Visualização de dados de turbinas eólicas baseado na Análise de Componentes Principais
Resumo
A energia eólica tornou-se uma das fontes energéticas mais importantes em todo o mundo. Sistemas de monitoramento são indispensáveis para manter o bom funcionamento dos componentes das turbinas eólicas. Em geral, a grande quantidade de dados geradas por estes sistemas não são usados de forma eficaz, desta maneira, se faz necessário o uso de técnicas capazes de reduzir a dimensão dos dados a fim de facilitar a interpretação das análises realizadas e melhor entender o comportamento dos dados. Neste trabalho, discutimos as visualizações dos dados reais de uma turbina eólica produzidos pelo sistema SCADA e aplicamos o método de Análise de Componentes Principais para reduzir a dimensão dos dados de alta dimensão.
Palavras-chave:
Turbinas Eólicas, Visualização de Dados, Análise de Componentes Principais
Referências
Edp - open data. https://opendata.edp.com/pages/homepage/, Acessado em 15/08/21.
A. Blanco-M. et al. Impact of target variable distribution type over the regression analysis in wind turbine data. In 2017 International Conference and Workshop on Bioinspired Intelligence (IWOBI), pages 1–7, 2017.
A. Stetco et al. Machine learning methods for wind turbine condition monitoring: A review. Renewable Energy, 133:620–635, 2019.
D. Menezes et al. Wind farm and resource datasets: A comprehensive survey and overview. Energies, 13(18), 2020.
S. Khalid et al. A survey of feature selection and feature extraction techniques in machine learning. In 2014 Science and Information Conference, pages 372–378, 2014.
S. Qin et al.
I.K. Fodor. A survey of dimension reduction techniques. 5 2002. URL https://www.osti.gov/biblio/15002155.
I. Guyon and A. Elisseeff. An introduction to variable and feature selection. J. Mach. Learn. Res., 3:1157–1182, mar 2003.
S. A. Mingoti. Análise de dados através de métodos estatística multivariada: uma abordagem aplicada. In Análise de dados através de métodos estatística multivariada: uma abordagem aplicada, page 295. Editora UFMG, 2007. ISBN 9788570414519.
R Core Team. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria, 2014.
A. Blanco-M. et al. Impact of target variable distribution type over the regression analysis in wind turbine data. In 2017 International Conference and Workshop on Bioinspired Intelligence (IWOBI), pages 1–7, 2017.
A. Stetco et al. Machine learning methods for wind turbine condition monitoring: A review. Renewable Energy, 133:620–635, 2019.
D. Menezes et al. Wind farm and resource datasets: A comprehensive survey and overview. Energies, 13(18), 2020.
S. Khalid et al. A survey of feature selection and feature extraction techniques in machine learning. In 2014 Science and Information Conference, pages 372–378, 2014.
S. Qin et al.
I.K. Fodor. A survey of dimension reduction techniques. 5 2002. URL https://www.osti.gov/biblio/15002155.
I. Guyon and A. Elisseeff. An introduction to variable and feature selection. J. Mach. Learn. Res., 3:1157–1182, mar 2003.
S. A. Mingoti. Análise de dados através de métodos estatística multivariada: uma abordagem aplicada. In Análise de dados através de métodos estatística multivariada: uma abordagem aplicada, page 295. Editora UFMG, 2007. ISBN 9788570414519.
R Core Team. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria, 2014.
Publicado
23/11/2021
Como Citar
PINNA, Danielle R.; HAMACHER, Rodrigo; DE SÁ, Fernando; TOSO, Rodrigo; HENRIQUES, Felipe; BRANDÃO, Diego.
Visualização de dados de turbinas eólicas baseado na Análise de Componentes Principais. In: ESCOLA REGIONAL DE INFORMÁTICA DO RIO DE JANEIRO (ERI-RJ), 4. , 2021, Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2021
.
p. 49-56.
DOI: https://doi.org/10.5753/eri-rj.2021.18774.
