Modelos de Geradores O Gerador Fotovoltaico (FV)

Um dos recursos representados através de variáveis aleatórias é o recurso solar fotovoltaico. Outros recursos de geração, como o eólico, poderiam ter sido escolhidos, contudo a escolha dos recursos solares fotovoltaicos fundamenta-se na publicação, em Abril de 2012, da Resolução Normativa (RN) nº 482, posteriormente modificada pela Resolução nº 517. Essa resolução permitiu o acesso da micro e minigeração aos sistemas de distribuição, servindo como estímulo à geração distribuída. A RN Nº 482 define a microgeração distribuída como uma "central geradora de energia elétrica com potência instalada menor ou igual a 100 KW", e a minigeração distribuída como uma "central geradora superior a 100 KW e menor ou igual a 1 MW". Ambas devem utilizar fontes com base em energia hidráulica, solar, eólica, biomassa ou cogeração qualificada, conforme regulamentação da ANEEL, e devem ser conectadas na rede de distribuição por meio de instalações de unidades consumidoras. Dentre as diversas fontes de geração renovável, acredita-se que a geração FV possui grande potencial de penetração devido à sua facilidade de instalação e ao tamanho dos painéis fotovoltaicos, mesmo que para sua instalação ainda seja necessário um investimento relativamente alto quando comparado a outros tipos de geradores (EPE, 2014).

O modelo de produção dos geradores FV em problemas de despacho econômico baseia-se nas características da radiação solar, pois a produção fotovoltaica é proporcional à radiação que incide nos painéis. As variações da radiação solar podem ser causadas primeiramente pelo movimento das nuvens, a formação de nuvens, e pela dissipação de nuvens, além de sofrer influência da posição geográfica dos painéis e da temperatura. Segundo Zhang et al. (2015), é importante que as métricas de previsão levem em consideração os tipos de erros que têm potencial maior para impactar a operação do sistema. Segundo esses autores as ferramentas de previsão da geração fotovoltaica podem ser classificadas em: 1) "melhoramentos da previsão uniforme", quando a rampa da radiação não é representada; 2) "melhorias na previsão da magnitude da rampa"; e 3) "previsão da rampa com modificações no limiar. Ainda segundo eles, a melhoria das técnicas de previsão da geração FV para diferentes escalas de tempo, permite o acesso

48 aos impactos provocados por esse recurso no custo operacional e na confiança da operação do sistema. Alguns exemplos de métricas estatísticas que permitem a análise de mudanças na precisão da previsão solar com rampa são a assimetria, curtose e entropia de Renyi. No modelo de despacho proposto nesta tese a variação da geração FV também é observada em diferentes escalas de tempo: (i) no problema de pré-despacho considera-se a resolução horária; e (ii) no problema de despacho considera-se a geração FV com resolução de quinze (15) minutos.

Outra abordagem interessante aprecia o erro de previsão de potência dos geradores fotovoltaicos que também depende do erro de medição de variáveis climáticas. Segundo Ressem and Reley (2012) a variável climática com a maior influência sobre a previsão da produção de potência de um gerador FV é a radiação. Convencionalmente, a potência aumenta com o aumento da radiação. A radiação média diária é unimodal, com assimetria que varia com a localização geográfica, em resposta à frequência relativa ao movimento das nuvens. Contudo, segundo os autores não há evidência empírica da relação entre a escala de tempo e o movimento das nuvens, contrariando Zhang et al. (2015). O que se sabe é que o cálculo da média da radiação pode diminuir a variação nos dados médios devido à remoção de valores extremos e às alterações na distribuição de potência que podem se propagar em outras medidas que são calculadas a partir da potência, como a energia.

Por sua vez, Ikeda e Ogimoto (2014) apresentam uma técnica para se chegar à distribuição de probabilidade do erro de previsão da geração FV. Segundo os autores, é esperado que a flutuação no curto prazo seja o principal componente do erro de previsão, porque a mesma não pode ser prevista. Os autores assumem que o menor limite do erro de previsão é idêntico às flutuações de curto-prazo. Quando a previsão da produção de geração fotovoltaica é realizada para diferentes locais e o número de lugares de previsão é pequeno, o erro de previsão para todo o sistema envolve a correlação cruzada entre os locais e, consequentemente, o erro se torna grande. Por outro lado, se o número de lugares para a previsão é grande, o erro de previsão de todo o sistema não envolve a correlação cruzada entre os locais e, consequentemente, o erro torna-se pequeno. Se considerarmos que em um futuro próximo sistemas FV instalados serão amplamente distribuídos em vários lugares, o erro de previsão de todo o sistema está previsto para estar entre esses dois casos extremos. O problema abordado na tese não considera a correlação cruzada entre geradores FV localizados em barras diferentes do sistema, por isso, não aborda-se técnicas de representação do erro de previsão espaço-temporais, que podem ser abordadas futuramente. Considera-se no modelo de pré-despacho desta tese que o erro de previsão é

49 relacionado à diferença entre o valor estimado para um dia à frente e o valor atual da produção FV.

Por outro lado, Surender Reddy, Bijwe e Abhyankar (2015) afirmam que a geração solar é menos estocástica, porém possui maior variação que a geração eólica. Os autores representam a geração fotovoltaica em escalas de tempo com resolução de 5 a 15 minutos, negligenciando a temperatura da célula. A função de produção, bastante similar à utilizada neste trabalho, considera a razão entre a radiação prevista ao quadrado e a radiação em um ambiente padrão. Posteriormente, multiplica-se essa razão por um certo ponto de radiação, que é constante para todos os valores de radiação previstos. Maiores detalhes sobre a técnica de previsão da radiação e do modelo de produção utilizados neste trabalho são apresentados no Capítulo 3.

De forma geral, representa-se a estocasticidade da produção solar FV através da radiação solar utilizando-se técnicas de geração de cenários como em (Mazidi et al., 2014). Outro recurso modelado como aleatório neste trabalho é a carga do sistema. Pode-se dizer que mais que isso, modela-se o comportamento de diversos tipos de consumidores que podem estar presentes em um sistema de distribuição. Uma revisão bibliográfica sobre o tema é apresentada na sequência.