FINITE DIFFERENCE AND MULTIPLE REGRESSION METHODS APPLIED IN DYNAMIC MODELING OF WIND ENERGY

Denis Carlos Lima Costa; Rodrigo  Antônio Pereira Júnior; Mariluzio  Araújo Moreira da Silva; Edson  Costa Cruz; Silvio  Tadeu Teles da Silva; Nielson  Veloso Medeiros

Autores

Denis Costa Instituto Federal de Educação, Ciência e Tecnologia do Pará - IFPA Câmpus Ananindeua https://orcid.org/0000-0003-3207-6934 (não autenticado)
Rodrigo Antônio Pereira Júnior Instituto Federal de Educação, Ciência e Tecnologia do Pará - IFPA Campus Ananindeua https://orcid.org/0000-0001-5931-7238 (não autenticado)
Mariluzio Araújo Moreira da Silva Instituto Federal de Educação, Ciência e Tecnologia do Pará - IFPA Campus Ananindeua https://orcid.org/0000-0003-2327-6491 (não autenticado)
Edson Costa Cruz Instituto Federal de Educação, Ciência e Tecnologia do Pará - IFPA Campus Belém. https://orcid.org/0000-0002-6267-0742 (não autenticado)
Silvio Tadeu Teles da Silva Instituto Federal de Educação, Ciência e Tecnologia do Pará - IFPA Campus Ananindeua https://orcid.org/0000-0002-1082-9563 (não autenticado)
Nielson Veloso Medeiros https://orcid.org/0000-0002-5840-1275 (não autenticado)

Palavras-chave:

Aerogeradores, Equações Diferenciais, Análise Numérica, Previsão de Potência, Simulação Computacional

Resumo

The intermittency of wind energy poses challenges to the stability of the electrical grid, making the precise modeling of the relationship between wind speed and generated power crucial. Traditional models, based on static algebraic equations, are insufficient as they fail to capture the dynamics of the wind and the non-instantaneous responses of the turbine, such as inertia and elasticity. This paper aims to overcome these limitations by developing a dynamic model for wind power, based on a differential equation that describes the temporal evolution of the system. The methodology integrates physical modeling with rigorous statistical analysis, using the Finite Difference Method for the numerical solution of the differential equation, based on classic works in the field. For the calibration and validation of the model against empirical data, the Multiple Regression Method was employed, which allows for analyzing the relationship between power and multiple predictors and evaluating the residuals of the dynamic model. As a result, a particular differential equation describing the dynamic behavior of power was obtained, demonstrating superiority over the static approach, especially under transient wind conditions. The proposed hybrid approach not only offers a more accurate solution for generation forecasting but also establishes a foundation for optimizing control algorithms and future research in the field.

Biografia do Autor

Denis Costa, Instituto Federal de Educação, Ciência e Tecnologia do Pará - IFPA Câmpus Ananindeua

# Professor Titular do Instituto Federal do Pará. # Doutorado em Engenharia Elétrica, na área de Sistemas de Potência: pesquisa desenvolvida com aplicações de Machine Learning em Termelétrica a Gás Natural. # Pós-Doutorado em Sistema de Geração de Energia a partir do Hidrogênio Verde. # Mestrado em Geofísica: investigação em Métodos Potenciais aplicados em Bacias Sedimentares utilizando as estratégias de Fourier e Laplace.# Especialização em Física: exploração na área de Mecânica Quântica, tendo como base as Teorias de Max Planck. # Graduação em Ciências Exatas e Matemática: pesquisa incrementada na área de Geometria Diferencial, baseada nas abordagens de Carl Friedrich Gauss. # Catedrático em Matemática Computacional. # Líder do Grupo de Pesquisa do CNPQ - GRADIENTE DE MODELAGEM MATEMÁTICA E SIMULAÇÃO COMPUTACIONAL - GM2SC, vinculado ao IFPA Câmpus Ananindeua. # Membro do Grupo de Pesquisa LICTI, vinculado ao IFPA Câmpus Castanhal. # Revisor do periódico Elsevier Applied Energy. # Membro da Sociedade Brasileira para o Progresso da Ciência - SBPC. # Membro da Sociedade Brasileira de Matemática - SBM. # Coordenador do Bacharelado em Ciência e Tecnologia do IFPA Câmpus Ananindeua.

Referências

BOCK, R. D. A General Linear Model for Analysis of Variance. Psychometrika, v. 28, n. 3, p. 229-245. 1963.

CAMPOS, V. P.; SANTOS, J. R. L.; SILVA, A. M. L. Wind turbine power curve modeling using advanced machine learning and deep learning methods: A case study in the Brazilian Northeast region. Energy Reports, v. 8, p. 1010-1023. 2022.

FORSYTHE, George E.; WASOW, Wolfgang R. Numerical Solution of Partial Differential Equations by the Finite-Difference Method. New York: John Wiley & Sons, 1960.

FORSYTH, Peter A.; VETZAL, Rüdiger. Finite Difference Methods for the Black-Scholes Equation. Journal of Computational Finance, v. 21, n. 1, p. 117-148, 2017.

FREITAS, M. A. A. de; et al. Análise e Previsão da Geração de Energia Eólica Utilizando Redes Neurais Artificiais. Brazilian Journal of Development, Curitiba, v. 6, n. 7, p. 50632-50645. 2020.

GNU. OCTAVE. Disponível em: https://octave.org/about. 2025.

KELLER, Herbert B. Numerical Methods for Two-Point Boundary Value Problems. New York: Dover Publications. 1992.

MA, X.; SUN, H.; WANG, G.; ZHANG, Y. A Wind Power Curve Modeling Method Based on Improved Classical Equivalent-Power Method. Journal of Renewable Energy, v. 2019, Article ID 4721751, 11 pages, 2019.

MEDEIROS, J. D. de. Avaliação do Potencial Eólico e da Geração de Energia Elétrica na Região de Currais Novos/RN. 2008. 104 f. Dissertação (Mestrado em Engenharia Elétrica) – Centro de Tecnologia, UFRN, Natal, 2008.

MEDEIROS, M. F. A. de; ARAÚJO, G. A. de A.; OLIVEIRA, V. H. M. de. Modeling of Wind Turbine Power Curve Using Machine Learning and Deep Learning Models. In: Simpósio Brasileiro de Sistemas Elétricos. SBSE, 2020.

OLIVEIRA, A. P. L.; LOPES, L. A. S.; FONTES, F. A. C. C. Análise do Desempenho de um Aerogerador de Pequeno Porte com a Variação da Densidade do Ar. In: Congresso Brasileiro de Energia Solar. Recife: ABRsolar, 2014.

OLIVEIRA, R. G. R. de; BORGES, C. L. T. de; PAIVA, I. C. L. de. Metodologia para Determinação da Curva de Potência de Aerogeradores Considerando as Incertezas da Velocidade do Vento e da Potência Gerada. Revista Brasileira de Energia Solar, v. 9, n. 1, p. 56-66, 2018.

PEDHAZUR, Elazar J. Multiple Regression in Behavioral Research: Explanation and Prediction. 3. ed. Fort Worth: Harcourt Brace College Publishers, 1997.

SANTOS, F. D. S. dos. Análise do Desempenho de Curvas de Potência de Aerogeradores de Fabricantes para o Complexo Eólico de Parnaíba - PI. 2023. 56 f. TCC de Engenharia Elétrica) – Centro de Tecnologia, UFPI, Teresina, 2023.

SILVA, João P. Análise da Eficiência Aerodinâmica de Aerogeradores e o Limite de Betz: Teoria e Implicações Práticas. Revista Brasileira de Engenharia Mecânica, São Paulo, v. 10, n. 2, p. 45-60, 2023.

TAVARES, M. F. C. F.; et al. Fatores Associados à Qualidade de Vida de Idosos em um Município do Sudeste do Brasil. Cadernos de Saúde Pública, v. 34, n. 11, e00173717, 2018.

TIRTEY, Stéphan G. L. A practical guide to finite-difference methods for computational fluid dynamics. In: Von Karman Institute for Fluid Dynamics Lecture Series. Rhode-Saint-Genèse: VKI, 2018.

ZINGG, David W. High-order finite-difference methods for computational acoustics. Journal of Computational and Applied Mathematics, v. 125, n. 1-2, p. 433-448. 2000.