Análise de Velocidade do Vento em Petrolina-PE Usando Cadeias de Markov de Ordem Superior

Fábio Sandro dos Santos, Kerolly Kedma Felix do Nascimento, Jader da Silva Jale, Tiago Alessandro Espínola Ferreira

Resumo


Com a crescente demanda mundial, a velocidade do vento surge como uma das principais alternativas sustentáveis para a geração de energia. Neste trabalho, utilizamos modelos de cadeia de Markov, a tempo discreto, por meio de 13 estados de velocidade do vento, até ordem 3, com o objetivo de analisar as probabilidades de transição entre estes estados de velocidade do vento e encontrar a ordem que melhor descreve a cadeia proposta. Para isso, analisamos dados horários de velocidade do vento de uma estação meteorológica situada na cidade de Petrolina-PE. Por meio do Critério de Informação de Akaike (AIC), do Critério de Informação de Akaike corrigido (AICc), do Critério de Informação Bayesiano (BIC) e do Critério de Informação de Hannan-Quinn (HQIC), verificamos que o modelo de ordem 1 é o mais apropriado para descrever este fenômeno. Desta forma, a probabilidade de transição entre dois estados quaisquer de velocidade do vento depende apenas do estado observado atual, e independe dos estados anteriores.


Palavras-chave


Cadeia de Markov; Energia Eólica; Velocidade do Vento; Petrolina-PE

Texto completo:

PDF

Referências


ARUMUGAM, P.; KARTHIK, S. M. Stochastic Modelling in Yearly Rainfall at Tirunelveli District, Tamil Nadu, India. Materials Today: Proceedings, v.5, n.1, p.1852-1858, 2018.

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.

DENI, S. M.; JEMAIN, A. A.; IBRAHIM, K. Fitting optimum order of Markov chain models for daily rainfall occurrences in Peninsular Malaysia. Theoretical and Applied Climatology, v.97, n.1-2, p.109-121, 2009.

GIORGIO, M.; LANGELLA, R; TESTA, A. Markov chain modeling for very-short-term wind power forecasting. Electric Power Systems Research, v.122, p.152-158, 2015.

HANNAN, E. J.; QUINN, B. G. The determination of the order of an autoregression. Journal of the Royal Statistical Society: Series B (Methodological), v.41, n.2, p.190-195, 1979.

HOCAOGLU, F. O.; SERTTAS, F. A novel hybrid (Mycielski-Markov) model for hourly solar radiation forecasting. Renewable Energy, v.108, p.635-643, 2017.

HURVICH, C. M.; TSAI, C.-L. Regression and time series model selection in small samples. Biometrika, v.76, n.2, p.297-307, 1989.

INSTITUTO NACIONAL DE METEOROLOGIA. 2019. URL http://www.inmet.gov.br/portal/.

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.

KWON, M.; KWON, H.-H.; HAN, D. A spatial downscaling of soil moisture from rainfall, temperature, and AMSR2 using a Gaussian-mixture nonstationary hidden Markov model. Journal of hydrology, v.564, p.1194-1207, 2018.

LI, S.; MA, H.; LI, W. Typical solar radiation year construction using k-means clustering and discrete-time Markov chain. Applied Energy, v.205, p.720-731, 2017.

LI, J; ZHANG, X; ZHOU, X.; LU, L. Reliability assessment of wind turbine bearing based on the degradation-Hidden-Markov model. Renewable Energy, v.132, p.1076-1087, 2019.

MA, J.; FOULADIRAD, M.; GRALL, A. Flexible wind speed generation model: Markov chain with an embedded diffusion process. Energy, v.164, p.316-328, 2018.

MIAO, S.; XIE, K.; YANG, H.; TAI, H.-M; HU, B. A. Markovian wind farm generation model and its application to adequacy assessment. Renewable Energy, v.113, p.1447-1461, 2017.

MIAO, S.; NING, G.; GU, Y.; YAN, J.; MA, B. Markov Chain model for solar farm generation and its application to generation performance evaluation. Journal of Cleaner Production, v.186, p.905-917, 2018.

MITRA, A.; SESHADRI, A. K. Detection of spatiotemporally coherent rainfall anomalies using Markov Random Fields. Computers & Geosciences, v.122, p.45-53, 2019.

MUNKHAMMAR, J.; WIDÉN, J. A Markov-chain probability distribution mixture approach to the clear-sky index. Solar Energy, v.170, p.174-183, 2018a.

MUNKHAMMAR, J.; WIDÉN, J. An N-state Markov-chain mixture distribution model of the clear-sky index. Solar Energy, v.173, p.487-495, 2018b.

MUNKHAMMAR, J.; WIDÉN, J. A spatiotemporal Markov-chain mixture distribution model of the clear-sky index. Solar Energy, v.179, p.398-409, 2019.

SCHWARZ, G. Estimating the dimension of a model. The Annals of Statistics, v.6, n.2, p.461-464, 1978.

SONG, Z.; JIANG, Y.; ZHANG, Z. Short-term wind speed forecasting with Markov-switching model. Applied Energy, v.130, p.103-112, 2014.

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

TAGLIAFERRI, F; HAYES, B. P.; VIOLA, I. M.; DJOKI{'C}, S. Z.. Wind modelling with nested Markov chains. Journal of Wind Engineering and Industrial Aerodynamics, v.157, p.118-124, 2016.

TONG, H. Determination of the order of a Markov chain by Akaike's information criterion. Journal of Applied Probability, v.12, n.3, p.488-497, 1975.

WORLD ENERGY COUNCIL. 2019. URL https://www.worldenergy.org/.

YEH, C.-K.; LIAW, S.-C. Application of landscape metrics and a Markov chain model to assess land cover changes within a forested watershed, Taiwan. Hydrological Processes, v.29, n.24, p.5031-5043, 2015.