AN ´
ALISE COMPARATIVA DE DIFERENTES
METODOLOGIAS DE REDES NEURAIS ARTIFICIAIS
PARA PREVIS ˜
AO DE GERAC
¸ ˜
AO E ´
OLICA
Disserta¸c˜ao submetida ao Programa de P´os-gradua¸c˜ao em Engenharia El´etrica da Universidade Federal de Santa Ca-tarina para a obten¸c˜ao do Grau de Mestre em Sistemas de Energia. Orientador: Prof. Erlon Cristian Fi-nardi, D. Eng.
Coorientador: Prof. Mauro Augusto da Rosa, Ph.D.
Florian´
opolis
2017
Sifuentes Quiroz, Dante Edson
Análise comparativa de diferentes metodologias de redes neurais artificiais para previsão de geração eólica / Dante Edson Sifuentes Quiroz ; orientador, Erlon Cristian Finardi, coorientador, Mauro Augusto da Rosa, 2017.
145 p.
Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós Graduação em Engenharia Elétrica, Florianópolis, 2017. Inclui referências.
1. Engenharia Elétrica. 2. Energia eólica. 3. Redes neurais artificiais. 4. Previsão de curto prazo. I. Finardi, Erlon Cristian. II. Rosa, Mauro Augusto da. III. Universidade Federal de Santa Catarina. Programa de Pós-Graduação em Engenharia Elétrica. IV. Título.
U
FSC
Pro
f. E
di
s
on
A
.
C.
Ar
a
nha Neto
,
Dr.
En
g.
IFS
C
,..~~
Pro
f
.
8Andreia
Z
anell
a,
Dra
.
UFS
C
Banca Examinadora:
Florian6poli
s,
0
I
de
s
etembro
de 2017
.
E
sta di
ss
ert
a
c
a
o foi
julgada aprovada
para obtencao
do titulo
de "Me
s
tre
em
Engenharia Eletric
a
"
,
e apro
v
ada em
s
ua forma final pelo
Pro
g
rama de P6
s
Graduacao em Engenharia Eletrica
da
Univer
s
idade Federal de Santa Catarina
.
ANALISE COMPARATIVA DE DIFERENTES
METODOLOGIAS DE R
EDES NEURAIS ARTIFICIAIS PARA
PREVI
SAO DE GERA(:AO E6LICA
Gostaria de agradecer as diversas pessoas que me apoiaram
dire-tamente ou indiredire-tamente para a realiza¸
c˜
ao desse trabalho de mestrado:
Ao professor Erlon C. Finardi e Mauro A. da Rosa, pelo aceite,
amizade e apoio na orienta¸
c˜
ao deste trabalho. Tamb´
em agradecer a
Hrvoje Keko pela aclaro as minhas d´
uvidas desde o come¸
co do trabalho.
Aos professores da p´
os-gradua¸
c˜
ao em engenharia el´
etrica da UFSC,
pelo apoio e conhecimento compartilhado para que este trabalho se
tor-nasse poss´ıvel.
Aos que mais me apoiaram de maneira pessoal: aos meus pais
Marlene Quiroz e a Robinson Sifuentes; a minha irm˜
a Ruby Pamela;
as minhas av´
os `
a fam´ılia Quiroz e Sifuentes. Agrade¸
co porque mesmo
estando longe sempre me deram todo o suporte necess´
ario.
Aos amigos que conheci neste tempo travessia durante o
mes-trado, Cleber Szczepanik, Edwin Giraldo, Estone Ayikpa, Felipe Beltr´
an,
Juliano Fran¸
ca, Jozimar Szczepanik, Luiz Hupalo, Marco Delgado,
Pa-blo Galvis, Valdir Arnhold Alex, Andres y Jaime.
Aos demais amigos de LABPLAN, Carlos Ernani, Daniel
Ten-fen, F´
abio Mantelli, Paulo Larroyd, Paulo Sehn, Pedro Viera, Rodolfo
Bialecki, Rodolfo Machado e Valmor Zimmer.
Agrade¸
co ao PPGEEL da UFSC e a CAPES que tornaram este
mestrado economicamente poss´ıvel.
the world runs out of oil”.
A crescente participa¸c˜
ao das fontes de energias renov´
aveis,
especial-mente a energia e´
olica, na matriz energ´
etica traz grandes desafios tanto
ao produtor como ao operador do Sistema Interligado Nacional (SIN).
Contudo a incerteza associada `
a fonte e ao horizonte de produ¸
c˜
ao desse
tipo de energia leva a uma dificuldade quando se quer inser´ı-la na rede
el´
etrica. Por isso, este trabalho de pesquisa se enquadra principalmente
na ´
area de previs˜
ao de energia e´
olica no curto prazo.
Esta previs˜
ao da energia e´
olica comumente ´
e solucionada com o uso
de m´
etodos f´ısicos ou estat´ısticos. Sem embargo, nos ´
ultimos anos o
m´
etodo estat´ıstico foi misturado com sistemas inteligentes, resultando
em um menor esfor¸co computacional devido a maior velocidade de
pro-cessamento. Com o intuito avaliar a velocidade de processamento e
os ´ındices de desempenho das metodologias, s˜
ao comparadas as redes
perceptron multicamada e as redes de base radial.
Este estudo foi realizado por meio dos dados fornecidos pelo sistema
SCADA, no parque e´
olico de Beberibe, no Cear´
a. Para isso, os dados
s˜
ao submetidos a um processo de filtragem assim como um ajuste dos
dados em rela¸
c˜
ao a curva te´
orica do aerogerador.
Posteriormente foram feitas simula¸
c˜
oes com as redes neurais artificiais
com diferentes quantidades de neurˆ
onios na camada intermediaria com
o objetivo de evitar problemas de aprendizagem.
Finalmente, s˜
ao comparadas as metodologias e s˜
ao realizadas previs˜
oes
para trˆ
es horizontes de an´
alise de 24, 48 e 72 horas.
Palavras-chave: Energia E´
olica, Rede Neurais Artificiais, previs˜
ao de
curto prazo
The increasing participation of renewable energy sources, especially
wind energy, in the energy matrix shows major challenges for both:
the producer and the operator of the national interconnected system.
However, the uncertainty associated with the source and the
produc-tion of this type of energy leads to a difficulty when inserting into the
electric grid. This is why this research work is focused on wind energy
forecasting in the short-term.
This wind power forecast is usually solved using either physical or
sta-tistical methods. However, in recent years the stasta-tistical method was
combinated to intelligent systems, resulting in a lower computational
effort due to higher processing speed. In order to evaluate the
proces-sing speed and performance indices of the methodologies, the multilayer
perceptron networks and the radial basis networks are compared.
This study was carried out using data provided by the SCADA system
at the Beberibe wind farm, in Cear´
a. For this, the data are submitted
to a filtering process as well as an adjustment of the data in relation to
the theoretical curve of the wind turbine.
Then, simulations were performed with neural network with different
amounts of neurons in the intermediate layer in order to avoiding
lear-ning problems.
Finally, the methodologies are compared and forecasts are made for the
three analysis horizons of 24, 48 and 72 hours ahead.
Figura 2.1
Tipo de aerogeradores. . . 30
Figura 2.2
Tipo de aerogeradores. . . 31
Figura 2.3
Usinas em processo de constru¸
c˜
ao em %. . . 33
Figura 2.4
Indicadores de energia renov´
avel. . . 34
Figura 2.5
Resolu¸
c˜
ao espacial do modelo GME (a) e do modelo
DWD-Lokalmodell (b). . . 38
Figura 2.6
Estrutura b´
asica do modelo f´ısico. . . 39
Figura 2.7
Processo de downscaling de uma ´
area de menor
re-solu¸
c˜
ao para uma de maior resolu¸
c˜
ao. . . 40
Figura 2.8
Estrutura do modelo estat´ıstico. . . 41
Figura 2.9
Configura¸
c˜
ao da ferramenta Risφ Zephyr / Prediktor. 44
Figura 3.1
Representa¸
c˜
ao das camadas horizontais da troposfera. 48
Figura 3.2
Volume esquem´
atico com press˜
ao (P
1e P
2) em lados
opostos. . . 49
Figura 3.3
Distribui¸c˜
ao dos ventos e anticiclones nos hemisf´
erio
norte e sul. . . 50
Figura 3.4
Gera¸c˜
ao do vento geostr´
ofico. . . 51
Figura 3.5
Fluxo do balan¸
co geotr´
opico nos hemisf´
erios Norte e
Sul. . . 51
Figura 3.6
(a) cisalhamento de duas is´
obaras (b) perfil da varia¸
c˜
ao
da velocidade em rela¸
c˜
ao a altitude. . . 52
Figura 3.7
Turbulˆ
encia criada por superf´ıcies artificiais. . . 53
Figura 3.8
Turbulˆ
encia criada por superf´ıcies natural. . . 53
Figura 3.9
Exemplo de densidade de probabilidade de Rayleigh.
55
Figura 3.10 FDP Weibull. . . 56
Figura 3.11 Curva de um aerogerador Wobben E48/800. . . 59
Figura 4.1
Modelo de comunica¸
c˜
ao do parque e´
olico, segundo IEC
61400-25. . . 63
Figura 4.2
Curva de potˆ
encia medida Parque e´
olico Beberibe. . . 64
Figura 4.3
Gr´
afico com as restri¸
c˜
oes de ˆ
angulo e de potˆ
encia e
velocidade. . . 65
Figura 4.4
Curva de potˆ
encia com os dados classificados. . . 66
Figura 4.8
Fase de Treinamento supervisionado. . . 73
Figura 4.9
Rede perceptron Multicamada usando backpropagation. 74
Figura 4.10 Diagrama de fluxo na fase de treinamento da rede
PMC com algoritmo de treinamento backpropagation. . . 76
Figura 4.11 Rede neural tipo base radial. . . 77
Figura 4.12 Fun¸
c˜
ao de base radial do tipo gaussiana. . . 78
Figura 4.13 (a) Dados de entrada para o treinamento (b) dados
classificados em um subconjunto de treinamento. . . 79
Figura 4.14 Fase de Opera¸
c˜
ao (ap´
os treinamento). . . 83
Figura 5.1
Potˆ
encia e velocidade de vento em fun¸
c˜
ao do tempo. . 86
Figura 5.2
(a) Histograma e FDP da velocidade do vento e (b)
histograma da dire¸
c˜
ao do vento. . . 87
Figura 5.3
Representa¸
c˜
ao da sele¸
c˜
ao do β potˆ
encia na escala 16/100. 88
Figura 5.4
Curva de potˆ
encia com os dados classificados para um
β de 30% e 40%. . . 89
Figura 5.5
Curva de potˆ
encia com os dados classificados para um
β de 50% e 60%. . . 90
Figura 5.6
Representa¸
c˜
ao das RNAs utilizadando uma rede PMC
para a previs˜
ao da gera¸
c˜
ao e´
olica. . . 92
Figura 5.7
Representa¸
c˜
ao das RNAs utilizadando uma rede RBF,
para a previs˜
ao da gera¸
c˜
ao e´
olica. . . 92
Figura 5.8
Representa¸
c˜
ao do EQM em fun¸
c˜
ao do n´
umero de neurˆ
onios. 94
Figura 5.9
Representa¸
c˜
ao do tempo de treinamento (s) em fun¸
c˜
ao
do n´
umero de neurˆ
onios. . . 94
Figura 5.10 Representa¸
c˜
ao do Erro Quadr´
atico M´
edio (EQM) em
fun¸
c˜
ao do n´
umero de neurˆ
onios. . . 96
Figura 5.11 Representa¸
c˜
ao do erro de previs˜
ao utilizando uma rede
PMC sem pr´
e e p´
os-filtragem, para um horizonte de at´
e 72 horas
´
a frente. . . 99
Figura 5.12 Representa¸
c˜
ao do erro de previs˜
ao utilizando uma rede
PMC com pr´
e e p´
os-filtragem, para um horizonte de at´
e 72 horas
´
a frente. . . 100
Figura 5.13 Representa¸
c˜
ao do erro de previs˜
ao no horizonte desde
Figura 5.15 Representa¸
c˜
ao do erro de previs˜
ao utilizando uma rede
RBF com 6 neurˆ
onios e com pr´
e e p´
os-filtragem, para um
hori-zonte de at´
e 72 horas ´
a frente. . . 106
Figura 5.16 Representa¸
c˜
ao do erro de previs˜
ao utilizando uma rede
RBF com 20 neurˆ
onios e com pr´
e e p´
os-filtragem, para um
hori-zonte de at´
e 72 horas ´
a frente. . . 107
Figura 5.17 Representa¸c˜
ao do erro de previs˜
ao no horizonte desde
24 at´
e 72 horas – rede tipo RBF com 6 neurˆ
onios com pr´
e e p´
os
filtragem de dados. . . 108
Figura 5.18 Representa¸c˜
ao do erro de previs˜
ao no horizonte desde
24 at´
e 72 horas – reder tipo RBF com 20 neurˆ
onios com pr´
e e
p´
os filtragem de dados.. . . 109
Figura C.1
Rede PCM usada no exemplo simplificado. . . 133
Figura C.2
Princ´ıpio de normaliza¸
c˜
ao de padr˜
oes de treinamento
e teste. . . 134
Figura C.3
Configura¸
c˜
ao de neurˆ
onio da camada de sa´ıda, para o
c´
alculo das derivadas parciais. . . 137
Figura C.4
Configura¸
c˜
ao de neurˆ
onio da camada escondida para
o c´
alculo das derivadas parciais. . . 139
Figura C.5
Evolu¸
c˜
ao do erro em rela¸
c˜
ao ao n´
umero de ´
epocas. . . 143
Tabela 2.1
Crescimento da Energia E´
olica no Mundo (MW). . . 32
Tabela 2.2
Ferramentas para a previs˜
ao do vento. . . 45
Tabela 3.1
Potˆ
encia por unidade dispon´ıvel para um vento
ho-mogˆ
eneo (densidade do ar =1,225 kg/m
3). . . 59
Tabela 4.1
Compara¸
c˜
ao das vari´
aveis estat´ısticas de entrada. . . . 67
Tabela 5.1
Sele¸
c˜
ao de β em fun¸
c˜
ao dos ´ındices de desempenho. . 87
Tabela 5.2
Compara¸c˜
ao dos dados rejeitados e dados usados na
previs˜
ao. . . 91
Tabela 5.3
Compara¸
c˜
ao das medidas estat´ısticas de entrada. . . 91
Tabela 5.4
Avalia¸c˜
ao do EQM de uma rede PMC, das fun¸
c˜
oes de
ativa¸
c˜
ao avaliadas. . . 93
Tabela 5.5
Compara¸
c˜
ao dos valores de EQM da rede RBF,
du-rante a fase de treinamento em cada itera¸
c˜
ao global. . . 95
Tabela 5.6
Resultados de uma rede tipo PMC para horizonte de
24, 48 e 72 horas de uma rede PMC com 50 neurˆ
onios – sem pr´
e
e p´
os filtragem de dados. . . 97
Tabela 5.7
Resultados de uma rede tipo PMC para horizonte de
24, 48 e 72 horas de uma rede PMC com 50 neurˆ
onios – com pr´
e
e p´
os filtragem de dados. . . 97
Tabela 5.8
Resultados de uma rede tipo RBF para horizonte de
24, 48 e 72 horas com 6 neurˆ
onios sem pr´
e e p´
os filtragem. . . 103
Tabela 5.9
Resultados de uma rede tipo RBF para horizonte de
24, 48 e 72 horas com 6 neurˆ
onios com pr´
e e p´
os filtragem. . . 103
Tabela 5.10 Resultados de uma rede tipo RBF para horizonte de
24, 48 e 72 horas com 20 neurˆ
onios sem pr´
e e p´
os filtragem. . . 104
Tabela 5.11 Resultados de uma rede tipo RBF para horizonte de
24, 48 e 72 horas com 20 neurˆ
onios com pr´
e e p´
os filtragem. . . 104
Tabela A.1
Valores dos pesos de entrada aos neurˆ
onios da camada
escondida. . . 123
Tabela A.2
Valores dos pesos de entrada aos neurˆ
onios da camada
escondida. . . 124
Tabela A.3
Valores dos pesos de entrada aos neurˆ
onios da camada
escondida. . . 125
Tabela B.1
Valores dos pesos de entrada aos neurˆ
onios da camada
de sa´ıda. . . 129
Tabela B.3
Valores de bias de entrada aos neurˆ
onios da camada
de sa´ıda. . . 130
Tabela C.1
Dados de treinamento da rede P erceptron
ACL
Ambiente de Contrata¸
c˜
ao Livre.
ACR
Ambiente de Contrata¸c˜
ao Regulada
ADALINE
Adaptive Linear Neuron (Neurˆ
onio linear adaptativo).
ANEEL
Agˆ
encia Nacional de Energia El´
etrica.
AR
Autoregressive (Modelo autoregressivo).
ARIMA
Autoregressive Integrated Moving Average (modelo
auto-regressivo integrado de m´
edias m´
oveis).
ARMA
Autoregressive Moving Average (Modelo auto-regressivo
de m´
edia m´
ovel).
BNDES
Banco Nacional de Desenvolvimento Econˆ
omico e
Social.
BP
Backpropagation (propaga¸
c˜
ao reversa).
CCEAL
Contratos de Compra de Energia no Ambiente Livre
CCEAR
Comercializa¸
c˜
ao de Energia El´
etrica no Ambiente
Regulado.
CCEE
Cˆ
amara de Comercializa¸
c˜
ao de Energia El´
etrica.
CI
Capacidade Instalada
DTU
Technical University of Denamark.
EMA
Erro Absoluto M´
edio.
EQM
Erro Quadr´
atico M´
edio.
FDA
Fun¸
c˜
ao de distribui¸
c˜
ao de probabilidade acumulada.
FIT
Feed in tariff (Pagamento de energias renov´
aveis).
f -ARIMA
f ractional-ARIMA (Modelo autoregressivo integrado
de m´
edia m´
ovel fraccion´
ario).
IEC
International Electrotechnical Commission (Comiss˜
ao
Eletrot´
ecnica Internacional).
IMM
Institute of Mathematics and Mechanics.
ITSM
Improve Time Series Method (Melhoramento do
m´
etodo das s´
eries de tempo).
LER
Leil˜
ao de Energias Renov´
aveis.
NWP
Numerical Weather Prediction (Previs˜
ao do tempo
Num´
erica ou f´ısica).
PROINFA
Programa de Incentivo `
as Fontes Alternativas de
Energia El´
etrica.
RBF
Radial Basis Function (Redes de fun¸
c˜
oes de base
radial).
REQM
Raiz do Erro Quadr´
atico M´
edio.
RNA
Redes Neurais Artificiais.
SCADA
Supervisory Control and Data Acquisition (Sistema
de Supervis˜
ao e Aquisi¸
c˜
ao de Dados).
SIN
Sistema Interligado Nacional.
WAsP
Wind Atlas Analysis and Application Program (An´
alise
de atlas vento e programa aplica¸
c˜
ao).
WPPT
Wind Power Prediction Tool (Ferramenta de previs˜
ao
de energia e´
olica).
1
INTRODUC
¸ ˜
AO . . . .
25
1.1
OBJETIVOS . . . 26
1.1.1
Objetivo Geral . . . 27
1.1.2
Objetivos Espec´
ıficos . . . 27
1.2
ESTRUTURA DA DISSERTAC
¸ ˜
AO . . . 28
2
REVIS ˜
AO BIBLIOGR ´
AFICA . . . .
29
2.1
EVOLUC
¸ ˜
AO DO GERADOR E ´
OLICO . . . 29
2.2
POTENCIAL E ´
OLICO . . . 31
2.3
ESTADO ATUAL DO MERCADO . . . 33
2.4
MODELOS DE PREVIS ˜
AO E ´
OLICA . . . 35
2.4.1
Modelo Persistˆ
encia . . . 37
2.4.2
Modelo Previs˜
ao do tempo Num´
erica . . . 38
2.4.3
Modelos F´
ısicos . . . 39
2.4.4
Modelos Estat´
ısticos Tradicionais . . . 40
2.4.5
Modelos Estat´
ısticos utilizando Sistemas
Inteligen-tes . . . 42
2.4.6
Ferramentas de previs˜
ao do vento . . . 44
3
MODELAGEM DO PROBLEMA . . . .
47
3.1
FATORES F´ISICOS DO VENTO . . . 47
3.1.1
Gradiente de Press˜
ao . . . 48
3.1.2
Efeito Coriolis . . . 49
3.1.3
Vento Geostr´
ofico . . . 50
3.1.4
Gradiente da velocidade do vento . . . 51
3.1.5
Orografia . . . 53
3.2
METODOLOGIAS DE ESTUDO PARA A PREVIS ˜
AO
DE VENTO . . . 54
3.2.1
Modelo de distribui¸
c˜
ao de probabilidade . . . 54
3.2.2
Modelo de s´
eries temporais . . . 56
3.2.3
Modelo com Redes Neurais Artificiais . . . 57
3.3
GERADOR E ´
OLICO . . . 57
4
METODOLOGIA PROPOSTA . . . .
61
4.1
CONSIDERAC
¸ ˜
OES E INCERTEZAS NO MODELO . . . . 61
4.1.1
Considera¸
c˜
oes na metodolog´
ıa . . . 61
4.1.2
Sele¸
c˜
ao dos dados e dados de entrada . . . 62
4.1.3
Dados de Sa´
ıda . . . 67
4.1.4
Horizonte de tempo de previs˜
ao . . . 67
4.1.5
Incertezas da metodologia . . . 68
4.2.2
Arquitetura de redes neurais artificiais . . . 70
4.2.3
Processo de aprendizado . . . 72
4.2.4
Treinamento de uma Rede P erceptron multicamada 73
4.2.5
Treinamento de uma rede de fun¸
c˜
ao de base radial 77
4.2.6
Compara¸
c˜
ao entre a rede PMC e RBF . . . 80
4.3
´INDICES DE DESEMPENHO DA PREVIS ˜
AO . . . 80
4.3.1
Erro M´
edio Absoluto . . . 81
4.3.2
Erro Quadr´
atico M´
edio . . . 81
4.3.3
Raiz do Erro Quadr´
atico M´
edio . . . 82
4.4
FASE DE OPERAC
¸ ˜
AO . . . 82
5
SIMULAC
¸ ˜
OES E AN ´
ALISE DOS RESULTADOS
85
5.1
DADOS DE ENTRADA . . . 85
5.2
PRE-FILTRAGEM DOS DADOS DE ENTRADA . . . 87
5.3
TREINAMENTO DAS RNAS . . . 91
5.4
PR ´
OS-FILTRAGEM DOS DADOS . . . 96
5.5
RESULTADOS OBTIDOS . . . 96
5.5.1
Resultados da PMC . . . 97
5.5.2
Resultados do RBF . . . 103
5.6
AN ´
ALISE COMPARATIVA . . . 110
6
CONSIDERAC
¸ ˜
OES FINAIS . . . 111
6.1
CONCLUS ˜
OES . . . 111
6.2
SUGEST ˜
OES PARA TRABALHOS FUTUROS . . . 112
REFER ˆ
ENCIAS . . . 115
AP ˆ
ENDICE A -- Valores dos pesos e bias gerados
na fase de treinamento da rede tipo PMC . . . 123
AP ˆ
ENDICE B -- Valores dos pesos e bias gerados
na fase de treinamento da rede tipo RBF . . . 129
AP ˆ
ENDICE C -- Exemplo simplificado com uma
Rede Neural tipo PMC . . . 133
1 INTRODUC
¸ ˜
AO
A matriz energ´
etica mundial est´
a experimentando grandes
mu-dan¸
cas devido em grande parte, `
a incerteza dos custos e dos impactos
no meio ambiente provenientes dos combust´ıveis f´
osseis. O processo
de migra¸
c˜
ao parcial de fontes n˜
ao renov´
aveis para fontes renov´
aveis
acontece como uma resposta a uma s´
erie de desenvolvimentos de novas
formas de gera¸
c˜
ao de energia el´
etrica e de pol´ıticas para a redu¸
c˜
ao da
emiss˜
ao de gases que culminam no efeito estufa.
Como resultado, uma das primeiras propostas foi o Protocolo de
Quioto, da Organiza¸
c˜
ao das Na¸
c˜
oes Unidas - ONU, criado em 1997 e
que entrou em vigor em 2005. Dentre as diversas metas, a mais
impor-tante foi a redu¸c˜
ao da emiss˜
ao dos gases do efeito estufa (
BRASIL-MME,
2015). Posteriormente, na Uni˜
ao Europeia, em 2010, foi elaborada uma
estrat´
egia conhecida como Europa 2020. Dentre os objetivos, o
princi-pal ´
e reduzir as emiss˜
oes de gases do efeito estufa em pelo menos 20%
relativo aos n´ıveis registrados em 1990 (
EUROPEIA, 2010). No Brasil,
com a Eco-92 e com a Rio+20, o governo e a sociedade civil assumiram
compromissos de apoio, a fim de promover financiamentos, remover
tarifas e subsidiar as energias renov´
aveis (
UNIDAS, 2012).
Nesse contexto mundial, o Brasil percebeu a necessidade de
di-versificar a sua matriz energ´
etica de gera¸c˜
ao. Entre os principais tipos
de gera¸
c˜
ao de energia el´
etrica, e suas respectivas porcentagens de
ca-pacidade de gera¸
c˜
ao, est˜
ao: a hidr´
aulica com 61,04%; a termoel´
etrica
com 27,72%; a e´
olica com 6,33% e fotovoltaica com 0,02% (
ANEEL,
2016). Com os dados anteriores, percebe-se que a maior parcela de
gera¸
c˜
ao de energia el´
etrica prov´
em de fontes renov´
aveis, principalmente
a hidr´
aulica. Por outro lado, fica cada vez mais dif´ıcil justificar a
cons-tru¸
c˜
ao de uma usina hidr´
aulica devido aos grandes impactos ambientais
associados.
´
E nessas circunstˆ
ancias que a energia e´
olica se destaca frente
`
as suas concorrentes.
No entanto, a gera¸
c˜
ao de energia atrav´
es do
vento se encontra atrelada a grandes n´ıveis de incertezas, como a
velo-cidade, a temperatura, a altitude, a pr´
opria dire¸
c˜
ao do vento e outras
vari´
aveis que afetam diretamente e indiretamente a capacidade de um
aerogerador produzir energia el´
etrica. ´
E necess´
ario salientar ainda que
a potˆ
encia te´
orica de gera¸
c˜
ao de um aerogerador ´
e fun¸
c˜
ao da massa
de ar que atravessa uma determinada ´
area e da velocidade do vento.
Todavia, nem toda a massa de ar ´
e convertida em energia. Idealmente,
a m´
axima quantidade de energia capaz de ser extra´ıda do aerogerador
´
e de 59,3%, demonstrada pela Lei de Betz (
BURTON et al., 2011).
A integra¸
c˜
ao de gera¸
c˜
ao de energia e´
olica no Sistema Interligado
Nacional (SIN) traz impactos na gest˜
ao, gerando algumas dificuldades
no planejamento e opera¸
c˜
ao do sistema, na defini¸
c˜
ao de reserva
ope-rativa, na seguran¸
ca de abastecimento, nas varia¸
c˜
oes r´
apidas ou lentas
das tens˜
oes do sistema, na estabilidade do sistema e no aumento dos
n´ıveis de curto-circuito, entre outros. Por isso, a previs˜
ao de energia
e´
olica tem uma grande importˆ
ancia. Para a simplifica¸
c˜
ao do problema
da previs˜
ao da gera¸
c˜
ao e´
olica ´
e necess´
ario caracterizar a previs˜
ao em
horizontes de tempo.
Este trabalho tem por objetivo realizar previs˜
oes para um
ho-rizonte de curto prazo, cujo per´ıodo abrange poucas horas at´
e
aproxi-madamente trˆ
es dias `
a frente da opera¸
c˜
ao em tempo real. Para isso,
s˜
ao usados dados hist´
oricos de um parque e´
olico em opera¸
c˜
ao. Estes,
por sua vez, s˜
ao utilizados como vari´
aveis de entrada do modelo, com o
objetivo de realizar previs˜
oes. A an´
alise ´
e feita com o apoio de modelos
de redes neurais artificiais, que se caracterizam por ter bons resultados
e por ter uma taxa de erro menor do que outras metodologias.
´
E importante ter em conta o horizonte temporal de an´
alise,
de-vido `
a utilidade na Programa¸
c˜
ao Di´
aria da Oper¸
c˜
ao Energ´
etica (PDO).
No presente trabalho ser´
a utilizado um horizonte com tamanho m´
aximo
de at´
e 72 horas.
1.1 OBJETIVOS
O objetivo deste trabalho consiste no desenvolvimento de
pre-ditores para a previs˜
ao da energia e´
olica para um horizonte de curto
prazo. Para a realiza¸
c˜
ao destas previs˜
oes s˜
ao usados dados hist´
oricos
do vento de velocidade e dire¸
c˜
ao, assim como de produ¸
c˜
ao e´
olica. Com
o intuito de que as previs˜
oes sejam de alta qualidade, estas ser˜
ao
ava-liadas com uso de medidas de desempenho.
A previs˜
ao de gera¸
c˜
ao e´
olica tem abordagens tanto f´ısicas como
estat´ısticas, al´
em da mistura de ambas (
KARINIOTAKIS et al., 2004).
No presente trabalho, escolheu-se usar abordagem estat´ıstica por meio
de redes neurais artificiais, popularmente usada ao longo das ´
ultimas
d´
ecadas.
A abordagem selecionada permite realizar previs˜
oes para
hori-zontes de tempo de 24 horas at´
e 72 horas, traduzindo-se em uma ampla
diversidade de informa¸
c˜
oes ao seu utilizador. Para uma melhor
ob-ten¸
c˜
ao desta previs˜
ao, o conjunto de dados de entrada passou por uma
filtragem, para uma classifica¸
c˜
ao pr´
evia.
As metodologias propostas destacam-se de outras devido ao fato
de que n˜
ao utilizam a curva de potˆ
encia te´
orica para as previs˜
oes –
as quais s˜
ao propensas a gerarem erros maiores. A curva de potˆ
encia
te´
orica somente ´
e usada durante o processo de filtragem dos dados,
garantindo um melhor treinamento dos dados.
Em uma fase inicial da disserta¸
c˜
ao, pretende-se utilizar diversas
estrat´
egias como an´
alise estat´ıstica dos dados, filtragem e avalia¸
c˜
ao de
modelos de redes neurais; visando otimizar os valores previstos e
con-tornando as incertezas pr´
oprias do vento. Numa segunda fase, ser˜
ao
avaliadas as varia¸
c˜
oes dos valores internos da rede neural proposta,
as-sim como o uso de vers˜
oes aperfei¸
coadas da mesma. Tendo em vista
uma r´
apida convergˆ
encia da metodologia, pretende-se fazer o
treina-mento da rede neural em rela¸
c˜
ao aos dados hist´
oricos da usina em
estudo. Por ´
ultimo, s˜
ao efetuadas previs˜
oes de potˆ
encia para diferentes
tamanhos de horizontes de estudo, limitando-se a um valor de 72 horas.
1.1.1 Objetivo Geral
A presente disserta¸
c˜
ao ´
e enquadrada no ˆ
ambito da previs˜
ao e´
olica
a curto prazo utilizando-se das redes neurais. Esta previs˜
ao tem foco na
usina e´
olica de Beberibe, regi˜
ao Nordeste do Brasil. Tem como objetivo
geral a implementa¸
c˜
ao de modelos computacionais, baseados em redes
neurais para a previs˜
ao de gera¸
c˜
ao de energia e´
olica, visando uma baixa
taxa de erro e baixo esfor¸
co computacional.
1.1.2 Objetivos Espec´
ıficos
Neste contexto, pode-se citar os seguintes objetivos espec´ıficos:
• Filtrar os dados hist´
oricos visando reduzir o erro de previs˜
ao;
• Verificar a filtragem dos dados, bem como a sua classifica¸c˜
ao em
rela¸
c˜
ao a curva de potˆ
encia te´
orica;
• Selecionar a configura¸c˜
ao mais robusta, tendo em conta os dados
ap´
os a filtragem;
• Implementar computacionalmente os tipos de redes neurais para
a previs˜
ao de gera¸
c˜
ao e´
olica;
• Obter previs˜
oes da gera¸
c˜
ao e´
olica em horizontes de 24, 48 e 72
horas usando algoritmo de redes neurais;
• Comparar os resultados obtidos no estudo de caso com diferentes
parˆ
ametros internos.
1.2 ESTRUTURA DA DISSERTAC
¸ ˜
AO
Este trabalho tem como objetivo principal o uso de redes neurais
para a previs˜
ao de gera¸
c˜
ao e´
olica. Portanto, com os objetivos tra¸
cados
a disserta¸
c˜
ao est´
a dividida em seis cap´ıtulos.
• Cap´ıtulo 2: elabora-se uma revis˜
ao da evolu¸
c˜
ao do gerador e´
olico
de modo geral. Depois, realiza-se uma an´
alise do potencial e´
olico
e do estado atual da gera¸c˜
ao de energia el´
etrica no geral. Por
´
ultimo, ´
e feita uma revis˜
ao dos modelos de previs˜
ao de gera¸
c˜
ao
e´
olica;
• Cap´ıtulo 3: estuda-se os requerimentos f´ısicos e estat´ısticos para
a modelagem dos elementos do aerogerador em foco;
• Cap´ıtulo 4: s˜
ao descritas em detalhe as metodologias, assim como
as considera¸
c˜
oes e incertezas associadas ao problema;
• Cap´ıtulo 5: apresenta-se o estudo de caso para um parque e´
olico,
o qual pretende-se realizar a previs˜
ao utilizando as metodologias
descritas no Cap´ıtulo 4. S˜
ao apresentadas as previs˜
oes e
compa-radas mediante uma an´
alise do erro;
• Cap´ıtulo 6: apresentam-se as conclus˜
oes retiradas do trabalho e
as sugest˜
oes para trabalhos futuros.
2 REVIS ˜
AO BIBLIOGR ´
AFICA
Neste cap´ıtulo de revis˜
ao bibliogr´
afica s˜
ao abordados temas bases
para a previs˜
ao da gera¸
c˜
ao e´
olica. Dentre os temas abordados tem-se:
(1) a evolu¸
c˜
ao do aerogerador e´
olico ao longo do tempo; (2) o potencial
e´
olico no mundo – com ˆ
enfase no Brasil; (3) uma vis˜
ao geral do mercado
el´
etrico com inser¸
c˜
ao da gera¸
c˜
ao e´
olica, (4) e os modelos e
ferramen-tas de previs˜
ao e´
olica. Na evolu¸
c˜
ao do gerador e´
olico, evidencia-se a
evolu¸
c˜
ao dos moinhos antigos at´
e a utiliza¸c˜
ao dos aerogeradores
moder-nos. Logo em seguida, analisa-se o crescimento mundial da participa¸
c˜
ao
na matriz energ´
etica de energia e´
olica no decorrer do tempo. Ademais,
descreve-se o mercado el´
etrico do Brasil, assim como os tipos de
con-tratos existentes e entidades de apoio a essa tecnologia. Por ´
ultimo, s˜
ao
apresentados modelos e ferramentas utilizados atualmente na previs˜
ao
e´
olica.
2.1 EVOLUC
¸ ˜
AO DO GERADOR E ´
OLICO
A energia proveniente do vento ´
e uma das fontes mais antigas
da humanidade. Por volta de 915 d.C. os Persas j´
a se beneficiavam
da energia e´
olica, construindo moinhos de vento para fun¸
c˜
oes b´
asicas,
como moer cereais, bombeamento de ´
agua entre outras atividades. J´
a
em 1.200 d.C., como consequˆ
encia das Cruzadas, foram introduzidos
os moinhos na Europa, espalhando-se rapidamente pelo continente. No
ano de 1.750 a Nova Zelˆ
andia tinha em torno de 7.000 moinhos de vento
em opera¸
c˜
ao.
Em 1895 a Alemanha tinha em torno de 18.000 moinhos. Em
1933 a quantidade se aproximava de 4.000. Como consequˆ
encia das
revolu¸
c˜
oes industriais, a energia e´
olica foi substitu´ıda pelo petr´
oleo. No
ano de 1891, o dinamarquˆ
es Poul La Cour foi o primeiro a construir uma
turbina e´
olica com a capacidade de gerar energia el´
etrica (
WAGNER; MATHUR, 2013).
Em meados do s´
eculo XX, durante a Segunda Guerra Mundial
e anos depois, com a primeira crise do petr´
oleo, os aerogeradores
vol-taram a ser utilizados para suprir a escassez de energia (
LIMA, 2008).
Em 1942 as companhias F.L. Smidth, na Dinamarca, e Morgan Smith
Co., nos EUA, constru´ıram os primeiros aerogeradores modernos. No
aerogerador dinamarquˆ
es, fora adotada a filosofia upwind, que tinha
o princ´ıpio de ter o rotor na dire¸
c˜
ao do vento. J´
a no aerogerador dos
EUA, assumia-se a filosofia downwind, que tinha o rotor atr´
as, como
mostra a Figura 2.1 (
ACKERMANN, 2005).
Figura 2.1 – Tipo de aerogeradores.
Fonte: Adaptado de Manwell, Mc Gowan e Rogers (2009).
No s´
eculo passado o desenvolvimento da energia e´
olica estava
fo-cado em suprir energia para pequenas redes. Com o passar do tempo,
as redes el´
etricas come¸
caram a distribuir energia em grande escala.
Como consequˆ
encia, houve uma diminui¸
c˜
ao da utiliza¸
c˜
ao dos moinhos
de vento, devido a sua pouca eficiˆ
encia e ao seu elevado custo. No final
da d´
ecada de 1990 a utiliza¸
c˜
ao e o desenvolvimento de
aerogerado-res mais eficientes foram estudados nos EUA, Dinamarca e Alemanha
(
MANWELL; MCGOWAN; ROGERS, 2009).
Durante a ´
ultima d´
ecada, a demanda energ´
etica em escala
mun-dial aumentou, possibilitando o desenvolvimento de novas tecnologias
como as energias renov´
aveis, fazendo com que a capacidade instalada
mundial dobrasse a cada trˆ
es anos (
MATHEW, 2007). Com o ingresso
das energias renov´
aveis na matriz energ´
etica os custos de produ¸
c˜
ao de
energia diminu´ıram em 15%, em rela¸
c˜
ao ao que era cobrado no come¸
co
dos anos de 1980 (
ACKERMANN, 2005). Devido principalmente `
a esta
diminui¸
c˜
ao, os governos desenvolveram pol´ıticas de ajuda financeira de
elimina¸
c˜
ao ou redu¸
c˜
ao de taxa de impostos a aquelas fontes.
Dentre a grande variedade de aerogeradores existentes, como os
mostrados na Figura 2.2, os mais utilizados atualmente s˜
ao os de eixo
horizontal de rota¸
c˜
ao r´
apida. Tal fato ´
e devido `
a alta eficiˆ
encia de
convers˜
ao do vento deste modelo, pois o mesmo utiliza de dois princ´ıpios
de controle aerodinˆ
amico chamados stall control (controle estol) e pitch
control (controle de passo) – que ser˜
ao explicados na Se¸
c˜
ao 3.3.
de rota¸
c˜
ao lenta ou aerogerador de m´
ultiplas p´
as foi um dos primeiros
aerogeradores a serem utilizados – principalmente na fun¸
c˜
ao de
reali-zar o bombeamento de ´
agua – n˜
ao sendo eficiente para gerar energia
el´
etrica.
Por outro lado, os aerogeradores de eixo vertical tˆ
em como
prin-cipal vantagem a n˜
ao dependˆ
encia da dire¸
c˜
ao do vento. Todavia, eles
possuem v´
arias desvantagens como, por exemplo, a necessidade de um
motor para o in´ıcio da opera¸
c˜
ao (torque).
Figura 2.2 – Tipo de aerogeradores.
Fonte: Adaptado de Wagner e Mathur (2013).
2.2 POTENCIAL E ´
OLICO
Para a avalia¸
c˜
ao da viabilidade de um parque e´
olico ´
e necess´
ario
ter em conta dois aspectos: (1) o hist´
orico do comportamento do vento
ao longo do tempo, e (2) a capacidade de produ¸
c˜
ao de energia com o
hist´
orico de vento. Em raz˜
ao `
a an´
alise do comportamento do vento, as
informa¸
c˜
oes e hist´
oricos podem ser obtidas por meio dos centros
mete-orol´
ogicos ou dos controles dos aeroportos. Para essa an´
alise s˜
ao
utili-zadas curvas de distribui¸
c˜
ao estat´ısticas do vento, como ser´
a analisado
na Se¸
c˜
ao 3.2.1. Al´
em disso, com essas informa¸
c˜
oes ´
e poss´ıvel realizar
uma estimativa da capacidade de produ¸
c˜
ao de energia ou podem ser
usadas as informa¸
c˜
oes dos parques e´
olicos.
O cont´ınuo desenvolvimento de novas tecnologias, especialmente
nos ´
ultimos anos, tem levado a um incremento na demanda da
ener-gia el´
etrica. Como resposta por parte dos governos, foram elaborados
marcos regulat´
orios para incentivar a participa¸
c˜
ao de fontes limpas na
matriz energ´
etica obtendo-se como resultado um impulso que
propi-ciou uma maturidade acelerada neste tipo de fontes, especialmente de
energia e´
olica. A incorpora¸
c˜
ao desta fonte gerou uma redu¸
c˜
ao do custo
do MWh e uma melhor gest˜
ao da energia. Por consequˆ
encia, com o
decorrer do tempo, diversos pa´ıses adotaram o uso dos aerogeradores
em suas matrizes energ´
eticas.
Uma maneira de identificar o crescimento da energia e´
olica por
regi˜
oes ´
e observando sua participa¸
c˜
ao na Capacidade Instalada (CI),
conforme a Tabela 2.1 (
GWEC, 2016). Nesta tabela ´
e poss´ıvel perceber
que nos ´
ultimos trˆ
es quinquˆ
enios o crescimento global da CI ´
e muito
representativo. Contudo, pela Tabela 2.1 ´
e poss´ıvel concluir que no
decorrer dos anos a Europa deixou de ser a protagonista, sendo
ultra-passada pela regi˜
ao da ´
Asia e Pac´ıfico. J´
a a Am´
erica do Sul possu´ıa
0,58% de toda a CI nos anos 2000 e em 2015 passou a ter 2,82% de
toda a CI do mundo, sendo que a maioria de casos foi impulsionada
pelo Brasil.
Tabela 2.1 – Crescimento da Energia E´
olica no Mundo (MW).
Regi˜ao/Ano 2000 2003 2012 2015
´
Asia e Pac´ıfico 1.795 3.034 101.029 180.654
Europa 12.972 28.706 109.237 147.771
Estados Unidos da Am´erica 2.695 6.677 67.576 88.749 Am´erica do Sul e Central 103 139 3.505 12.220 Meio-Oriente e ´Africa 141 150 1.135 3.489
Total em MW 17.706 38.706 282.482 432.883