XXI SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA

XXI SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA Versão 1.0 3 a 6 de Outubro de 011 Florianópolis - SC GRUPO -GPT GRUPO DE ESTUDO DE PRODUÇÃO TÉRMICA E FONTES NÃO CONVENCIONAIS - GPT TÉCNICAS DE INTELIGÊNCIA COMPUTACIONAL NA PREVISÃO DE SÉRIES DE VELOCIDADE DE VENTO: UMA COMPARAÇÃO DA LÓGICA NEBULOSA COM REDES NEURAIS ARTIFICIAIS Valk L. O. Castellani (*) José F. M. Pessanha Cabral Lima CEPEL, UFRJ CEPEL, UERJ UFRJ RESUMO A perspectiva de uma maior participação da energia eólica na matriz energética brasileira indica a necessidade do desenvolvimento de sistemas para previsão da geração eólica em horizontes de curto, médio e longo prazo com a finalidade de apoiar a integração segura e econômica dos aproveitamentos eólicos na operação do sistema elétrico. Este trabalho tem por objetivo apresentar resultados obtidos com a aplicação de métodos de inteligência computacional (redes neurais artificiais e lógica nebulosa) na previsão de curto prazo da velocidade do vento, a partir da qual pode-se prever a potência elétrica gerada. Apresenta-se uma análise comparativa entre estes dois métodos. PALAVRAS-CHAVE Energia Eólica, Lógica Nebulosa, Redes Neurais Artificiais, Previsão, Velocidade do vento 1.0 - INTRODUÇÃO O aproveitamento do vento para produção de energia elétrica é uma das alternativas mais promissoras para reduzir as emissões dos gases do efeito estufa e mitigar os efeitos de crises no mercado de combustíveis fósseis, sobretudo nos países em que a geração de energia elétrica é predominantemente termelétrica. No caso do Brasil, cuja matriz de energia elétrica é predominantemente hidráulica, o aproveitamento do potencial eólico oferece um importante complemento ao regime de geração hidrelétrica, contribuindo para a segurança e a diversificação da matriz energética brasileira. A participação da geração eólica na matriz de energia elétrica brasileira ainda é modesta, Porém, os projetos apresentados no primeiro leilão de energia eólica realizado no ano de 009 devem adicionar 1805 MW a partir de 01, elevando a capacidade instalada das eólicas para 600 MW. A expectativa é que a capacidade eólica instalada cresça ainda mais nos próximos anos, pois o potencial eólico-energético brasileiro é estimado em aproximadamente 143 GW a 50 metros de altura (1), sendo que um potencial ainda maior é esperado com a atualização do atlas eólico brasileiro que fornecerá estimativas do potencial a 100 metros de altura. À medida que a capacidade eólica instalada torna-se significativa é fundamental que a operação do sistema elétrico disponha de modelos capazes de fornecer previsões do montante de energia elétrica gerada nas fontes eólicas (*) Avenida Horácio Macedo, n 354 sala D - Bloco D CEP 1.941-911 Rio de Janeiro, RJ Brasil Tel: (+55 1) 598-6061 Fax: (+55 1) 598-648 Email: vcastell@cepel.br

com a finalidade de permitir a integração segura e econômica dos parques eólicos na operação do Sistema Interligado Nacional (SIN). Os modelos utilizados na previsão da potência disponibilizada nos parques eólicos podem ser classificados em duas categorias: modelos físicos e modelos de séries temporais (). Os modelos físicos utilizam um amplo conjunto de informações sobre o relevo na área do aproveitamento eólico, condições climáticas e detalhes técnicos dos aero-geradores (por exemplo, a altura do cubo da turbina, a curva de potência, o modelo e a localização precisa dos aero-geradores). Fazem parte desta categoria os métodos numéricos para previsão climática (numeric weather prediction - NWP) que embora sejam mais precisos ainda demandam um grande esforço computacional (). Já a modelagem de séries temporais (3) envolve a análise dos valores passados da velocidade do vento e/ou da potência gerada e sua vantagem reside na possibilidade de fornecer previsões na escala de tempo em que são tomadas as decisões operativas do sistema elétrico. Fazem parte desta categoria os métodos estatísticos para previsão de séries temporais (4),(5) e os métodos de inteligência computacional (6),(7),(8) e (9). FIGURA 1 Curva de Potência de uma Turbina Eólica A potência gerada por uma turbina eólica depende da velocidade do vento, conforme a relação expressa pela curva de potência da turbina ilustrada na Figura 1. Logo, a conversão de energia eólica em energia elétrica se dá a partir de uma velocidade mínima denominada velocidade de partida v p (cut-in wind speed). A potência da turbina é limitada ao valor nominal P n, a velocidade nominal v n (rated wind speed). Para velocidades superiores à velocidade de corte v c (cut-out wind speed) a turbina é retirada de operação para preservá-la de esforços mecânicos excessivos (10). No intervalo entre v p e v n a potência elétrica P gerada pela turbina eólica cresce com o cubo da velocidade do vento v transversal à área A varrida pelo seu rotor: 3 P = 0,5 C p η m η g ρ A v (1) onde η m é o rendimento mecânico da caixa de transmissão, η g é o rendimento do gerador, ρ é a densidade do ar e C p é o coeficiente de potência da turbina, que expressa a parcela (%) da potência disponível no vento que é extraída pela turbina. Portanto, em função da relação cúbica entre potência e velocidade, a potência gerada por uma turbina eólica pode ser predita com base na previsão da velocidade do vento. (b) Velocidade média anual a 100 m (a) Município de São Martinho da Serra Fonte: Atlas eólico do Rio Grande do Sul (Fonte: Wikipédia) FIGURA Divisão administrativa e Atlas Eólico do Rio Grande do Sul O objetivo deste trabalho consiste em apresentar e comparar os resultados obtidos por dois diferentes métodos de inteligência computacional (3): redes neurais artificiais e rede neuro-fuzzy (lógica nebulosa), na previsão da média horária da velocidade do vento. A série temporal analisada é a velocidade do vento a 50 metros de altura em São

3 Martinho da Serra, um município situado no interior do Estado do Rio Grande do Sul (Figura ), onde está localizada uma das estações de referência do projeto SONDA (Sistema Nacional de Organização de Dados Ambientais para o setor de energia) do Instituto Nacional de Pesquisas Espaciais (INPE) e coordenado pelo Centro de Previsão de Tempo e Estudos Climáticos (CPTEC). A estação de referência encontra-se a 489 metros de altitude a 9º6 de latitude sul e 53º49 de longitude Oeste (11),(1). Uma descrição preliminar do comportamento da direção e da velocidade do vento na região de São Martinho da Serra pode ser encontrada em (1) para o período de Agosto de 004 a Julho de 005. Segundo esta análise preliminar, a 50 metros de altura, as velocidade médias de 7,65 m/s na direção Nordeste e 7,095 na direção Sudeste são predominantes e correspondem a 45% dos ventos incidentes na região. Embora outras localidades do Rio Grande do Sul apresentem potenciais eólicos superiores ao de São Martinho da Serra (Figura b), a opção por este município deve-se a existência de uma base de dados públicos disponibilizada na página do projeto SONDA (http://www.cptec.inpe.br/sonda) com registros de resolução temporal de 10 minutos da velocidade e da direção do vento para as alturas de 5 e 50 m. A seguir, na seção tem-se uma breve revisão dos principais conceitos das duas técnicas de inteligência computacional consideradas neste trabalho, Os resultados dos experimentos computacionais realizados são descritos na seção 3. Por fim, na seção 4 são apresentadas as principais conclusões do trabalho..0 - MÉTODOS DE INTELIGÊNCIA COMPUTACIONAL.1 Redes neurais artificiais (RNA) As RNAs são sistemas compostos por unidades de processamento denominados neurônios e dispostas em uma ou mais camadas interligadas por um grande número de conexões (sinapses) geralmente unidirecionais e com pesos para ponderar as entradas recebidas por cada neurônio. Cada neurônio realiza a soma ponderada dos sinais de entrada (Σw. x) e aplica uma função de ativação ao resultado obtido (net) e obtém um sinal de saída, conforme ilustrado pelo modelo matemático do neurônio na Figura 3. Assim, cada neurônio faz o mapeamento dos sinais de entrada em um único sinal de saída que é propagado para os neurônios da camada seguinte. FIGURA 3 Modelo do neurônio artificial A arquitetura mais usual é a feed-forward MLP (Multi-Layer Perceptron) com três camadas, conforme ilustrado na figura 4a. Os pesos w nas conexões entre as camadas são ajustáveis de forma análoga ao que acontece no cérebro humano, onde as sinapses são reforçadas ou enfraquecidas. (a) Arquitetura da rede neural (b) Fases do algoritmo backpropagation FIGURA 4 Rede Feed-forward Multi-Layer Perceptron A primeira camada recebe os sinais de entrada e as transmite para os neurônios da camada escondida para que estes extraiam as características relevantes e passem os resultados para a camada de saída da rede. A especificação do número de camadas escondidas e do número de neurônios em cada camada é realizada de forma empírica. As RNAs com apenas uma camada escondida são capazes de aproximar qualquer função contínua não linear. Assim, é razoável considerar apenas uma camada escondida, sendo que o número de neurônios nesta camada é determinado empiricamente por meio da avaliação do erro de previsão alcançado em cada configuração avaliada. O ajuste dos pesos das sinapses entre os neurônios é realizado por meio de um processo iterativo denominado

4 treinamento. O principal algoritmo de treinamento é o backpropagation, no qual o ajuste dos pesos se dá pela execução de um processo de otimização realizado em duas fases: forward e backward, conforme mostra a Figura 4b. Na fase forward é calculada a resposta fornecida pela rede para um dado padrão de entrada, enquanto na fase backward, o erro, ou seja, o desvio entre a resposta desejada e a resposta encontrada pela rede, é utilizado para ajustar os pesos das conexões entre os neurônios da rede. Ao longo do treinamento os vários padrões de entrada e as respectivas saídas desejadas são apresentados à RNA de forma a realizar um aprendizado supervisionado, onde os pesos das sinapses são corrigidos iterativamente pelo algoritmo do gradiente descendente (13) com o objetivo de minimizar a soma dos quadrados dos desvios (erros) entre a saída desejada e a saída da rede neural. 1 padrões E = d p p = 1 ( ) y p () onde p é o número de padrões de treinamento, d P é a saída desejada no p-ésimo padrão de treinamento e y P é a saída gerada pela rede quando alimentada com o p-ésimo padrão de treinamento.. Sistema de Inferência Neuro-Fuzzy Adaptativo Trata-se de um sistema de inferência nebuloso construído e treinado como uma rede neural. Na lógica nebulosa o grau de verdade de uma declaração é representado por um número no intervalo [0,1], ao contrário do que ocorre na lógica clássica em que o grau de verdade assume apenas dois valores: 0 (declaração falsa) e 1 (declaração verdadeira). A teoria dos conjuntos nebulosos e os conceitos de lógica nebulosa podem ser utilizados para traduzir em termos matemáticos a informação imprecisa expressa por um conjunto de regras lingüísticas expressas através de implicações lógicas da forma SE antecedente ENTÃO conseqüente. FIGURA 5 Sistema de inferência nebuloso (13) O processo de inferência nebuloso avalia os níveis de compatibilidade das variáveis de entradas com os antecedentes das várias regras, ativando os conseqüentes com intensidades proporcionais aos mesmos. O resultado desta operação é um conjunto nebuloso que é convertido em um número real, a resposta do sistema de inferência nebuloso. A Figura 5 ilustra o princípio de raciocínio em um sistema de inferência nebuloso com duas regras, cujos antecedentes são definidos pela composição de dois conjuntos nebulosos A e B que representam o comportamento das variáveis de entrada x e y respectivamente. Cada regra oferece como resposta uma combinação linear das variáveis de entrada, sendo que a saída do sistema de inferência nebuloso é a média ponderada destas respostas parciais, onde os pesos são os graus de ativação das regras (w 1 e w ) que expressam a compatibilidade das variáveis de entrada x e y com os antecedentes das regras. FIGURA 6 - Arquitetura ANFIS (13) O modelo ANFIS (13) é treinado como uma rede neural, mas uma vez treinado opera exatamente como um sistema de inferência nebuloso. A arquitetura da ANFIS é composta por cinco camadas, conforme ilustrado na Figura 6. A título de ilustração considere duas entradas x e y e uma saída z. No contexto da previsão de séries

5 temporais, as variáveis x e y correspondem aos valores passados da velocidade do vento: z(t), z(t-1),... ou valores passados de variáveis explicativas, por exemplo, valores passados e futuros da temperatura. Suponha que a base de regras contenha duas regras nebulosas se-então : Regra 1: Se x é A 1 e y é B 1 então f 1 =p 1 x + q 1 y +r 1 Regra : Se x é A e y é B então f =p x + q y +r onde A 1 e A são os conjuntos nebulosos da variável x e B 1 e B os conjuntos nebulosos da variável y. O conseqüente de cada regra é uma combinação linear das variáveis de entrada (x e y) e corresponde a uma previsão para o valor da variável de saída z. Portanto, cada regra fornece uma previsão para a variável de saída. Observa-se na Figura 6, que na camada 1, cada nó representa um conjunto nebuloso de uma variável de entrada (x ou y) e como resultado fornece o grau de pertinência µ do valor de entrada no conjunto nebuloso: 1 Saída i = µ A i 1 Saída i = µ B i ( x) ( y), grau de pertinência do valor da variável x no conjunto nebuloso A i, i=1,, grau de pertinência do valor da variável y no conjunto nebuloso B i, i=1, O grau de pertinência µ da entrada nos conjuntos nebulosos A ou B pode ser definido por funções triangulares ou gaussianas que possuem um conjunto de parâmetros (premise parameters) ajustados durante o treinamento. Na camada, cada nó calcula o grau de ativação de uma regra nebulosa, definido pelo produto entre os graus de pertinência das variáveis de entrada nos conjuntos nebulosos que formam os antecedentes das regras: ( x) ( y) Saída i = w i = µ A i µ B i, grau de ativação da i-ésima regra nebulosa i=1. (3) Na camada 3, cada nó N normaliza o grau de ativação de uma regra nebulosa dividindo o grau de ativação da i- ésima regra pela soma dos graus de ativação de todas as regras: ( w w ) 3 Saída i = wi = w + i=1, (4) 1 1 O valor normalizado do grau de ativação fornece uma medida da importância de cada regra nebulosa, quanto maior o valor normalizado, maior a importância da respectiva regra. Na camada 4, cada nó calcula a resposta de uma regra nebulosa, ou seja, uma previsão para o valor da variável z, definida por uma combinação linear das variáveis de entrada: 4 Saída i = wi ( p i x + q i y + r i ), i=1, (5) onde (p i,q i,r i ) são parâmetros (consequent parameters) a serem ajustados durante o treinamento. Por fim, na camada 5 o nó faz a média ponderada das previsões parciais para a variável de saída, onde cada previsão parcial é ponderada pelo grau de ativação da respectiva regra nebulosa: Saídai 5 ( x + y + ) ( x + y + ) = w j p r = w p j j q j j j j j q j r j w j j (6) No ajuste dos premise e consequent parameters a ANFIS usa o método dos mínimos quadrados para determinar os consequent parameters e a retropropagação do erro (método do gradiente descendente) para aprender os premise parameters (13). 3.0 - EXPERIMENTAÇÕES E RESULTADOS Neste trabalho buscou-se configurar uma RNA capaz de fornecer previsões da velocidade horária média, v(t), uma hora à frente tendo como variáveis de entrada cinco valores passados da própria velocidade nos seguintes instantes: t-hora 1, t-hora, t-hora 3, t-hora 4 e t-hora 5. Em função da persistência presente nas séries de velocidade de vento, considerou-se a velocidade no instante imediatamente anterior v(t-1) ao instante da previsão t como sendo uma das variáveis de entrada, ou seja, hora 1 =1. As demais defasagens no tempo (hora, hora 3, hora 4 e hora 5 ) foram identificadas pelo algoritmo descrito abaixo. A identificação da melhor arquitetura para a RNA envolveu a avaliação de uma variedade de configurações de redes de três camadas: uma camada de entrada com cinco neurônios, uma camada escondida e uma camada de saída com apenas um neurônio. Por meio do algoritmo abaixo foram testadas diferentes combinações para as variáveis de entrada, bem como distintas quantidades de neurônios na camada escondida. As simulações foram realizadas no Matlab (13) e em todos os neurônios da rede considerou-se como função de ativação a tangente sigmoidal.

hora 1 = 1 Faça hora = até 8 Faça hora 3 = (hora +1) até 16 Faça hora 4 = (hora 3 +1) até 4 Faça hora 5 = (hora 4 +1) até 3 Prepare padrões de treinamento: saída v(t) e entradas v(t-hora 1 ),v( t-hora ), v(t-hora 3 ), v(t-hora 4 ) e v(t-hora 5 ) Configure a RNA Treine a RNA e avalie o RMSE no período de teste Armazene a configuração, os parâmetros e o RMSE da RNA Fim Fim Fim Fim 6 No treinamento e validação da RNA (período insample) foram considerados dados de janeiro a novembro de 005. Já no período de teste da RNA (período outsample) é formado por registros referentes mês de dezembro de 005. A partir destes dados foram formados padrões de entrada e saída, sendo que cada padrão de entrada é formado por uma janela com cinco valores passados da velocidade horária média do vento e o respectivo padrão de saída tem apenas um valor, conforme ilustrado na Figura 7. O treinamento da rede consiste em mover as janelas de entrada e saída ao longo de toda série temporal. Cada par de janelas entrada/saída funciona como um padrão de treinamento e deve ser apresentado repetidas vezes até que o algoritmo de aprendizado alcance a convergência. Foram utilizados neste procedimento 8016 padrões no conjunto de treinamento e validação (período insample) e 744 padrões no conjunto de testes (período outsample). FIGURA 7 Padrão de entrada/saída A melhor configuração para a RNA é aquela que minimiza a raiz do erro quadrático médio definido a seguir: RMSE = 1 padrões d p N p = 1 ( ) y p (7) onde p é o número de padrões de treinamento, d P é a saída desejada no p-ésimo padrão de treinamento e y P é a saída gerada pela rede quando alimentada com o p-ésimo padrão do conjunto de teste. Com o auxílio do algoritmo acima foram identificados os instantes t-1, t-, t-3, t-10 e t- como sendo os mais relevantes na previsão da velocidade do vento no instante t para a série em estudo. Uma vez identificada a melhor configuração para a RNA avaliou-se também o desempenho de redes ANFIS com as mesmas variáveis de entrada consideradas na RNA. Foram avaliadas redes ANFIS com dois (FIS) e três (FIS3) conjuntos nebulosos para cada variável de entrada, ambos definidos por funções de pertinência triangulares. Para efeito de comparação dos diferentes métodos foram consideradas mais três medidas além do RMSE: o MAE (Mean Absolute Error) na equação (8), o MAPE (Mean Absolute Percentage Error) na equação (9) e o U de Theil na equação (10). MAE = 1 N P t N t = 1 O t (8) MAPE = 1 N P t O t N t = 1 O t (9) N 1 P + + = 1 = t 1 O t 1 N U Theil t 1 O t= 1 t O t+ 1 O t O t (10)

7 onde O t e P t são, respectivamente, as velocidades observada e prevista no instante t e N é o total de observações do período considerado no cálculo da estatística U de Theil. Na Tabela 1 são apresentadas as estatísticas de desempenho de cada um dos modelos avaliados na previsão da velocidade horária no período insample. Os três modelos alcançaram desempenhos similares, porém, em relação ao tempo de treinamento, o modelo ANFIS com três conjuntos nebulosos nas variáveis de entrada (FIS3) apresentou um tempo muito elevado, mais de quatro horas para realizar as 3000 épocas de treinamento. Para o FIS o tempo de treinamento foi de aproximadamente meia hora, enquanto que para a RNA o treinamento levou cerca de 15 minutos para processar as mesmas 3000 épocas de treinamento. Os experimentos computacionais foram realizados em um computador com processador AMD Phenom(tm) II X4 955 de 3,19 GHz com 3 GB de memória RAM. Tabela 1 Estatísticas de desempenho para o conjunto de treinamento Método \ Métrica U-THEIL RMSE (m/s) MAE (m/s) MAPE (p.u.) RNA 0,163 1,0645 0,7858 0,168 FIS 0,1636 1,079 0,7919 0,171 FIS 3 0,1659 1,0881 0,8077 0,1714 A seguir, na Tabela são apresentadas as estatísticas de desempenho alcançadas por cada um dos modelos avaliados na previsão da velocidade horária no período outsample. Assim como no conjunto de treinamento, os três modelos apresentaram desempenhos similares. Tabela Estatísticas de desempenho para o conjunto de teste Método \ Métrica U-THEIL RMSE (m/s) MAE (m/s) MAPE (p.u.) RNA 0,1809 1,1336 0,8373 0,1796 FIS 0,185 1,1608 0,8554 0,1837 FIS 3 0,1856 1,169 0,866 0,189 Nas Tabelas 1 e, as estatísticas U de Theil são menores que a unidade, um indicativo de que a RNA e os modelos ANFIS fornecem previsões melhores do que as que seriam obtidas pelo método da persistência, no qual a previsão para velocidade no instante t, v(t), é igual ao último valor observado da velocidade v(t-1). A seguir, na Figura 8 são apresentados os valores observados e as respectivas previsões uma hora à frente ao longo de um período de 4 horas nos conjuntos de treinamento (Figura 8a) e de teste (Figura 8b). 14 1 11 10.5 10 Velocidade (m/s) 10 8 6 4 medida prevista rna prevista fis prevista fis 3 0 5 10 15 0 5 Horas 6.5 0 5 10 15 0 5 Horas (b) Resultado no Conjunto de Teste (a) Resultado no Conjunto de Treinamento FIGURA 8 Valores observados e previstos Velocidade (m/s) 9.5 9 8.5 8 7.5 7 medida prevista rna prevista fis prevista fis 3 4.0 - CONCLUSÃO A RNA e a ANFIS são algumas das principais metodologias empregadas na previsão da potência gerada nos parques eólicos e na previsão da velocidade de vento. No presente trabalho as duas abordagens são aplicadas na previsão da velocidade horária do vento na localidade de São Martinho da Serra - RS. Os resultados obtidos mostram que os dois métodos apresentam desempenhos semelhantes e melhores que o alcançado pelo método da persistência, conforme indicado pela estatística U de Theil menor que a unidade nos dois métodos. Embora a rede ANFIS tenha como vantagem a sua interpretabilidade, a RNA apresentou o menor tempo de treinamento e um desempenho ligeiramente superior. Os resultados apresentados são promissores, porém mais simulações e estudos devem ser conduzidos com o objetivo de reduzir o erro de previsão. Provavelmente, a consideração de métodos de filtragem de dados e a inclusão de outras variáveis explicativas como direção e temperatura poderiam reduzir o erro de previsão.

8 5.0 - REFERÊNCIAS BIBLIOGRÁFICAS (1) AMARANTE, O. C., ZACK, J., BROWER, M., SÁ, A. L. Atlas do Potencial Eólico Brasileiro, Centro de Pesquisas de Energia Elétrica, Brasília, 001. () WU, Y.K., HONG, J.S., A Literature Review of Wind Forecasting Technology in the World, IEEE Powertech 007, Lausanne, Switzerland, July, 007, pp. 504-509. (3) PALIT, A.K., POPOVIC, D., Computational Intelligence in Time Series Forecasting: Theory and Engineering Applications, Springer-Verlag, London, 005. (4) PALOMARES-SALAS, J.C., ROSA, J.J.G., RAMIRO, J.G., MELGAR, J., AGÜERA, A., MORENO, A., ARIMA vs. Neural Networks for Wind Speed Forecasting, International Conference on Computational Intelligence for Measurement Systems and Applications, Hong-Kong, China, May, 009. (5) WANG, C., LU, Z., QIAO, Y. Modeling of Wind Pattern and its Application in Wind Speed Forecasting, Conference on Sustainable Power Generation and Supply, Nanjing, China, April, 009. (6) PINSON, P., KARIONATAKIS, G.N., Wind Power Forecasting Using Fuzzy Neural Networks Enhanced With on Line Prediction Risk Assessment, IEEE Bologna Power Tech Conference, Bologna, Italy, June, 003. (7) METHAPRAYOON, K., LEE, W.J., YINGVIVATANAPONG, C., LIAO, J. An Integration of ANN Wind Power Estimation Into UC Considering the Forecasting Uncertainty, Industrial and Commercial Power Systems Technical Conference, Saratoga Springs NY, May, 005, (8) MABEL, M.C.; FERNANDEZ, E., Analysis of Wind Power Generation and Prediction Using ANN: A Case Study, Renewable Energy, 33, pp 986-99, 008. (9) LI, R., WANG, Y. Short-Term Wind Speed Forecasting for Wind Farm Based on Empirical Mode Decomposition, International Conference on Electrical Machines and Systems, Wuhan, China, pp. 51-55, 008, (10) CUSTÓDIO, R.S., Energia Eólica para Produção de Energia Elétrica, Eletrobrás, Rio de Janeiro, 009. (11) MARTINS, F.R., GUARNIERI, R.A., CHAGAS, R.C., NETO, S.L.M., PEREIRA, E.B., ANDRADE, E., THOMAZ, C., Projeto Sonda Rede Nacional de Estações para Coleta de Dados Meteorológicos Aplicados ao Setor de Energia, I Congresso Brasileiro de Energia Solar, Fortaleza, Abril, 007. (1) PES, M.P., GUEDES, M., ROSETTO, J.G., BIAZI, L.A., GUARNIERI,R.A., MARTINS, F. R., PEREIRA, E.B., SCHUCH, N.J., Distribuição Estatística dos Ventos na Região de São Martinho da Serra por Meio da Função de Weibull: Dados de Agosto de 004 a Julho de 005, Ciência e Natura UFSM, Sana Maria - RS, v. 7, 9-3, 005. (13) JANG, J.S.R., SUN, C.T. MIZUTANI, E., Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence, Prentice Hall, 1997. 6.0 - DADOS BIOGRÁFICOS Valk Luiz de Oliveira Castellani: Nascido em Volta Redonda RJ, Brasil, em 1975. Graduado em Tecnologia em Processamento de Dados pela Fundação Dom André Arcoverde em 1998. Pós-Graduado em Tecnologia de Banco de Dados em 001 e Engenharia de Sistemas de Computação em 00 pela Universidade Estácio de Sá. Atualmente é mestrando do Programa de Pós-Graduação em Informática da Universidade Federal do Rio de Janeiro. Trabalha no Centro de Pesquisas de Energia Elétrica CEPEL desde 006 com o desenvolvimento de interfaces gráficas para o sistema de encadeamento de modelos energéticos.