POTENCIAL DE ENERGIA EÓLICA NO NORDESTE BRASILEIRO: UMA ABORDAGEM VIA MODELOS DE MISTURA
Resumo
Este artigo tem como objetivo apresentar uma avaliação do potencial de geração de energia eólica em quatro estações do Nordeste do Brasil por meio do ajuste de modelos estatísticos baseados em misturas de distribuições. Foram analisadas séries de velocidade do vento provenientes de quatro estações meteorológicas, representando cada estado da região. A metodologia consistiu na aplicação de um algoritmo capaz de testar diversas combinações de distribuições e selecionar os melhores modelos com base em critérios de informação (AIC, BIC e HQ), métricas de erro (MAE, MSE, RMSE e MAPE) e testes estatísticos de aderência (Anderson-Darling e von Mises), integrados por meio do índice proposto -index. Os resultados indicam que, em localidades com comportamento bimodal, os modelos de mistura apresentam melhor ajuste quando comparados aos modelos univariados, permitindo estimativas mais precisas do potencial eólico. Os maiores valores de potencial foram observados nas estações de Calcanhar (Rio Grande do Norte) e Areia (Paraíba). Conclui-se que a abordagem proposta é eficiente para modelar a variabilidade do vento e constitui uma ferramenta útil para subsidiar o planejamento da geração de energia eólica.
Biografia do Autor
Graduado em Estatística pela UEPB, Pesquisador no Laboratório de pesquisa em fluidos de perfuração – Peflab/UFCG, Campina Grande-PB, Brasil.
Mestre em Estatística pela UFPE, Doutoranda em programa de Biometria e Estatística Aplicada pela UFRPE, Recife-PE, Brasil.
Doutor em Biometria e Estatística Aplicada pela UFRPE, professor na Universidade Estatual da Paraíba, Campina Grande-PB, Brasil.
Doutor em Biometria e Estatística Aplicada pela UFRPE, professor no Departamento de Estatística e Informática (DEINFO-UFRPE). Recife-PE, Brasil.
Referências
ABEEÓLICA. Associação Brasileira de Energia Eólica. 2022. Disponível em: http://abeeolica.org.br/ Acesso em: 20 mar. 2026.
AKAIKE, H. A new look at the statistical model identification. IEEE Transactions on Automatic Control, v. 19, p. 716–723, 1974.
ANEEL. Agência Nacional de Energia Elétrica. Recorde na expansão da geração: matriz elétrica brasileira teve aumento de 10,3 GW em 2023. São Paulo: Aneel, 2024. Disponível em: https://www.gov.br/aneel/pt-br/assuntos/noticias/2024/recorde-na-expansao-da-geracao-matriz-eletrica-brasileira-teve-aumento-de-10-3-gw-em-2023 Acesso em: 20 mar. 2026.
ARNOLD, B. C. Pareto distributions. [S.l.]: International Cooperative Publishing House, 1983.
BAGCI, K.; ARSLAN, T.; CELIK, H. E. Inverted Kumarswamy distribution for modeling the wind speed data: Lake Van, Turkey. Renewable and Sustainable Energy Reviews, v. 135, p. 110110, 2021.
CHEN, G.; BALAKRISHNAN, N. A general purpose approximate goodness-of-fit test. Journal of Quality Technology, v. 27, p. 154–161, 1995.
CORPORATION, M.; WESTON, S. DoParallel: Foreach parallel adaptor for the “parallel” package. 2022. Disponível em: https://CRAN.R-project.org/package=doParallel Acesso em: 20 mar. 2026.
COSTA NETO, P. L. O.; BEKMAN, O. R. Análise estatística da decisão. 2. ed. São Paulo: Blücher, 2009.
DE GUSMÃO, F. R. et al. Analyzing and solving the identifiability problem in the exponentiated generalized Weibull distribution. Journal of the Egyptian Mathematical Society, v. 29, p. 1–17, 2021.
DOS SANTOS, F. S. et al. Brazilian wind energy generation potential using mixtures of Weibull distributions. Renewable and Sustainable Energy Reviews, v. 189, p. 113990, 2024. Disponível em: https://www.sciencedirect.com/science/article/abs/pii/S1364032123008481 Acesso em: 20 mar. 2026.
ENEL GREEN POWER. Hélice eólica. [S. l.]: Enel Green Power, 2024. Disponível em: https://www.enelgreenpower.com/pt/learning-hub/energias-renoveveis/energia-eolica/helice-eolica Acesso em: 20 mar. 2026.
ENGIE. Rio Grande do Norte avança na produção de energia eólica. Além da Energia, 2022. Disponível em: https://www.alemdaenergia.engie.com.br/rio-grande-do-norte-avanca-na-producao-de-energia-eolica/ Acesso em: 20 mar. 2026.
FISK, P. R. The log-logistic distribution. Journal of the American Statistical Association, v. 56, p. 245–249, 1961.
GORAYEB, A.; BRANNSTROM, C. Toward participatory management of renewable energy resources (wind-farm) in northeastern Brazil. Mercator, v. 15, p. 101–115, 2016.
GUMBEL, E. J. Statistics of extremes. New York: Columbia University Press, 1958.
HAGER, R. M.; BAIN, L. J. Inferential procedures for the log-gamma distribution. Journal of the American Statistical Association, v. 65, p. 1601–1609, 1970.
HANNAN, E. J.; QUINN, B. G. The determination of the order of an autoregression. Journal of the Royal Statistical Society: Series B, v. 41, p. 190–195, 1979.
HORN, D. A. Análise numérica da esteira aerodinâmica formada por uma turbina eólica com dimensionamento ótimo de Betz. Revista Brasileira de Ensino de Física, 2010. Disponível em: https://lume.ufrgs.br/handle/10183/26540 Acesso em: 20 mar. 2026.
HOSSAIN, M. E. Application of Gaussian mixture regression model for short-term wind speed forecasting. In: North American Power Symposium (NAPS). [S. l.]: IEEE, 2017. p. 1–6.
INSTITUTO NACIONAL DE METEOROLOGIA (INMET). Dados meteorológicos. 2025. Disponível em: https://www.inmet.gov.br Acesso em: 20 mar. 2026.
JABER, S. Environmental impacts of wind energy. Journal of Clean Energy Technologies, v. 1, p. 251–254, 2013.
JOHNSON, N. L.; KOTZ, S.; BALAKRISHNAN, N. Continuous univariate distributions. v. 2. New York: John Wiley & Sons, 1995.
KOTZ, S.; BALAKRISHNAN, N.; JOHNSON, N. L. Continuous multivariate distributions: models and applications. New York: John Wiley & Sons, 1994.
MARZOUK, O. A. Wind speed Weibull model identification in Oman and computed normalized annual energy production. Engineering Reports, v. 7, e70089, 2025.
MCLACHLAN, G. J.; PEEL, D. Finite mixture models. New York: John Wiley & Sons, 2000.
MICROSOFT; WESTON, S. Foreach: provides foreach looping construct. Versão 1.5.2, 2022. Disponível em: https://CRAN.R-project.org/package=foreach Acesso em: 20 mar. 2026.
MOOIJAART, A. et al. A least squares algorithm for a mixture model for compositional data. Computational Statistics & Data Analysis, v. 30, p. 359–379, 1999.
MUDELSEE, M. Trend analysis of climate time series: a review of methods. Earth-Science Reviews, v. 190, p. 310–322, 2019.
MUDHOLKAR, G. S.; SRIVASTAVA, D. K.; KOLLIA, G. D. A generalization of the Weibull distribution. Journal of the American Statistical Association, v. 90, p. 267–276, 1995.
NASCIMENTO, E. G. S. et al. Um algoritmo baseado em técnicas de agrupamento para detecção de anomalias em séries temporais. In: SHITSUKA, R.; SHITSUKA, D. M. (org.). Estudos e práticas de aprendizagem de matemática e finanças com apoio de modelagem. Rio de Janeiro: Ciência Moderna, 2015. p. 55–86.
OLIVEIRA, E. R. de et al. Análise estatística do vento à superfície no Nordeste do Brasil. 2024. 54 f. Dissertação (Mestrado em Meteorologia) – Instituto de Ciências Atmosféricas, Programa de Pós Graduação em Meteorologia, Universidade Federal de Alagoas, Maceió, 2024. Disponível em: https://www.repositorio.ufal.br/jspui/handle/123456789/15927 Acesso em: 20 mar. 2026.
ORGANIZAÇÃO DAS NAÇÕES UNIDAS (ONU). Causes and effects of climate change. Geneva: ONU, 2024. Disponível em: https://www.un.org/pt/climatechange/science/causes-effects-climate-change Acesso em: 20 mar. 2026.
PEREIRA, A. S. et al. Metodologia da pesquisa científica. Santa Maria: Editora da UFSM, 2018. (E-book).
R PROJECT. R Project for Statistical Computing. 2010. Disponível em: http://www.r-project.org/ Acesso em: 20 mar. 2026.
RISEMBERG, R. I. C. et al. A importância da metodologia científica no desenvolvimento de artigos científicos. E-Acadêmica, v. 7, n. 1, e0171675, 2026. Disponível em: https://eacademica.org/eacademica/article/view/675 Acesso em: 20 mar. 2026.
ROSS, S. Probabilidade: um curso moderno com aplicações. Porto Alegre: Bookman, 2009.
SCHWARZ, G. Estimating the dimension of a model. The Annals of Statistics, p. 461–464, 1978.
SHITSUKA, R. et al. Matemática fundamental para tecnologia. 2. ed. São Paulo: Érica, 2014.
SILVEIRA, F. et al. Modelling wind speed with a univariate probability distribution. Hacettepe Journal of Mathematics and Statistics, p. 1–20, 2023.
STEFANELLO, C.; MARANGONI, F.; ZEFERINO, C. L. A importância das políticas públicas para o fomento da energia solar fotovoltaica no Brasil. In: CONGRESSO BRASILEIRO DE ENERGIA SOLAR (CBENS). 2018.
WANG, Y. et al. Bayesian infinite mixture models for wind speed distribution estimation. Energy Conversion and Management, v. 236, p. 113946, 2021. Disponível em: https://www.sciencedirect.com/science/article/pii/S0196890421001229 Acesso em: 20 mar. 2026. DOI: https://doi.org/10.1016/j.enconman.2021.113946
ZHAO, L. et al. A location-centric transformer framework for multi-location short-term wind speed forecasting. Energy Conversion and Management, v. 328, p. 119627, 2025.
Licença
Copyright (c) 2026 RECIMA21 - Revista Científica Multidisciplinar - ISSN 2675-6218
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Os direitos autorais dos artigos/resenhas/TCCs publicados pertecem à revista RECIMA21, e seguem o padrão Creative Commons (CC BY 4.0), permitindo a cópia ou reprodução, desde que cite a fonte e respeite os direitos dos autores e contenham menção aos mesmos nos créditos. Toda e qualquer obra publicada na revista, seu conteúdo é de responsabilidade dos autores, cabendo a RECIMA21 apenas ser o veículo de divulgação, seguindo os padrões nacionais e internacionais de publicação.