Abordagens de aprendizado de máquina aplicadas à geração de energia eólica em uma estação na Bahia

Abstract

Aprendizado de máquina (machine learning) é um ramo da inteligência artificial onde sistemas podem aprender com dados, identificar padrões e auxiliar na tomada decisões. É composto por algoritmos que aprendem iterativamente padrões com o propósito de executar tarefas. Existem diferentes algoritmos para resolver o mesmo tipo de problema. Algoritmos de classificação são para dados rotulados e aprendem padrões que podem ser usados para prever uma variável resposta de natureza categórica. Neste trabalho, foram comparados quatro diferentes algoritmos de aprendizado de máquina para classificação: Decision Trees (Árvores de decisão), K-Nearest Neighbors ou KNN (k vizinhos mais próximos), Support Vector Machines ou SVM (Máquinas de Vetores de Suporte) e Random Forest (Floresta Aleatória). A velocidade média do vento, proveniente de uma estação eólica localizada no Estado da Bahia, foi categorizada em dois grupos: velocidade não admissível como menor ou igual a 3,5 m/s e velocidade admissível como maior que 3,5 m/s. Os resultados para a medida de acurácia, com os respectivos intervalos de 95% de confiança, mostraram que o melhor desempenho foi o algoritmo Random Forest com o valor muito próximo a 80,0%. O coeficiente de Kappa para esta abordagem foi acima de 0,45, enquanto que, os demais os valores desse coeficiente ficaram inferiores a 0,42 para Decision Trees, KNN e SVM.