A metodologia desenvolvida para a deteção de previsão em parques anómalos pode ser muito útil na análise do desempenho das previsões. Através do padrão de cores, o utilizador consegue verificar se estão a ocorrer erros na previsão de forma sistemática (previsão por défice ou por excesso). Se eventualmente se conhecer a causa do erro, pode então ser ajustada e melhorada a previsão. Este sistema de padrão de cores, onde se faz a análise do desempenho da previsão de produção de vários parques eólicos, se utilizado em tempo real, pode ajudar a perceber o mau funcionamento dos parques eólicos e para assim se poder intervir e conseguir um melhorar o desempenho da previsão.
89
Anexos
Anexo relativo à secção 4.6.1.
Figura A.1 – Comparação entre a previsão de produção eólica com inclusão das últimas três horas conhecidas e o valor real da produção (valores normalizados).
Figura A.2 - Comparação entre a previsão de produção eólica com inclusão das últimas seis horas conhecidas e o valor real da produção (valores normalizados).
90
Figura A.3 - Comparação entre a previsão de produção eólica com inclusão das últimas nove horas conhecidas e o valor real da produção (valores normalizados).
91
Referências
[1] Inegi. (2013). Parques Eólicos em Portugal Wind Farms in Portugal, (December)
[2] Amaral, A. M. (2015). Aplicação de Heurísticas para Otimização de Parâmetros de Modelos de Previsão Eólica.
[3] W. Chang, “A Literature Review of Wind Forecasting Methods,” no. April, pp. 161–168, 2014.
[4] J. Jung and R. P. Broadwater, “Current status and future advances for wind speed and power forecasting,” Renew. Sustain. Energy Rev., vol. 31, pp. 762–777, 2014.
[5] D. R. Chandra, M. S. Kumari, and M. Sydulu, “A detailed literature review on wind forecasting,” Proc. 2013 Int. Conf. Power, Energy Control. ICPEC 2013, pp. 630–634, 2013.
[6] C. Monteiro, R. Bessa, V. Miranda, a Botterud, J. Wang, and G. Conzelmann, “Wind Power Forecasting,” Inf. Sci. (Ny)., vol. 11, no. 4, pp. 762–767, 2009.
[7] X. Zhao, S. Wang, and T. Li, “Review of evaluation criteria and main methods of wind power forecasting,” Energy Procedia, vol. 12, pp. 761–769, 2011.
[8] F. Report, “Final Report California Renewable Energy Forecasting , Resource Data and Mapping Appendix B Wind Energy Forecasting : A Review of State-of-the-Art and Recommendations for Better Forecasts Wind Energy Forecasting : A Review of State-of- the-Art and Recommen,” pp. 1–45.
[9] A. Carpinone, R. Langella, A. Testa, M. Giorgio, "Very Short-term Probabilistic Wind Power Forecasting based on Markov Chain Models" 11th International Conference on Probabilistic Methods Applied to Power Systems (PMAPS), 2010 pp: 107-112
[10] L. Xiao, J. Wang, Y. Dong, and J. Wu, “Combined forecasting models for wind energy forecasting: A case study in China,” Renew. Sustain. Energy Rev., vol. 44, pp. 271–288, 2015.
92
[11] A. Tascikaraoglu and M. Uzunoglu, “A review of combined approaches for prediction of short-term wind speed and power,” Renew. Sustain. Energy Rev., vol. 34, pp. 243–254, 2014.
[12] M. G. Lobo and I. Sanchez, “Regional Wind Power Forecasting Based on Smoothing Techniques, With Application to the Spanish Peninsular System,” IEEE Trans. Power Syst., vol. 27, no. 4, pp. 1990 –1997, 2012.
[13] G. Giebel and G. Kariniotakis, “The state-of-the-art in short-term forecasting of wind power-a literature overview,” Position Pap. Anemos Proj. to, pp. 1–110, 2003.
[14] A. M. Foley, P. G. Leahy, A. Marvuglia, and E. J. McKeogh, “Current methods and advances in forecasting of wind power generation,” Renew. Energy, vol. 37, no. 1, pp. 1–8, 2012.
[15] T. S. Nielsen, A. Joensen, H. Madsen, L. Landberg, and G. Giebel, “A new reference for wind power forecasting,” Wind Energy, vol. 1, no. 1, pp. 29–34, 1998.
[16] H. Shaker, H. Zareipour, and D. Wood, “On error measures in wind forecasting evaluations,” Can. Conf. Electr. Comput. Eng., pp. 0–5, 2013.
[17] Subramaniam, Anand. (2009). Forecasting Techniques. Disponível em http://pt.slideshare.net/anandsubramaniam/forecasting-techniques-2663882.
[consultado em 12-2015]
[18] Stanley, G. (2012). Predictive Analytics : The future of Business, 1–43.
[19] N. Amjady, F. Keynia, and H. Zareipour, “Short-term wind power forecasting using ridgelet neural network,” Electr. Power Syst. Res., vol. 81, no. 12, pp. 2099–2107, 2011.
[20] L. Xie, Y. Gu, S. Member, X. Zhu, and M. G. Genton, “Short-Term Spatio-Temporal Wind Power Forecast in Robust Look-ahead Power System Dispatch,” IEEE Trans. Smart Grid, vol. 5, no. 1, pp. 511–520, 2014.
[21] O. Ohashi and L. Torgo, “Wind speed forecasting using spatio-temporal indicators.,” Ecai, 2012.
[22] Tastu, J., Pinson, P., Kotwa, E., Madsen, H., & Nielsen, H. A. (2011). Spatiotemporal analysis and modeling of shortterm wind power forecast errors. Wind Energy, 14(1), 43- 60. 10.1002/we.401
93
[23] N. Troldborg and J. Sørensen, “A simple atmospheric boundary layer model applied to large eddy simulations of wind turbine wakes,” Wind Energy, vol. 17, no. April 2013, pp. 657–669, 2014.
[24] M. He, L. Yang, J. Zhang, and V. Vittal, “A spatio-temporal analysis approach for short- term forecast of wind farm generation,” IEEE Trans. Power Syst., vol. 29, no. 4, pp. 1611– 1622, 2014.
[25] J. Wang, M. Shahidehpour, and Z. Li, “Security-constrained unit commitment with volatile wind power generation,” IEEE Trans. Power Syst., vol. 23, no. 3, pp. 1319–1327, 2008.
[26] P. Meibom, R. Barth, B. Hasche, H. Brand, C. Weber, and M. O’Malley, “Stochastic optimization model to study the operational impacts of high wind penetrations in Ireland,”
IEEE Trans. Power Syst., vol. 26, no. 3, pp. 1367–1379, 2011.
[27] A. Tuohy, P. Meibom, E. Denny, and M. O’Malley, “Unit commitment for systems with significant wind penetration,” IEEE Trans. Power Syst., vol. 24, no. 2, pp. 592–601, 2009.
[28] D. Bertsimas, E. Litvinov, X. A. Sun, J. Zhao, and T. Zheng, “Adaptive robust optimization for the security constrained unit commitment problem,” Power Syst. IEEE …, vol. 28, no. March, pp. 1–8, 2013.
[29] R. Jiang, S. Member, J. Wang, Y. Guan, and a Sets, “Power and Pumped Storage Hydro,”
IEEE Trans. Power Syst., vol. 27, no. 2, pp. 800–810, 2012.
[30] X. Zhu, M. G. Genton, Y. Gu, and L. Xie, “Rejoinder on: Space-time wind speed forecasting for improved power system dispatch,” Test, vol. 23, no. 1, pp. 45–50, 2014.
[31] B. M. Sanandaji and A. Tascikaraoglu, “Low-dimensional Models in Spatio-Temporal Wind Speed Forecasting,” pp. 0–5, 2015.
[32] Sousa, D., Teófilo, L., Silva, P., & Costa, R. (2008). Redes Neuronais. Inteligência Artificial, 21.
[33] Bessa, R. (2008). Treino On Line de Redes Neuronais com Critérios de Informação Aplicado à Previsão Eólica.
[34] Pedro, J., & Conde, M. (2015). Previsão de preços de eletricidade no mercado diário e intradiário MIBEL.
94
[35] Pan, K., Qian, Z., & Chen, N. (2015). Probabilistic Short-Term Wind Power Forecasting Using Sparse Bayesian Learning and NWP. Mathematical Problems in Engineering, 2015, 1–11. http://doi.org/10.1155/2015/785215
[36] Zhang, Y., Wang, J., & Wang, X. (2014). Review on probabilistic forecasting of wind power generation. Renewable and Sustainable Energy Reviews, 32, 255–270. http://doi.org/10.1016/j.rser.2014.01.033
[37] Hartmann, H.C., Pagano, T.C., Sorooshiam, S. and Bales, R. 2002. Confidence builder: evaluating seasonal climate forecasts from user perspectives. Bull Amer. Met. Soc., 84, 683-698
[38] Gneiting, T., Balabdaoui, F., & Raftery, A. E. (2007). Probabilistic forecasts, calibration and sharpness. Journal of the Royal Statistical Society. Series B: Statistical