Pós-Graduação em Ciência da Computação – UFPE
Defesa de Tese de Doutorado Nº 686
Aluno: Fábio Henrique de Andrade Lima
Orientador: Prof. Tsang Ing Ren
Coorientador: Prof. Alexandre Araújo Costa (UECE Centro de Ciências e Tecnologia)
Título: Previsão de Geração Eólica Baseada em Redes Transformers e
Agrupamentos de Centrais Eólicas com Interdependência Temporal e Espacial
Data: 21/01/2026
Hora/Local: 14 – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. George Darmiton da Cunha Cavalcanti (UFPE / Centro de Informática)
Prof. Alceu de Souza Britto Junior (PUC/PR/Programa de Pós Graduação em Informática Aplicada)
Prof. Gustavo de Novaes Pires Leite (IFPE / Campus Recife)
Prof. Francisco Madeiro Bernardino Junior (UNICAP / Centro de Ciências e Tecnologia)
Prof. Valentin Paschoal Perruci (UFPE / Centro Acadêmico do Sertão)
RESUMO:
Esta tese propõe uma abordagem inovadora para a previsão de geração eólica de curto prazo, baseada na combinação de agrupamento de parques eólicos por similaridade de comportamento temporal e modelos de aprendizado profundo do tipo Transformer. Inicialmente, desenvolveu-se uma metodologia de clustering utilizando métricas de autocorrelação das séries temporais de potência dos parques, identificando grupos de usinas que compartilham padrões como ciclos diurnos pronunciados e níveis de persistência temporal semelhantes. Em seguida, foi construído um modelo preditivo multivariado, com arquitetura Transformer encoder-only, capaz de receber simultaneamente a série temporal alvo (parque eólico a ser previsto) e séries exógenas provenientes dos demais parques do mesmo cluster. Esse modelo explora as relações não lineares espaço-temporais entre as séries para aprimorar a acurácia da previsão em múltiplos horizontes (horas à frente). A abordagem proposta foi avaliada com dados reais de geração eólica, englobando dezenas de usinas das regiões Nordeste e Sul do Brasil e da Austrália (com diferentes características geográficas e regimes de vento). Os resultados demonstraram que o modelo Transformer multivariado com entradas provenientes de parques correlacionados supera os métodos de referência considerados. A avaliação foi abrangente, utilizando modelos de referência já consolidados na literatura e de diferentes classes e metodologias: Autorregressivo Linear (AR), Multilayer Perceptron (MLP), Long Short-Term Memory (LSTM), Convolutional Neural Networks (CNN), Support Vector Regression (SVR). Ainda como modelo de referência, na classe de modelos Transformer, foi avaliado o Frozen Pretrained Transformer (FPT), apontado como preditor universal e pré-treinado com dados oriundos de Natural Language Processing (NLP). Além disso, este trabalho propõe avaliar os modelos treinados com diferentes horizontes de previsão (1,5h; 12h e 24h) e com diferentes números de lags regressores (24, 48 e 96). Observou-se uma redução significativa do erro médio de previsão e um aumento na correlação entre previsões e valores observados em comparação às abordagens que tratam cada usina isoladamente. Ademais, o modelo proposto mostrou desempenho consistente em diferentes cenários de vento, destacando sua capacidade de se adaptar a diferentes regimes. Em síntese, o trabalho comprova que a incorporação de interdependências temporais e espaciais entre parques eólicos, por meio do agrupamento prévio e do uso de um Transformer multivariado, eleva consideravelmente a qualidade das previsões de curto prazo. Os resultados obtidos representam um avanço no estado da arte da previsão de energia eólica, evidenciando o potencial de técnicas baseadas em atenção e aprendizado profundo para captar a dinâmica complexa dos ventos e apoiar a integração eficiente de fontes renováveis no setor
elétrico.
Palavras-chave: Transformer. Energia Eólica. Previsão. Séries Temporais. Modelos de Linguagem. Aprendizagem Profunda. Agrupamentos.
Comentários desativados