Uma análise abrangente dos métodos de estimativa de parâmetros de distribuição Weibull para melhorar a avaliação do potencial eólico

Autores

Palavras-chave:

Potencial eólico, Distribuição Weibull, Parâmetros, Métodos de determinação, Velocidades do vento, Estimativa, Densidade de energia eólica, Brasil

Resumo

A integração de diversas tecnologias e uma análise técnico-econômica aprofundada são fundamentais para o sucesso da implementação de energias renováveis. Essa abordagem possibilita a maximização da utilização eficiente de fontes de energia limpa, a redução de custos e o aprimoramento da resiliência do sistema. No estudo, foram aplicadas técnicas teóricas para calcular características específicas da distribuição Weibull, utilizando dados experimentais coletados pela Unidade de Pesquisa Climática (CRU Time-Series (TS) v. 4.0). Foram testados 10 métodos diferentes para estimar os parâmetros dessa distribuição. Entre os métodos avaliados, o “Wreg” destacou-se como o mais adequado para determinar os parâmetros da distribuição Weibull em 23 localidades brasileiras. Por outro lado, o método “PM” mostrou-se apropriado para quatro localidades do Brasil, enquanto os demais métodos não atenderam aos critérios de adequação.

Downloads

Não há dados estatísticos.

Biografia do Autor

Amaury de Souza, Universidade Federal de Mato Grosso do Sul

Possui graduação em Fisica pela Universidade Federal de São Carlos (1976), mestrado em Agronomia (Meteorologia Agrícola) pela Universidade Federal de Viçosa (1988), doutorado em Tecnologias Ambientais pela Universidade Federal de Mato Grosso do Sul (2013). Participação como Pesquisador Associado Universidade de Brown. Editor Associado da Journal of Mathematical Techniques and Computational Mathematics (JMTCM). Editor-Chefe da editora da Universidade Federal de Mato Grosso do Sul, Editor Associado do Journal Water (ISSN 2073-4441), Journal of Energy Research and Reviews, International Journal of Environment and Climate Change. Tem experiência em Meteorologia Ambiental, Meteorologia Urbana, Climatologia, Meteorologia de Incêndio e Meteorologia e Saúde.

Elias Silva de Medeiros, Universidade Federal da Grande Dourados

Possui graduação em Bacharelado em Estatística pela Universidade Estadual da Paraíba (2011), mestrado em Ciências (Estatística e Experimentação Agronômica) pela Escola Superior de Agricultura Luiz de Queiroz - USP (2014) e doutorado em Estatística e Experimentação Agropecuária pela Universidade Federal de Lavras (2018). Atualmente é professor adjunto da Universidade Federal da Grande Dourados. Tem experiência na área de Probabilidade e Estatística, com ênfase em Estatística

Carolina Cristina Bicalho, Universidade Estadual de Mato Grosso do Sul

Doutorado em Estatística em Experimentação Agropecuária pela Universidade Federal de Lavras (MG). Mestrado em Engenharia de Sistemas pela Universidade Federal de Lavras . Pós Graduação Lato-Sensu em Administração em Sistemas de Informação pela Universidade Federal de Lavras. Graduação em Licenciatura em Matemática pela Universidade Federal de Lavras (MG) e Graduação em Tecnologia em Análise e Desenvolvimento de Sistemas pelo Centro Federal de Educação Tecnológica de Bambuí - MG. Técnica em Informática pelo Centro Federal de Educação Tecnológica de Bambuí-MG.. Área de atuação: Modelagem Matemática, Estatística, Estatística espacial, Séries Temporais, Regressão. Atualmente é professora da Universidade Estadual do Mato Grosso do Sul, atuando nas disciplinas de cálculo, cálculo numérico, geometria analítica e álgebra linear.

Ricardo Alves de Olinda, Universidade Estadual da Paraíba

Possui graduação em Estatística pela Universidade Estadual da Paraíba, mestrado em Estatística e Experimentação Agropecuária pela Universidade Federal de Lavras (2008) e doutorado em Estatística e Experimentação Agronômica pela Universidade de São Paulo, Escola Superior de Agricultura "Luiz de Queiroz" (2012). Atualmente é professor associado do Departamento de Estatística, professor do quadro permanente do Mestrado em Saúde Pública da Universidade Estadual da Paraíba, professor do quadro permanente do Mestrado em Gestão e Tecnologia Ambiental da Universidade Federal de Mato Grosso-UFMT, e Colaborador no Programa de Pós-Graduação em Biociências e Saúde (PPG-BioS), Câmpus de Rondonópolis. Coordenador do Centro Multiusuário Big Data e Geoinformação da UEPB, foi membro do Grupo de Estudos em Seguros e Riscos ''GESER'' da Escola Superior de Agricultura Luiz de Queiroz, atuou no núcleo de modelagem quantitativa. Revisor dos periódicos: Revista Ciência Agronômica (UFC. On-line), Revista de Economia e Sociologia Rural (Impresso), Revista Agroambiente (UFRR. On-line), Revista Brasileira de Parasitologia Veterinária (RBPV), Revista Ciência e Natura, Revista Principia e Revista Brasileira de Biometria (RBB). Líder do grupo de pesquisa Estatística Aplicada e Computacional da Universidade Estadual da Paraíba. Tem experiência na área de Probabilidade e Estatística, com ênfase Estatística espacial, Data Science, teoria de valores extremos, planejamento e análise estatística de experimentos e estatística multivariada

Referências

Abreu, M. C.; Souza, A.; Lyra, G. B.; Pobocikova, I. & Cecilio, R. A. (2020) Analysis of monthly and annual rainfall variability using linear models in the state of Mato Grosso do Sul, Midwest of Brazil. Int. J. Climatol, 41, E2445–E2461. Recovered from: https://doi.org/10.1002/oj.6857.

Alvares, C. A.; Stape, J. L.; Sentelhas, P. C.; Gonçalves, J. L. M. & Sparovek, G. (2014). Ko ̈ppen’s climate classification map for Brazil. Meteorologische Zeitschrift, 22(6), 711–728. doi: https://doi.org/10.1127/0941-2948/2013/0507.

Andrade, C. F.; Neto, H. F. M.; Rocha, P. A. C. C.; Silva, M. & V. (2014). An efficiency comparison of numerical methods for determining Weibull parameters for wind energy applications: A new approach applied to the northeast region of Brazil. Energy

Conversion and Management, 86, 801–808. doi: http://dx.doi.org/10.1016/j.enconman.2014.06.046.

Aziz, A.; Tsuanyo, D.; Nsouandele J.; Mamate, I.; Mouangue, R. & Abiama, P. E. (2023). Infuence of Weibull parameters on the estimation of wind energy potential. Sustainable Energy Research 10(1). doi: 10.1186/s40807-023-00075-y.

Badawi, A. S.; Hasbullaha, N. F.; Yusoff, S. H.; Khan, S.; Ais Hashim, A. H. & Zyoud, A. (2020). Numerical analysis for determining the Weibull parameters using seven techniques. International Journal of Power Electronics and Drive System (IJPEDS) 11(1). doi: 10.11591/ijpeds.v11.i1.

Badawi A. S.; Yusoff, S. H.; Zyoud, A. M.; Khan, S.; Hashim, A.; Uyaroğlu, Y. & Ismail, M. (2021). Data bank: nine numerical methods for determining the parameters of weibull for wind energy generation tested by five statistical tools. International Journal of Power Electronics and Drive Systems (IJPEDS) 12(2), 1114-1130. doi:10.11591/ijpeds.v12.i2.pp1114-1130.

Bailey, R. L. & Dell, T. (1973). Quantifying diameter distributions with the Weibull function. Forest Sci. 19(2), 97–104. doi: http://dx.doi.org/10.1093/forestscience/19.2.97.

Bilir, L.; Imir, M.; Devrim, Y. & Albostan, A. (2015). Seasonal and yearly wind speed distribution and wind power density analysis based on Weibull distribution function. International Journal of Hydrogen Energy, 40(44), 15301-15310. doi: https://doi.org/10.1016/j.ijhydene.2015.04.140.

Boulange, J.; Hanasaki, N.; Yamazaki, D. & Pokhrel, Y. (2021). Role of dams in reducing global flood exposure under climate change. Nature communications, 12(1), 417. doi: https://doi.org/10.1038/s41467-020-20704-0.

Costa Rocha, P. A.; Sousa, R. C. de.; Andrade, C. F. de. & Silva, M. E. V. da. (2012). Comparison of seven numerical methods for determining Weibull parameters for wind energy generation in the northeast region of Brazil. Applied Energy, 89(1), 395. doi: https://doi.org/10.1016/j.apenergy.2011.08.003.

Evans, J. W.; Kretschmann, D. E. & Green D. D. (2019). Procedures for estimation of Weibull parameters. Department of Agriculture, Forest Service, Forest Products Laboratory. General Technical Report FPL–GTR, 264, 1-17.

Gove, J. H. & Fairweather, S. E. (1989). Maximum-likelihood estimation of weibull function parameters using a general interactive optimizer and grouped data. Forest Ecol. Manag. 28(1), 61–69. doi: http://dx.doi.org/10.1016/0378-1127(89)90074-1.

Grandson, J. L. S. (2005). Deca ́logo of Climatology of the Brazilian Southeast. Rev. Bras. Climatol. 1, 43–60. doi: https://doi.org/10.5380/abclima.v1i1.25232.

Guarienti, J. A.; Kaufmann Almeida, A.; Menegati Neto, A.; Oliveira Ferreira, A. R. de.; Ottonelli, J. P. & Kaufmann de Almeida, I. (2020). Performance analysis of numerical methods for determining Weibull distribution parameters applied to wind speed in Mato Grosso do Sul, Brazil. Sustainable Energy Technologies and Assessments, 42(7). doi: doi.org/10.1016/j.seta.2020.100854.

Guenoukpati, A.; Salami, A. A.; Kodjo, M. K. & Napo, K. (2020). Estimating Weibull parameters for wind energy applications using seven numerical methods: Case studies of three coastal sites in West Africa. International Journal of Renewable Energy Development, 9(2): 217-226. doi: https://doi.org/10.14710/ijred.9.2.217-226.

Harris, I.; Jones, P. D.; Osborn, T. J. & Lister, D. H. (2014). Updated high resolution grids of monthly climatic observations-the CRU TS3.10 dataset. International Journal of Climatology, 34, 623-642. doi: https://doi.org/10.1002/joc.3711.

Hosking, J. R. M. (1990). L-moments: Analysis and estimation of distributions using linear combinations of order statistics. J. R. Stat. Soc. Ser. B Stat. Methodol., 52(1), 105–124. doi: https://www.jstor.org/stable/2345653.

Hove, T.; Madiye L. & Musademba, D. (2014). Mapping wind power density for Zimbabwe: A suitable Weibull-parameter calculation method. J. Energy South. Afr, 25(4), 37-47. doi: 10.17159/2413-3051/2014/v25i4a2236.

Hussain, I.; Haider, A.; Ullah, Z.; Russian, M.; Casolino, G. M. & Azeem, B. (2023). Comparative Analysis of Eight Numerical Methods Using Weibull Distribution to Estimate Wind Power Density for Coastal Areas in Pakistan. Energies, 16, 1515. doi: https://doi.org/10.3390/ EN16031515.

IBGE – Instituto Brasileiro de Geografia e Estatística, (2023). Cidades. Rio de Janeiro: IBGE. Recovered from: https://cidades.ibge.gov.br/.

Kang, D.; Ko, K. & Huh, J. (2018). Comparative study of different methods for estimating Weibull parameters: A case study on Jeju Island, South Korea. Energies, 11(2), 10.3390/en11020356.

Kanga, S.; Khanjaria, A.; You, S. & Leec, J. H. (2021). Comparison of different statistical methods used to estimate Weibull parameters for wind speed contribution in nearby an offshore site, Republic of Korea. Energy Reports, 7, 7358-7373. doi: doi.org/10.1016/j.egyr.2021.10.078.

Kantar, Y. M. (2015). Generalized least squares and weighted least squares estimation methods for distributional parameters.

REVSTAT—Stat., 13, 263–282. doi: http://dx.doi.org/10.1080/03610918.2011.611315.

Keller Filho, T.; Assad, E. D.; Schubnell, P. R. & Lima, R. (2005). Homogeneous rainfall regions in Brazil. Pesq. Agropec. Bras. 40, 311–322. doi: https://doi.org/10.1590/ S0100-204X2005000400001.

Kumar, K. S. P. & Gaddada, S. (2015). Statistical scrutiny of Weibull parameters for wind energy potential appraisal in the area of Northern Ethiopia. Renew. Wind Water Sun., 2(1). doi: 10.1186/s40807-015-0014-0.

Lira, B. R. P.; Lopes, L. D. N. A.; Chaves, J. R.; Santana, L. R. & Fernandes, L. L. (2020). Identification of Homogeneity, Trend and Magnitude of Precipitation in Bel ́em (Par ́a) between 1968 and 2018. Anu. Inst. Geocienc., 43, 426–439. doi: https://doi.org/ 10.11137/2020_4_426_439.

Lewis, C. D. (1982). Industrial and business forecasting methods. London: Butterworths.

Mohammadi, K.; Alavi, O.; Mostafaeipour, A.; Goudarzi, N. & Jalilvand, M. (2016). Assessing different parameters estimation methods of Weibull distribution to compute wind power density. Energy Conversion and Management, 108, 322-335. doi: https://doi.org/10.1016/j.enconman.2015.11.015.

Ouahabi, M. H.; Elkhachine, H.; Benabdelouahab, F. & Khamlichi, A. (2019). Comparative study of five different methods of adjustment by the Weibull model to determine the most accurate method of analyzing annual variations of wind energy in Tetouan – Morocco. Procedia Manuf., 46, 698-707. Recovered from: 10.1016/j.promfg.2020.03.099.

R Core Team. (2023). R: a language and environment for statistical computing. R: foundation for statistical computing, Vienna, Austria. Recovered from: https://www.R-project.org/.

Reboita, M. S.; Gan, M. A.; Rocha, R. P. & Ambrizzi, T. (2010). Precipitation regimes in South America: a literature review. Rev. Bras. Meteorol., 25, 185–204. doi: https://doi.org/10.1590/S0102-77862010000200004.

Sadani, S.; Abdollahnezhad, K.; Teimouri, M. & Ranjbar, V. (2019). A new estimator for weibull distribution parameters: Comprehensive comparative study for Weibull distribution. Journal of Statistical Research of Iran, 16(1), 33-57. doi: https://doi.org/10.48550/arXiv.1902.05658.

Saxena B. K. & Rao K. V. S. (2015). Comparison of Weibull parameters computation methods and analytical estimation of wind turbine capacity factor using polynomial power curve model: Case study of a wind farm. Renew. Wind Water Sun., 2(1). doi: 10.1186/s40807-014-0003-8.

Shimizu, M. H. & Ambrizzi, T. (2016). MJO influence on ENSO effects in precipitation and temperature over South America. Theor. Appl. Climatol., 124, 291–301. doi: https://doi. org/10.1007/s00704-015-1421-2.

Shoaib, M.; Siddiqui, I.; Amir, Y. M. & Rehman, S. U. (2017). Evaluation of wind power potential in Baburband (Pakistan) using Weibull distribution function. Renew Sustain Energy Rev., 70, 1343–1351.

Silva Junior, C. A.; Teodoro, P. E.; Delgado, R. C.; Teodoro, L. P. R.; Lima, M.; Pantaleão, A. A.; Baio, F. H. R.; ... & Facco, C. U. (2020). Persistent fire foci in all biomes undermine the Paris Agreement in Brazil. Sci. Rep. 10(16246). doi: https://doi.org/10.1038/s41598-020-72571-w.

Teimouri, M.; Doser, J. W. & Finley, A. O. (2020). ForestFit: An R package for modeling plant size distributions. Environmental Modelling & Software, 131, 104668. doi: https://doi.org/10.1016/j.envsoft.2020.104668.

Teimouri, M. & Nadarajah, S. (2012). A simple estimator for the weibull shape parameter. Int. J. Struct. Stab. Dyn., 12(2), 395–402. doi: http://dx.doi.org/10.1109/24.9839.

Usta, I. (2016). An innovative estimation method regarding Weibull parameters for wind energy applications. Energy, 106, 301-314. doi: https://doi.org/10.1016/j.energy.2016.03.068.

Zuñiga, S. V.; Bayona, J. G. R. & Castro, A. O. (2022). Evaluation of Eleven Numerical Methods for Determining Weibull Parameters for Wind Energy Generation in the Caribbean Region of Colombia. Mathematical Modelling of Engineering Problems. 9(1), 194-199. doi: https://doi.org/10.18280/mmep.090124.

Wang, F. & Keats, J. (1995). Improved percentile estimation for the two-parameter Weibull distribution. Microelectron. Reliab., 35(6), 883–892. doi: http://dx.doi.org/10.1016/0026-2714(94)00168-N.

Zhang, L. F.; Xie, M. & Tang. (2008). On weighted least squares estimation for the parameters of Weibull distribution. Recent advances in reliability and quality in design, 57-84. doi: https://doi.org/10.1007/978-1-84800-113-8_3.

Downloads

Publicado

2024-11-29

Como Citar

Souza, A. de, Medeiros, E. S. de, Bicalho, C. C., & Olinda, R. A. de. (2024). Uma análise abrangente dos métodos de estimativa de parâmetros de distribuição Weibull para melhorar a avaliação do potencial eólico. Ciência E Natura, 46, e87369. Recuperado de https://periodicos.ufsm.br/cienciaenatura/article/view/87369

Edição

v. 46 (2024): Publicação contínua

Seção

Meio Ambiente

Licença

Copyright (c) 2024 Ciência e Natura

Creative Commons License

Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Para acessar a DECLARAÇÃO DE ORIGINALIDADE E EXCLUSIVIDADE E CESSÃO DE DIREITOS AUTORAIS clique aqui.

 

Diretrizes Éticas para Publicação de Revistas

A revista Ciência e Natura está empenhada em garantir a ética na publicação e na qualidade dos artigos.

A conformidade com padrões de comportamento ético é, portanto, esperada de todas as partes envolvidas: Autores, Editores e Revisores.

Em particular, 

Autores: Os Autores devem apresentar uma discussão objetiva sobre a importância do trabalho de pesquisa, bem como detalhes e referências suficientes para permitir que outros reproduzam as experiências. Declarações fraudulentas ou intencionalmente incorretas constituem comportamento antiético e são inaceitáveis. Artigos de Revisão também devem ser objetivos, abrangentes e relatos precisos do estado da arte. Os Autores devem assegurar que seu trabalho é uma obra totalmente original, e se o trabalho e / ou palavras de outros têm sido utilizadas, isso tem sido devidamente reconhecido. O plágio em todas as suas formas constitui um comportamento publicitário não ético e é inaceitável. Submeter o mesmo manuscrito a mais de um jornal simultaneamente constitui um comportamento publicitário não ético e é inaceitável. Os Autores não devem submeter artigos que descrevam essencialmente a mesma pesquisa a mais de uma revista. O Autor correspondente deve garantir que haja um consenso total de todos os Co-autores na aprovação da versão final do artigo e sua submissão para publicação.

Editores: Os Editores devem avaliar manuscritos exclusivamente com base no seu mérito acadêmico. Um Editor não deve usar informações não publicadas na própria pesquisa do Editor sem o consentimento expresso por escrito do Autor. Os Editores devem tomar medidas de resposta razoável quando tiverem sido apresentadas queixas éticas relativas a um manuscrito submetido ou publicado.

Revisores: Todos os manuscritos recebidos para revisão devem ser tratados como documentos confidenciais. As informações ou ideias privilegiadas obtidas através da análise por pares devem ser mantidas confidenciais e não utilizadas para vantagens pessoais. As revisões devem ser conduzidas objetivamente e as observações devem ser formuladas claramente com argumentos de apoio, de modo que os Autores possam usá-los para melhorar o artigo. Qualquer Revisor selecionado que se sinta desqualificado para rever a pesquisa relatada em um manuscrito ou sabe que sua rápida revisão será impossível deve notificar o Editor e desculpar-se do processo de revisão. Os Revisores não devem considerar manuscritos nos quais tenham conflitos de interesse resultantes de relacionamentos ou conexões competitivas, colaborativas ou outras conexões com qualquer dos autores, empresas ou instituições conectadas aos documentos.

Artigos mais lidos pelo mesmo(s) autor(es)