Faculdade de Engenharia da Universidade do Porto
Optimização de Estruturas e Modelos de
Previ-são de Produção Mini-Hídrica
Elsa Sofia da Silva Ferraz
Dissertação realizada no âmbito do
Mestrado Integrado em Engenharia Electrotécnica e de Computadores
Major Energia
Orientador: Prof. Doutor Cláudio Monteiro
Junho de 2009
iii
Resumo
Portugal assumiu o compromisso de que em 2010 45% da energia eléctrica consumida será assegurada a partir de fontes renováveis. Neste contexto e dado que o nosso país é um dos países da União Europeia com maior potencial hídrico por explorar, a energia hídrica apresen-ta-se como uma alternativa na política energética nacional.
Os aproveitamentos hidroeléctricos apresentam elevados níveis de disponibilidade de recurso e fiabilidade e uma das principais vantagens é a sua grande flexibilidade de explora-ção. Sendo que, particularmente, as centrais mini-hídricas reúnem um conjunto de vantagens que as tornam bastante atractivas e competitivas face às grandes hídricas. No entanto, é necessário considerar que a elevada integração deste tipo de energia proporciona um novo paradigma no sistema electroprodutor, causado pela volatilidade, o que induz a necessidade de recorrer a sistemas de previsão.
Nesta dissertação apresentam-se sistemas de previsão de produção eléctrica, em centrais mini-hídricas com discretização horária, para um horizonte temporal de 72 horas. Concreta-mente, são apresentados três modelos de previsão cuja arquitectura geral é similar, sendo baseada num modelo estatístico, que possibilita a optimização de parâmetros. Posteriormen-te, recorre-se ao uso de redes neuronais para prever a produção horária das centrais mini-hídricas.
Inicialmente, para o desenvolvimento de modelos de previsão consideraram-se aspectos relacionados com o pré-processamento, avaliação e análise da informação disponível. Deste modo, é possível identificar quais as variáveis imprescindíveis para a caracterização e, conse-quente, construção dos modelos de previsão. Após apresentar a descrição e explicação da metodologia associada aos sistemas de previsão desenvolvidos será realizada uma análise dos parâmetros que os integram. Por fim, é avaliado o desempenho dos três sistemas de previsão desenvolvidos através da análise do erro para um conjunto de sete centrais, ao longo do terri-tório nacional.
v
Abstract
Portugal has pledged that by 2010 45% of all electricity consumed will be provided from renewable sources. In this context and since our country is one of EU countries with higher untapped water potential, hydropower appears as an alternative in the national energy pol-icy.
The hydropower plants have high levels of availability of resources and reliability and one of the main advantages is their great flexibility of operation. Particularly, the small hydropower plants have a number of advantages that make them very attractive and com-petitive against the big hydropower plants. However, it is necessary to consider that the high integration of this type of energy allows a new paradigm in electrical power plant sys-tem, caused by volatility, which induces the necessity for forecasting systems.
This dissertation presents a forecasting system of electricity generation in small hydro-power plants with scheduling, for a time horizon of 72 hours. Specifically, three forecasting models are presented, whose overall architecture is similar, being based on a statistical model, which enables the optimization of parameters. Subsequently, computational intelli-gence is used in order to forecast hourly production of small hydropower plants.
Initially, for the development of forecasting models aspects related with the pre-processing, appreciation and analysis of available information were considered. Therefore, it is possible to identify which variables are needed for characterization and, consequently, construction of forecasting models. After the description and explanation of the methodol-ogy associated with the forecasting system developed an analysis of parameters will be per-formed integrating them. Finally, the performance of the three developed forecasting sys-tems is evaluated through error analysis for a set of seven plants, throughout the national territory.
vii
Agradecimentos
Serve o presente momento para homenagear e agradecer a todas as pessoas e instituições que contribuíram, directa ou indirectamente, para a elaboração e sucesso desta dissertação, evidenciando as seguintes:
Ao meu orientador, Professor Doutor Cláudio Monteiro, uma palavra de amizade e de pro-fundo agradecimento pelo seu apoio contínuo e incansável, orientação e conselhos prestados que contribuíram positivamente para o desenrolar deste trabalho.
Aos investigadores do Centro de Geofísica da Universidade de Lisboa / ICAT, especialmen-te ao Professor Pedro Miranda pela disponibilização das previsões meespecialmen-teorológicas para as diversas Centrais Mini-Hídricas.
À empresa Smartwatt e seus colaboradores pela disponibilidade de recursos, colaboração e apoio prestados no desenvolvimento desta dissertação.
Aos Engenheiros Lídia Teixeira e João Sousa pela sua amizade, apoio e disponibilidade manifestada na revisão deste presente documento.
A todos os colegas e amigos, especialmente ao Carlos, Helder e Tiago, pelo apoio e ami-zade nas longas e difíceis batalhas ao longo destes anos na faculdade. Seremos para sempre o ―Quarteto Maravilha‖.
Aos meus pais e irmã pelo inestimável apoio familiar que contribuiu na minha educação e realização pessoal e profissional.
A toda a restante família pela ajuda e preocupação que sempre patentearam, não esque-cendo os que se ausentaram, mas que me deixaram bem presente a sua marca.
Ao meu namorado Helder que me iluminou os momentos controversos com afectos, dedi-cação e compreensão para que os trilhasse sem medo, com força e cheia de esperança, não basta um muito obrigado! Este trabalho é sem dúvida por Ti e para Ti…
ix
Índice
Resumo ... iii
Abstract ... v
Agradecimentos ... vii
Índice ... ix
Lista de figuras ... xii
Lista de tabelas ... xvi
Abreviaturas e Símbolos ... xvii
Capítulo 1 ... 1
Introdução ... 1
1.1- Enquadramento ... 1
1.1.1- O Recurso Hídrico no Contexto Nacional ... 1
1.1.2- Aproveitamentos Hidroeléctricos ... 3
1.1.3- Necessidade de Previsão de Mini-Hídricas ... 5
1.2- Motivação ... 7
1.3- Objectivos ... 7
1.4- Estrutura da Dissertação ... 8
1.5- Informação Usada na Dissertação ... 9
1.5.1- Dados Estáticos sobre Centrais ... 9
1.5.2- Dados Meteorológicos ... 10 1.5.3- Dados de Produção ... 10
Capítulo 2 ... 11
Estado da Arte ... 11 2.1- Introdução ... 11 2.2- Conceitos Gerais ... 12 2.2.1- Previsão ... 12 2.2.2- Aspectos Operacionais... 132.3- Modelos Hidrológicos para a Previsão de Afluências ... 13
2.4- Modelos de Previsão Numérica ... 16
2.4.1- Modelos Globais ... 16
2.4.2- Modelos Regionais/Locais ... 17
2.5- Modelos Estatísticos ... 17
2.6- Redes Neuronais ... 19
2.8- Conclusões ... 22
Capítulo 3 ... 23
Análise de Informação para os Modelos de Previsão Mini-Hídrica ... 23
3.1- Estruturas dos Modelos de Previsão de Produção em CMH ... 23
3.2- Tipo de Dados para os Modelos de Previsão de Produção em CMH ... 25
3.3- Análise de Variáveis ... 26
3.3.1- Produção das CMH ... 26
3.3.2- Pluviosidade versus Produção ... 28
3.3.3- Temperatura versus Produção ... 35
3.3.4- Modelização da Hidrometria ... 39
3.3.4.1- Hidrometria versus Produção ... 40
3.4- Conclusões ... 43
Capítulo 4 ... 45
Construção dos Modelos de Previsão ... 45
4.1- Caracterização dos Modelos de Previsão ... 45
4.1.1- Perfil de Produção 1 ... 46 4.1.1.1- Modelo de Previsão 1 ... 47 4.1.1.1.1- Modelo Paramétrico ... 48 4.1.1.1.2- Redes Neuronais ... 54 4.1.1.2- Modelo de Previsão 2 ... 56 4.1.1.2.1- Modelo Paramétrico ... 57 4.1.1.2.2- Redes Neuronais ... 61 4.1.2- Perfil de Produção 2 ... 63 4.1.2.1- Modelo de Previsão 3 ... 63 4.1.2.1.1- Redes Neuronais ... 65
4.2- Modelos de Actualização de Informação ... 66
4.2.1- Modelo de Assimilação na Produção Diária ... 67
4.2.2- Modelo de Assimilação no Agregado de Produção ... 68
4.3- Conclusões ... 71
Capítulo 5 ... 73
Análise da Parametrização dos Modelos ... 73
5.1- Perfil de Produção 1 ... 73
5.1.1- Modelo de Previsão 1 ... 73
5.1.2- Modelo de Previsão 2 ... 76
5.2- Conclusões ... 79
Capítulo 6 ... 81
Teste dos Modelos de Previsão ... 81
6.1- Análise do Erro ... 81 6.1.1- Previsão Outsample ... 82 6.1.1.1- Perfil de Produção 1 ... 82 6.1.1.2- Perfil de Produção 2 ... 84 6.1.2- Evolução do Erro ... 85
Capítulo 7 ... 87
Conclusões ... 87 7.1- Conclusões Finais ... 87 7.2- Trabalhos Futuros ... 90Referências ... 91
Apêndice A: Redes Neuronais ... 93
xi
A.2 – Arquitectura das Redes Neuronais ... 96
A.3 – Processo de Aprendizagem das Redes Neuronais ... 96
A.3.1 – Aprendizagem por Retropropagação do Erro ... 98
A.3.2 – Aprendizagem pelo Método do Perceptrão ... 99
A.3.3 – Aprendizagem Competitiva ... 99
A.3.4 – Aprendizagem pelo Método de Kohonen ... 99
A.3.5 – Aprendizagem pelo Método de Hebb ... 100
A.3.6 – Método do Gradiente ... 100
A.4 – Configuração de uma Rede Neuronal ... 101
Apêndice B: Estandardização ... 103
B.1 – Método Min-Máx ... 103
B.2 – Método Z-Score ... 104
Lista de figuras
Figura 1 – Emissões de CO2 a partir do Consumo e Queima de Combustíveis Fósseis,
1980-2006 [1]. ... 2
Figura 2 – Repartição Mensal da Produção: Março de 2009 [2]. ... 2
Figura 3 – Potencial Hídrico não Aproveitado vs. Dependência Energética Externa [7]. ... 3
Figura 4 – Evolução da Energia Produzida a partir de Fontes Renováveis (TWh) [10]. ... 4
Figura 5 – Perspectiva de Evolução da Capacidade Instalada Hídrica em Portugal [7]. ... 4
Figura 6 – Estrutura Básica do Modelo STWIF [15]. ... 14
Figura 7 – Diagrama do Modelo Winnipeg Flow Forecasting System (WIFFS) [14]. ... 15
Figura 8 – Esquema do Modo de Funcionamento dos Modelos Estatísticos. ... 18
Figura 9 – Cronologia das RN [30]. ... 19
Figura 10 – Esquema dos Modelos de Previsão das CMH. ... 24
Figura 11 – Tipo de Dados para o Modelo de Previsão de Produção em CMH. ... 25
Figura 12 – Produção Real da Central ―A‖. ... 26
Figura 13 – Focalização da Produção Real da Central ―A‖. ... 26
Figura 14 – Estratégia de Operação 1. ... 27
Figura 15 – Estratégia de Operação 2. ... 27
Figura 16 – Perfis Típicos de Produção. ... 28
Figura 17 – Valores de Pluviosidade para os Perfis de Produção Típicos. ... 29
Figura 18 – Gráfico de Correlação Cruzada de Produção com Pluviosidade. ... 31
Figura 19 – Relação entre Produção e Pluviosidade, para o Perfil 1. ... 32
Figura 20 - Focalização no Período de Tempo de [36; 86] dias, da Figura 19. ... 32
xiii
Figura 22- Focalização no Período de Tempo de [200; 340] dias, da Figura 19. ... 33
Figura 23 – Gráfico de Correlação Cruzada de Produção com Pluviosidade. ... 34
Figura 24 – Relação entre Produção e Pluviosidade, para o Perfil 2. ... 35
Figura 25 – Valores de Temperatura para os Perfis de Produção Típicos. ... 36
Figura 26 – Gráfico de Correlação Cruzada de Produção com Temperatura. ... 37
Figura 27 - Relação entre Produção e Temperatura. ... 37
Figura 28 - Gráfico de Correlação Cruzada de Produção com Temperatura. ... 38
Figura 29 - Relação entre Produção e Temperatura. ... 39
Figura 30 - Relação entre Hidrometria e Produção. ... 41
Figura 31 – Análise Temporal da Pluviosidade e Hidrometria para o Perfil 1. ... 42
Figura 32 – Análise Temporal da Produção e Hidrometria para o Perfil 1. ... 42
Figura 33 – Análise Temporal da Produção e Hidrometria para o Perfil 2. ... 43
Figura 34 – Arquitectura Geral do Sistema de Previsão. ... 46
Figura 35 – Arquitectura do Sistema de Previsão. ... 47
Figura 36 – Análise da Influência da Pluviosidade. ... 49
Figura 37 – Análise de Influências da Produção. ... 50
Figura 38 – Modelo de Correlação Cruzada da ―Central D‖ com ―Central E‖. ... 51
Figura 39 – Relação entre Produção Real e Estimativa da Hidrometria. ... 52
Figura 40 - Sigmóide: Situação I. ... 53
Figura 41 - Sigmóide: Situação II. ... 53
Figura 42 - Sigmóide: Situação III. ... 53
Figura 43 - Sigmóide: Situação IV. ... 53
Figura 44 – Explicação dos Parâmetros. ... 53
Figura 45 – Produção Real versus Produção Estimada, para a ―Central B‖. ... 54
Figura 46 – Resposta da Rede Neuronal para a Produção na ―Central B‖. ... 55
Figura 47 – Focalização no Período de Tempo de [42;106], da Figura 46. ... 55
Figura 48 – Arquitectura do Sistema de Previsão II. ... 57
Figura 49 – Produção Estimada versus Produção Real, para a ―Central B‖. ... 59
Figura 50 – Relação entre Produção Estimada e Produção Real. ... 59
Figura 52 - Explicação do Parâmetro 𝑷𝒎𝒊𝒏. ... 60
Figura 53 - Explicação do Parâmetro 𝑷′𝒎𝒊𝒏. ... 60
Figura 54 - Produção Estimada após Realizado Ajuste de Eficiência. ... 61
Figura 55 – Resposta da Rede Neuronal para a Produção na ―Central B‖. ... 62
Figura 56 – Focalização no Período de [42;106] dias, da Figura 55. ... 62
Figura 57 – Arquitectura Geral do Sistema de Previsão. ... 63
Figura 58 – Resposta da Rede Neuronal para a Produção na ―Central B‖. ... 66
Figura 59 – Focalização no Período de [189;270] dias, da Figura 58. ... 66
Figura 60 – Valores Reais e Previstos para a ―Central F‖. ... 67
Figura 61 – Previsão da Produção após Aplicação do Modelo de Assimilação na Produção Diária. ... 68
Figura 62 – Resposta da Rede Neuronal do Modelo de Assimilação no Agregado da Produção. ... 70
Figura 63 – Focalização no Período de [91;132] dias, da Figura 62. ... 70
Figura 64 – Influência do Parâmetro 𝜽𝒘. ... 74
Figura 65 – Influência dos Parâmetros 𝜽𝒇e 𝜽𝒑. ... 74
Figura 66 – Parâmetro 𝜽𝒘. ... 75
Figura 67 – Parâmetro 𝜽𝒇. ... 75
Figura 68 – Parâmetro 𝜽𝒑. ... 75
Figura 69 – Parâmetro 𝑯𝒑𝟎. ... 75
Figura 70 – Parâmetro 𝑯𝒑𝒑. ... 75
Figura 71 - Decaimento Característico para a ―Central A‖. ... 76
Figura 72 – Análise do Decaimento da ―Central A‖. ... 77
Figura 73 – Influência do Parâmetro 𝜽𝒅. ... 77
Figura 74 – Influência do Parâmetro 𝑭. ... 78
Figura 75 – Parâmetro 𝑭. ... 78
Figura 76 – Parâmetro 𝜽𝒅. ... 78
Figura 77 – Análise de Resultados para a ―Central 2‖. ... 83
Figura 78 – Focalização no Período de [258;356] dias, da Figura 77. ... 83
Figura 79 – Análise de Resultados para a ―Central 7‖. ... 84
xv
Figura 81 – Evolução do Erro ao Longo do Horizonte Temporal da Previsão do Agregado de
Produção. ... 85
Figura 82 - Diagrama Simplificado de uma Rede Neuronal. ... 93
Figura 83 - Notação Gráfica do Neurónio [39]. ... 94
Figura 84 – Funções de Activação Degrau, Linear e Sigmóide. ... 95
Figura 85 – Funções de Activação do Tipo Sigmóide. ... 95
Figura 86 – Rede Neuronal Feedforward [39]. ... 96
Lista de tabelas
Tabela 1 – Exemplos de Modelos Atmosféricos Globais. ... 16
Tabela 2 – Exemplos de Modelos Atmosféricos Regionais/Locais. ... 17
Tabela 3 – Parâmetros do Modelo Autoregressivo da Produção Agregada. ... 69
Tabela 4 – Análise do Erro. ... 70
Tabela 5 – Análise do Erro da Previsão Outsample para o Perfil de Produção 1... 82
xvii
Abreviaturas e Símbolos
Lista de abreviaturas (ordenadas por ordem alfabética)
ALADIN Aire Limiteé Adaptation dynamique Développement InterNational
apren associação de energias renováveis
ARIMA Autoregressive Integrated Moving Average
ARPS Advanced Regional Prediction System
CCF Cross Correlation Function
CGUL Centro de Geofísica da Universidade de Lisboa CMH Centrais Mini-Hídricas
ESHA European Small Hydropower Association
FEUP Faculdade de Engenharia da Universidade do Porto GEE Gases de Efeito de Estufa
GEM Global Environmental Multiscale Model
GFS Global Forecast System
ICAT Instituto de Ciência Aplicada e Tecnologia IGCM Intermediate General Circulation Model
MAE Mean Absolute Error
MAPE Mean Absolute Percentage Error
MLP Multi Layer Perceptron
MM5 Fifth Generation Penn State / NCAR Mesoscale Model MM5
MSC Meteorological Service of Canada
MSE Mean Square Error
NCAR National Center for Atmospheric Research
NCEP National Centers for Environmental Prediction
nMAPE Normalized Mean Absolute Percentage Error
NRMSPE Normalized Root Mean Square Percentage Error
NWP Numerical Weather Predictions
PNBEPH Programa Nacional de Barragens com Elevado Potencial Hidroeléctrico PRE Produção em Regime Especial
RMSE Root Mean Square Error
RMSPE Root Mean Square Percentage Error
RN Redes Neuronais
SENV Sistema Eléctrico Não Vinculado
SPSS Statistical Package for the Social Sciences
STWIF Short-Term Water Inflow Forecasts
TDNN Time Delay Neural Network
UM Unified Model
WIFFS Winnipieg Flow Forecasting System
WRF Weather Research and Forecasting Model
Lista de símbolos
% Percentagem
𝐻 (𝑡) Nível Hidrométrico no instante 𝑡
𝐻 (𝑡−1) Nível Hidrométrico no instante 𝑡 − 1
𝑃 (𝑡+𝑘|𝑡) Previsão de Potência para o instante 𝑡 + 𝑘, efectuada no instante 𝑡
𝑃 𝑡+𝑘 Valor Previsto para o instante 𝑡 + 𝑘
𝑢 (𝑡+𝑘|𝑡) Variável Prevista pelo modelo NWP para o instante 𝑡 + 𝑘, efectuada no
instan-te 𝑡𝑁𝑊𝑃
𝑥 (𝑡+𝑘|𝑡) Variável Prevista pelo modelo NWP para o instante 𝑡 + 𝑘, efectuada no
instan-te 𝑡𝑁𝑊𝑃
𝐻(𝑡) Hidrometria no instante 𝑡
𝐻(𝑡−1) Hidrometria no instante 𝑡 − 1
𝐻𝑝0 Nível Hidrométrico mínimo a partir do qual a Central produz
𝐻𝑝𝑝 Diferença Hidrométrica entre o nível de produção mínimo e máximo
𝑃𝑖𝑛𝑠𝑡 Potência Instalada
𝑃𝑚á𝑥 Produção Máxima
𝑃𝑚é𝑑 Potência Média
𝑃𝑚𝑖𝑛 Produção Mínima
𝑃𝑡 Potência Produzida no instante 𝑡
𝑃𝑡+𝑘 Valor Real para o instante 𝑡 + 𝑘
𝑅2 Coeficiente de Determinação
𝑊𝑝 Energia Potencial
𝑊𝑡 Pluviosidade Prevista para o instante 𝑡
𝑒𝑡+𝑘 Erro do Sistema de Previsão no instante 𝑡 + 𝑘
xix
𝑚3/𝑠 Metro Cúbico por Segundo
𝑚𝑎 Massa
𝜃𝑑 Decaimento Característico
𝜇𝑒 Erro Sistemático
𝜉𝑒 Erro Aleatório
𝜎2 Variância
A Área da Bacia Hidrográfica ℃ Grau Celsius
CO2 Dióxido de Carbono
F Factor que modeliza a produção em função da quantidade de pluviosidade GMh Gigawatts-hora GW Gigawatt Altura H Queda Bruta km Quilómetro kW Quilowatt MW Megawatt N Newton Q Caudal TWh Terawatts-hora 𝑊 Watt 𝑔 Aceleração Gravítica 𝑙 Litro 𝑚 Metro
𝑚/𝑠2 Metro por Segundo Quadrado
𝑚𝑚 Milímetro
𝛾 Peso Volúmico da Água
Capítulo 1
Introdução
Esta dissertação de mestrado foi desenvolvida no âmbito do Mestrado Integrado em Enge-nharia Electrotécnica e de Computadores, na Faculdade de EngeEnge-nharia da Universidade do Porto (FEUP).
Neste trabalho de dissertação é apresentado um trabalho inovador de desenvolvimento de modelos de previsão de produção de Centrais Mini-Hídricas (CMH). Os objectivos do trabalho consistem na aplicação de modelos físicos e desenvolvimento de modelos estatísticos de pre-visão da produção de CMH, na demonstração da sua robustez e na avaliação do desempenho para uma vasta diversidade de aplicações em Portugal.
Os modelos de previsão desenvolvidos têm a capacidade de prever a produção de CMH, com discretização horária, para um horizonte temporal de três dias e integram a capacidade de auto-ajustamento às suas características específicas.
Concretamente, este capítulo contempla uma abordagem ao problema incluindo o seu contexto, assim como apresenta as ideias fulcrais que serão defendidas na dissertação. O fecho do capítulo expõe uma breve descrição e explicação da organização deste trabalho.
1.1- Enquadramento
1.1.1- O Recurso Hídrico no Contexto Nacional
Nos dias de hoje é cada vez mais emergente a prática de políticas energéticas com vista à minimização das alterações climáticas provocadas pelo efeito de estufa criado por emissões excessivas de dióxido de carbono (CO2) (ver Figura 1).
2 Introdução
Figura 1 – Emissões de CO2 a partir do Consumo e Queima de Combustíveis Fósseis,
1980-2006 [1].
Para além deste facto, existe a preocupação de definir novas formas de produção de energia eléctrica que assegurem um desenvolvimento sustentável e permitam uma atenuação da dependência de combustíveis fósseis (petróleo, carvão, entre outros) que tendem a esgo-tar-se. A Figura 2 apresenta a repartição de produção de energia no primeiro trimestre de 2009.
Figura 2 – Repartição Mensal da Produção: Março de 2009 [2].
Com o objectivo primordial de estabelecer um equilíbrio ambiental conjuntamente com a necessidade de assegurar uma política de energia eficiente e sustentável, é inevitável o desenvolvimento e, consequente integração, das energias renováveis no sector eléctrico.
As energias renováveis assumem importância com a criação do Protocolo de Kyoto [3] e fortificam-se com a inclusão de metas definidas pela Comunidade Europeia [4], para cada país, de modo a minimizar as emissões de gases que provocam o efeito de estufa.
0,00
5.000,00
10.000,00
15.000,00
20.000,00
25.000,00
30.000,00
1980 19821984 1986 1988 1990 19921994 1996 1998 2000 20022004 2006
0,00
10,00
20,00
30,00
40,00
50,00
60,00
70,00
Europa
Mundo
Portugal
M il hõ e s de To ne la da s de C O 2 (M un do e E urop a ) M il hõ e s de To ne la da s de C O 2 (P ort ug a l) PRE 26% Carvão 24% Fuel 2% Gás 18% Importação 8% Hídrica 22%
Aproveitamentos Hidroeléctricos 3
Concretamente, Portugal assumiu o compromisso de que, em 2010, 45% do consumo anual bruto de energia eléctrica será assegurado a partir de fontes renováveis [5] e nos termos do Protocolo de Kyoto terá que limitar em 27% o aumento das emissões de Gases com Efeito de Estufa (GEE) no período de 2008 a 2012, relativamente ao valor de 1990 [6].
Com vista ao cumprimento dos objectivos delineados e, dado que Portugal é um dos paí-ses da União Europeia com maior potencial hídrico por explorar, onde a capacidade hídrica nos últimos 30 anos se manteve praticamente estagnada, tendo hoje cerca de 54% do poten-cial por aproveitar (ver Figura 3), a opção por este tipo de energia (hídrica) apresenta-se como uma das prioridades e principais apostas da política energética nacional.
Figura 3 – Potencial Hídrico não Aproveitado vs. Dependência Energética Externa [7].
Concretamente, foi criado o Programa Nacional de Barragens com Elevado Potencial Hidroeléctrico (PNBEPH), que tem como objectivo identificar e definir prioridades para os investimentos a realizar em aproveitamento hidroeléctricos no horizonte de 2007-2020 [8].
1.1.2- Aproveitamentos Hidroeléctricos
No panorama das energias renováveis, os aproveitamentos hidroeléctricos assumem uma importância proeminente na exploração do sistema eléctrico nacional, pois, para além do seu contributo em termos de energia (ver Figura 4), a grande maioria dispõem de capacidade de armazenamento de energia. Estes centros produtores apresentam elevados níveis de
disponi-4 Introdução
bilidade de recursos e fiabilidade e uma das principais vantagens é a sua grande flexibilidade de exploração [9].
Figura 4 – Evolução da Energia Produzida a partir de Fontes Renováveis (TWh) [10].
No que diz respeito ao potencial hidroeléctrico nacional, segundo dados de Março de 2009, existem cerca de 4814MW instalados, sendo 299MW produzidos a partir de CMH, com capacidade até 10MW [10]. Porém, com o PNBEPH perspectiva-se uma evolução de capacida-de hídrica instalada, para 2020, para 7000MW (ver Figura 5).
Figura 5 – Perspectiva de Evolução da Capacidade Instalada Hídrica em Portugal [7].
Tendo em consideração os objectivos delineados, as CMH assumem uma particular impor-tância para a segurança de abastecimento, permitir bombagem para eólicas e para cumprir os compromissos com as renováveis, constituindo uma tecnologia que beneficia da característica de produção de energia eléctrica descentralizada.
Necessidade de Previsão de Mini-Hídricas 5
As CMH são classificadas como aproveitamentos renováveis [11, 12] apresentando inúme-ras vantagens que as tornam bastante atractivas e competitivas: são instalações de elevada eficiência, são sujeitas a pequenas variações diárias e baseiam-se em tecnologia madura. Refira-se que, em termos estatísticos, dados confirmam que em Março de 2009 a potência instalada total em aproveitamentos hidroeléctricos até 10MW é de 299MW, com uma produ-ção estimada de 562GWh [10]. Em perspectivas futuras, as previsões apontam para uma potência instalada entre os 500 e 600MW e uma produção estimada anual de 1500 a 1800GWh [13].
1.1.3- Necessidade de Previsão de Mini-Hídricas
A elevada integração de unidades de geração que se baseiam na utilização de recursos endógenos em detrimento das centrais térmicas convencionais, fomenta a necessidade de os sistemas de distribuição e transmissão desenvolverem novos conceitos relacionados com monitorização, controlo e gestão das unidades de produção, considerando para isso as restri-ções de rede e o funcionamento do mercado de electricidade. Contudo, os recursos endóge-nos são caracterizados por ostentarem vulnerabilidade, isto é, intermitência causada pela volatilidade e variabilidade da fonte primária. Assim sendo, para o sistema eléctrico nacional, especificadamente para os centros de despacho, é necessária a existência de técnicas de previsão sobre o seu comportamento, designadamente, o conhecimento da evolução de pro-dução.
Desta forma, evidencia-se a importância de realizar previsão e os motivos que induzem à definição de modelos de previsão. A previsão é uma ferramenta indispensável para:
Garantir a segurança de abastecimento; Operar nos mercados de electricidade; Planear reservas secundárias e terciárias; Planear trânsitos nas interligações;
Planear a manutenção dos centros produtores e gerir a produção; Auxiliar a resolver problemas de gestão de congestionamentos.
É imprescindível referir que os sistemas de previsão são caracterizados relativamente ao seu horizonte temporal, sendo subdivididos em três categorias principais (apesar de não exis-tir um consenso generalizado):
Muito Curto Prazo: Previsão para um horizonte temporal de poucas horas (3 a 6
6 Introdução
Curto Prazo: Previsão para um horizonte temporal entre as 48 a 72 horas,
caracteri-zada por integrar previsão meteorológica e é utilicaracteri-zada em âmbito de mercados de electricidade;
Longo Prazo: Previsão para um horizonte temporal de 7 dias, cujo objectivo
primor-dial é auxiliar em processos de manutenção da central.
Actualmente, já existe desenvolvimento de previsão de produção para algumas tecnolo-gias, tais como a energia eólica e as grandes hídricas.
No que concerne à energia eólica existem diversos modelos de previsão de potência de base eólica que necessitam da previsão de variáveis meteorológicas, como a velocidade e direcção do vento. A sua única diferença reside no modo como as variáveis meteorológicas previstas são transformadas em valores de potência. Assim os modelos actuais para previsão de potência eólica podem ser divididos em dois grandes grupos: Modelos Físicos, que para fornecer valores de potência prevista utilizam as curvas de potência dos aerogeradores e Modelos Estatísticos, que relacionam os valores históricos com as previsões das variáveis meteorológicas. Refira-se que, neste tipo de previsão não existe planeamento, ou seja, é dependente da existência de recurso eólico.
A previsão em grandes centrais hídricas é caracterizada por dar grande importância ao planeamento e estratégia de operação, ou seja, é conhecido à priori o planeamento de pro-dução para cada central e, posteriormente, é realizada a previsão de afluências.
Assim, nos dias de hoje, a única fonte intermitente para a qual não existe solução relativa à previsão é em CMH, talvez devido ao facto de ser uma fracção pequena, o que consequen-temente não despertou o interesse. No entanto, a previsão de produção em CMH pode reve-lar-se uma ferramenta útil em diversas situações, tais como para participação em mercados de electricidade, gestão do sistema, auxílio no planeamento de operação (congestionamento,
Unit Commitment e despachos), bem como, auxílio na gestão de operação e manutenção nas
CMH.
Concretamente, os aproveitamentos hidroeléctricos com potência até 10MW são forte-mente dependentes de estratégia, mas não é de uma estratégia planeada, mas sim automati-zada. Deste modo, realizar previsão de produção eléctrica em CMH induz a necessidade de inferir a estratégia para prever a produção. Para além disso importa salientar que não existe informação medida online.
Em conclusão, a essência desta dissertação justifica-se, dado que, a previsão é aplicada numa grande variedade de situações, particularmente, na resolução de problemas associados à intermitência de recurso renovável e ao seu crescente nível de integração. No entanto, a previsão de produção de CMH ainda não mereceu destaque. Assim sendo, na área da previsão é apresentado um trabalho inovador de desenvolvimento de modelos de previsão de produção em CMH, com discretização horária, para um horizonte temporal de 3 dias.
Motivação 7
1.2- Motivação
Por todas as razões enunciadas no enquadramento e pelo facto de a energia hídrica ser uma das prioridades contempladas pelas políticas energéticas nacionais, esta temática apre-senta-se como uma das áreas de investigação e progresso científicos.
A razão que despertou o interesse pela realização desta dissertação reside no facto de até ao momento não existir qualquer conceito acerca de modelos de previsão, a curto prazo, para a produção de CMH. Deste modo, essencialmente, a motivação é realizar um trabalho pioneiro na temática de previsão de produção de CMH e despertar a consciencialização para permitir aperfeiçoamentos.
Até ao momento, somente a previsão de grandes hídricas é que mereceu destaque de análise. Os modelos de previsão de hídrica são utilizados para gestão do recurso hídrico nos aproveitamentos hidroeléctricos, isto é, utilizam-se para previsão de afluências [14-17], ou até mesmo, para planeamento da utilização das bacias hidrográficas. Para tal, consideram como variáveis explicadoras as previsões meteorológicas horárias, medidas das afluências medidas em estações hidrométricas e previsões de clima obtidas a partir de modelos de pre-visão numérica.
No entanto, no que concerne à previsão de CMH, esta tarefa é dificultada dado que existe escassez de informação, ou seja, não existe informação relativa às medidas das afluências. Apenas se tem informação relativa às previsões meteorológicas, portanto, a hipótese plausí-vel é prever produções com base em dados meteorológicos e nas características específicas das CMH, ou então, prever as afluências para incluir nos modelos de previsão de produção.
Um outro pormenor a ter em consideração é que a gestão deste tipo de centrais é depen-dente das estratégias de operação. Como se desconhecem os padrões de operação é exequí-vel que exista um comportamento de operação e padrão sistemáticos, que poderão permitir realizar a previsão com base em dados históricos. Contudo, esta opção pode induzir uma incerteza elevada na previsão.
Assim, definir um modelo de previsão para a produção de CMH será um valor acrescenta-do pois poderá, para além acrescenta-do desenvolvimento científico, possibilitar vantagens para empre-sas associadas ao sector eléctrico nacional. Concretamente, irá permitir a participação em mercados de electricidade, assegurar a segurança de abastecimento e a gestão dos recursos hídricos.
1.3- Objectivos
No âmbito geral, a presente dissertação apresenta como objectivo primordial o desenvol-vimento de modelos de previsão de produção para CMH. Será um desenvoldesenvol-vimento na área da
8 Introdução
investigação e progressos científicos, dado que, até ao momento este tema não mereceu destaque.
Porém, com vista à criação de modelos de previsão é necessário atender a um conjunto de requisitos, designadamente:
Estudo ao nível da selecção e processamento de variáveis explicadoras: A definição de modelos de previsão induz a necessidade de uma escolha selectiva, criteriosa e congruen-te das variáveis, de modo a minimizar o risco de incercongruen-teza da previsão;
Optimização de estruturas de modelos de previsão;
Construção dos modelos de previsão: O objectivo é desenvolver modelos de previsão de produção de CMH com discretização horária, para um horizonte temporal de curto-prazo, 3 dias;
Implementação de modelos de treino, teste e modelos funcionais para a previsão de CMH;
Modelos de previsão devem ter capacidade de auto-ajustamento às características espe-cíficas de cada CMH: A finalidade adjacente a este conceito é tentar que na definição dos modelos se contemplem as características específicas de cada CMH (queda, caudal, área de bacia hidrográfica, entre outros), de modo a minimizar o risco de escassez de informa-ção disponível.
1.4- Estrutura da Dissertação
A dissertação é constituída por sete capítulos, sendo o presente capítulo o introdutório. Os restantes capítulos desenvolvem as seguintes temáticas, designadamente:
O capítulo 2 é dedicado ao estado da arte relativo aos modelos de previsão associados a aproveitamentos hidroeléctricos. A finalidade é caracterizar os modelos de previsão relati-vamente à metodologia, técnicas de previsão, assim como, o seu horizonte temporal.
No capítulo 3 descreve-se o estudo das variáveis e factores relevantes para a definição de modelos de previsão. O objectivo é identificar as variáveis e a sua modelização. Para tal, é necessário proceder à sua análise, provar eventuais influências, formular hipóteses e funda-mentar decisões.
A construção dos modelos de previsão é exibida no capítulo 4, sendo apresentada a des-crição, explicação e caracterização dos modelos desenvolvidos.
O capítulo 5 contempla a análise da parametrização dos modelos, isto é, expõe um estudo acerca dos parâmetros que fazem parte dos modelos, de modo a tentar identificar eventuais analogias.
O antepenúltimo capítulo desta dissertação, designadamente, o capítulo 6 é dedicado à realização de testes aos modelos de previsão de produção de CMH, isto é, apresenta-se uma análise de erro entre os valores reais e os valores previstos.
Informação Usada na Dissertação 9
Por último, o fecho da dissertação culmina com o capítulo 7 que apresenta as principais conclusões deste trabalho científico e indica algumas perspectivas para a sua continuidade futura.
1.5- Informação Usada na Dissertação
Para a realização da presente dissertação utilizaram-se dados e informação de diversas fontes, que se subdividem consoante a sua temática. Concretamente, os dados podem ser divididos em dados estáticos sobre as centrais, dados meteorológicos e dados de produção.
1.5.1- Dados Estáticos sobre Centrais
Os dados estáticos sobre as CMH correspondem a qualquer tipo de informação acerca do aproveitamento hidroeléctrico e das suas características específicas, designadamente:
Aproveitamento Hidroeléctrico o Nome;
o Concessionária;
o Localização: Concelho e Distrito; o Afluente: Rio ou Ribeira;
o Data de Início de Exploração; o Potência Total Instalada; o Produção Média Anual; o Área da Bacia Hidrográfica; o Caudal;
o Queda Bruta;
o Volume da Albufeira; o Tipo e Número de Turbinas.
As fontes de informação utilizadas são: Dados de Publicações
o Associação de Energias Renováveis (APREN) [18] Anuário Pequenas Centrais Hídricas 2007; Anuário Pequenas Centrais Hídricas 2006; Anuário Pequenas Centrais Hídricas 2005.
Dados Web
10 Introdução
Contém informação relativa às centrais eléctricas em funciona-mento ou em projecto de construção, por distrito.
Dados Medidos em Suportes de Informação Espacial o Software Google Earth
Permite sobrevoar qualquer parte da Terra para visualizar ima-gens de satélite, mapas e relevo o que proporciona explorar con-teúdo geográfico complexo;
É usado para localizar as CMH e seus componentes;
Possibilita obter uma estimativa das áreas das bacias hidrográfi-cas e pendentes;
Faculta a oportunidade de uma estimativa das quedas.
1.5.2- Dados Meteorológicos
Este trabalho utiliza previsões meteorológicas fornecidas pelo Centro de Geofísica da Uni-versidade de Lisboa (CGUL) / Instituto de Ciência Aplicada e Tecnologia (ICAT), pela pessoa do Professor Pedro Miranda.
Particularmente, as previsões meteorológicas são adquiridas através de um modelo de meso-escala bem estabelecido, o modelo Fifth Generation Penn State / NCAR Mesoscale
Model MM5 (MM5), forçado por condições fronteira obtidas numa previsão global pelo modelo Global Forecast System (GFS). Estas previsões são a 72horas, em resoluções até 2km.
É fornecida informação horária de pluviosidade e temperatura.
1.5.3- Dados de Produção
Os dados de produção usados neste trabalho são dados fictícios criados a partir da desca-racterização de produções reais de algumas centrais cedidos pelos seus promotores. Refira-se que esta descaracterização foi necessária para manter a confidencialidade exigida pelos pro-motores que gentilmente colaboraram com este trabalho, através da Smarwatt.
Capítulo 2
Estado da Arte
2.1- Introdução
A política energética europeia aponta como prioridade a necessidade de atender à ques-tão das alterações climáticas provocadas por emissões excessivas de CO2. Daí que, nos dias de
hoje, seja recorrente a existência de estímulos para a produção de energia eléctrica a partir de energias renováveis, como forma de reduzir a utilização de combustíveis fósseis.
Deste modo, o futuro da produção energética está centrado na utilização de fontes de energia limpas e amigas do ambiente, como é o caso da energia hídrica.
A European Small Hydropower Association (ESHA) em [20, 21] menciona que, em todo o Mundo, a hidroelectricidade fornece 17% da produção total de energia eléctrica, com uma capacidade instalada de cerca de 720GW, apresentando de longe a sua supremacia face às restantes energias renováveis. Particularmente, a contribuição de CMH em todo o Mundo assemelha-se às outras fontes de energia renovável, com uma capacidade eléctrica na ordem de 1%-2% da capacidade total, totalizando cerca de 61GW. A Europa com 13GW de capacida-de instalada apresenta a segunda maior contribuição para a capacidacapacida-de instalada no mundo, apenas atrás da Ásia.
Segundo dados de [13] em Portugal até 2001 existiam 98 centrais de aproveitamentos mini-hídricos, sendo 78 (200MW) centrais de Produção em Regime Especial (PRE) e 20 (56MW) centrais do Sistema Eléctrico Não Vinculado (SENV), com 256MW de potência instalada e uma produção 815GWh/ano. Actualmente, existem cerca de 100 CMH. Em termos de perspectivas futuras, apesar de ser difícil estimar o potencial de exploração de CMH, aponta-se para valo-res perto dos 1000MW, dos quais entre 500W-600MW são concretizáveis em poucos anos com uma produção média entre 1500 e 1800GWh/ano.
Neste contexto, é primordial a utilização de ferramentas que permitam prever a produ-ção associada às CMH para efeitos de despacho do sistema electroprodutor, conseguindo-se,
12 Estado da Arte
desta forma, salvaguardar a fiabilidade do sistema eléctrico, quer a nível de mercado de electricidade, quer a nível de gestão de redes.
2.2- Conceitos Gerais
2.2.1- Previsão
Segundo Makridakis [22] é frequente existir um desfasamento temporal entre a consciên-cia de um evento iminente e a necessidade ou ocorrênconsciên-cia desse evento. Assim, esse período de tempo revela-se como a principal razão para o planear e prever. A necessidade de prever alia-se ao facto de tentar diminuir a dependência do evento face ao acaso, assim em diversas situações, a previsão é imprescindível para determinar quando um evento ou uma necessida-de irá ocorrer, necessida-de forma, a que possa ser possível necessida-desencanecessida-dear acções pertinentes e apro-priadas.
Ao longo do tempo, as ferramentas de previsão têm sido utilizadas no auxílio da gestão dos sistemas eléctricos, salientando-se a previsão de carga. Portanto, a previsão revela-se, fundamentalmente, uma ajuda importante para um planeamento eficaz e eficiente.
De forma a assegurar maiores níveis de precisão e fiabilidade, os sistemas de previsão têm progredido e podem ser caracterizados pelo horizonte temporal das suas previsões [22], sendo tipicamente subdividido em três secções:
Previsão de Muito Curto Prazo: Sistemas de previsão para horizontes temporais de muito curto prazo, desde alguns segundos até 6 horas. Demonstram interesse na definição da garan-tia de segurança de abastecimento por parte do operador da rede eléctrica, na participação em mercados de electricidade intradiário e na gestão de unidades convencionais rápidas que participam nos serviços de sistema (muito usual em sistemas isolados, como por exemplo ilhas);
Previsão de Curto Prazo: Previsão para um horizonte temporal compreendido entre os 30 minutos e as 72 horas. Assumem importância para a participação no mercado de electricidade diário, embora o horizonte de previsão necessário seja definido pela exigência do operador de mercado sobre a antecedência das previsões;
Previsão de Longo Prazo: O horizonte temporal dos sistemas de previsão vai desde as 72 horas até 7 dias. Permite planear e programar de acções de manutenção.
É notório referir que, dependendo do horizonte temporal da previsão, os sistemas de pre-visão podem auxiliar no despacho do sistema electroprodutor ou apoiar nas decisões de expansão da rede eléctrica para muito longo prazo.
Aspectos Operacionais 13
2.2.2- Aspectos Operacionais
O modo de operação das CMH assemelha-se, em larga escala, às grandes centrais hídricas. As águas dos rios em constante movimento adquirem uma energia cinética que pode atingir valores bastante elevados, dependente das massas de água. As centrais hidroeléctricas apro-veitam este facto para a produção de energia eléctrica, isto é, transformam a energia do movimento das águas em energia eléctrica.
Segundo a física, uma massa de água (𝑚𝑎) localizada a uma determinada altura () possui
uma energia potencial (𝑊𝑝), dada por:
𝑊𝑝 = 𝑚𝑎× 𝑔 × (Eq. 1)
Onde,
𝑔 - É a aceleração gravítica (9,8 𝑚/𝑠2);
De forma a produzir uma maior quantidade de energia, são criados desníveis que, conse-quentemente, permitem aumentar a velocidade das águas. Posteriormente, a água é injecta-da sobre as pás injecta-da turbina e provoca o movimento do veio que se encontra a si acoplado, onde existe a transformação de energia cinética em energia mecânica. O gerador eléctrico associado ao veio transforma a energia mecânica em energia eléctrica [23].
É comum a existência de reservatórios antes dos aproveitamentos hidroeléctricos, desig-nados por albufeiras que permitem o armazenamento de água e, consequentemente, a pro-dução de energia em situações oportunas. Porém, quando a capacidade de regularização do caudal afluente é muito reduzida ou praticamente nula, são designadas por centrais a fio-de-água [24].
Tendo em conta o modo de operação das CMH facilmente se deduz que a produção de energia eléctrica depende, em grande medida, da produção física do sistema (eficiência dos componentes) e do ambiente hidrológico. Por exemplo, da variação do fluxo de água a mon-tante ou da capacidade do reservatório [25], assim como possui uma forte componente de estratégia que não é planeada, mas sim automatizada, cuja produção subsiste em determina-dos períodetermina-dos do dia. Deste modo, a realização de modelos de previsão de produção deve con-templar esses factores.
2.3- Modelos Hidrológicos para a Previsão de Afluências
Até ao momento, os modelos de previsão existentes para aproveitamentos hidroeléctricos são vocacionados para a sua gestão, sendo que, ainda não existem modelos para previsão de produção de CMH.
14 Estado da Arte
Em seguida, apresentar-se-á a descrição dos modelos de previsão existentes para a gestão de aproveitamentos hidroeléctricos, ou seja, para gestão de águas nos reservatórios através de modelos hidrológicos para a previsão de afluências. O objectivo deste capítulo é apresen-tar a sua metodologia e principais características dos modelos.
Nos últimos anos, a previsão de afluências tem merecido destaque [15-17].
Em [15] é apresentado um modelo designado por ―Short-Term Water-Inflow Forecasts‖ (STWIF), basicamente estruturado em dois módulos. Um módulo de previsão de muito curto prazo (2 a 8 horas), baseado em dados de precipitação medidos na bacia hidrográfica e um módulo de curto prazo (2 a 45 horas), que considera dados de previsão de precipitação obti-dos pelo Aire Limitée Adaptation dynamique Développement InterNational (ALADIN).
O modelo de previsão é definido pela seguinte estrutura (ver Figura 6):
Figura 6 – Estrutura Básica do Modelo STWIF [15].
De forma semelhante, em [16] é apresentado um modelo de gestão de água para centrais hidroeléctrica em cascata com utilização de Redes Neuronais (RN) para previsão de afluên-cias. É realizada uma previsão de afluência a muito curto prazo (2 a 6 horas), baseada em dados actuais e de médias horárias de fluxo de água medido no reservatório e a quantidade de precipitação nos últimos 15 minutos até 6 horas. Enquanto a previsão a médio prazo (6 a 48 horas) em vez de utilizar dados de precipitação medidos em estações pluviométricas na bacia hidrográfica, recorre a previsões de precipitação obtidos pelo modelo ALADIN.
Golob em [17] apresenta uma metodologia de previsão similar aos anteriormente
apresen-tados. Contudo, a sua principal preocupação é demonstrar qual a arquitectura a considerar nas RN com vista à obtenção de melhores resultados.
Um método de calendarizar a geração de uma micro-central hidroeléctrica para um período de um mês é apresentado em [26]. Com base em dados históricos de afluências, ele-vação de água no reservatório e data, por recurso às RN, consegue-se elaborar um mapa de descargas para o mês seguinte. Portanto, é uma previsão baseada em dois modelos: modelos estatísticos (inclui dados históricos) e modelos de inteligência artificial. Com informação do
Modelos Hidrológicos para a Previsão de Afluências 15
caudal turbinado no aproveitamento procede-se ao cálculo da potência da micro-central hidroeléctrica por recurso à (Eq. 2) [26]:
𝑃 = 7,13 × 𝑄 × 𝐻 (Eq. 2)
Sendo
𝑄 – O caudal expresso em (m3/s);
𝐻 - A queda bruta expressa em (m). 𝑃 - Potência (kW);
A pesquisa descrita em [14] investiga a utilidade das RN para a previsão de caudal, a cur-to-prazo. A Figura 7 apresenta a metodologia adoptada no modelo de previsão.
Figura 7 – Diagrama do Modelo Winnipeg Flow Forecasting System (WIFFS) [14].
Em [27] é apresentada a aplicação de técnicas de previsão a estudos de viabilidade para micro-produção hidráulica. O trabalho apresenta uma comparação entre técnicas de previsão (Autoregressive Integrated Moving Average (ARIMA), RN e Computação Evolucionária), atra-vés da realização de previsão baseada em dados de afluências medidos numa estação hidro-métrica. O objectivo é determinar o valor teórico de energia eléctrica e se a micro-central pode ser instalada.
Em conclusão, já existe um leque de modelos de previsão disponíveis para aproveitamen-tos hidroeléctricos, no entanto, são todos vocacionados para a gestão. Verifica-se que, inde-pendentemente da funcionalidade dos modelos, estes dependem fortemente de modelos estatísticos, dado que integram dados históricos e utilizam dados provenientes de previsões
16 Estado da Arte
meteorológicas, designado por Numerical Weather Predictions (NWP) que se baseiam em modelos físicos. Para além disso, recorrem ao uso de RN, devido à sua versatilidade na área da previsão.
2.4- Modelos de Previsão Numérica
A utilização dos modelos de previsão das condições meteorológicas, designados por NWP, remonta desde 1950 após um trabalho desenvolvido por Charney [28]. São modelos computa-cionais de simulação do comportamento da atmosfera baseados em leis físicas e com um âmbito de previsão à escala continental de 3 a 72 horas.
A simulação é conseguida utilizando um sistema complexo de equações matemáticas que devido a apresentar um carácter não linear inviabiliza obter a sua solução exacta. Assim sen-do, com vista à sua resolução é necessário recorrer a métodos numéricos.
Geralmente os modelos de previsão numérica apresentam-se divididos em dois modelos: Global – Efectuam previsão para todo o planeta;
Regional/Local – Efectuam previsão para zonas continentais.
2.4.1- Modelos Globais
Os modelos atmosféricos de macro–escala são os que oferecem previsões meteorológicas de maior alcance (escala mundial). Estes modelos possuem uma resolução da ordem de 200 km e têm como objectivo identificar o comportamento geral da atmosfera sobre uma deter-minada zona. São modelos que apresentam capacidade de identificar fenómenos meteoroló-gicos de larga escala.
Concretamente, a Tabela 1 apresenta um conjunto de exemplos de modelos atmosféricos globais.
Tabela 1 – Exemplos de Modelos Atmosféricos Globais.
Designação Desenvolvido por:
GFS – Global Forecast System National Centre for Environmental Prediction
GEM – Global Environmental Multiscale
Model
MSC – Meteorological Service of Canada
IGCM – Intermediate General Circulation
Model
Department of Meteorology at the University of Reading
Modelos Regionais/Locais 17
As entidades apresentadas anteriormente detêm recursos computacionais de elevada capacidade de processamento, capazes de resolver as complexas equações várias vezes por dia, o que permite fornecer previsões refrescadas em intervalos de 6 e 12 horas.
É importante referir que em Portugal, para além do Instituto de Meteorologia existem várias instituições de investigação que recorrem a estas previsõess que englobam o território nacional. A previsão global mais utilizada no âmbito de projectos de investigação é o GFS.
2.4.2- Modelos Regionais/Locais
Os modelos atmosféricos locais concentram-se em grandes áreas, como por exemplo con-tinentes, e apresentam uma resolução espacial de 2 km até cerca de 50 km. O seu objectivo é analisar e identificar em detalhe o comportamento da atmosfera sobre uma região específi-ca e, desta forma, reconhecer fenómenos meteorológicos de pequena esespecífi-cala.
A Tabela 2 apresenta exemplos de modelos atmosféricos regionais/locais.
Tabela 2 – Exemplos de Modelos Atmosféricos Regionais/Locais.
Designação Desenvolvido por:
ALADIN - Aire Limitée Adaptation dynamique
Développement InterNational Météo-France
ARPS - Advanced Regional Prediction System University of Oklahoma
MM5 - Fifth Generation Penn State / NCAR
Mesoscale Model MM5
Penn State University (PSU)/National Center for Atmospheric Research (NCAR)
WRF - Weather Research and Forecasting
Model
NCEP (National Centers for Environmental Prediction)
Estes modelos são de extrema importância para a previsão de produção de CMH, uma vez que permitem estudar uma determinada zona geográfica com grande resolução espacial, como por exemplo uma CMH.
É importante referir que os modelos NWP Regionais/Locais mais utilizados em Portugal são: MM5, WRF e ALADIN.
2.5- Modelos Estatísticos
Os modelos estatísticos tentam encontrar relações fortes entre os dados históricos da produção eléctrica e das variáveis explicadoras e a informação medida em tempo real,
recor-18 Estado da Arte
rendo a técnicas recursivas. É uma abordagem que difere dos modelos físicos, na medida em que apenas utiliza um módulo para transformar a informação existente em previsão de potência eléctrica. Concretamente, a Figura 8 descreve o modo de funcionamento dos mode-los estatísticos.
Dados NWP Dados SCADA
Conversão em Potência Modelo Estatístico
Figura 8 – Esquema do Modo de Funcionamento dos Modelos Estatísticos.
Em termos de formulação, os modelos estatísticos podem ser expressos pela (Eq. 3):
𝑝 (𝑡+𝑘|𝑡)= 𝑓 𝑝𝑡, 𝑢 (𝑡+𝑘|𝑡𝑁𝑊𝑃), 𝑥 (𝑡+𝑘|𝑡𝑁𝑊𝑃 ) (Eq. 3)
Onde,
𝑝 (𝑡+𝑘|𝑡)- Corresponde à previsão da potência para o instante t+k efectuada no instante t;
𝑝𝑡- É a potência produzida no instante t;
𝑢 (𝑡+𝑘|𝑡𝑁𝑊𝑃 ), 𝑥 (𝑡+𝑘|𝑡𝑁𝑊𝑃 ) - Representam variáveis previstas pelos modelos NWP para o
instan-te t+k efectuada no instaninstan-te tNWP. É notório referir que, para além destas variáveis ainda podem ser consideradas medidas em tempo real, como por exemplo, medidas meteorológi-cas.
Na implementação destes modelos, para o caso específico de previsão de eólica, utilizam-se modelos do tipo Grey-Box e modelos analíticos, como é o caso do ―Kernel Regression‖ [29]. No entanto, o mais usual é utilizar modelos do tipo ―caixa preta‖, como por exemplo as RN.
É importante salientar que os modelos estatísticos apresentam como vantagem o facto de não necessitarem de modelações físicas. No entanto, para o processo de estimação dos parâ-metros é necessário ter conhecimento de um vasto conjunto de dados históricos e informação de medidas em tempo real.
Redes Neuronais 19
2.6- Redes Neuronais
As RN, vulgarmente conhecidas por ―Neural Networks‖, são técnicas computacionais que apresentam um modelo matemático inspirado na estrutura neuronal de organismos inteligen-tes e que adquirem conhecimento através da experiência. São amplamente utilizadas como métodos de inteligência artificial em matérias de previsões, devido ao facto de serem máqui-nas de aprendizagem, distribuídas, adaptativas e geralmente não lineares.
Desde a década de 1930 que as RN têm sido utilizadas (Figura 9), primeiro para aplicações na área da neurociência, mais tarde, em 1950 foram utilizadas em aplicações da engenharia como o controlo e reconhecimento e só no final de 1980 é que surgiram as primeiras aplica-ções na área da previsão.
Figura 9 – Cronologia das RN [30].
A aplicabilidade das RN em matéria de previsão é diversificada, desde previsão de carga, com antecipação de uma hora [31], utilizar previsões meteorológicas para aplicação em RN para uma previsão de carga de 1 a 10 dias [32], assim como, em [33] para previsão de carga a curto-prazo com base em algoritmos de filtragem Kalman, através de dados atmosféricos e modelos de carga. Em [34, 35] as RN são utilizadas para previsão de eólica baseada em utili-zação de dados de velocidade de vento. Também se usam para previsão de fluxo de água nos reservatórios de aproveitamentos hidroeléctricos [15-17, 36, 37] e em [38] para previsão a curto prazo da precipitação.
Assim, é notório a versatilidade das RN em campo de aplicação de previsão, ou seja, é capaz de lidar com inúmeros problemas. É conveniente referir que, segundo [39], a área de aplicação das RN, nos sistemas de energia é em 21% dedicada para previsão de carga.
20 Estado da Arte
2.7- Avaliação dos Modelos de Previsão
Para ser possível proceder ao diagnóstico de avaliação dos modelos de previsão é necessá-ria a existência de métodos específicos para esse efeito. Particularmente, a apreciação do desempenho do modelo de previsão pode ser realizada por intermédio de indicadores estatís-ticos. Existem várias vertentes de análise de erro, porém não há consenso acerca dos critérios de erro a utilizar.
Em termos genéricos, o erro (𝑒) que o sistema de previsão pode cometer, num determi-nado instante (𝑡) é dado pela diferença entre o valor previsto (𝑃 𝑡+𝑘) e o valor real (𝑃𝑡+𝑘).
Sendo descrito pela (Eq. 4):
(𝑒𝑡+𝑘)𝑡 = 𝑃𝑡+𝑘− (𝑃 𝑡+𝑘)𝑡 (Eq. 4)
Concretamente, o erro pode ser decomposto em duas componentes (ver (Eq. 5)): Erro Sistemático: 𝜇𝑒
Erro Aleatório: 𝜉𝑒
𝑒 = 𝜇𝑒+ 𝜉𝑒 (Eq. 5)
A avaliação do erro sistemático pode ser realizada por intermédio da análise do Modelo
BIAS, dado pela seguinte expressão (Eq. 6):
𝐵𝐼𝐴𝑆𝑘 = 1 𝑁 (𝑒𝑡+𝑘)𝑡 𝑁 𝑡=1 (Eq. 6)
No que concerne ao erro aleatório, a sua avaliação pode ser realizada a partir de dois cri-térios, designadamente:
Mean Absolute Error: MAE
Sendo, a expressão geral dada pela (Eq. 7): 𝑀𝐴𝐸𝑘= 1 𝑁 𝑒𝑡+𝑘 𝑡 𝑁 𝑡=1 (Eq. 7)
Root Mean Square Error: RMSE
O RMSE é definido pela expressão geral apresentada em (Eq. 8),
𝑅𝑀𝑆𝐸𝑘= 𝑀𝑆𝐸𝑘 (Eq. 8)
Sendo MSE a definição de Mean Square Error, onde a sua expressão geral é (ver (Eq. 9)): 𝑀𝑆𝐸𝑘 = 1 𝑁 − 𝑝 (𝑒𝑡+𝑘)𝑡 2 𝑁 𝑡=1 (Eq. 9)
Avaliação dos Modelos de Previsão 21 𝑅𝑀𝑆𝐸𝑘 = 1 𝑁 (𝑒𝑡+𝑘)𝑡 2 𝑁 𝑡=1 (Eq. 10)
É de extrema importância referir que os erros sistemáticos (𝜇𝑒) afectam o MAE e o RMSE.
Um outro pormenor a contemplar é que, na maioria das vezes, é usual converter os erros aleatórios em valores percentuais, de forma a facilitar a compreensão. Para tal é necessário recorrer às seguintes expressões, (ver (Eq. 11), (Eq. 12)):
Mean Absolute Percentage Error: MAPE
𝑀𝐴𝑃𝐸𝑘 =
1
𝑁 𝑁𝑡=1 𝑒𝑡+𝑘 𝑡
𝑃𝑚𝑒𝑑 × 100
(Eq. 11)
Root Mean Square Percentage Error: RMSPE
𝑅𝑀𝑆𝑃𝐸𝑘 =
1
𝑁 𝑁𝑡=1(𝑒𝑡+𝑘)𝑡2
𝑃𝑚𝑒𝑑 × 100
(Eq. 12)
Onde 𝑃𝑚𝑒𝑑é a potência média.
Para além da conversão para valores percentuais, também se pode realizar a normaliza-ção que visa a troca de 𝑃𝑚𝑒𝑑 por 𝑃𝑖𝑛𝑠𝑡. Este critério permite obter valores de erro inferior, no
entanto, poderá apresentar falhas na análise do erro, dado que, em situações de sobredimen-sionamento estão a considerar-se valores de produção que normalmente não são alcançados. Assim, definem-se os erros nMAPE e NRMSPE que se baseiam nas seguintes expressões, res-pectivamente (ver (Eq. 13) e (Eq. 14)):
Normalized Mean Absolute Percentage Error: nMAPE
𝑛𝑀𝐴𝑃𝐸𝑘=
1
𝑁 𝑁𝑡=1 𝑒𝑡+𝑘 𝑡
𝑃𝑖𝑛𝑠𝑡 × 100
(Eq. 13)
Normalized Root Mean Square Percentage Error: NRMSPE
𝑁𝑅𝑀𝑆𝑃𝐸𝑘=
1
𝑁 𝑁𝑡=1(𝑒𝑡+𝑘)𝑡2
𝑃𝑖𝑛𝑠𝑡 × 100
(Eq. 14)
22 Estado da Arte
No que diz respeito à comparação entre dois modelos de previsão, a análise do erro pode ser efectuada através do coeficiente de determinação R2, cuja expressão geral se expõe na
(Eq. 15).
𝑅𝑘2=
𝑀𝑆𝐸𝑘𝑅𝑒𝑓− 𝑀𝑆𝐸𝑘𝐴
𝑀𝑆𝐸𝑘𝑅𝑒𝑓
(Eq. 15)
Sendo, 𝑀𝑆𝐸𝑘𝑅𝑒𝑓 o erro médio quadrático da média global dos modelos.
No entanto, convém salientar que este indicador varia entre valores compreendidos entre 0 (mau) e 1 (bom). Porém, para horizontes temporais elevados R2 pode tomar valores
negati-vos, assim deve evitar-se a utilização deste indicador como medida primária.
2.8- Conclusões
As ferramentas de previsão têm sido vulgarmente utilizadas como auxílio da gestão de sis-temas eléctricos, revelando-se uma ajuda importante para um planeamento eficaz e eficien-te.
Os sistemas de previsão podem ser divididos segundo o seu horizonte temporal da previ-são: modelos de muito curto prazo, modelos de curto prazo e modelos de longo prazo. Parti-cularmente, o sistema de previsão apresentado nesta dissertação enquadra-se no segundo tipo, com um horizonte de previsão de 72 horas e com uma discretização em intervalos de 60 minutos. Para além disso, os tipos de modelos de previsão também se podem distinguir atra-vés do âmbito geográfico e temporal.
Actualmente, o estado da arte de modelos de previsão associados a aproveitamentos hidroeléctricos é vocacionado para a sua gestão, não existindo portanto, modelos de previsão de produção de CMH.
Essencialmente, os modelos de previsão dividem-se em dois grupos, designadamente, modelos físicos que se baseia em leis físicas e integram informação dinâmica e estática e os modelos estatísticos que tentar encontrar relações fortes entre dados históricos e variáveis explicativas e a informação medida em tempo real.
A avaliação do desempenho dos modelos de previsão é realizada segundo um conjunto de indicadores de erro. Contudo, é necessário ter atenção na escolha do indicador, uma vez que a escolha de um indicador inadequado pode conduzir a erros.
Em suma, um modelo de previsão não é apenas um modelo computacional, mas essen-cialmente uma base de conhecimento construída de forma estruturada para um caso específi-co.
Capítulo 3
Análise de Informação para os Modelos
de Previsão Mini-Hídrica
O desenvolvimento de modelos de previsão induz a necessidade de atender a aspectos relacionados com o pré-processamento e avaliação da informação disponível. Deste modo, os modelos de previsão devem ser robustos, utilizando apenas informação significante, sem coli-nearidades. Esta informação deve ser fiável em todo o processo de aquisição e pré-processamento. Por outro lado, será necessário estudar e identificar todas as variáveis que possam conter informação que contribua para explicar o problema da previsão de produção em CMH.
Este capítulo contempla a análise de informação para os modelos de previsão de produção de CMH. Isto é, a tentativa de identificar quais as variáveis imprescindíveis para a caracteri-zação do modelo de previsão e a sua forma de modelicaracteri-zação. Existe também a preocupação em provar influências de variáveis, explicar aspectos e formular hipóteses que, inicialmente, se consideram como determinantes e essenciais para a construção do modelo.
Desta forma, existe um primeiro contacto com o problema e a primeira tentativa de começar a explorar, interpretar e formular. Esta é, portanto, a etapa chave e determinante para a compreensão e finalização do problema.
3.1- Estruturas dos Modelos de Previsão de Produção em CMH
O modelo global de previsão de produção em CMH é baseado na utilização de modelos físicos e no desenvolvimento de modelos estatísticos (ver Figura 10), onde as várias colora-ções (laranja, azul e verde) representam os sistemas de previsão desenvolvidos.
Na base dos sistemas de previsão utiliza-se informação de modelos físicos, ou seja, previ-sões meteorológicas (dados NWP) obtidas do modelo atmosférico local MM5.
24 Análise de Informação para os Modelos de Previsão Mini-Hídrica
É conveniente referir que como dados de entrada também se poderia considerar o históri-co de dados de produção da CMH. No entanto, não existe qualquer tipo de informação medida
online, tendo portanto que se descartar essa hipótese.
Os dados de entrada alimentam um modelo estatístico que permite a optimização de parâmetros, recorrendo a técnicas recursivas, em que os valores do instante seguinte depen-dem do anterior. Na implementação utilizam-se modelos de inteligência computacional, designadamente as RN. Dados NWP Previsão da Hidrometria Características da Centrais Cálculo da Hidrometria Previsão da Produção Média Diária Modelo de Inteligência Computacional Previsão Horária da Produção de CMH Modelo 2 Modelo 3 Modelo1
Figura 10 – Esquema dos Modelos de Previsão das CMH.
Os modelos de previsão desenvolvidos apresentam discretização horária para um horizon-te horizon-temporal de três dias. Contudo, nesta dissertação, devido ao principal objectivo da previ-são ser a participação em mercados de electricidade, apenas se apresentam resultados para o segundo dia de previsão (24horas-48horas).
