Aplicação de Modelo de Mesoescala para Desenvolvimento de Projetos Eólicos
Rodrigo Martins Dorado¹, Leonardo Barboza Trindade², José Leandro Rosales Luz¹, Dalmedson G. de Freitas Filho¹, Marcelo Romeiro de Moraes3, Adriane Prisco Petry¹, Bardo
Bodmann¹
1 Programa de Pós Graduação em Engenharia Mecânica / Universidade Federal do Rio Grande do Sul.
2 STE – Pesquisa e Desenvolvimento Ltda 3 Engenharia de Energias Renováveis e Ambiente/
Universidade Federal do Pampa
Rua Sarmento Leite, 425 - 2º Andar, CEP: 90.050-170 - Porto Alegre, RS - Brasil rodrigo.dorado@ufrgs.br, trindade@ste-pdi.com.br, jluz@mecanica.ufrgs.br,
dalmedson@mecanica.ufrgs.br, marceloromero@unipampa.edu.br, adrianep@mecanica.ufrgs.br bardo.bodmann@ufrgs.br
RESUMO
As características do vento podem impactar diretamente a rentabilidade de um projeto eólico, podendo até mesmo inviabilizá-lo economicamente, razão pela qual é importante conhecer detalhadamente sua climatologia local a médio e a longo prazo.
O litoral do Rio Grande do Sul é uma região de grande potencial eólico, que vem sendo monitorado através de torres anemométricas por vários desenvolvedores de projetos eólicos. Com o objetivo de fornecer dados que sirvam de apoio a estas medições, atuando de forma complementar no sentindo de reduzir os riscos nas previsões e operações do potencial eólico, este trabalho apresenta uma aplicação a análise do potencial eólico da metodologia de mesoescala, empregando o modelo Weather Research and Forecasting (WRF).
O estudo consiste na comparação dos resultados das simulações do WRF com medições de vento realizadas por uma torre anemométrica e dados fornecidos pelo Banco de Dados Meteorológicos para Ensino e Pesquisa (BDMEP) do Instituto Nacional de Meteorologia INMET por um período de 24 meses.
Os resultados mostraram uma boa concordância entre os observados e os preditos pelo modelo, validando a metodologia aplicada na representação de ventos da região. Isso permitirá desenvolver séries históricas sintéticas de longo prazo com a metodologia de mesoescala, ajudando no conhecimento da climatologia local e reduzindo as incertezas dos projetos eólicos, além de fornecer um banco de dados para modelos estocásticos de distribuição de energia.
Palavras-chave: Energia Eólica, Modelos de Mesoescala, Previsão de ventos, WRF Model. INTRODUÇÃO
O planejamento no setor elétrico envolve a determinação de uma estratégia de expansão do sistema que permita atender à demanda futura de energia, de modo a minimizar os custos de expansão e propiciar condições para a operação segura e econômica do sistema. Contudo a energia eólica está disponível com relação ao vento, não se correlacionando com a demanda.
Os modelos de mesoescala vem sendo estudados por diversos grupos de pesquisa, como ferramenta para avaliação do recurso eólico. No artigo de Yim [1], são combinadas observações históricas e estado da arte dos modelos numéricos de mesoescala para mapear a distribuição espacial dos recursos eólicos em alta resolução, e para promover uma compreensão mais profunda do potencial de energia eólica sobre o sul da China. Carvalho [2]apresenta a avaliação do desempenho do modelo Weather Research and Forecasting (WRF) em simulação numérica do ventos para energia eólica em uma área de terreno complexo em Portugal.
No artigo de Beaucage [3] foi realizado um comparativo entre diferentes modelos numéricos de escoamento atmosférico, a saber: WAsP (modelo de escoamento linear), Meteodyn WT (modelo baseado em CFD), WindMap/openWind Enterprise, SiteWind (acoplamento de modelos de mesoescala Previsão Numérica do Tempo -NWP com modelo de mass-consistent) e ARPS (acoplamento mesoescala NWP-LES). O trabalho conclui uma performance superior de todos os acoplamentos de modelos NWP, sugerindo que a simulação correta de efeitos de estabilidade térmica e outros fenômenos relativos a gradientes de temperatura, desenvolvidos na simulação dinâmica de mesoescala, são importantes para entender o escoamento atmosférico.
Byrkjedal e Berge [4] avalia o recurso eólico na Noruega utilizando os modelos WRF e WAsP. Os resultados das simulações do WRF foram comparados com observações, obtendo-se coeficientes de correlação (R2) elevados (entre 0,8 e 0,9) bem como desvios das simulações relativamente às observações entre -3 a 25%. Tais resultados variam muito de local para local e em terrenos de topografia complexa (montanhas), o WRF tem tendência a subestimar a velocidade do vento. Posteriormente, foram utilizados os resultados do WRF como dados de entrada para o WAsP, verificando-se uma redução dos desvios entre a velocidade simulada e observada.
O trabalho apresentado por Soares [5] mostra que os desvios globais entre a velocidade média do vento observada e simulada estão dentro esperado, indicando que os resultados de mesoescala podem ser adequados para a avaliação de recursos eólicos ou para a fase inicial de um projeto de parque eólico.
A compreensão dos padrões de vento é crucial para o sucesso no desenvolvimento de novos parques eólicos, buscando um fator de capacidade (FC) elevado. O FC dos parques eólicos influencia diretamente na viabilidade técnica e econômica dos projetos. Segundo relatório da Operadora Nacional do Sistema Elétrico [6], de janeiro de 2013, o FC anual médio, para parques no sul do país, estava estimado em torno de 34,5%, ao passo que o valor verificado estava em 32,87%, que é uma defasagem de 4,7% no fator de capacidade esperado.
Levando-se em consideração uma máquina comercial utilizada no Rio Grande do Sul, uma diferença de 0,5 m/s corresponde em uma variação no fator de capacidade 7,25%, que em um parque de 100MW com o custo de R$100/MW, em 20 anos seria equivalente a uma diferença de R$13 milhões.
Neste contexto, este trabalho busca avaliar a aplicabilidade dos modelos de mesoescala WRF-ARW na previsão de ventos para projetos eólicos e na operação de parques, verificando quais são os fatores que podem ajudar a constituir e complementar as ferramentas para planejamento energético existente com a simulação de séries temporais virtuais que também servem como base
para futuros modelos estocásticos para a distribuição de energia, a fim de reduzir os riscos de erro no desenvolvimento de projeto em energia, aumentando sua rentabilidade e eficiência.
METODOLOGIA
A abordagem seguida para a realização deste trabalho baseia-se na utilização de dados provenientes de campanhas de medição de vento para a comparação do vento simulado pelo modelo de previsão numérica WRF-ARW. As séries de dados sofreram outra intervenção antes de serem iniciados os cálculos seguidamente apresentados, tendo sido estas as invalidações dos períodos em que não existiam dados ou existiam anomalias.
O WRF-ARW é um modelo transiente não-linear, e como qualquer modelo numérico depende das condições de fronteira para caracterizar as condições iniciais do sistema e manter a estabilidade numérica durante a simulação. Uma descrição ainda mais detalhada do modelo WRF-ARW pode ser encontrada em seus manuais [7-8].
O local escolhido foi o litoral do Rio Grande do Sul, uma região de grande potencial e que vem sendo monitorado através de torres anemométricas por vários desenvolvedores de projetos eólicos.
Foram utilizados duas fontes de dados: na primeira foram os dados do Banco de Dados Meteorológicos para Ensino e Pesquisa, da estação meteorológica de Santa Vitória do Palmar. Os dados foram liberados três vezes ao dia, nos horários 00h, 12h e 18h a uma altura de 10m. A segunda fonte foram os dados anemométricos medidos no prazo de 24 meses tendo como padrão duas alturas, de 100 m e 60m.
Na avaliação do recurso eólico foram utilizadas variáveis estatísticas, sendo utilizado o erro absoluto médio (MAE), o erro médio quadrático (RMSE), o erro médio (BIAS), o índice de concordância (d) e o desvio padrão (STDE).
O MAE indica o desvio médio absoluto dos valores simulados face aos valores observados, sendo melhor quanto mais próximo de zero se encontrar.
∑ | | ( 1 )
onde com representa o valor simulado e representa o valor observado. O RMSE é uma medida da variação dos valores simulados face aos valores observados e assim como o MAE também é melhor quanto mais próximo de zero se encontrar.
√ ∑ ( 2 )
O BIAS verifica a tendência dos dados, ou seja, se for positivo indica que os valores simulados se encontram sobrestimados face aos observados e se for negativo encontram-se subestimados.
∑ ( 3 )
O índice de concordância da intensidade do vento indica o grau de ajuste dos dados simulados aos dados observados, sendo que d=1 corresponde a uma concordância perfeita entre o simulado e o observado e d=0 corresponde a uma discordância total entre ambos.
∑
∑ | ̅| | ̅| ( 4 )
Onde representa o valor simulado ou previsto, representa o valor simulado e ̅ valor médio observado.
O desvio padrão é uma forma avaliação quantitativa dos dados simulados pelo modelo de simulação numérica WRF, esta medida avalia a dispersão do erro.
√ ∑ ∑ √ ( 5 )
Tabela 1: Parametrização utilizada para simulações WRF-ARW [8] Parametrização
Níveis Verticais 27
Camada de Superfície (CS) MM5
Camada Limite Planetária (CLP) YSU Modelo de Superfície do Solo (MSS) NOAH
Microfísica (MF) WSM3
Radiação de Longo Comprimento de Onda (RLO) Dudhia Radiação de Curto Comprimento de Onda (RCO) RRTM
Cumulus (PC) Kain-Fritsh
RESULTADOS E DISCUSSÕES
A Figura 1 apresenta os histogramas e as curvas de Weibull dos dados a 100m. Os histogramas apresentam uma pequena diferença nas frequências, sendo que o modelo apresenta uma maior incidência de velocidade mais baixa até velocidade de 8m/s. Os dados observados apresentam uma maior incidência de velocidades acima de 9m/s; estas incidências diferentes se propagam para as velocidades médias (Tabela 1).
Figura 1: Histograma da distribuição dos ventos a 100m.
A Figura 2, a rosa dos ventos, por sua vez, mostra as distribuições, em termos de frequências, das direções do vento em períodos de um ano. Pela comparação dos quadrantes das
rosas-dos-ventos, dos dados observados com os com dados simulados, pode-se aferir que a representação é aceitável. O modelo numérico foi capaz de captar as direções predominantes, embora a frequência das ocorrências não seja totalmente idêntica. Analisando ambas as rosas e os seus desvios setoriais, pode-se verificar a predominância de ventos de origem nordeste.
Figura 2: (a) Rosa dos Ventos dados Observados (b) Rosa dos Ventos dados Preditos a 100m durante 12 meses.
Figura 3: Campo de velocidade médio dos ventos em 12 meses.
A Figura 3 mostra as velocidades médias durante um ciclo de 12 meses com suas direções características. Fica evidente a forte influência dos ventos predominantes do leste. A imagem mostra também o grande potencial da costa para a produção eólica offshore.
Os resultados comparativos da velocidade e direção do vento, com base nos dados observados, estão apresentados na nas Tabelas 2 e 3. Existe uma tendência de subestimar a velocidade vento por parte do modelo na altura de 100m face ao observado, já a 10m a tendência é de sobrestimar face ao observado, como se pode verificar pelos valores do BIAS.
Tabela 2: Dados estatísticos da velocidade do vento. Média (m/s) Desvio Padrão (m/s) Fator de Escala (A)(m/s) Fator de forma (k) MAE (m/s) RMSE (m/s) BIAS (m/s) Índice de concordância STDE (m/s) Estação(10m) 3,83 2,60 4,21 1,52 1,7649 2,2539 0,9479 0,99982 2,0449 WRF 10m 4,78 2,06 5,25 2,49 Torre(100m) 8,01 3,21 8,90 2,73 2,0704 2,7344 -0,6041 0,999978 2,6669 WRF 100m 7,49 3,05 8,24 2,65
Tabela 3: Dados estatísticos da direção do vento.
Média (º) Desvio Padrão (º) MAE (º) RMSE (º) BIAS (º) Índice de concordância STDE (º)
Estação 27,88 88,21 0,6323 0,7023 -1,38E-02 0,999999988 0,7021 WRF 10m 32,64 97,39 Torre 39,50 96,51 0,6426 0,7115 -4,65E-03 0,9999999986 0,7116 WRF 100m 32,65 98,02
As médias são 8,01m/s para os dados observados e 7,49m/s para os dados simulados, diferença observada na Tabela 2. Essa diferença quando comparada em termos de fator de capacidade e potência (Tabela 4), mostra um fator de capacidade mais elevado para os dados observados com 51% em comparação aos 34% da simulação, tendo ainda uma potência média para um aerogerador comercial de 1,047MWh e 0,689MWh para os dados simulados.
Tabela 4: Fator de Capacidade e Potência média. Fator de Capacidade (%) Potência (MWh)
Torre 51 1,047
WRF 100m 34 0,689
Esta grande diferença de potência e fator de capacidade se deve principalmente à diferença nas incidências das velocidades observadas e simuladas, como é visto na Figura 4. A variação de densidade de potência entre os dados observados e preditos não varia significativamente para ventos inferiores a 9m/s. A densidade de potência cumulativa na velocidade de 8m/s em ambos é de 40W/m², já a 10m/s a probabilidade é de 60W/m² para os dados observados e de 50W/m² para os dados preditos, esta diferença incide diretamente no fator de capacidade.
Figura 5: Comparativo das velocidades médias.
Para tornar-se possível uma análise gráfica do período total, foi analisada representação apresentada na a Figura 5, que representa as médias mensais das velocidades dos ventos. Nota-se, imediatamente, que as simulações conseguem reproduzir as principais características do regime médio do local de vento. Todas as simulações numéricas acompanham os dados observados, o que comprova a capacidade do modelo em simular estas variáveis. Outra característica evidente a simulações é que elas tende a subestimar a velocidade do vento 100m e sobrestimar o vento a 10m. CONCLUSÃO
Conhecer bem o padrão de comportamento do vento ao longo dos anos é uma impotente ferramenta para o planejamento. O modelo WRF-ARW mostra-se eficaz em demostrar com excelente concordância a tendência dos dados observados, tanto na velocidade quanto na direção, ficando claro o padrão de subestimar os dados da velocidade do vento a 100m e sobrestimar a velocidade dos ventos a 10m. Servindo claramente ao propósito de apoiar as medições e desenvolvendo series temporais para demonstrar a climatologia local, melhorando a confiabilidade dos projetos eólicos atuando com torres anemométricas virtuais.
Três anos de medições não servem para descrever a climatologia local, pois é um espaço de tempo para muito curto para determiná-la, assim os modelos de mesoescala podem dar um melhor entendimento e servir com uma ferramenta auxiliar para a determinação do clima no local especifico do projeto com séries temporais longas de 20 ou 30 anos de dados. Observa-se uma possível correção da tendência através dos dados do INMET de estações localizadas na mesma região.
A parametrização de instalação mostra-se satisfatória para a metodologia de simulação onde se dispõem de poucos recursos computacionais, tornado esta metodologia facilmente aplicável em projetos de energia, pois o desenvolvedor de projeto eólico não terá um grande custo computacional. Contudo uma melhoria necessária é o aumento dos níveis verticais, assim a perspectiva de trabalhos futuros é analisar a parametrização para refinamento de resultados levando em conta o tempo computacional.
REFERÊNCIAS
[1] Yim, S. H. L.; Fung, J. C. H.; Lau, A. K. H. (2009). Mesoscale Simulation of Year-to-Year Variation of Wind Power Potential over Southern China. Energies, v. 2, n. 2, p. 340–361. Disponível em: <http://www.mdpi.com/1996-1073/2/2/340/>.
[2] Carvalho, D.; Rocha, A.; Gómez-Gesteira, M.; Santos, C. (2012). A sensitivity study of the WRF model in wind simulation for an area of high wind energy. Environmental Modelling & Software, v. 33, p. 23–34. Elsevier Ltd. Disponível em: <http://linkinghub.elsevier.com/retrieve/pii/S1364815212000382>. Acesso em: 31/10/2012. [3] Beaucage, P.; Brower, M. C.; Officer, C. T., 2012. Wind flow model performance do more
sophisticated models produce more accurate wind resource estimates.
[4] Byrkjedal, Ø.; Berge, E. , 2005. The Use of WRF for Wind Resource Mapping in Norway, n. 1, p. 3–6.
[5] Soares, C. C.; Chagas, G. O.; Guedes, R. A. , 2011. Estimating Wind resource using mesoscale modeling. , p. 1–9.
[6] ONS, Operador Nacional do Sistema Elétrico, 2013. Acompanhamento mensal da geração de energia das usinas eolielétricas com programação e despacho centralizados pelo ONS. [7] WANG, W.; BRUYÈRE, C.; DUDA, M.; et al. 2011. User’s Guide Advanced Research
WRF (ARW) Version 3.4.
[8] Skamarock, W. C.; Klemp, J. B.; Gill, D. O. 2008. A Description of the Advanced Research WRF Version 3.
AGRADECIMENTOS
Agradeço a UFRGS, o CESUP-UFRGS, a STE - Pesquisa e Desenvolvimento e ao CNPq pelo auxílio financeiro.
Rodrigo Martins Dorado– Nascido em Dom Pedrito, RS, Brasil em 31 de março de 1982. Graduado em Engenharia de Energias Renováveis e Ambiente pela Universidade Federal do Pampa em Bagé/RS em agosto de 2011, atualmente cursa mestrado em Energia na Universidade Federal do Rio Grande do Sul.
Ele atua nas áreas de mesoescala e energia eólica, já participou de estudos de simulação computacional de dispersão de poluentes atmosféricos para combustíveis de foguetes e material radioativo, atuando também em modelagem da camada limite atmosférica.
O eng. Dorado atua em Pesquisa, Desenvolvimento e Inovação na empresa STE – Pesquisa e Desenvolvimento Ltda, nas áreas de meio ambiente e energia.
Leonardo Barboza Trindade- Nascido em Porto Alegre, RS, Brasil, em 20 de abril de 1970. Possui bacharelado em Física pela UFRGS e doutorado em metalurgia pela mesma universidade em 2002. Atua desde então na simulação computacional e no desenvolvimento de modelos
matemáticos para processos industriais pela empresa STE – Pesquisa e Desenvolvimento, na qual é sócio-diretor.
Ele possui vários projetos em parceria com grandes empresas do setor de siderurgia e 3 softwares desenvolvidos para a indústria. Atualmente também coordena um projeto de pesquisa em eólica na área de simulação empregando ferramentas de meso (WRF) e microescala (CFD), tendo como principal financiador o CNPq.
O Dr. Trindade tem como principal parceria a Universidade Federal do Rio Grande do Sul, através do Laboratório de Siderurgia (LASID) e do Grupo de Estudos em Energia (GESTE),
José Leandro Rosales Luz –é natural de Porto Alegre, nascido em dois de julho de 1981. Graduou-se em Engenharia Mecânica pela Universidade Federal do Rio Grande do Sul, em Porto Alegre, no ano de 2008. Concluiu o mestrado acadêmico em Engenharia Mecânica com ênfase em Energia pela mesma universidade no ano de 2012. Atualmente cursa o doutorado acadêmico em Engenharia Mecânica, na UFRGS, com ênfase em Fenômenos de Transporte. Seus principais estudos são na área de energia eólica.
Ele realiza pesquisas acerca dos fenômenos envolvidos na geração de energia através dos ventos. Seus estudos foram realizados através do uso da dinâmica dos fluidos computacional e dados experimentais, tanto na análise do desempenho de aerogeradores de eixo horizontal e vertical, como na análise da formação da esteira aerodinâmica. Atualmente dedica-se a compreender os fenômenos relacionados à formação da esteira aerodinâmica e sua influência no desempenho de turbinas eólicas de eixo horizontal em terrenos complexos, através de análises de micro e mesoescala validadas através de dados de torres anemométricas.
MSc. Luz atua em pesquisa, desenvolvimento e inovação na empresa STE – Pesquisa e Desenvolvimento, na área de Energia Eólica
Dalmedson Freitas Filho- Natural de Itajubá/MG em 26/05/1978. Bacharel em Engenharia Mecânica pela Universidade Federal do Rio Grande do Sul. Mestre em Energia pela mesma universidade. Faz doutorado em Fenômenos de Transporte no programa de Pós-graduação em Engenharia Mecânica da Universidade Federal do Rio Grande do Sul.
Ele atua nas áreas de energia eólica e pesquisa de simulação numérica computacional, já participou de estudos de simulação computacional de escoamento do vento em terrenos complexos com validação dos resultados em túnel de vento.
O Engenheiro Dalmedson atua em Pesquisa, Desenvolvimento e Inovação na empresa STE – Pesquisa e Desenvolvimento Ltda, nas áreas de energia e simulação numérica.
Marcelo Romeiro de Moraes – Nascido em Pelotas, RS, Brasil aos 29 de junho de 1969. Bacharel em Meteorologia em 1993 pela UFPEL, Mestre em Sensoriamento Remoto em 1995 pela UFRGS e Doutor em Engenharia Mecânica em 2004 pela UFSC.
Ele tem passagem pelo Instituto Nacional de Pesquisas Espaciais INPE, onde atuou por três anos (1996-1999) como pesquisador DTI no Laboratório de Computação e Matemática Aplicada LAC. Foi meteorologista do Centro Integrado de Meteorologia e Recursos Hídricos CIRAM da EPAGRI em Santa Catarina de 2005 à 2010, responsável pela divisão de modelagem e previsão numérica da atmosfera do centro. Recebeu prêmio da SBMET no XIV CBMET por integrar a equipe de meteorologistas atuante no evento do furacão Catarina.
O Dr. Moraes atualmente é professor adjunto II do Curso de Engenharia de Energias Renováveis e Ambiente da UNIPAMPA, Campus Bagé.
Adriane Prisco Petry: Nascida em Erechim, RS, Brasil. Possui graduação em Engenharia
Mecânica pela UFRGS(1987),mestrado em Eng Civil na área de Interação Fluido-Estrutura, UFRGS (1993) e doutorado em Eng Mecânica na área de Fenômenos de Transporte, UFRGS (2002).
Ela é Professora do Departamento de Engenharia Mecânica e do Programa de Pós-Graduação em Engenharia Mecânica da Universidade Federal do Rio Grande do Sul, categoria Associado I. Possui experiência na área de Energia e Fenômenos de Transporte atuando principalmente nos seguintes temas: dinâmica dos fluidos computacional, análise escoamentos turbulentos e Energia Eólica (micrositing e aerodinâmica de turbinas eólicas).
Dra. Petry é membro da Associação Brasileira de Engenharia e Ciências Mecânicas e representante da UFRGS no Comitê Acadêmico de Energia da Associação de Universidades do Grupo de Montevideo.
Bardo Bodmann – Nascido em Mainz, Alemanha, em 16 de setembro de 1962, Estudou Física e Matemática na Universidade Johannes Gutenberg de Mainz (cidade de Mainz, Alemanha) e na Universidade Friedrich Alexander Erlangen-Nuremberg, (Cidade de Erlangen, Alemanha). Obteve seu PhD em Física pela Universidade Friedrich Alexander Erlangen-Nuremberg (Erlangen,
Alemanha), em 1992, na área de Física Nuclear com Neutrinos.
Ele atua nas áreas de fenômenos de transporte de partículas e equações determinísticas lineares e não-lineares, bem como estocásticos e o desenvolvimento de ferramentas para as suas soluções por abordagens estocásticos, analíticos, semi-analíticos e híbridos, atuando também em transporte de partículas, camada limite planetária, domínios da meso e microescala e em meios multiplicativos. O Dr. Bodmann é membro da Sociedade Alemã de Física, do Consórcio de Métodos Integral em Ciência e Engenharia e professor associado I na Universidade Federal do Rio Grande do Sul.
