Ao longo do tempo têm surgido vários desenvolvimentos com o objetivo de reduzir os erros das respetivas previsões da velocidade do vento, previsão eólica, previsão das correlações espaciais, previsão regional, previsão probabilística bem como nas previsões dos parques eólicos
offshore. Seguidamente são apresentadas algumas sugestões com o objetivo de ajudar a
melhorar a precisão dos modelos de previsão usados [4].
2.3.5.1 Kalman Filtering
A informação precisa dos NWPs têm uma enorme importância para a previsão da velocidade do vento e da energia produzida. No entanto, reduzir a incerteza dos NWPs, conduz a melhorias significativas das previsões. Os algoritmos Kalman Filtering são então aplicados para filtrar os erros sistemáticos, fornecendo ótimas estimativas recursivas através da combinação de recentes observações ponderadas que minimizam os respetivos BIAS [4].
2.3.5.2. Combinações Ótimas
A combinação de diferentes NWPs ou de diferentes modelos, possibilita adquirir as vantagens de cada modelo, melhorando assim as previsões efetuadas. Para além deste fator, estas combinações podem reduzir o risco quando se está perante cenários extremos [4].
2.3.5.3. Spatial Smoothing Effects
Como já foi referido, as previsões a nível regional são uma importante aquisição para o operador de sistema, possibilitando o cálculo de uma estimativa da produção total através da energia eólica. As flutuações da potência combinada dos vários parques eólicos são amortecidas, o que resulta numa diminuição das flutuações de energia produzida a nível regional quando comparada com as previsões individuais para cada parque eólico – spatial
smoothing effects. Este fator leva a uma especial atenção e motivação no desenvolvimento de
30
2.3.5.4. Statistical Downscalling
O desenvolvimento de melhores NWPs, que são normalmente os dados primários usados como entrada para os modelos de previsão, implica melhorar também a precisão das previsões efetuadas. Os NWPs estão somente acessíveis para pontos da rede elétrica que geralmente correspondem a áreas que são mais extensas do que os próprios parques eólicos. Assim, estimar por exemplo a velocidade do vento num dado local, leva a que haja mais precisão na previsão eólica, utilizando esses valores estimados como dados de entrada para os modelos de previsão. A ideia principal de Statistical Downscalling é usar cálculos com maiores resoluções através da implementação de dados físicos mais completos que consigam trazer informação física mais detalhada das condições de um local específico, melhorando assim o desempenho dos modelos de previsão [4].
2.3.5.5. Input Parameter Selection
A seleção de parâmetros usados para entradas dos modelos de previsão, é crucial para o bom desempenho das previsões. Muitos parâmetros de entrada têm sido estudados e, através da literatura, é possível perceber que este fato tem ajudado muito na redução dos erros de previsão. A inclusão de observações que são feitas fora do local onde estão as turbinas eólicas, com os modelos NWPs, são uma mais-valia para a precisão da previsão. O uso de alguns parâmetros meteorológicos como entradas, como a direção e a velocidade do vento, temperatura e pressão, ajudam também na minimização do erro da previsão. Além destes fatores, também a transformação de dados em relação à própria velocidade do vento potencializam a precisão das previsões. Existem já algumas técnicas de manipulação de dados como é o caso da Wavelet Decomposition, Empirical Mode Decomposition e Frequency Domain
Approach [4].
2.3.5.6. Power Curve Modeling
Quando se converte a velocidade do vento em energia elétrica produzida, as imprecisões devido a relações não lineares conduzem à existência de mais erros. A energia eólica bem como a velocidade do vento estão relacionadas através de uma relação cúbica, que por conseguinte leva a que, quando existem pequenas variações na velocidade do vento, haja maiores desvios na energia elétrica produzida. Assim, havendo uma relação mais precisa entre a velocidade do vento e a energia produzida, o erro relativo à conversão da velocidade do vento em energia elétrica produzida diminui consideravelmente.
31
O modelo convencional da curva de potência estende-se para o modelo de previsão de um respetivo parque eólico pela adição da dependência da direção do vento com a sua velocidade. Este modelo da curva de potência de duas dimensões (direção e velocidade do vento) pode ajudar a tornar o modelo de previsão mais preciso, relacionando de uma melhor forma a velocidade do vento com a energia produzida através deste [4].
Figura 2.7 - Curva de Potência Típica de uma turbina eólica com velocidade do vento constante.
2.3.5.7. Forecasting Parameter
Uma das decisões mais importantes num sistema de energia eólica é a escolha dos parâmetros que irão ser utilizados para a previsão. O individuo responsável por fazer a previsão, poderá escolher como variável de entrada, a velocidade do vento, a velocidade e direção do vento, etc. Em suma, é de extrema importância saber quais as variáveis mais influentes para cada caso, como também o método a adotar que possibilite o melhor desempenho da previsão que se deseja efetuar [4].
2.4. Aspetos Espácio-Temporais da Previsão Eólica
Como tem sido referido ao longo deste capítulo, devido à variabilidade e às incertezas na produção renovável, como é o caso da produção eólica, existem vários fatores desafiantes a ter em conta para a operação dos sistemas elétricos de energia [20]. Derivado de vários estudos feitos até então, é sabido que a dispersão espacial dos vários parques eólicos pode ser totalmente agregada e assim suavizar a produção eólica total num determinado local/região. A realidade é que a produção eólica tende a ser fortemente correlacionada entre os vários pontos geográficos [20], e têm sido feitos bastantes desenvolvimentos nesta área, com o
32
objetivo de tornar a previsão de produção eólica cada vez mais precisa, o que é importante para os vários RTO (Regional Transmission Organizations).
A previsão eólica é conseguida através de padrões de vento estabelecidos, que tendem a seguir certas correlações espaciais geográficas. Os avanços tecnológicos nas demais áreas, como o desenvolvimento de sensores, comunicação e computação, levam a que a correlação espacial de dados relativos ao vento seja aproveitada para poder tornar ainda mais precisas as previsões para curto prazo, que se poderá aplicar, num futuro próximo, a previsões onde o horizonte temporal é mais extenso [19].
O vento é considerado um dos mais difíceis parâmetros meteorológicos para fazer previsão. O comportamento da velocidade do vento pode ser influenciado por vários fatores: propriedades topográficas da terra, rotação da terra, temperatura, pressão, obstáculos, altura do anemómetro (aparelho utilizado para medir a velocidade do vento), etc. [21].
No entanto, e devido à inércia de aspetos meteorológicos, um dado erro de uma previsão gerada num certo local e num certo período de tempo, irá estar relacionado com futuros erros de previsão num outro local e num espaço de tempo próximo ao anterior, ou seja, o mesmo erro numa previsão inicial poderá propagar-se para uma previsão num local vizinho. Contudo, certas previsões bem como a informação de incertezas relacionadas com a previsão são usualmente geradas individualmente para certos locais de interesse (parque eólico ou um grupo de parques eólicos), sem ter em conta aspetos espácio-temporais observados nos locais onde existe geração de energia eólica.
Os potenciais benefícios da análise espácio-temporal bem como da modelação dos erros de previsão associados, incluindo as correções das previsões globais de energia eólica, permitem o aumento do conhecimento sobre a estrutura de interdependência associada à incerteza da previsão, correspondendo a um aperfeiçoamento das previsões. Todas estas vantagens dizem respeito tanto aos produtores de energia eólica que podem obter um enorme portfólio geográfico (melhor perceção a nível geográfico dos vários locais), como também aos operadores do sistema de transmissão que lidam com uma forte integração de energia eólica no sistema elétrico. Por outro lado, as dependências espácio-temporais trazem também benefícios para a fase de planeamento, para despachos ótimos dos parques eólicos, com o objetivo de melhorar a previsão de produção de energia eólica numa região, onde estão envolvidos vários parques eólicos [22].
Ter uma previsão com elevado grau de precisão para as horas seguintes, é a chave para se conseguir estimar uma produção de energia eólica bem como para ajudar a definir a melhor estratégia para maximizar o lucro e prevenir penalizações por falta de entrega de energia [21].