Modelagem de velocidade do vento usando cadeia de Markov de primeira ordem para a cidade de Barbalha-CE
Keywords:
Potencial Eólico, Processo Markoviano, Energia RenovávelAbstract
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
References
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
Published
How to Cite
Issue
Section
License
CC Attribution-NonCommercial-NoDerivatives 4.0
