01
Pesquisa aplicada · Projeto STEAM · UNIFEI/FAPEMIG
Comparação de Modelos de Aprendizado Profundo com Estrutura Seq2Seq para a Predição da Velocidade do Vento com Dados LiDAR
Previsão da velocidade do vento em horizontes de até seis horas com dados LiDAR do Complexo Eólico Delta Maranhão, comparando arquiteturas Seq2Seq com atenção contra baselines clássicos. O objetivo é estudar a antecipação de variações relevantes para a operação eólica.
12 h de entrada 6 h de saída avaliação rolling leitura por horizonte
Ficha do experimento
- Dados
- LiDAR · Complexo Eólico Delta Maranhão; coleta realizada pelo projeto de origem
- Entrada
- 72 passos · 12 h · resolução de 10 min
- Saída
- 36 passos · 6 h
- Atributos
- 68
- Divisão
- Cronológica: 72,5% treino · 12,5% validação · 15% teste
- Escalonamento
- MinMax com parâmetros ajustados no treino
- Modelos
- LSTM e TCN Seq2Seq com atenção, incluindo variantes bidirecionais
- Baselines
- ARIMA, Random Forest e persistência
- Avaliação
- Rolling forecast; métricas globais e por horizonte
- Stack
- Python, TensorFlow/Keras, Optuna, scikit-learn, PyWavelets, statsmodels
Resultados no conjunto de teste
| Modelo | R² | RMSE (m/s) |
|---|---|---|
| LSTM | 0,636 | 1,101 |
| TCN | 0,597 | 1,158 |
| TCN bidirecional | 0,579 | 1,185 |
| LSTM bidirecional | 0,496 | 1,296 |
| ARIMA | 0,570 | 1,195 |
| Random Forest | 0,497 | 1,292 |
| Persistência | 0,488 | 1,304 |
| Modelo | R² | RMSE (m/s) |
|---|---|---|
| LSTM | 0,546 | 1,186 |
| TCN | 0,516 | 1,225 |
| TCN bidirecional | 0,461 | 1,292 |
| LSTM bidirecional | 0,474 | 1,276 |
| ARIMA | 0,368 | 1,399 |
| Random Forest | 0,355 | 1,414 |
| Persistência | 0,201 | 1,573 |
Linha destacada: LSTM, menor RMSE e maior R² da comparação. Métricas agregadas sobre os 36 passos, não uma métrica pontual em t+6 h. R² mede variância explicada, não acurácia percentual.
Linha destacada: LSTM, menor RMSE e maior R² da comparação também no passo 36 — à frente de ARIMA, Random Forest e persistência. Mesma rodada canônica e protocolo da visão global, sobre as origens comuns do conjunto de teste. R² mede variância explicada.
A LSTM teve o menor erro global nesta comparação. Modelos simples seguem competitivos em horizontes curtos, e a bidirecionalidade não trouxe ganho global. O resultado não implica superioridade universal nem vantagem estatística sobre todas as redes.
Problema, contribuição, decisões, evidência e limites
Problema
Prever a velocidade do vento em horizonte de até 6 horas a partir de dados LiDAR, para estudar a antecipação de variações relevantes à operação eólica.
O trabalho não foi implantado no parque eólico.
Contribuição
Preparação dos dados, engenharia de atributos, modelagem, execução dos experimentos, análise dos resultados e escrita, em colaboração. A coleta dos dados foi realizada pelo projeto de origem, não por mim.
Decisões
Janelas de 72 passos de entrada e 36 de saída, com split cronológico e escalonamento ajustado apenas no treino. Comparação entre LSTM e TCN em estrutura Seq2Seq com atenção, variantes bidirecionais e baselines ARIMA, Random Forest e persistência.
Avaliação por rolling forecast, com métricas globais e por horizonte, para não resumir o desempenho a um único ponto da série.
Evidência
Tabela reproduzida acima, extraída do manuscrito em coautoria submetido ao SBSR e ainda não publicado, com os artefatos de avaliação da rodada canônica.
Código de referência: github.com/zinoLath/wind-speed-forescasting. O repositório público é uma referência; o estado local de desenvolvimento pode divergir dele.
Limites
Avaliação offline, em recorte temporal e sítio específicos, sem deployment ou validação externa demonstrados. A rodada canônica usa seed única, e diferenças pequenas entre arquiteturas não foram tratadas como decisivas.
Fonte: artigo em coautoria submetido ao SBSR (título no cabeçalho do case), ainda não publicado. PDF e dados brutos não divulgados.