Banca de QUALIFICAÇÃO: Werik Kaian Silva Rodrigues

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : Werik Kaian Silva Rodrigues
DATA : 28/10/2026
HORA: 19:00
LOCAL: https://meet.google.com/thd-doqx-dji?hs=224
TÍTULO:

APLICAÇÃO DE TÉCNICAS SUPERVISIONADAS DE APRENDIZADO DE MÁQUINA PARA PREVISÃO DE EVENTOS RAMPA: ESTUDO DE CASO NO LITORAL DO MARANHÃO

PALAVRAS-CHAVES:

Energia eólica; Evento de down-ramp; Vento Sul; Aprendizado de máquina; Random Forest; XGBoost; LIDAR; ERA5; GOES-16

PÁGINAS: 75
RESUMO:

Eventos de down-ramp, caracterizados por quedas abruptas da velocidade do vento em curtos intervalos de tempo, representam um dos principais desafios operacionais para parques eólicos localizados em regiões costeiras tropicais. No litoral do Maranhão, no Nordeste brasileiro, esses eventos, denominados localmente de Vento Sul, se associam à interrupção ou ao atraso da brisa marítima matinal, decorrente da formação de linhas de cumulus sobre a zona costeira que bloqueiam a radiação solar e suprimem o gradiente térmico terra-mar necessário à circulação local. O resultado é uma rotação horária abrupta da direção do vento, passando de noroeste-nordeste (fetch oceânico) para leste-sudeste (fetch continental), com redução de velocidade superior a 50% na altura do cubo das turbinas, gerando interrupções operacionais de significativo impacto econômico e à estabilidade da rede elétrica. Nesse contexto, a presente dissertação propõe um sistema de previsão e classificação de eventos de down-ramp integrando quatro fontes de dados complementares: dados operacionais do Cluster 1 da Empresa de Pesquisa Energética (EPE), que constituem a base de treinamento principal e a origem dos targets de modelagem, abrangendo o período de 2018 a 2025, dados de reanálise ERA5 do Centro Europeu de Previsão de Tempo por Médio Prazo (ECMWF), utilizados como preditores atmosféricos de mesoescala, imagens do satélite geoestacionário GOES-16, empregadas para caracterização da estrutura de nebulosidade e dos gradientes térmicos superficiais oceano-continente, e dados do perfilador LIDAR WindCube V2 (projeto EOSOLAR, setembro de 2021 a novembro de 2021), utilizados exclusivamente para validação física externa dos eventos identificados. Na metodologia foi adotada uma abordagem de aprendizado de máquina supervisionado, compreendendo dois problemas distintos: regressão, para previsão da intensidade futura da velocidade do vento no horizonte de t+1 hora, e classificação binária, para previsão da ocorrência ou não de eventos de down-ramp. Os algoritmos principais empregados são o Random Forest e o XGBoost, avaliados em comparação com modelos lineares de baseline. A engenharia de features incorpora variáveis físicas derivadas, gradientes oceano-continente, métricas espaço-temporais de nebulosidade e variáveis temporais com lags e rolling windows para representação da memória atmosférica. A interpretabilidade dos modelos é analisada por meio de valores SHAP e importância de variáveis, com ênfase na conexão entre as saídas do modelo e a física atmosférica subjacente. Espera-se que o sistema em desenvolvimento contribua para a previsão operacional de curto prazo de eventos de rampa em parques eólicos costeiros no Nordeste brasileiro, com potencial de aplicação em sistemas de gestão de energia em tempo real.

MEMBROS DA BANCA:
Interno - 1765754 - ARCILAN TREVENZOLI ASSIREU
Interna - 3271995 - MARINA BATALINI DE MACEDO
Externa ao Programa - 1802687 - VANESSA CRISTINA OLIVEIRA DE SOUZA - UNIFEI