Navegando por Assunto "Ensemble model"

Agora exibindo 1 - 1 de 1

Acesso aberto (Open Access)
Uma nova variante de stacking ensemble baseada em aprendizagem de máquina para previsão da velocidade do vento
(Universidade Federal do Pará, 2025-09-26) FONSECA, Sebastião Borges; OLIVEIRA, Roberto Célio Limão de; http://lattes.cnpq.br/4497607460894318; https://orcid.org/0000-0002-6640-3182; AFFONSO, Carolina de Mattos; http://lattes.cnpq.br/2228901515752720; https://orcid.org/0000-0002-7284-7679; OLIVEIRA, Leonardo Willer de; SARAIVA, Filipe de Oliveira; ARAÚJO, Jasmine Priscyla Leite de; http://lattes.cnpq.br/9223644407644508; http://lattes.cnpq.br/5883877669437870; http://lattes.cnpq.br/4001747699670004; https://orcid.org/0000-0001-9542-8357; https://orcid.org/0000-0003-3187-4221; https://orcid.org/0000-0003-3514-0401
A geração de energia eólica apresentou expressivo crescimento nos últimos anos, tornando as ferramentas de previsão da velocidade do vento um elemento essencial para ampliar a integração de fontes renováveis ao sistema elétrico. Este trabalho propõe uma nova variante de Stacking, denominada Data Stacking, baseada em algoritmos de Aprendizado de Máquina para previsão da velocidade do vento. O modelo combina simultaneamente os dados originais de entrada e as previsões geradas pelos aprendizes de base, produzindo estimativas finais mais precisas. A metodologia foi validada por meio de duas bases: um conjunto de dados de referência internacional (KOSPI) e uma base de dados de velocidade do vento de uma cidade brasileira, composta por diversas variáveis meteorológicas. O processo incluiu pré-processamento, seleção de atributos e avaliação em diferentes horizontes de previsão, utilizando múltiplas medidas de erro. Os resultados demonstraram que o Data Stacking apresentou desempenho superior em relação a algoritmos individuais e a ensembles tradicionais, como Stacking e Multi-level Stacking. Para a base de vento brasileira, o modelo obteve erro absoluto médio (MAE) de 0,4855 e raiz do erro quadrático normalizado (nRMSE) de 0,2389, com reduções de erro variando de 0,7% a 4,4% em relação ao Stacking, dependendo dos algoritmos base. Observou-se que o Data Stacking é capaz de alcançar bons resultados mesmo quando utiliza algoritmos de base com baixo desempenho, evidenciando sua robustez.