Análise comparativa de diferentes metodologias de redes neurais artificiais para previsão de geração eólica

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

.

Andreia

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

e P

) 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

). . . 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 (

,

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 (

, 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 (

, 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% (

,

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 (

, 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 (

, 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 (

, 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 (

, 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 (

, 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

(

, 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 (

, 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 (

, 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 (

, 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

Fonte: Adaptado de Global Wind Energy Council (2016).

Desde 1970 o potencial e´

olico vem sendo explorado no Brasil,

por´

em somente ap´

os dez anos a partir desta data ´

e que foram

insta-lados aerogeradores de pequeno porte para estudo na regi˜

ao Nordeste

do pa´ıs, mais precisamente no estado do Rio Grande do Norte. Este

foi um projeto conjunto com o ´

org˜

ao de pesquisa aeroespacial da

Ale-manha. A partir dos anos 90, diversos atlas de potencial e´

olico foram

publicados em estados brasileiros (e.g., Rio Grande do Norte, Cear´

a e

Paran´

a). Partindo-se dos dados coletados, no final da d´

ecada de 90,

foram realizadas as primeiras medi¸

c˜

oes em localidades espec´ıficas das

regi˜

oes Nordeste, Sudeste e Sul (

, 2001).

Tendo como base que a matriz energ´

etica da Am´

erica do Sul ´

e

predominantemente hidrot´

ermica, o crescimento da energia e´

olica

acon-tece de maneira lenta. Isso se deve `

as poucas pol´ıticas energ´

eticas e aos

poucos subs´ıdios para essas fontes. Embora o Brasil n˜

ao se encontre

nos mesmos n´ıveis de outros pa´ıses fora da Am´

erica do Sul, ele tem

ex-perimentado um crescimento acelerado nos ´

ultimos anos. ´

E necess´

ario

salientar que o Brasil ´

e o 5

_{pa´ıs do mundo em crescimento de}

ener-gia e´

olica, com um incremento de 2 GW s´

o no ano 2016, segundo a

ABEE´

olica (2017).

Segundo a ANEEL (2016), a meta brasileira ´

e que, at´

e 2024, a

energia e´

olica represente 11% do total da matriz energ´

etica do pa´ıs.

Hoje, a energia e´

olica representa 6,5%. Constata-se da Figura 2.3 que

36,18% da quantidade de usinas em constru¸

c˜

ao s˜

ao de natureza e´

olica.

Figura 2.3 – Usinas em processo de constru¸

c˜

ao em %.

Fonte: ANEEL (2016).

2.3 ESTADO ATUAL DO MERCADO

Um importante objetivo de diversos pa´ıses no tocante ao uso dos

recursos energ´

eticos ´

e a redu¸

c˜

ao das emiss˜

oes de carbono na atmosfera

(

, 2010). Devido a isso, foram criadas pol´ıticas de incentivo

`

as fontes renov´

aveis. Estes incentivos podem ser divididos em: (1)

de curto prazo, consistindo em subs´ıdios diretos e/ou elimina¸

c˜

ao de

imposto nos projetos; e (2) de longo prazo, baseados em pagamento de

energias renov´

aveis e leil˜

oes.

Pagamento de energias renov´

aveis, tamb´

em conhecido como feed

in tariff (FIT), ´

e uma pol´ıtica para acelerar o investimento nas

ener-gias renov´

aveis. Esta pol´ıtica faz com que as concession´

arias de energia

sejam obrigadas a comprar energias de fontes renov´

aveis (

, 2005).

Com isso, os produtores de energias renov´

aveis tˆ

em a garantia de que

ir˜

ao ter um retorno, reduzindo o risco de investimentos neste tipo de

energia. Este sistema ´

e um sucesso na Uni˜

ao Europeia; por´

em, na

Am´

erica Latina e no Caribe, esse tipo de pol´ıtica encontra dificuldades.

Em consequˆ

encia, apareceram pa´ıses doadores e organiza¸

c˜

oes

interna-cionais para fomentar o desenvolvimento nessas regi˜

oes (

, 2010).

De acordo com a Cˆ

amara de Comercializa¸

c˜

ao de Energia El´

etrica

(CCEE) os leil˜

oes s˜

ao mecanismos de mercado que visam aumentar a

eficiˆ

encia da contrata¸

c˜

ao de energia. Segundo os dados do REN-21

(2006), como mostrado na Figura 2.4, este mecanismo vem crescendo

ano ap´

os ano.

Figura 2.4 – Indicadores de energia renov´

avel.

Fonte: Adaptado de REN-21 (2016).

Segundo Amarante, Brower e S´

a (2001), com a crise energ´

etica de

2001, o Brasil se viu obrigado a criar diversos programas, como o

Pro-grama Emergencial de Energia E´

olica (PROE ´

OLICA), com o prop´

osito

de contrata¸

c˜

ao de 1 GW, em projetos at´

e 2003.

Embora esse

pro-grama n˜

ao tenha obtido sucesso, foi usado como base para a cria¸

c˜

ao

do Programa de Incentivo `

as Fontes Alternativas de Energia El´

etrica

(PROINFA), em mar¸

co de 2004. No in´ıcio, o PROINFA tinha como

meta a contrata¸

c˜

ao de projetos de gera¸

c˜

ao de fontes e´

olica, biomassa e

Pequena Central Hidrel´

etrica (PCH).

No ano de 2009, houve um evento marcante no mercado de

ener-gia el´

etrica brasileira. Pela primeira vez na hist´

oria do pa´ıs, a CCEE

realizou um leil˜

ao, voltado exclusivamente `

a fonte e´

olica e o segundo

Leil˜

ao de Energias Renov´

aveis (LER) contratando-se 1,8 GW. Em 2010,

foi realizado o terceiro LER. De todos os contratos realizados, foram

contratados 2 GW exclusivamente de fonte e´

olica. No ano de 2011,

foram contratados 2,9 GW. Em 2012, a inser¸

c˜

ao de energia e´

olica foi

de 2 GW de potˆ

encia instalada no sistema el´

etrico nacional.

Nos par´

agrafos anteriores, pˆ

ode-se notar que o crescimento desta

fonte aconteceu, principalmente, devido `

a implementa¸

c˜

ao do PROINFA,

permitindo o ingresso acelerado das fontes renov´

aveis. No entanto, a

contrata¸

c˜

ao das energias renov´

aveis ´

e feita atrav´

es de leil˜

oes.

Atual-mente, elas tamb´

em se encontram negociando no mercado livre sendo,

na maioria dos casos, o Banco Nacional de Desenvolvimento Econˆ

omico

e Social (BNDES) o ´

unico agente de financiamento, no Brasil.

Atualmente, no mercado brasileiro, existem dois ambientes de

co-mercializa¸

c˜

ao de energia: o Ambiente de Contrata¸

c˜

ao Regulada (ACR)

e o Ambiente de Contrata¸

c˜

ao Livre (ACL). A maioria dos contratos s˜

ao

feitos no ACR como, por exemplo, o uso de leil˜

oes – celebrando

Con-tratos de Comercializa¸c˜

ao de Energia El´

etrica no Ambiente Regulado

(CCEAR). Os contratos de energia nova no ACR, feitos por meio de

leil˜

oes, podem dividir-se em leil˜

oes A-3 e leil˜

oes A-5 (

, 2009).

Al´

em de tudo, devido `

a expans˜

ao do mercado, tamb´

em est´

a se

comercializando energia e´

olica no ACL. Nesta fatia de mercado, est˜

ao

os geradores, consumidores livres, comercializadores, importadores e

exportadores de energia livre e especiais. No ACL tem-se a liberdade de

negociar o pre¸

co da energia e a quantidade a ser distribu´ıda – celebrando

Contratos de Compra de Energia no Ambiente Livre (CCEAL) (

,

2011).

2.4 MODELOS DE PREVIS ˜

AO E ´

OLICA

No estado da arte apresentam-se as pesquisas realizadas na ´

area

da previs˜

ao da gera¸

c˜

ao e´

olica.

Embora uma grande quantidade de

pesquisas tenham como foco principal o balan¸

co de carga e o impacto

na confiabilidade do sistema, a maior preocupa¸

c˜

ao na gera¸

c˜

ao e´

olica

´

e a regularidade do vento e a aleatoriedade da fonte (

, 2010). Sabe-se que a gera¸

c˜

ao e´

olica atual n˜

ao tem capacidade de

substituir as fontes de gera¸

c˜

ao tradicionais. Contudo, devido a seu

car´

ater operativo esse tipo de gera¸

c˜

ao pode ajudar a atenuar alguns

problemas na programa¸

c˜

ao di´

aria da opera¸

c˜

ao energ´

etica.

ca-racter´ıstica. Por exemplo, no caso de uma usina t´

ermica a produ¸

c˜

ao

de energia est´

a relacionada com a disponibilidade de combust´ıveis. Da

mesma maneira, a gera¸c˜

ao de energia em uma usina hidroel´

etrica ´

e

di-retamente proporcional ao armazenamento de ´

agua. Embora a mat´

eria

prima de ambas (combust´ıvel e ´

agua) sejam t´

ecnica e economicamente

vi´

aveis, a utiliza¸

c˜

ao delas ´

e prejudicial ao meio-ambiente. Como por

exemplo, a constru¸

c˜

ao de barragens que coloca em risco diversos fatores

biol´

ogicos na ´

area de sua constru¸

c˜

ao. ´

E neste ponto que a gera¸

c˜

ao e´

olica

entra em a¸

c˜

ao. Para um melhor estudo ´

e necess´

ario a classifica¸

c˜

ao dos

modelos de previs˜

ao em diferentes horizontes de tempo. Na literatura

n˜

ao h´

a um consenso sobre as fronteiras entre os diversos horizontes de

tempo. Neste trabalho, assume-se a seguinte divis˜

ao:

• Curt´

ıssimo prazo: horizonte ´

e de poucas horas `

a frente.

Al-guns autores consideram como fronteira de previs˜

ao um horizonte

de oito horas (

, 2011). Dentre as aplica¸

c˜

oes,

do ponto de vista do operador, tem-se as a¸

c˜

oes de regula¸

c˜

ao e

para o incremento da seguran¸

ca dinˆ

amica do SIN em tempo real.

Sob ponto de vista do propriet´

ario da usina, esse tipo de

pre-vis˜

ao ´

e usado para o controle do tempo de arranque ou parada

do aerogerador.

• Curto prazo: o horizonte de at´

e 72 horas, sendo muito

utili-zada no despacho de carga, assim como no gerenciamento das

reservas secund´

arias e terci´

arias com horizonte de tempo at´

e 48

horas. Geralmente um horizonte de 72 horas ´

e usado para a

pro-grama¸

c˜

ao da manuten¸

c˜

ao dos aerogeradores. Com o intuito de

padronizar o tempo de an´

alise no horizonte de curto prazo, foi

considerado um horizonte de tempo a partir de 24 horas at´

e 72

horas. Para o uso deste tipo de previs˜

oes s˜

ao usados dados de

previs˜

ao do tempo num´

erica ou f´ısica, tamb´

em conhecida com

Numerical Weather Prediction (NWP), ou dados do Sistema de

Supervis˜

ao e Aquisi¸

c˜

ao de Dados, tamb´

em chamada Supervisory

Control and Data Acquisition (SCADA). Neste caso, as

metodo-logias de previs˜

ao s˜

ao direcionadas `

a redu¸

c˜

ao da taxa de erro.

Devido ao erro da previs˜

ao ser diretamente proporcional ao

hori-zonte de tempo, este horihori-zonte tem grande importˆ

ancia para os

progra-mas de manuten¸

c˜

ao dos aerogeradores e para as otimiza¸

c˜

oes de custos

de opera¸

c˜

ao. Para horizontes superiores de mais de 72 horas, n˜

ao s˜

ao

considerados previs˜

ao, mas sim um processo de gera¸

c˜

ao de cen´

arios

para serem usados em estudos de mais longo prazo.

Dentre os horizontes de tempo expostos, o horizonte de curto

prazo ´

e o que tem a maior importˆ

ancia para a programa¸

c˜

ao di´

aria da

opera¸

c˜

ao energ´

etica. E devido a esta relevˆ

ancia, o horizonte de tempo

de curto prazo vai ser abordado no trabalho.

2.4.1 Modelo Persistˆ

encia

Dentre os modelos de previs˜

ao de curto prazo mais conhecidos na

literatura, o modelo de persistˆ

encia ´

e um dos mais simples, sendo usado

como referˆ

encia para a compara¸

c˜

ao com outros modelos de previs˜

ao. O

modelo de persistˆ

encia considera que tanto os valores de velocidade e

dire¸

c˜

ao do vento quanto da potˆ

encia tem o mesmo valor que da vari´

avel

atual. Deste modo, o modelo ´

e definido como:

p

= p

− 

(2.1)

Neste modelo, p

´

e a m´

edia das previs˜

oes de potˆ

encia no

horizonte de tempo t + h, medida no instante de tempo t, p

´

e o

valor atual de potˆ

encia da usina e´

olica e 

´

e o valor residual.

Devido a simplicidade desta metodologia, ela pode ser usada para

a realiza¸

c˜

ao de previs˜

oes para poucas horas `

a frente (geralmente 1 a 4

horas) e para determinadas regi˜

oes devido ao fato de que as mudan¸

cas

das vari´

aveis atmosf´

ericas s˜

ao muito lentas – na ordem de at´

e 3 dias –

considerando-se quase est´

aticas (

, 2004).

Embora o m´

etodo de persistˆ

encia seja usado amplamente como

m´

etodo de referˆ

encia, ele n˜

ao tem uma boa precis˜

ao para horizontes de

tempo maiores de poucas horas. Por esse fato, foram feitas modifica¸

c˜

oes

no modelo de persistˆ

encia, utilizando m´

edias m´

oveis, equa¸

c˜

ao 2.2, ou

melhorando o modelo de previs˜

ao, equa¸

c˜

ao 2.3. Este novo modelo

for-nece melhores valores de previs˜

ao comparado ao m´

etodo de persistˆ

encia

cl´

assico (

, 1998).

¯

p =

1

n

X

p

(2.2)

p

= a

p

= (1 − a

)¯

p

(2.3)

Acima ¯

p ´

e a m´

edia de todas as observa¸

c˜

oes de potˆ

encia no tempo

t, n ´

e a quantidade de observa¸

c˜

oes e a

´

e um coeficiente de correla¸

c˜

ao

que varia entre 0 e 1. A escolha do valor de a

est´

a em fun¸

c˜

ao ao

horizontes de previs˜

ao de cut´ıssimo prazo e valores perto de 0 para

previs˜

ao de longo prazo. A desvantagem ´

e a necessidade de assumir

valores de a

.

2.4.2 Modelo Previs˜

ao do tempo Num´

erica

O modelo de previs˜

ao do tempo num´

erica, tamb´

em denominado

Numerical Weather Prediction (NWP), ´

e composto por um conjunto

de equa¸

c˜

oes que descrevem o comportamento da atmosfera.

Essas

equa¸c˜

oes dependem da configura¸

c˜

ao do terreno, press˜

ao atmosf´

erica,

temperatura, al´

em de outras vari´

aveis para a previs˜

ao. Por causa da

ne-cessidade de computadores de grande porte para a solu¸

c˜

ao das equa¸

c˜

oes

de previs˜

ao, o planeta ´

e dividido em malhas em fun¸

c˜

ao do horizonte de

previs˜

ao. Isso ´

e feito com o intuito de simplificar e/ou diminuir o erro

das previs˜

oes meteorol´

ogicas (obter uma previs˜

ao robusta).

A malha de NWP possui uma resolu¸

c˜

ao espacial compreendida

na faixa de 10-1.000 km. No entanto, na maioria das situa¸

c˜

oes, ´

e

ne-cess´

aria uma resolu¸

c˜

ao espacial menor do que a fornecida por NWP.

S˜

ao exemplos a rede global (GME), como apresentado na Figura 2.5

(a), assim como a rede do modelo DWD-Lokalmodell na Figura 2.5 (b).

Figura 2.5 – Resolu¸

c˜

ao espacial do modelo GME (a) e do modelo

DWD-Lokalmodell (b).

a

b

2.4.3 Modelos F´

ısicos

Os modelos f´ısicos tˆ

em como princ´ıpio a estratifica¸

c˜

ao da

atmos-fera (camadas), para uma aplica¸

c˜

ao direta na ´

area em que est˜

ao

locali-zados os aerogeradores. ´

E por esse motivo que, `

as vezes, h´

a necessidade

de uma maior resolu¸c˜

ao espacial da oferecida por NWP, podendo ser

obtida pelos servi¸

cos meteorol´

ogicos locais ou por redu¸

c˜

ao de escala

(downscaling).

Este modelo tem como dados de entrada informa¸

c˜

oes da dinˆ

amica

da atmosfera como press˜

ao, temperatura, densidade do ar, etc. Essas

informa¸

c˜

oes s˜

ao fornecidas pelos preditores (por exemplo, NWP) e com

essas s˜

ao realizadas downscaling. Al´

em disso, em alguns casos usam-se

as caracter´ısticas do aerogerador fornecidas pelo fabricante (curva de

potˆ

encia te´

orica) para converter os dados de velocidade em potˆ

encia

gerada. Os dados dos preditores, bem como os dados da caracter´ıstica

dos aerogeradores, como ´

e mostrada na Figura 2.6, s˜

ao utilizados nas

previs˜

oes.

Figura 2.6 – Estrutura b´

asica do modelo f´ısico.

Fonte: Adaptado de Argonne National Laboratory (2009).

A ´

area que abrange a maioria dos parques de gera¸

c˜

ao e´

olica se

encontra restrita, devido `

as caracter´ısticas do terreno e `

a qualidade

de vento, que pode oferecer determinada ´

area. Embora o fornecedor

dos dados geralmente seja NWP, a sua resolu¸

c˜

ao espacial n˜

ao engloba

´

areas menores que 10x10 km

_{– devido `}

_{a complexidade dos c´}

_{alculos e}

Para a solu¸

c˜

ao deste problema, ´

e utilizado o processo conhecido

como downscaling. Este processo consiste na mudan¸

ca das vari´

aveis

de uma determinada resolu¸

c˜

ao espacial para uma de maior resolu¸

c˜

ao

(escala regional), tendo em conta as condi¸

c˜

oes locais e sem perder a

qualidade das previs˜

oes.

No caso de previs˜

oes e´

olicas, as vari´

aveis velocidade e dire¸

c˜

ao

do vento bem como a configura¸

c˜

ao do terreno, s˜

ao usadas para gerar

a velocidade do vento na altitude do hub ou nas p´

as do aerogerador,

como ´

e mostrada na Figura 2.7.

Figura 2.7 – Processo de downscaling de uma ´

area de menor resolu¸

c˜

ao

para uma de maior resolu¸

c˜

ao.

Fonte: Adaptado de Kariniotakis et al. (2004).

Por outro lado, para a transforma¸

c˜

ao da velocidade do vento em

potˆ

encia, ´

e necess´

ario usar a curva Caracter´ıstica de potˆ

encia. Esta

gera desvantagem na fase de previs˜

ao, devido ao fato de que a previs˜

ao

tem diversos fatores atrelados al´

em da velocidade do vento como por

exemplo a dire¸

c˜

ao do vento e a configura¸

c˜

ao do terreno.

2.4.4 Modelos Estat´

ısticos Tradicionais

O principal objetivo dos modelos estat´ısticos ´

e a procura de

equa¸

c˜

oes que possam representar por meio de uma fun¸

c˜

ao o

comporta-mento de um sistema. Os modelos estat´ısticos s˜

ao caracterizados pela

utiliza¸

c˜

ao direta das s´

eries temporais do vento (dados hist´

oricos

usual-mente obtidos do SCADA), como ´

e mostrado na Figura 2.8. ´

E por este

motivo que este modelo possui diversas vantagens em rela¸

c˜

ao aos

mo-delos f´ısicos. Uma das mais importantes vantagens ´

e a n˜

ao necessidade

das informa¸

c˜

oes espec´ıficas do parque e´

olico.

Na literatura, denominam-se modelos estat´ısticos tradicionais a

an´

alise e a previs˜

ao das s´

eries temporais com o modelo como Markov,

W avelet, autoregressivo integrado de m´

edias m´

oveis (ARIMA) e

deri-vados entre outros. Em Bivona et al. (2011), usa-se o modelo

Seasonal-Figura 2.8 – Estrutura do modelo estat´ıstico.

Fonte: Adaptado de Argonne National Laboratory (2009).

ARIMA (SARIMA) para estimar a gera¸

c˜

ao e´

olica em um parque e´

olico

localizado em duas cidades da Sic´ılia, It´

alia. Os dados de velocidade do

vento foram coletados durante quatro anos pelo servi¸

co meteorol´

ogico

Siciliano. O processo de previs˜

ao ´

e dividido em trˆ

es est´

agios. O

pri-meiro consiste na sazonaliza¸

c˜

ao e na pr´

e-filtragem dos dados usando

m´

etodos como Box-Jenkins e distribui¸

c˜

ao Gaussiana para garantir a

integridade dos dados. Seguidamente ´

e usado o m´

etodo SARIMA para

as previs˜

oes e finalmente os resultados s˜

ao comparados com as redes

neurais, obtendo-se da metodologia proposta taxas de erro menores.

Por sua vez, Kavasseri e Seetharaman (2009) prop˜

oem o

mo-delo usando f ractional-ARIMA (f-ARIMA). Esse momo-delo ´

e utilizado

para o c´

alculo direto da previs˜

ao utilizando os hist´

oricos do vento para

horizontes de 24 e 48 horas. Segundo os autores, os resultados das

previs˜

oes foram muito satisfat´

orios em rela¸

c˜

ao `

as metodologias como

ARIMA e persistˆ

encia. O modelo foi testado para um parque e´

olico

com aerogeradores tipo NEG MICON de 750 kW na Dakota do Norte,

EUA.

Com o objetivo de realizar previs˜

oes num horizonte de longo

prazo, Sahin e Sem (2011) utilizam uma abordagem com uso da

ca-deia de Markov de primeira ordem. As medidas foram coletadas de 10

esta¸

c˜

oes no Nordeste da Turquia.

Por outro lado, Hocaoglu, Gerek e Kurban (2010) exp˜

oem o

mo-delo Hidden Markov Models para um horizonte de longo prazo. Os

autores realizam uma discretiza¸

c˜

ao das velocidades do vento em 1 m/s,