“Para otimizar e garantir a previsibilidade da produção de energia eólica offshore, a I.A tem sido utilizada para garantir a assertividade.”

As mudanças climáticas e o aquecimento global têm sido eixo central na pauta de diversos governos e organizações que buscam reduzir os impactos ambientais à sociedade. Para que essas pautas sejam cumpridas, a aliança entre tecnologia e modelos de negócios sustentáveis observam a potencialidade da energia eólica offshore como alternativa para o aproveitamento do recurso natural do vento e geração de energia elétrica em alto mar.

Dentre as tecnologias de energia renovável do oceano, as eólicas offshore têm se destacado e de acordo com o Global Wind Energy Council (GWEC), o mundo possui 64 GW de capacidade instalada de energia eólica offshore. Todavia, a fonte de energia ainda encontra desafios para escalar o mercado, e a inovação complementada por tecnologias de Inteligência Artificial (I.A) e robótica apresentam-se como centrais para a consolidação das eólicas offshore.

As soluções de I.A e robótica podem ser utilizadas para as diferentes fases de um projeto de energia eólica offshore, desde o planejamento até sua operação, manutenção e descomissionamento. Para otimizar e garantir a segurança de suprimento energético por meio das eólicas em alto mar, modelos de aprendizado de máquina e de aprendizado profundo têm sido amplamente utilizados para as diversas tomadas de decisão das empresas envolvidas.

As técnicas de previsão de vento são utilizadas para garantir uma despachabilidade de potência mais segura, bem como para apresentar um suporte adequado aos serviços de Operação e Manutenção dos parques eólicos offshore. Devido à natureza estocástica dos ventos, as organizações apropriam-se de tecnologias com recursos de I.A para o gerenciamento de sistemas que coordenam os parques eólicos, garantindo o planejamento e previsibilidade na produção de energia.

Ademais, as tecnologias de predição de vento permitem saber a direção e constância dos ventos, aferindo a sua velocidade e permitindo a criação de planejamentos efetivos durante a produção de energia eólica.

As predições de vento também auxiliam na integração da rede elétrica, pois viabilizam informações antecipadas para os operadores dos sistemas elétricos terem a possibilidade de prever a inserção desse tipo de tecnologia nos sistemas interligados de energia. Desta maneira, é possível planejar a inserção de energia de forma confiável, segura e eficiente. A imagem abaixo apresenta uma tríade de três fatores que podem ser proporcionados pelo uso da Inteligência Artificial nas diferentes formas de predição da velocidade do vento:

Figura 1: Tríade da Previsão da Velocidade do Vento via I.A

Fonte: Autores

A tríade da previsão da velocidade do vento via I.A permite aliar a (1) Operação do Parque eólico, (2) Planejamento e Manutenção e (3) Integração na Rede Elétrica, garantindo que empresas e diferentes organizações de planejamento e pesquisa dos setores consigam ter previsibilidade no processo de estimar assertivamente a inserção de tecnologias de energia eólica no sistema. Além disso, essa previsibilidade provê insumos informacionais para a criação de modelos econômicos que estimam desde o possível preço da energia até os detalhes do valuation de projetos futuros.

Para que as eólicas offshore possam escalar de forma célere nos diferentes mercados que tem se estabelecido e sido pautada para a discussão, a inovação e tecnologia por meio dos sistemas de predição de vento utilizando I.A podem garantir insumos informacionais relacionados ao potencial da tecnologia que darão segurança para os órgãos reguladores de mercado. Essas inovações recentes automatizam os sistemas e fornecem agilidade organizacional para a troca rápida de informações.

Em resumo, a utilização da I.A e predição dos ventos no setor de eólicas offshore fornecerá condições para escalar o mercado, pois apoiará nos eixos de trabalho associados à: (a) redução de custos, (b) avanços tecnológicos, (c) aumento de eficiência na produção de energia e (d) criação de novos negócios. Abaixo algumas das tecnologias de previsão de vento que poderão auxiliar o desenvolvimento das eólicas offshore, considerando os eixos de trabalho supracitados.

Casos de Tecnologias de Predição de Vento

Caso 1: LIDAR em Estrutura Flutuante

Estrutura flutuante com sensor LIDAR para medir pontualmente o perfil da velocidade e direção do vento com alta acurácia e precisão a partir de dados calibrados. A integração de modelos de Inteligência Artificial, mais especificamente de Aprendizado de Máquina ou Aprendizagem Profunda, é utilizada para a predição do recurso em diversas janelas temporais e, consequentemente, garante a segurança no suprimento energético além de previsibilidade para os agentes envolvidos na operação e manutenção dos sistemas de Offshore Wind.

Referência do Caso: Neoenergia instala sistema flutuante pioneiro no Brasil para estudos de medição eólica offshore  

Figura 2: LIDAR

Fonte: OffshoreWindBiz | Eolos

Caso 2: Tecnologias para Previsibilidade – Google e DeepMind.

A DeepMind em parceria com a Google criaram uma forma de medir o potencial dos ventos com uma I.A que pode antever ventos com até 36 horas de antecedência, considerando a análise de condições climáticas e dados coletados. A solução opera com algoritmos de aprendizagem profunda para a previsão do vento.

Referência do Caso: Google e DeepMind criam IA que pode prever ventos com até 36h de antecedência.

Caso 3: Estimativa de potencial eólico com dados SAR – synthetic aperture radar (Radar de Abertura Sintética) e medição por sensores em satélites.

Metodologia para estimar o potencial de energia eólica na altura de turbina a partir de dados de sensores SAR orbitais. Esses dados apresentam a vantagem de cobrir amplas áreas da superfície do mar e vasta extensão oceânica com alta resolução e precisão.

Referência do Caso: Wind Speed Variation Mapped Using SAR before and after Commissioning of Offshore Wind Farms.

Caso 4: Modelagem Computacional Acoplada para o Mapeamento do Potencial Eólico Offshore.

A modelagem computacional acoplada para mapeamento de potencial eólico possibilita a construção de bases climatológicas regionais em alta resolução espacial e temporal, auxiliando na escolha locacional para instalação e operação de futuros Parques Eólicos Offshore. Como exemplo, a Vestas emprega modelagem computacional acoplada para simular o comportamento das turbinas eólicas em ambientes marinhos, prever a produção de energia e otimizar a instalação e operação de parques eólicos offshore.

Referência do Caso: O futuro da manutenção de parques eólicos.

Caso 5: Previsibilidade de Fenômenos Meteorológicos (Vento, Temperatura, Umidade do Ar e demais variáveis climatológicas) a partir de modelos avançados de Séries Temporais, Aprendizado de Máquina (“Machine Learning”) e Aprendizado Profundo (“Deep Learning”).

Modelo ARMA, ARIMA ou ARIMAX: esses modelos estatísticos, tem como objetivo a previsão de valores futuros a partir de variáveis numéricas em diferentes horizontes de tempo, a depender da aplicação envolvida.

Existem diversos outros modelos para prever a velocidade do vento, um Modelo Autorregressivo de Médias Móveis, ARMA, de qual o mando é acabar com o atraso dos valores passados e atuais das variáveis, com a intenção de prognosticar os valores futuros, sendo tanto para curto prazo ou longo. O ARIMA, também conhecido como metodologia Box-Jenkins, é uma extensão do modelo arma na utilização de séries temporais não estacionárias. Antes de aplicar o ARIMA, é necessário diferenciar a série temporal para torná-la estacionária. As previsões do ARIMA visam minimizar o Erro Médio Quadrático (MSE). A identificação do modelo ARIMA adequado é baseada na análise das funções de autocorrelação e autocorrelação parcial estimadas. O modelo Autorregressivo Integrado de Médias Móveis com Entradas Exógenas (ARIMAX), conhecido como metodologia de Box–Tiao, é uma generalização do ARIMA. Ele é considerado multivariado, incluindo um componente linear baseado nas observações das variáveis exógenas. O ARIMAX combina os modelos Autorregressivo (AR), Integrado (I), Média Móvel (MA) e Exógeno (X), representado por ARIMAX (p,d,q,r).

Portanto, todas essas metodologias podem ser aplicadas para diversos fins de previsibilidade de fenômenos meteorológicos a depender da problemática envolvida.

Referência do caso: Um Sistema Baseado Em Combinação de Modelos para Previsão de Velocidade do Vento.

Caso 6: Aprendizado Profundo: Redes Neurais Artificiais – RNAs.

Com o propósito de estimar qualquer variável meteorológica, é possível a utilização de Redes Neurais Artificiais. Em síntese, as RNAs buscam reproduzir um paradigma neuro-matemático através de uma estrutura neural inteligente, isto é, tentar simular por computação o funcionamento do “cérebro humano”.

Para contextualizar, o processo de aprendizagem da rede ocorre a partir de um threshold (limiar), onde o neurônio passa a emitir uma série de “impulsos nervosos” que, quando acumulados pelo sistema, acabam por representar uma saída que pode ser um impulso ou não. Em outras palavras, existe um valor limite para que o neurônio ative e passe a transmitir o conhecimento para os demais neurônios e, consequentemente, a RNA construída aprenda.

Nesse ponto, vale dizer que existem RNAs que aprendem a partir de dados passados que estão em uma categoria chamada “Aprendizagem Supervisionada” e redes que aprendem somente com base em suas experiências de errar e acertar que são comumente elencadas de “Aprendizagem Não Supervisionada”.

No caso das Eólicas Offshore, para o planejamento da operação frequentemente são utilizadas soluções de Aprendizagem Supervisionada, onde a RNA acaba por aprender a partir de dados passados para a estimativa do futuro.

Referências do caso: Use of state-of-art machine learning technologies for forecasting offshore wind speed, wave and misalignment to improve wind turbine performance.

Caso 7: Modelos de Regressão Não Linear e a determinação meteorológica.

Outra possibilidade, é a utilização de modelos de regressão não linear que podem estimar determinada variável numérica a partir de outras já existentes. Por exemplo, é possível a utilização de distintas variáveis meteorológicas para a estimativa de previsão de vento a depender do local de estudo.

Nesse caso, existem distintas metodologias, sobre as quais podemos citar: Árvores de Decisão, Aumento de Gradiente, Aumento Extremo de Gradiente, dentre diversas outras metodologias aplicáveis.

Referência do caso: Predicting Energy Generation in Large Wind Farms: A Data-Driven Study with Open Data and Machine Learning.

Matheus Eurico Soares de Noronha

Head de Energia Eólica Offshore na ABEEólica – Associação Brasileira de Energia Eólica e Novas Tecnologias. Pós-doutor e Doutor em Estratégia e Inovação de Tecnologias Limpas. Autor dos livros “Inovação e Sustentabilidade para a Transição Energética”, “The Strategies and Innovations of Cleantech Organizations” e “Diário de Um Pesquisador – Apoiando a Trajetória Acadêmica”.

Mohamed Khalil

Sócio Proprietário da MKM Projetos; Engenheiro civil (Unicesumar); Projetista (Senai); Especialista em projetos estruturais (Instituto Barcalla).

Matheus de Paula

Analista de Assuntos Regulatórios na CDV Desenvolvimento S.A., Pós-graduando em Gestão Estratégica de Energias Renováveis (UFPR), Engenheiro de Energia (UNESP), Técnico em Mecatrônica (ENIAC) e Eletricista de Manutenção (SENAI-SP).