A energia eólica é uma fonte de energia limpa, renovável e verde e possui potencial que pode ser confiável a longo prazo. A previsão acurada da velocidade e da potência do vento tornou-se uma tarefa crítica com impacto profundo e grandes benefícios para a sociedade, reduzindo a imprevisibilidade e a aleatoriedade da capacidade de produção de uma usina eólica, possibilitando prever e otimizar a estabilidade do sistema. A modelagem da velocidade do vento por uma função densidade de probabilidade (FDP) contribui para a estimativa da densidade de potência produzida, que, por sua vez, leva a uma estimativa do potencial de energia eólica em um determinado local. A FDP, que melhor descreve a curva de distribuição de velocidade do vento, é o modelo mais apropriado para avaliação do potencial de energia produzida. Este trabalho foi desenvolvido sob a hipótese de que funções densidades de probabilidades bimodais, compostas por mistura de dois componentes unimodais, apresentam melhores desempenhos que funções unimodais na modelagem da distribuição de velocidades médias horárias de ventos em diferentes regimes e conduzem a estimativas mais acuradas da densidade de potência eólica em uma região, com os seguintes objetivos: (a) investigar o uso de modelos teóricos probabilísticos, unimodais e bimodais, para modelar dados de velocidade do vento; (b) analisar o desempenho do uso de modelos teóricos funções densidades de probabilidades para estimar a densidade de potência do vento visando o embasamento científico nas tomadas de decisão quanto à geração de energia eólica e (c) estabelecer um ranqueamento de modelos teóricos probabilísticos para estimar a densidade de potência de energia eólica para diferentes regimes de vento. Foram analisadas dez funções densidades de probabilidades aplicadas a dados horários de velocidade de ventos obtidos em estações meteorológicas do Inmet de quatro localidades nas estações do ano, a saber: Rio Grande RS; Aquiraz CE; Luiz Eduardo Magalhães BA e Imperatriz MA. As FDPs utilizadas foram Weibull de dois parâmetros; Gumbel de dois parâmetros; Burr de três parâmetros; generalizada de valores extremos de três parâmetros; Burr de quatro parâmetros; Kappa de quatro parâmetros, mistura de dois componentes de Weibull com cinco parâmetros; mistura de dois componentes de Gumbel com cinco parâmetros; mistura de um componente de Gev e outro componente de Wei com seis parâmetros e mistura de um componente de Burr e outro componente de Gev com sete parâmetros. Entre as dez distribuições, foram analisadas quatro de mistura de dois componentes, que podem se ajustar melhor aos regimes de ventos bimodais. As outras seis distribuições são unimodais com múltiplos parâmetros. As estimações dos parâmetros das FDPs foram realizadas pelos métodos da máxima verossimilhança e L-momentos utilizando-se o Software Anaconda em conjunto com linguagens de programação e pacotes R e Python. Utilizaram-se os índices de desempenho Kolmogorov-Smirnov (KS), raiz quadrada do erro médio (RMSE), erro médio absoluto relativo (PMARE%) e critério de informação de Akaike (AIC). Também foram calculados os erros absolutos relativos entre probabilidades observadas e estimadas; construídos gráficos 1:1 (y=x) para os percentis estimados e observados e confeccionados histogramas de frequências para valores de probabilidades observadas e estimadas. A densidade de potência média observada em cada estação do ano foi comparada com a densidade de potência estimada pelas diferentes FDPs analisadas. Concluiu-se que (a) as funções densidades de probabilidades que se ajustaram com maior acurácia à distribuição das velocidades horárias dos ventos reduziram os erros nas estimativas de produção de energia eólica para uma determinada região de estudo e estação do ano; (b) ocorreram variações apreciáveis no desempenho das FDPs analisadas para todas as regiões estudadas devido ao comportamento estocástico da velocidade do vento, indicando distribuições distintas a depender da estação do ano, portanto, uma única distribuição não pode ser universalmente indicada; (c) entre todas as FDPs analisadas, os melhores desempenhos em modelar a velocidade do vento pertencem ao grupo das distribuições de mistura bimodais; (d) considerando todas as regiões analisadas, independentemente da estação do ano, melhor desempenho para estimar a densidade de potência do vento visando a geração de energia eólica foi obtido pela FDP de mistura de dois componentes de Weibull (WeiWei), sendo esta considerada a escolha mais adequada; (e) entre as FDPs unimodais analisadas, a Kappa ofereceu melhores resultados na estimativa das probabilidades de velocidades horárias de ventos e na densidade de potência eólica; e (f) a FDP de Weibull, largamente utilizada para modelar distribuições de probabilidades de velocidades horárias de ventos para aplicações em engenharia eólica, não apresentou bom desempenho para os regimes de ventos estudados.

Wind energy is a clean, renewable and green energy source and has potential that can be reliable in the long period of time. Accurately predicting wind speed and power density has become a critical task with a profound impact and great benefits for society, reducing the unpredictability and randomness of a wind farm's production capacity, allowing to predict and optimize the stability of the system. Modeling wind speed by a probability density function (PDF) contributes to the estimation of the power density produced, that allows estimate of the wind energy potential to a location. The PDF, which best describes the wind speed distribution curve, is the most appropriate model for evaluating the potential energy produced. This work was developed under the hypothesis that bimodal probability density functions, composed of a mixture of two unimodal components, perform better than unimodal functions in modeling the distribution of hourly average wind speeds in different regimes and lead to more accurate density estimates of wind power in a region, with the following objectives: (a) investigate the use of probabilistic theoretical models, unimodal and bimodal, to model wind speed data; (b) analyze the performance of using theoretical models and probability density functions to estimate wind power density with a view to providing a scientific basis for decision-making regarding wind energy generation and (c) establish a ranking of probabilistic theoretical models to estimate the power density of wind energy for different wind regimes. Ten probability density functions were analyzed applied to hourly wind speed data obtained from Inmet meteorological stations in four locations in all four seasons: Rio Grande RS; Aquiraz CE; Luiz Eduardo Magalhães BA and Imperatriz MA. The PDFs used were two-parameter Weibull; Two-parameter Gumbel; Three-parameter Burr; Generalized Extreme Values of Three parameters; Four-parameter Burr; Four-parameter kappa, Five-parameter Weibull two-component mixture; Gumbel two-component mixture with five parameters; mixture of a Gev component and another Wei component with six parameters and mixture of a Burr component and another Gev component with seven parameters. Among the ten distributions, four with two-component mixtures were analyzed, which can better adjust to bimodal wind regimes. The other six distributions are unimodal with multiple parameters. The estimations of PDF parameters were carried out using the maximum likelihood and L-moments methods using the Anaconda Software in conjunction with programming languages R and Python. The Kolmogorov-Smirnov (KS), root mean square error (RMSE), mean relative absolute error (PMARE%) and Akaike information criterion (AIC) performance indices were used. The relative absolute errors between observed and estimated probabilities were also calculated; 1:1 graphs (y=x) were constructed for the estimated and observed percentiles and frequency histograms were created for observed and estimated probability values. The power density observed in each season of the year was compared with the power density estimated by the different FDPs analyzed. It was concluded (a) the probability density functions that adjusted more accurately to the distribution of hourly wind speeds reduced errors in wind energy production estimates for a given study region and season; (b) there were appreciable variations in the performance of the FDPs analyzed for all regions studied due to the stochastic behavior of wind speed, indicating different distributions depending on the season, therefore, a single distribution cannot be universally indicated; (c) among all the PDFs analyzed, the best performances in modeling wind speed belong to the group of bimodal mixture distributions; (d) considering all regions analyzed, regardless of the season, the best performance for estimating wind power density for wind energy generation was obtained by the Weibull two-component mixture PDF (WeiWei), which is considered the most appropriate choice; (e) among the unimodal FDPs analyzed, Kappa offered better results in estimating the probabilities of hourly wind speeds and wind power density; and (f) the Weibull PDF, widely used to model probability distributions of hourly wind speeds for applications in wind engineering, did not perform well for the wind regimes studied.