIER, E. F. M.; STOSIC, T.; STOSIC, B.; FERREIRA, T. A. E. Application of Markov chain on daily rainfall data in Paraíba-Brazil from 1995-2015. Acta Scientiarum. Technology, v. 41, p. e37186, 2019.

LE GALLO, J., & CHASCO, C. Spatial analysis of urban growth in Spain, 1900–2001. Empirical Economics, v. 34, n. 1, p. 59-80, 2008.

LIRA, M. A. T.; DA SILVA, E. M.; ALVES, J. M. B.; VERAS, G. V. O. Estimation of wind resources in the coast of Ceará, Brazil, using the linear regression theory. Renewable and Sustainable Energy Reviews, v. 39, p. 509-529, 2014.

RUIZ-CRUZ, R; DIAZ-GONZALES, A. D. Investiment Portfolio Trading based on Markov Chain and Fuzzy Logic. In: Latin American Conference on Computacional Intelligence. IEEE, p. 1-6, 2018.

SAHIN, A. D.; SEN, Z. First-order Markov chain approach to wind speed modelling. Journal of Wind Engineering and Industrial Aerodynamics, v. 89, n. 3-4, p. 263-269, 2001.

SCHOLZ, T.; LOPES, V. V.; ESTANQUEIRO, A. A cyclic time-dependent Markov process to model daily patterns in wind turbine power production. Energy, v. 67, p. 557-568, 2014.

SPEDICATO, G. A.; KANG, T. S.; YALAMANCHI, S. B.; YADAV, D. The markovchain Package: A Package for Easily Handling Discrete Markov Chains in R, 2016.

TANG, J; BROUSTE, A.; TSUI, K. L. Some improvements of wind speed Markov chain modeling. Renewable Energy. v. 81, p. 52-56, 2015.

Downloads

Publicado

2019-05-04

Como Citar

DOS SANTOS, Fábio Sandro; DA SILVA, Taciana Araújo; JALE, Jader da Silva; STOSIC, Tatijana. Modelagem de velocidade do vento usando cadeia de Markov de primeira ordem para a cidade de Barbalha-CE. Revista Craibeiras de Agroecologia, [S. l.], v. 4, n. 1, p. e7718, 2019. Disponível em: https://seer.ufal.br/index.php/era/article/view/7718. Acesso em: 29 maio. 2024.