Níveis de Intermitência

Não existe padrão para avaliar a previsão e o desempenho do potencial de fontes intermitentes uma vez que cada método possui uma aplicação diferente em que pode prever o potencial em curto prazo enquanto outros a previsão pode ser feita para horizontes temporais longos ou até mesmo de acordo com as necessidades particulares dos estudos ou levantamentos realizados.

Com isto se faz necessário o conhecimento dos níveis de intermitência das fontes complementares para se definir qual será o modelo que o operador definirá para aplicação, sendo que cada método tem capacidade de previsão diferente de acordo com o período de previsão ou horizonte temporal de previsão, podendo ser divididos em 4 categorias de acordo com a aplicação na operação do sistema elétrico como indicado na Tabela 18 (SOMAN et al, 2010; DONGMEI et al, 2011):

Tabela 18 - Níveis de Intermitência

Horizonte

Temporal Previsão à Frente Aplicação

Curtíssimo prazo

Poucos minutos a 1 h a frente

Compensação do mercado a curto prazo. Operações da rede em tempo real.

Ações para regulação de controle e estabilidade da qualidade de energia.

Curto prazo 1 h a várias horas a

frente

Planejamento econômico do despacho. Decisões sobre a carga e segurança da qualidade e

do fornecimento de energia. Operação no mercado de eletricidade

Médio prazo Várias horas a 1

semana a frente

Planejamento de reservas e Otimização do despacho energético, mantendo ou desligando geradoras da

rede.

Longo prazo 1 semana a 1 ano ou

mais à frente, sazonal

Estudo de viabilidade de projeto sobre a produção Planejamento de manutenção e da gestão de operação, prevendo a integração com outras fontes.

2.4.1.1. Modelos de Previsão de Potencial

As fontes intermitentes de energia têm como característica poderem ser despachadas apenas nos períodos de disponibilidade sendo que os métodos de previsão têm papel primordial para os operadores do sistema gerenciem a operação da rede e programem o despacho desses recursos em função de outros recursos que

apresentam maior capacidade de controle. Então, quanto mais precisa for a previsão da disponibilidade dos recursos intermitentes, mais confiável será sua inserção na matriz energética com redução da necessidade de reservas energéticas, podendo ser alocado no equilíbrio entre geração e carga, e trabalhando no mercado Spot de eletricidade.

Sendo assim, para a previsão do potencial eólico existem 6 (seis) grupos de técnicas de previsão, onde cada uma possui sua própria característica, não existindo padrão para avaliar qual possui melhor desempenho, já que cada método possui aplicação distinta, em que alguns são melhores para prever o potencial em curto prazo enquanto outros em horizontes temporais ou para a particularidade que se necessita (CHANG, 2014):

 Método Persistência: Admite que a potência eólica ou velocidade do vento, e a

potência solar ou radiação solar terá comportamento semelhante num certo período futuro, é muito preciso na previsão dos recursos em curtíssimo prazo, porém perdendo toda a validade à medida que se aumenta o horizonte temporal de previsão. É amplamente difundida em empresas do setor elétrico pois é o método mais simples e econômico nesta escala temporal;

 Métodos Determinísticos: Mais utilizados na previsão eólica, se baseia na

previsão numérica do tempo, que utiliza dados de previsão meteorológica, como temperatura, pressão atmosférica, rugosidade da superfície e obstáculo. São modelos desenvolvidos por meteorologistas que definem as previsões climáticas locais, onde os parques localizados nessas áreas utilizam esses dados para estimar o potencial de geração (CHANG, 2014). São necessários computadores com grande capacidade para resolver estes modelos matemáticos, sendo associados a alto custo de execução e realizados poucas vezes ao dia, sendo mais usual para previsões de curto prazo (SOMAN et al, 2010);

 Métodos Empíricos: Estes métodos buscam encontrar a relação entre os dados

medidos, ajustando os parâmetros do modelo através da iteração da diferença entres as velocidades dos ventos previstas e as velocidades reais medidas, também podendo ser aplicado ao caso da radiação solar (SOMAN et al, 2010). São empregados em muitas áreas da ciência como engenharia e economia.

São modelos matemáticos mais baratos e de menor complexidade de modelagem. Tem melhor previsão em curto prazo, já que os erros aumentam à medida que a escala de previsão é maior. Dentro dos Métodos Estatísticos destacam-se:

o Modelo Auto Regressivos (AR);

o Modelo Auto Regressivo de Médias Móveis (ARMA);

o Modelo Auto Regressivo Integrado com Médias Móveis (ARIMA); o Modelo Bayesiano.

 Modelos de Correlação Espacial: Têm como fundamento buscar a relação do

comportamento das séries históricas temporais de vários locais onde os dados estejam disponíveis, geralmente estações meteorológicas, e correlacionar os dados com o local a ser previsto, caracterizando o comportamento do vento ou da radiação solar para o local em estudo ou análise (CARTA et al, 2013). Este método pode ser aplicado de diversas maneiras com em ALEXIADIS et al (2004) que através da correlação cruzada utilizando abordagem de redes neurais obteve previsões precisas para a velocidade do vento para o período de previsão de horas. No caso de CHANG (2004), foi realizada a correlação dos dados disponíveis em estações meteorológicas localizadas à frente do local de interesse com dados de estações remotas gerando previsão com alta precisão nas análises. Outro método de correlação espacial muito difundido na literatura para previsão do potencial eólico é o Medir-Correlacionar-Prever, utilizado na fase de planejamento, para caracterizar o potencial eólico do local em questão durante todo o seu ciclo de vida (20 anos), ou seja, previsão em longo prazo. Como geralmente os dados para o local da futura instalação são escassos, se utiliza da base de dados de estações meteorológicas das proximidades que possuam séries históricas longas, correlacionando os comportamentos destas séries de maior duração com a série curta do local em questão, gerando a previsão do comportamento em longo prazo do futuro empreendimento (CARTA et al, 2013).

 Modelos de Inteligência Artificial (IA): Há vários métodos que empregam a IA,

Neuro-Fuzzy (ANFIS), e outras derivações da IA. Estes modelos são eficazes em previsões em curto prazo (CHANG, 2014).

Como exemplo as Redes Neurais Artificiais (ANN) são inspiradas pelas conexões neurais do cérebro, em que os “neurônios” são dotados de algoritmos de aprendizagem (funções de ativação) conectados entre si que através da entrada dos dados de vento e radiação solar reconhecem padrões, ativando os neurônios que associam a dependência entre os dados de entrada ponderando os coeficientes de validação para gerar a série sintética adequada, e a partir das séries sintéticas de saída comparam- nas aos erros de predição, repetindo o processo de aprendizado até que defina a série que melhor caracteriza o comportamento do vento ou radiação solar do local em questão (FLORES et al, 2012). Os outros métodos trabalham com a mesma característica de aprendizagem, porém utilizam diferentes ferramentas de reconhecimento das entradas relacionando elas entre suas variáveis dependentes.

 Métodos Híbridos: Utiliza das vantagens de cada característica dos modelos,

adequando as necessidades requeridas para melhor precisão e desempenho das previsões. Podendo haver a mixagem de diferentes formas de combinações, como combinando técnicas de curto e médio prazo, inserindo abordagens físicas em métodos estatísticos, físicos com inteligência artificial, entre outras combinações.