Teixeira, João TeixeiraPoubel , Raphael Paulo BragaCampos, Letícia Góes2025-11-112025-11-1120252025http://hdl.handle.net/10198/35036This thesis presents the development and evaluation of artificial neural network models applied to short-term wind power generation forecasting in a wind farm. The main objective of the study was to explore the performance of Multi-Layer Perceptron (MLP) and Long Short-Term Memory (LSTM) architectures, using real data from wind turbines collected by SCADA systems between 2016 and 2017 in Portugal. Data preprocessing included normalization techniques, seasonal decomposition, and the construction of sliding windows for temporal modeling. Several configurations of MLP and LSTM were implemented, varying in the number of neurons, hidden layers, and training strategies, including early stopping and different data partitioning approaches. The evaluation employed statistical metrics to assess forecasting accuracy, including RMSE, NRMSE, and R2. Early stopping and randomized data splits were analyzed to enhance model performance and robustness. The models achieved results above 83% for the coefficient of determination (R2). The main objective of this work was to develop MLP and LSTM models capable of accurately predicting the average power output of a wind turbine in a short-term horizon. To achieve this, different layer configurations, neuron counts, and validation techniques were tested for both approaches. Additionally, both single-variable and multivariable inputs were considered for the LSTM models. Finally, the three best-performing models were selected based on the evaluation metrics and compared with existing studies in the literature.Esta dissertação apresenta o desenvolvimento e a avaliação de modelos de redes neurais artificiais aplicados à previsão de curto prazo da geração de energia em um parque eólico. O objetivo principal do estudo foi explorar o desempenho das arquiteturas Multi-Layer Perceptron (MLP) e Long Short-Term Memory (LSTM) para a previsão da potência média produzida por uma turbina eólica em um horizonte de curto prazo, utilizando dados reais de turbinas eólicas coletados por sistemas SCADA no período de 2016 a 2017, em Portugal. O pré-processamento dos dados incluiu técnicas de normalização, decomposição sazonal e construção de janelas deslizantes para modelagem temporal. Diversas configurações de MLP e LSTM foram implementadas, com variações no número de neuróneos, camadas ocultas e estratégias de treinamento, incluindo parada antecipada e diferentes formas de divisão dos dados. A avaliação utiliza métricas estatísticas para avaliar a precisão da previsão, incluindo RMSE, NRMSE e R2. Paradas antecipadas e divisões aleatórias do conjunto de dados foram avaliadas para aumentar o desempenho e a robustez do modelo. Os modelos obtiveram resultados acima de 85% para o coeficiente de determinação (R2). Por fim, foram selecionados os três modelos com melhor desempenho de acordo com as métricas de avaliação e comparou-se com os trabalhos disponíveis na literatura.porArtificial neural networksWind powerMulti-layer perceptronPythonForecastingTime series predictionLSTMmaster thesis204045266