Previsão da velocidade do vento no horizonte de um dia para geração eólica: uma revisão sistemática

Abstract

A previsão precisa da velocidade do vento e da potência eólica no horizonte de um dia (day-ahead) é essencial para a operação eficiente de sistemas elétricos com alta penetração de fontes renováveis, impactando diretamente o despacho econômico e a segurança energética. Este trabalho apresenta uma revisão sistemática da literatura sobre as metodologias de previsão eólica desenvolvidas entre 2016 e 2025, seguindo as diretrizes do protocolo PRISMA. Foram analisados modelos físicos (NWP), estatísticos, de aprendizado de máquina e híbridos, com ênfase na aplicação de técnicas de Deep Learning como LSTM (Long Short-Term Memory) e GRU (Gated Recurrent Unit). Os resultados demonstram que arquiteturas híbridas e de aprendizado profundo superam consistentemente os métodos tradicionais, com destaque para a GRU, que alcançou coeficiente de determinação (R2 ) de 0,9727 em estudos recentes, aliando alta precisão à eficiência computacional. Observou-se também que técnicas de decomposição de sinal, como a VMD (Variational Mode Decomposition), proporcionam reduções significativas de erro, embora com maior custo computacional. No contexto brasileiro, evidenciou-se a necessidade de modelos robustos capazes de capturar a variabilidade dos regimes de ventos alísios e as transições de estabilidade noturna. O estudo conclui que a integração de modelos físicos com redes neurais artificiais constitui a tendência dominante e mais promissora para mitigar as incertezas inerentes à geração eólica.

Accurate forecasting of wind speed and power in the day-ahead horizon is essential for the efficient operation of power systems with high renewable penetration, directly impacting economic dispatch and energy security. This work presents a systematic literature review on wind forecasting methodologies developed between 2016 and 2025, following the PRISMA protocol guidelines. Physical (NWP), statistical, machine learning, and hybrid models were analyzed, with emphasis on the application of Deep Learning techniques such as LSTM (Long Short-Term Memory) and GRU (Gated Recurrent Unit). The results demonstrate that hybrid and deep learning architectures consistently outperform traditional methods, highlighting GRU, which achieved a coefficient of determination (R2 ) of 0.9727 in recent studies, combining high accuracy with computational efficiency. It was also observed that signal decomposition techniques, such as VMD (Variational Mode Decomposition), provide significant error reductions, albeit with higher computational cost. In the Brazilian context, the need for robust models capable of capturing the variability of trade wind regimes and nocturnal stability transitions was evidenced. The study concludes that integrating physical models with artificial neural networks constitutes the dominant and most promising trend to mitigate the uncertainties inherent in wind generation.