Técnicas de ajuste geográfico e dinâmico de
Modelos de Previsão de Produção Eólica
José Pedro Claro Cardoso
Dissertação realizada no âmbito do
Mestrado Integrado em Engenharia Eletrotécnica e de Computadores
Major Energia
Orientador: Professor Doutor Cláudio Monteiro
ii
iii
Resumo
A elevada integração de produção de energia renovável no sistema elétrico português trouxe vantagens, principalmente porque é um recurso natural que não se esgota, mas existem também problemas associados. A gestão e a manutenção do sistema elétrico de energia (SEE) tem, com isto, vindo a revelar-se cada vez mais complexa.
Por sua vez, o recurso eólico, uma fonte renovável que assume um papel cada vez mais importante na geração de energia elétrica em Portugal, desperta interesse para o estudo do seu comportamento. A volatilidade do vento induz um certo grau de incerteza na produção de energia eólica, o que faz com que se corram riscos com a sua utilização. Esta variabilidade do vento provoca um aumento dos custos de desvio e dificulta as operações de despacho, onde o principal objetivo é garantir que nunca haja défice de produção de energia por parte do sistema electroprodutor português relativamente ao consumo existente.
Por isso mesmo, têm-se feito desenvolvimentos nesta área para combater os desequilíbrios de produção provocados pelo recurso eólico, onde surgem os sistemas de previsão que fornecem valores esperados da produção para vários horizontes temporais.
Nesta dissertação são estudados fatores espácio-temporais que podem ter influência nos sistemas de previsão para curto prazo, onde foi cruzada informação entre parques eólicos vizinhos, e foram desenvolvidas técnicas de ajuste do erro, com o objetivo de melhorar as previsões eólicas. Foram analisados vários parques eólicos dispersos em diferentes zonas geográficas de Portugal, e avaliaram-se diferentes fatores que possam ter influência no aumento do erro das previsões de produção eólica. As previsões para cada parque eólico foram feitas em duas ferramentas distintas, sendo elas, as redes neuronais artificiais e uma variante do KDE (Kernel Density Estimator), onde foi feita uma comparação do desempenho de cada ferramenta computacional. Do conjunto de todos os parques eólicos, escolheu-se um parque de referência, sobre o qual incidiu sobre grande parte do estudo, tendo sido verificadas melhorias na previsão do respetivo parque.
Palavras-chave: Energia Eólica, parques eólicos, espácio-temporais, energia renovável,
v
The high integration of renewable energy production in the Portuguese electrical system brought advantages, mainly because it is a natural resource that is not limited, but there are also problems associated with it. The management and maintenance of electric power system has, thus, been proving to be increasingly complex.
In turn, the wind resource, a renewable resource that plays an increasingly important role in the generation of electricity in Portugal, arouses interest for the study of their behavior. The volatility of wind induces a degree of uncertainty in wind power production leading to risks while using it. This wind variability causes an increase in diversion costs and hinders dispatch operations, where the main objective is to ensure that there is never power production deficit by the Portuguese electricity system for existing consumption.
So even if have made developments in this area to combat the production imbalances caused by the wind resource, where the forecasting systems arise that provide expected values of production for different time horizons.
This dissertation studied spatial and temporal factors that may have influence on forecasting systems for short-term, where information was crossed between neighboring wind farms, and were developed error adjustment techniques, aiming to improve wind forecasts. They analyzed several wind farms scattered in different geographical areas in Portugal, and evaluated different factors that could have an effect on increasing the error of wind production forecasts. Forecasts for each wind farm have been made in two distinct tools, as follows, artificial neural networks and a variant of KDE (Kernel Density Estimator) where a comparison of the performance of each software tool was made. From all the wind farms, it was picked up a reference park, in which the study was mainly focused, and improvements have been noted in the forecast of the respective park.
Key-words: Wind Energy, wind farms, spatio-temporal, renewable energy, forecast
vii
A conclusão desta dissertação representa o culminar de mais uma etapa conseguida, e por isso não poderia deixar de dar as minhas palavras de apreço a todos, que de uma forma ou de outra, contribuíram para esta conquista.
Um enorme agradecimento ao Prof. Doutor Cláudio Monteiro, pela contribuição com os seus vastos conhecimentos na área, apoio e excelente orientação prestada ao longo de toda a dissertação.
Quero agradecer à empresa SmartWatt pelo fornecimento dos dados e especialmente ao Engº. João Basílio por toda a sua disponibilidade na fase inicial da dissertação.
À minha família, que fizeram para que tudo corresse da melhor forma ao longo de toda a minha vida, por acreditarem em mim e pelo apoio incondicional sempre presente, o meu muito obrigado!
Um agradecimento especial à Rita, por ter estado sempre presente nos momentos mais difíceis, por toda a ajuda e motivação transmitida ao longo destes anos.
Sem menor importância, a todos os meus amigos, sem os quais teria sido mais difícil chegar até aqui e que me proporcionaram momentos únicos.
ix
“There is only one ultimate solution to the global warming problem: total reliance upon solar energy. And the most productive of all solar energy processes is the wind energy process”
x
Índice
Resumo ... iii
Abstract ... v
Agradecimentos ... vii
Índice ... x
Lista de figuras ... xiii
Lista de tabelas ... xvii
Abreviaturas e Símbolos ... xix
Capítulo 1 ...1
Introdução ... 1
1.1 - Contextualização e Motivação ... 1
1.2 - Objetivos ... 2
1.3 - Estrutura da dissertação ... 3
1.4 - Dados e Ferramentas utilizadas ... 3
Capítulo 2 ...5
Estado da Arte ... 5
2.1 – Introdução ... 5
2.2 – Previsão Eólica ... 6
2.2.1. Horizonte Temporal (Intervalos de Previsão) ... 6
2.2.2. Modelos de Previsão Eólica ... 7
2.2.3. Abordagem a aproximações estatísticas ... 10
2.2.4. Abordagem a aproximações combinadas ... 14
2.2.5. Previsão a nível Regional ... 16
2.2.6. Incerteza na Previsão Eólica ... 18
2.3 – Avaliação do desempenho da previsão ... 22
2.3.1. Modelo de Referência ... 22
2.3.2. Critérios de avaliação do desempenho da previsão... 23
2.3.3. Indicadores de desempenho ... 24
2.3.4. Precisão da Previsão ... 28
2.3.5. Potenciais aperfeiçoamentos para melhoria do desempenho das previsões . 29 2.4. Aspetos Espácio-Temporais da Previsão Eólica ... 31
2.4.1. Breve comparação dos métodos adotados ... 32
2.4.2. Desenvolvimento de Modelos Espácio-Temporais para a Previsão Eólica ... 34
Capítulo 3 ... 37
Caracterização e processamento de dados ... 37
3.1. Introdução ... 37
3.2. Caracterização dos parques eólicos ... 38
xi
3.4. Caraterização Temporal dos dados ... 41
3.5. Caracterização mensal da produção do parque referência ... 43
3.6. Caraterização horária da produção do parque referência ... 43
3.8. Correlação da produção entre parques ... 44
Capítulo 4 ... 47
Previsão Sincronizada de Produção Eólica ... 47
4.1. Introdução ... 47
4.2. Redes Neuronais Artificiais (RNA) ... 47
4.2.1. Tipos de RNA ... 48
4.2.2. Parametrização da RNA ... 49
4.3. NW-KDE ... 51
4.3.1. Descrição do NW-KDE ... 51
4.3.2. Parametrização do NW-KDE ... 52
4.4. Previsão com informação local ... 53
4.4.1. Comparação entre RNA e NW-KDE ... 55
4.5. Previsão de produção eólica com inclusão de variáveis espaciais ... 57
4.5.1. Previsão do parque 1 com introdução de informação de parques vizinhos com maior correlação ( ... 57
4.5.2. Previsão do parque 1 com introdução de informação de parques vizinhos com menor correlação ... 59
4.6. Previsão de produção eólica com inclusão de variáveis temporais ... 60
4.6.1. Inclusão da produção das últimas horas conhecidas do parque 1 ... 60
4.6.2. Inclusão da produção das últimas 12 horas conhecidas de parques vizinhos 62
Capítulo 5 ... 65
Análise de desempenho da previsão de produção eólica ... 65
5.1. Introdução ... 65
5.2. Análise espacial do erro ... 65
5.2.1. Análise do erro em função da capacidade instalada nos parques eólicos ... 65
5.2.2. Relação entre o erro e a altitude dos parques eólicos ... 66
5.2.3. Relação entre o erro e a proximidade dos parques eólicos à costa ... 67
5.2.4. Dispersão probabilística do erro para diferentes parques eólicos ... 68
5.3. Análise temporal do erro ... 70
5.3.1. Variação do erro com o mês do ano ... 70
5.3.2. Variação do erro com a hora do dia ... 72
5.3.3. Persistência temporal do erro ao longo do tempo ... 74
5.3.4. Variância espacial do erro ... 75
5.3.5. Deteção de parques com erro anómalo ... 78
5.3.6. Persistência temporal do erro ao longo do tempo ... 81
5.3.7. Persistência temporal da variabilidade espacial do erro ao longo do tempo 82
Capítulo 6 ... 85
Conclusões e Recomendações ... 85
6.1. Importância da informação espacial para a melhoria do desempenho das previsões de produção eólica ... 85
6.2. Importância da informação espacial para a melhoria da incerteza de previsão de produção eólica ... 86
6.3. Importância da caraterística do parque para o desempenho da previsão de produção eólica ... 86
xii
6.4. Importância da informação atrasada no desempenho da previsão de produção
eólica ... 87
6.5. Potencial melhoria do desempenho da previsão com inclusão de informação espácio-temporal ... 87
6.6. Recomendação para monitorização espácio-temporal do erro ... 88
Anexos ... 89
xiii
Lista de figuras
Figura 1.1 - Evolução da Potência Instalada (Eólica) em Portugal. (retirada de [1]) ... 2
Figura 2.1 - Modelo de Aproximações Físicas. (adaptado de [6]) ... 8
Figura 2.2 - Modelo de Aproximações Estatísticas. (adaptado de [6]) ... 11
Figura 2.3 - Modelação de Aproximações Combinadas. (adaptado de [6]) ... 14
Figura 2.4 - Exemplo de um Sistema de Previsão WPPT com aproveitamento de dados On-line e Off-On-line nos parques eólicos existentes numa dada região. (adaptado de [13]) ... 17
Figura 2.5 – Exemplo de um diagrama de reliability de um parque eólico. ... 20
Figura 2.6 – Exemplo de um diagrama de dispersão (sharpness) de um parque eólico. ... 21
Figura 2.7 - Curva de Potência Típica de uma turbina eólica com velocidade do vento constante. ... 31
Figura 3.1 - Potência Instalada dos parques eólicos em estudo (MW). ... 38
Figura 3.2 - Distâncias (aproximadas) dos parques eólicos relativamente ao parque 1 (em km). ... 38
Figura 3.3 - Elevação (altura aproximada) dos parques eólicos relativamente ao nível médio das águas do mar. ... 39
Figura 3.4 – Distâncias dos parques eólicos à costa (km). ... 39
Figura 3.5 - Dispersão aproximada dos parques eólicos estudados. ... 40
Figura 3.6 – Dispersão aproximada dos parques eólicos estudados (maior aglomerado de parques)... 41
Figura 3.7 - Diagrama temporal com seleção de semanas para treino, teste e indicação de período com falha de dados. ... 42
Figura 3.8 - Média das Produções Mensais Normalizadas do Parque 1 para o ano de 2014. .... 43
Figura 3.9 – Produção Elétrica Média Normalizada por hora para o ano 2014 e 2015. ... 44
Figura 3.10 – Correlação entre a distância dos parques estudados e o parque referência (parque 1). ... 45
xiv
Figura 4.2 - Comparação entre a Produção Eólica Real e as previsões de Produção Eólica obtidas através do NW-KDE e de RNA, para uma semana de Dezembro de 2014
(parque 1). ... 53
Figura 4.3 - Comparação entre a Produção Eólica Real e as previsões de Produção Eólica obtidas através do NW-KDE e de RNA, para uma semana de Dezembro de 2014 (parque 2). ... 54
Figura 4.4 - Comparação entre a Produção Eólica Real e as previsões de Produção Eólica obtidas através do NW-KDE e de RNA, para uma semana de Dezembro de 2014 (parque 10). ... 54
Figura 4.5 - Erro Médio por Intervalo de Previsão – parque 1- NW-KDE. ... 55
Figura 4.6 - Erro Médio por Intervalo de Previsão – parque 1- RNA. ... 55
Figura 4.7 - Comparação das previsões de produção eólica para o parque 1 com introdução da variável velocidade do vento dos parques com maior correlação: parque 3, parque 8 e parque 14 (valor normalizado). ... 58
Figura 4.8 - Comparação das previsões de produção eólica para o parque 1 com introdução da variável velocidade do vento dos parques com menor correlação: parque 21, parque 34 e parque 37 (valor normalizado). ... 59
Figura 4.9 - Comparação entre a previsão de produção eólica com inclusão da última hora conhecida e o valor real da produção (valores Normalizados). ... 61
Figura 4.10 - Comparação entre a previsão de produção eólica do parque 1 com inclusão das últimas doze horas conhecidas (t-12) e o valor real da produção (valores Normalizados)... 61
Figura 4.11 - Previsão de Produção do Parque 1 com introdução da variável Produção (t-12) do Parque 3. ... 63
Figura 4.12 - Previsão de Produção do Parque 1 com introdução da variável Produção (t-12) do Parque 8. ... 63
Figura 5.1 - Erro MAE (%) em função da Capacidade de Potência Instalada nos Parques Eólicos (MW). ... 66
Figura 5.2 - Erro MAE (%) em função da Elevação de cada Parque Eólico (m). ... 67
Figura 5.3 - Erro MAE (%) em função da Distância dos Parques Eólicos à costa (km). ... 67
Figura 5.4 - Diagrama de Dispersão ou Sharpness do parque 1. ... 68
Figura 5.5 - Diagrama de Dispersão ou Sharpness do parque 1 com introdução da velocidade do vento prevista do parque 8 (MW). ... 69
Figura 5.6 - MAE, MPoE e MNeE em % do parque 1 para os vários meses de teste do ano 2014. ... 71
Figura 5.7 - MAE, MPoE e MNeE em % do parque 17 para os vários meses de teste do ano 2014. ... 71
Figura 5.8 - MAE, MPoE e MNeE do parque 18 para os vários meses de teste do ano 2014 (em %). ... 71
xv
Figura 5.9 - MAE, MPoE e MNeE do parque 28 para os vários meses de teste do ano 2014
(em %). ... 72
Figura 5.10 - MAE, MPoE e MNeE do parque 1 para as horas do dia do ano 2014 e 2015 (em %). ... 73
Figura 5.11 - MAE, MPoE e MNeE do parque 17 para as horas do dia do ano 2014 e 2015 (em %). ... 73
Figura 5.12 - MAE, MPoE e MNeE do parque 18 para as horas do dia do ano 2014 e 2015 (em %). ... 74
Figura 5.13 - MAE, MPoE e MNeE do parque 28 para as horas do dia do ano 2014 e 2015 (em %). ... 74
Figura 5.14 - Erro MAE Normalizado para o parque 1, 6 , 8 e 9 para a semana 51 – Dezembro de 2014. ... 75
Figura 5.15 - Relação entre o Desvio Padrão (%) e os Meses do Ano de 2014. ... 76
Figura 5.16 - Relação entre o Desvio Padrão (%) e a hora do dia. ... 76
Figura 5.17 - Relação entre o Desvio Padrão (%) e a Velocidade do Vento (km/h). ... 77
Figura 5.18 - Relação entre o Desvio Padrão (%) e a Direção do Vento (graus). ... 78
Figura 5.19 – Exemplo de metodologia adotada para deteção de parques com erro anómalo. ... 79
Figura 5.20 – Padrão de cores da Média do erro (%) e do Desvio Padrão do erro. ... 80
Figura 5.21 – Correlação entre o erro esperado em t e em t-1 para o parque 1. ... 81
Figura 5.22 - Correlação entre o erro esperado em t e em t-6 para o parque 1. ... 81
Figura 5.23 - Correlação entre o erro esperado em t e em t-12 para o parque 1. ... 82
Figura 5.24 – Correlação entre o erro esperado em t do parque 1 e em t-12 para o parque 3. ... 83
Figura 5.25 - Correlação entre o erro esperado em t do parque 1 e em t-12 para o parque 8. ... 83
Figura A.1 – Comparação entre a previsão de produção eólica com inclusão das últimas três horas conhecidas e o valor real da produção (valores normalizados). . Erro! Marcador não definido. Figura A.2 - Comparação entre a previsão de produção eólica com inclusão das últimas seis horas conhecidas e o valor real da produção (valores normalizados). . Erro! Marcador não definido. Figura A.3 - Comparação entre a previsão de produção eólica com inclusão das últimas nove horas conhecidas e o valor real da produção (valores normalizados). ... 90
xvii
Lista de tabelas
Tabela 2.1 - Diferentes Horizontes Temporais e a sua aplicabilidade. ... 7 Tabela 2.2 - Principais técnicas (físicas e combinadas) para previsões de curto prazo. ... 8 Tabela 2.3 - Principais técnicas estatísticas para previsões de curto prazo. ... 12 Tabela 2.4 - Comparação/Evolução de aproximações combinadas para previsão eólica
[10], [11]. ... 15 Tabela 2.5 – Metodologias baseadas em aproximações não-paramétricas [36]. ... 19 Tabela 4.1 - Erros para os vários parques eólicos – comparação dos dois métodos. ... 56 Tabela 4.2 - Correlações mais elevadas entre o parque referência e os restantes parques. .. 58 Tabela 4.3 - Erros para as previsões de produção eólica para o parque referência com
introdução da variável velocidade do vento dos parques mais correlacionados. ... 58 Tabela 4.4 - Parques com menor correlação com o parque referência. ... 59 Tabela 4.5 - Erros para as previsões de produção eólica para o parque referência com
introdução da variável velocidade do vento dos parques menos correlacionados. ... 60 Tabela 5.1 - Média da Dispersão entre o Quantil 75 e o Quantil 25 (em MW). ... 70
xix
Abreviaturas e Símbolos
ANFIS Adaptive Neural Fuzzy Inference System ANN Artificial Neural Network Approach
AR Autoregressive Model
ARIMA Autoregressive Integrated Moving Average Model ARMA Autoregressive Moving Average Model
AWPPS Armines Wind Power Prediction System CENER National Renewable Energy Centre CFD Computational Fluid Dynamics
CST-WSF Compressive Spatio-Temporal Wind Speed Forecasting
DWM Diagnostic Wind Model
HIRLAM High Resolution Limited Area Model
KDE Kernel Density Estimator
MA Moving Average Model
MAE Mean Absolut Error
MAPE Mean Absolute Percentage Error
MMAPE Modified Mean Absolute Percentage Error
MNoE Mean Negative Error
MOS Model Output Statistics
MPoE Mean Positive Error
MRI Meteorological Risk Index
MSE Mean Square Error
NW-KDE Nadaraya Watson-Kernel Density Estimator
NWP Numerical Weather Prediction
PSO Paricle Swarm Optimization
RMSE Root Mean Square Error
RNA Redes Neuronais Artificiais
RTO Regional Transmission Organisations SCADA Supervisory Control and Data Acquisition
xx SDE Standard Deviation of Errors
SEE Sistema Elétrico de Energia
TDD Trigonometric Direction Diurnal TDDGW TDD with geostrophic wind information
TSO Transmission Operator System
TSO Transport System Operator
WAsP Wind Atlas Analysis and Application Program WEFS Wind Energy Forecasting System
WPF Wind Power Forecasting
WPPT Wind Power Prediction Tool
% Por cento (percentagem)
M Mega (prefixo)
K Quilo (prefixo)
W Watt (potência)
H Hora (tempo)
Q Quantil
m Metro (unidade de medida) s Segundo (unidade de medida)
1
Capítulo 1
Introdução
Esta dissertação foi realizada no âmbito do Mestrado Integrado em Engenharia Eletrotécnica e de Computadores da Faculdade de Engenharia da Universidade do Porto.
1.1 - Contextualização e Motivação
Portugal é hoje considerado um dos países com maior instalação e aproveitamento de energia eólica, onde este tipo de fonte de energia se tornou num recurso marcante no mix elétrico, contribuindo assim para que as fontes de energia renováveis se tenham distinguido e tenham um papel cada vez mais determinante em relação à geração de energia através de combustíveis fosseis. É de louvar que em 2014, tenha havido uma contribuição de produção eólica de 24% no total de 63% de energia renovável instalada em Portugal. É igualmente importante referir que no primeiro trimestre de 2014, a energia eólica conseguiu evidenciar-se relativamente ao global da geração térmica (térmica convencional e cogeração térmica), o que, juntamente com o aproveitamento das centrais hídricas, representou cerca de 90% do consumo de eletricidade.
Desta forma, tem sido observado ao longo dos últimos anos uma evolução constante no que diz respeito ao uso de energia elétrica proveniente de recursos eólicos.
2
Figura 1.1 - Evolução da Potência Instalada (Eólica) em Portugal. (retirada de [1])
Neste momento, Portugal encontra-se com uma capacidade total de potência instalada de 4922,88 MW, incluindo as regiões autónomas dos Açores e da Madeira.
Para o planeamento do sistema elétrico é necessário reunir condições para que o despacho de energia elétrica seja suficiente para suprir todo o consumo, lembrando que é importante que o despacho de energia não se torne excessivo face à energia consumida pelos utilizadores finais devido aos imensos custos associados.
Devido à incerteza na produção eólica, onde o vento assume grandes variações ao longo do tempo, é importante que os métodos de previsão consigam ser robustos e capazes de fazer a melhor estimação de valores possível, para que os operadores do sistema elétrico consigam balancear da melhor forma a procura e a oferta de energia elétrica.
Ao longo dos últimos anos, têm sido desenvolvidos vários estudos que têm em vista a otimização dos métodos de previsão utilizados, permitindo melhorar as previsões tornando estas mais realistas e com níveis de incerteza menores.
Foi com base na otimização de processos de previsão que se iniciou o desenvolvimento desta dissertação, através de métodos com abordagens determinísticas e probabilísticas, para tentar perceber de que forma variam os erros da previsão, e se fatores espácio-temporais têm impacto e podem ajudar na melhoria crescente dos métodos de previsão existentes.
1.2 - Objetivos
O grande objetivo desta dissertação consiste em melhorar as previsões a nível geográfico, com o cruzamento de informação proveniente de parques eólicos localizados em zonas distintas. É expectável ainda que se cumpram os seguintes objetivos:
3
Identificar erros em diferentes zonas geográficas, onde estão instalados parques eólicos;
Desenvolver métodos de avaliação de desempenho e ajuste dos modelos em função da localização geográfica de uma determinada zona;
Criar mecanismos para medir de forma dinâmica e contínua o desempenho das previsões;
Melhorar o erro das previsões.
1.3 - Estrutura da dissertação
Este documento encontra-se organizado em seis capítulos.
No capítulo 1, é descrito a introdução da dissertação com o enquadramento e os objetivos que se esperam alcançar, bem como as ferramentas computacionais e a informação utilizadas ao longo do documento.
No capítulo 2, é descrito o estado da arte e é feita uma revisão da literatura sobre modelos de previsão eólica, indicadores de desempenho e aspetos espácio-temporais influentes na previsão eólica.
No capítulo 3, faz-se a caraterização dos parques eólicos estudados e dos dados usados para a presente estudo.
No capítulo 4, faz-se a descrição e comparação da ferramenta usada e mostram-se as várias previsões, incluindo fatores temporais e espaciais.
No capítulo 5, apresenta-se a análise do desempenho do erro e da incerteza associada. Por ultimo, no capítulo 6 são descritas as várias conclusões da dissertação bem como recomendações e trabalhos futuros.
Por ultimo, no capítulo 6 são descritas as várias conclusões da dissertação bem como recomendações a trabalhos futuros.
1.4 - Dados e Ferramentas utilizadas
Para a construção dos modelos de previsão, utilizaram-se dados informativos dos parques eólicos disponibilizados pela empresa SmartWatt. O fornecimento dos dados requer um contrato de confidencialidade, pelo que não serão referidos os nomes dos parques usados no presente estudo.
As ferramentas computacionais usadas para todo o trabalho inerente ao estudo realizado foram:
NW-KDE [2]
MatLab
4
O software NW-KDE foi a ferramenta que possibilitou fazer as previsões dos parques eólicos, caracterizando-se por fornecer informação das previsões de produção eólica como também a incerteza associada às respetivas previsões. O NW-KDE (Nadaraya Watson-Kernel
Density Estimator) é então uma ferramenta variante do KDE (Kernel Density Estimator) que se
diferencia deste ao acelerar o tempo de computação e ao permitir estimar diretamente parâmetros da distribuição de probabilidade em vez de estimar uma distribuição discreta não paramétrica.
O MatLab foi usado para testar previsões baseadas num modelo de redes neuronais, para uma análise e breve comparação com o NW-KDE.
Toda a análise de resultados obtidos e manipulação de dados associada às previsões e à avaliação do desempenho destas, foi realizada no Microsoft Office Excel.
5
Capítulo 2
Estado da Arte
2.1 – Introdução
De forma a combater o uso, por vezes exagerado, dos combustíveis fósseis, tornou-se importante adotar formas alternativas de produção de energia. Assim, e devido à imensa investigação e exploração feita até aos dias de hoje, é possível produzir energia elétrica com o uso de recursos renováveis. Tem-se destacado ultimamente um grande crescimento de produção de energia eólica face a outros tipos de produção com origem em matérias-primas renováveis, devido à enorme eficiência que apresenta e à sua baixa poluição [3].
Apesar da integração de energia eólica trazer enormes vantagens, traz também enormes desafios para o planeamento e operação do sistema elétrico devido à incerteza e instabilidade da natureza. Face a isto, e para que a produção seja feita com a melhor previsão possível de forma a suprir a exigência de consumo elétrico que existe hoje em dia, é necessário possuir elementos que nos forneçam os melhores métodos de previsão. No caso concreto da previsão eólica, que se torna difícil devido à variação do vento, manter o balanceamento entre produção e consumo torna-se uma tarefa complicada e desafiante [4]. É assim interessante ter-se uma boa previsão eólica para que ter-seja possível uma boa gestão da produção de energia elétrica e para que não haja grandes flutuações no sistema elétrico.
Com o desenvolvimento de melhores ferramentas de previsão, reduz-se não só os custos operacionais como também se torna mais fiável a integração de energia eólica no sistema de produção de energia elétrica, o que leva a que se corram menos riscos, onde o objetivo principal é de nunca haver insuficiência de energia elétrica para os consumidores [4]. A previsão de energia eólica depende muito de variáveis como a temperatura, humidade, direção do vento, rugosidade do pavimento, relevo, entre muitas outras caraterísticas ambientais (variáveis dinâmicas) [5]. É então necessário tentar encontrar o melhor ou os melhores métodos de previsão de energia eólica, para que a previsão convirja para valores mais perto do real. Já
6
existem métodos sofisticados que permitem fazer boas previsões, mas é difícil conseguir um método que englobe todos os pontos geográficos do planeta e se adapte às demais especificidades, pelo que a investigação nesta área tem colocado o seu principal foco na resolução deste problema. Um modelo de previsão poderá ser o melhor num local onde haja produção eólica, mas não é possível garantir que esse modelo corresponda da mesma maneira num outro local qualquer [4].
Com isto, conclui-se que desenvolver melhorias nos serviços de WPF (Wind Power
Forecasting), facilita uma melhor e larga eficiência na introdução de produção de energia eólica
e de outras energias renováveis nos sistemas de energia elétrica [6].
2.2 – Previsão Eólica
Para estimar a produção exata através de uma ventoinha eólica ou de um parque eólico, é necessário, em primeiro lugar, prever a velocidade do vento que irá incidir sobre as turbinas do aerogerador. Esta produção de energia é expressa em kW ou MW, dependendo da capacidade nominal do parque eólico que se pretende estudar [5].
Nos dias de hoje, as ferramentas para a previsão de energia eólica são baseadas numa combinação de aproximações físicas e estatísticas. Os dados necessários para se proceder à previsão são obtidos através de um sistema computacional que está instalado nos aerogeradores, sistema esse que tem o nome de SCADA (Supervisory Control and Data
Acquisition). Assim a previsão de energia eólica irá variar de local para local, pois a área
geográfica de cada parque interfere diretamente com a previsão que se pretende fazer [5].
2.2.1. Horizonte Temporal (Intervalos de Previsão)
Um dos principais desafios da energia eólica, quando comparado com as centrais de produção convencionais, é a dependência da volatilidade do vento, que se observa nas demais escalas de tempo utilizadas. Porém, existem dois horizontes temporais que se destacam devido ao seu tipo de aplicação: o primeiro é o autocontrolo da turbina eólica (que vai desde milissegundos até segundos), e o outro é importante para se fazer a integração da energia eólica produzida no sistema elétrico de energia (de minutos até semanas).
Embora não se verifique grande consenso na literatura revista sobre quais, quantos e respetivos intervalos de tempo de cada horizonte temporal, bem como o tipo de aplicação para que é destinado, atualmente e, fazendo uma breve análise, pode dizer-se que um sistema de previsão eólica está dividido em quatro tipos de escala temporal: muito curto prazo (de alguns segundos até trinta minutos), curto prazo (trinta minutos até 6 horas), médio prazo (de 6 horas até um dia) e longo prazo (de um dia até uma semana) [4].
7
Em relação ao exposto anteriormente, apresenta-se de seguida a tabela 2.1, onde podem ser analisadas as principais aplicações para cada intervalo temporal.
Tabela 2.1 - Diferentes Horizontes Temporais e a sua aplicabilidade. Horizonte Temporal
Prazo Intervalo de Tempo Aplicações
Muito Curto Prazo [1], [2] <30 min
Controlo dos Aerogeradores Rastreamento de Carga Controlo em tempo real da Rede Elétrica
Ações de Regulação Equilíbrio do Mercado Elétrico
Curto Prazo [1], [2] 30 min - 6h
Preload sharing
Plano de Despacho Económico de Carga Operações Fiáveis no Mercado de Eletricidade
Médio Prazo [2] 6h - 24h
Manutenção do Sistema Elétrico Trocas de Energia Elétrica
Unit Commitment
Longo Prazo [5] 24h - 7 dias
Planeamento de Manutenção Gestão de Operações Custos Ótimos de Operação
As previsões de muito curto prazo são principalmente usadas para o controlo, em tempo real, dos aerogeradores bem como da rede energética envolvente para rastreamento de carga, e pode ser útil para se negociar nos mercados intradiários, procedendo ao seu equilíbrio [3], [4]. Já as previsões de curto prazo, têm um papel importante nas negociações e no planeamento do despacho de carga para o dia seguinte [3], [4]. As previsões de médio prazo desempenham um papel fundamental no que respeita à manutenção do sistema elétrico e nas unit
commitment decisions [4]. Por fim, as previsões de longo prazo capacitam o planeamento da
manutenção dos aerogeradores, o que permite obter custos ótimos de operação [7].
2.2.2. Modelos de Previsão Eólica
As previsões que se suportam em caraterísticas físicas, são imprescindíveis para a modelação das condições físicas do terreno no local onde está inserido o parque eólico. Os dados retirados, através de um processo de downscaling, ou seja, através da avaliação tanto do local onde está o parque eólico (traçado do terreno do parque, curva de potência do aerogerador, etc.) como também da descrição dos detalhes do próprio terreno (temperatura, pressão, rugosidade do terreno, obstáculos), permitem refinar os dados da previsão numérica do tempo (NWP – Numerical Weather Prediction) [4]. Assim, a velocidade do vento no seio do
8
rotor do aerogerador é incluída na curva de potência do aerogerador e consequentemente convertida em energia produzida, que é o objetivo final [3]. Caso existam medições feitas em tempo real (on-line data), é possível diminuir o erro de previsão, tornando-se assim num modelo mais fiável. Porém, a dificuldade na aquisição dos dados físicos, torna-se num dos principais inconvenientes deste tipo de abordagem [4]. É ainda interessante mencionar que se recorrem a modelos estatísticos MOS (Model Output Statistics) com o objetivo de reduzir o erro resultante [8].
Figura 2.1 - Modelo de Aproximações Físicas. (adaptado de [6])
Apresenta-se de seguida alguns dos modelos que utilizam aproximações físicas para fazer a previsão eólica.
Tabela 2.2 - Principais técnicas (físicas e combinadas) para previsões de curto prazo.
Técnica/Modelo Descrição/Desempenho Desenvolvido por/Local
Prediktor [9]
Aplica o MOS no HIRLAM (High Resolution Limited Area Model) e usa o WAsP (Wind Atlas Analysis and
Application Program) e o programa PARK para o refinamento do local. A velocidade do vento é convertida em energia através da curva de potência.
Desenvolvido por Risoe National
Laboratory - Dinamarca
9
Previento [9] As aproximações feitas são similares com as do Prediktor
mas este modelo usa o LokalModel em vez dos NWP.
Desenvolvido pela Universidade de
Oldemburgo -Alemanha
LocalPred[9] Combina a microescala NWPs com modelos
autorregressivos para prever a velocidade do vento bem como a energia produzida para intervalos de curto-prazo.
Desenvolvido pelo CENER (National Renewable Energy Centre) - Espanha
eWind[4]
Tem aproximações físicas semelhantes ao Prediktor embora use “high-resolution boundary layer model” (ForeWind) como um modelo numérico do tempo para conseguir incluir as condições do respetivo local.
Desenvolvido por AWS TrueWind Inc
- Estados Unidos
HirPom[9] - HIRlam POwer prediction Model
É usado um módulo de previsão de energia (wavelet model), que é acoplado ao HIRLAM, onde reforça as suas propriedades físicas e melhora a precisão da previsão da velocidade do vento.
Jørgensen et al.- Dinamarca
Precise Stream[9] - REGIONAL
São aplicados métodos CFD (Computatuional Fluid Dynamics) nas ferramentas NWP de micro e meso escala. Melhora a previsão da velocidade do vento, particularmente em terrenos complexos.
Precision Wind – Estados Unidos
Vision Point[9]
Combina vários modelos de meso escala, onde usa “support vector machine” para converter a velocidade do vento em energia elétrica. Para intervalos de tempo de muito curto prazo, apresenta resultados a cada 10 minutos e faz a previsão para 3 horas depois.
WindLogics – Estados Unidos
Sipreólico[9]
Modelo combinado que utiliza um conjunto de modelos NWP para fazer a previsão eólica. Este método apresenta um baixo erro de previsão em alguns estudos quando comparado com outros modelos bem como com o modelo de Persistência.
Universidad Carlos III e Red Eléctrica
de España - Espanha
Zephyr[9]
Combina o modelo Prediktor com o WPPT. Capacidade de fornecer boas previsões para todos os horizontes temporais. Para intervalos de tempo de 6h depois, apresenta baixos erros de previsão, apesar de se obterem melhores resultados de previsão para horizontes temporais de muito curto prazo.
10
WPPT - Wind Power Prediction
Tool [9]
Usa a velocidade do vento para obter uma previsão eólica de 30 em 30 min para um horizonte temporal de 36h, aplicando um método autorregressivo, que prevê diretamente a energia eólica, comparando-o com modelos de previsão da velocidade do vento que é depois convertida em energia eólica através de um modelo da curva de potência. – Modelo Combinado
Jensen et al.
AWPPS – Armines Wind Power Prediction System
[9]
Consiste numa combinação ponderada de NWPs e fuzzy ANNs. Apresenta grandes melhorias para previsões de muito curto prazo.
Hatziargyriou et al.
2.2.3. Abordagem a aproximações estatísticas
Uma alternativa às abordagens físicas para a previsão da velocidade do vento bem como da energia produzida, e não menos importante, são os modelos baseados em aproximações estatísticas. Estas aproximações representam uma relação entre a previsão da velocidade do vento ou da energia produzida através deste, e as variáveis explicativas que incluem NWPs bem como dados medidos em tempo real (on-line measures). As aproximações estatísticas utilizam geralmente dados históricos previamente medidos para a construção dos seus próprios modelos [4].
Sendo um tipo de modelação mais fácil de desenvolver, é também um método mais barato, devido também à inexistência de mecanismos de medição, como é o exemplo das aproximações físicas. Quanto aos resultados finais apresentados, estes revelam-se satisfatórios para uma previsão de curto prazo. Por outro lado, o erro de previsão aumenta com o aumento da extensão do horizonte temporal [3].
11
Figura 2.2 - Modelo de Aproximações Estatísticas. (adaptado de [6])
Algumas aproximações estatísticas foram já desenvolvidas onde se utilizam diversos dados estatísticos que estão relacionados de diferentes formas. Apresentam-se logo de seguida alguns dos mais representativos modelos que utilizam aproximações com base em dados estatísticos:
Conventional Statistical Approach – São aplicados modelos de séries de tempo para uma
previsão futura da energia produzida ou da velocidade do vento. De acordo com o processo de previsão que foi proposto por Box-Jenkins, este tipo de modelo é dividido em quatro categorias para proceder ao modelo matemático do problema, sendo eles: identificação do modelo, modelo de estimação, diagnóstico de verificação do modelo e por fim a previsão. Existem muitos tipos de modelos de séries de tempo que podem ser considerados: autoregressive model (AR), moving average model (MA),
autoregressive moving average model (ARMA) e autoregressive integrated moving average model (ARIMA). Estas aproximações estatísticas convencionais são muito
utilizadas para horizontes temporais de muito curto e curto prazo, sendo que estes modelos são fáceis de formular, capazes de fornecer previsões em tempo útil e são geralmente usados como modelos de referência [4].
Artificial Neural Network Approach (ANN) – Neste tipo de aproximações, as previsões
dos NWP e outras variáveis meteorológicas são usados para fazer a previsão da energia eólica ou mesmo da velocidade do vento, sendo que estes dados são trabalhados pelas redes neuronais artificias (ANN). Estas redes são treinadas tendo em conta grandes conjuntos de dados históricos com a finalidade de aprender a dependência que as variáveis de saída (output) têm nas variáveis de entrada (input). Para a previsão eólica bem como para a previsão da velocidade do vento, este tipo de aproximações são as mais comummente usadas como aproximações estatísticas, consistindo em camadas de
12
entrada (input layers), onde existe uma ou mais camadas escondidas (hidden layers), bem como por uma camada de saída (output layer). Cada camada tem um número de neurónios artificiais que são conectados a neurónios de uma camada anterior. Esta abordagem é capaz de modelar a relação complexa não linear entre as camadas de entrada e de saída através de um processo de treino e aprendizagem, havendo a possibilidade de existir autoaprendizagem, auto-organização e também auto adaptação por parte dos neurónios [4].
ANN-Fuzy Approach – A aproximação Fuzzy Logic é um mapeamento não linear das
variáveis de entrada em variáveis de saída usando valores numéricos e linguísticos Fuzy em vês de valores fixos e exatos. Esta aproximação é empregue quando há dificuldade em modelar um sistema, devido à não existência de um modelo exato para a sua avaliação, sendo que “The Logic Fuzy” permite a utilização de valores aproximados e incompletos. Devido ao seu fraco poder de aprendizagem, não é favorável usar este tipo de aproximação isoladamente. Posto isto, sabe-se que as ANN desempenham bons resultados num baixo nível computacional onde existem dados que não foram tratados. No entanto, as aproximações Fuzy Logic têm bons desempenhos em elevados e complexos níveis de computação, sendo que, uma combinação destas duas aproximações estatísticas leva a que se obtenham bons resultados para uma previsão eólica, compensando as fraquezas uma da outra e vice-versa [4].
Tabela 2.3 - Principais técnicas estatísticas para previsões de curto prazo.
Técnica/Modelo Descrição/Desempenho Desenvolvido por/Local
ARMA [9] – Autoregressive Moving Average
Alguns modelos apresentam melhorias
comparando com os modelos de persistência, embora isto não aconteça com alguns modelos devido a troca de ordem de parâmetros AR (AutoRegressive) com MA (Moving Average). O desempenho deste modelo depende muito dos parâmetros existentes no modelo.
Estados Unidos
ARIMA [9] – Autoregressive Integrated Moving
Average
Quando uma transformação diferencial é aplicada no modelo ARMA, é obtido um modelo autorregressivo integrado de média móvel (ARIMA). Este modelo é uma generalização do modelo ARMA. George Box e Gwilym Jenkins – Estados Unidos AR [9] – AutoRegressive
Estes métodos baseiam-se em dados históricos, na identificação do padrão e também na estimação do parâmetro. A diferença entre os valores previstos e os reais são usados para refinar os parâmetros do modelo. Apresenta melhores resultados do que o modelo de Persistência.
Contaxis e Kabouris
13
ANN [9] – Artificial Neural
Network
Apresenta várias técnicas/estruturas e
diferentes algoritmos de treino. Pode melhorar
significativamente os modelos físicos e
estatísticos para intervalos de tempo de muito curto prazo. Combinar modelos ANN, resulta em melhorias face ao modelo de persistên cia e pode fazer previsões tanto da velocidade do vento como de energia produzida através deste, reduzindo o erro em relação a modelos ANN simples.
Tande e Landberg
(1993)
Takagi-Surgeno [9]
Usa variáveis fuzzy para modelar a velocidade do vento e a energia produzida. Em vários casos
de estudo, mostrou-se que apresentam
melhores desempenhos face ao modelo de persistência, melhorando a precisão com o horizonte de previsão. Ramírez-Rosado e Fernández-Jiménez ANFIS [9] – Adaptive Neural Fuzzy Inference System
Usa um algoritmo de aprendizagem que combina least-square estimator e o gradient descent method. Melhora a precisão da previsão e permite uma fácil instalação do sistema nos mais variados locais. O seu design é flexível e capaz de lidar com repentinas flutuações de padrões de dados, conseguindo adaptar -se aos vários critérios de previsão a curto-prazo.
Jang (1993)
Abductive Networks (GMDH)
[9]
Baseado em GMDH (Group Method of Data Handling), são métodos mais simples e
automatizados que selecionam
automaticamente a influência dos dados para entradas, permitindo comparações entre os modelos estatísticos e os modelos empíricos. Estes métodos têm uma convergência mais rápida quanto ao treino das redes do que os ANN e apresentam melhores resultados do que o modelo de persistência para intervalos de tempo de muito curto prazo. Foi desenvolvido para conseguir prever uma média horária da velocidade do vento.
Abdel-Aal
WEFS[9] – Wind Energy Forecasting
System
Modelo combinado que consiste em meso escala física (MM5 e WRF) e algoritmos estatísticos, que se aplica a previsões da velocidade do vento para horizontes temporais de muito curto prazo e apresenta melhores resultados do que o modelo de persistência. Usa dados e m tempo real (online data) como valores de entrada para NWP acoplado com DWM (Diagnostic Wind Model) e tem em conta a topografia do local e efeitos de micro escala.
McCarthy et al.
PSO [9] – Paricle Swarm Optimization
É um método que consiste na otimizaç ão de funções não lineares que usam um método de enxame de partículas que é usado para treinar redes wavelet. Apresentam uma redução nos erros da previsão da velocidade do vento face aos métodos ANNs.
14
2.2.4. Abordagem a aproximações combinadas
O grande objetivo do desenvolvimento e utilização de aproximações combinadas passa por aperfeiçoar a previsão final, ou melhor, tirando partido das vantagens de cada aproximação individual (física e estatística) e combinando estes dois tipos de previsão, é possível obter resultados tão bons ou melhores do que os previstos quando apenas se utilizam modelos individuais [10]. Esta diferença reside no fato de que os modelos individuais apresentam bons resultados apenas para situações específicas, pois têm desempenhos diferentes, sendo necessário desenvolver e testar diferentes modelos para que se possa escolher o mais adequado. O tempo necessário para decidir qual o modelo que irá realizar a melhor previsão, constitui também uma desvantagem na utilização de modelos individuais, o que pode ser superado pela utilização dos modelos combinados [11].
Tendo como objetivo melhorar a precisão da previsão eólica, o uso de modelos combinados, por vezes, não demonstra desempenhos satisfatórios quando comparados com as melhores previsões adquiridas através do uso de modelos individuais. Contudo, em muitos casos, prevê-se um risco menor de incerteza combinando os modelos de previsão, evitando assim fazer a seleção de um modelo individual para a mesma previsão desejada [4].
Figura 2.3 - Modelação de Aproximações Combinadas. (adaptado de [6])
2.2.4.1 Estrutura dos Modelos Combinados
Através da revisão de literatura, percebe-se que há opiniões controversas em relação á definição da estrutura dos modelos combinados. Na opinião de vários autores, o melhor procedimento, nos dias de hoje, é começar por atribuir pesos aos vários coeficientes para cada
15
método, de acordo com os desempenhos de previsões passadas – Weighting-based Combined
Approach [10].
No entanto, existem outros modelos combinados para a previsão de energia eólica que utilizam metodologias diferentes. Nestes casos, as aproximações consistem geralmente em dois modelos diferentes: um para se fazer a previsão principal (main forecasting) e o outro para se executarem processos auxiliares, como por exemplo, a filtração de dados, decomposição de dados, seleção do melhor parâmetro e avaliação da evolução do erro residual [11]. Sendo assim e dependendo do resultado final que se pretende obter através dos processos auxiliares, as aproximações combinadas podem ser divididas em três grupos [10]:
1) Aproximações Combinadas que incluem técnicas de pré-processamento de dados (Data pre-processing techniques – based combined approaches)
2) Aproximações Combinadas que incluem técnicas otimizadas e seleção do melhor parâmetro (Parameter Selection and Optimization Techniques – base combined
approaches)
3) Aproximações Combinadas que incluem técnicas de pós-processamento de dados (Data post-processing techniques – based combined approaches)
Tabela 2.4 - Comparação/Evolução de aproximações combinadas para previsão eólica [10], [11]. Aproximações
Combinadas Estratégia Vantagens Desvantagens
Weighting-based combined approach
Atribuição de pesos aos modelos
de acordo com o seu desempenho
Fácil de implementar e de desenvolver, adequado a uma vasta
gama de horizontes temporais, adaptativo
a novos dados.
Não garante a melhor previsão para os demais horizontes temporais e requer um modelo
extra para a determinação da influência do desempenho do modelo (pesagem do modelo)
Data pre-processing techniques Obtenção da previsão de subséries com a decomposição dos modelos. Altos desempenhos, robusto para suportar
rápidas variações da velocidade do vento.
Requer detalhes matemáticos específicos em decomposição de modelos e apresenta uma resposta
lenta quando adaptado a novos dados. Parameter Selection and Optimization Techniques Otimização dos parâmetros do modelo de previsão Estrutura relativamente básica
Código difícil de implementar; depende dos conhecimentos do
designer sobre otimização de problemas; Computacionalmente intensivo Data post-processing techniques Previsão do erro residual causado Elevada fiabilidade; apresenta bom desempenho na
16
pelo modelo de previsão
redução de erros sistemáticos.
Em suma, das várias aplicações destes quatro modelos, é importante referir que o
Weighting-based approach, tendo por base um modelo numérico de previsão do tempo (NWP model), deve ser efetivamente utilizado para horizontes temporais de longo prazo, de forma a
ser possível o planeamento da manutenção das turbinas eólicas ou dos aparelhos convencionais de produção de energia elétrica. Por outro lado, as aproximações que incluem Parameter
Selection and Optimization Techniques, apresentam um enorme perfil de precisão das
previsões, que são principalmente necessárias para o comércio de energia elétrica. Já as aproximações Data post-processing techniques só apresentam resultados satisfatórios no caso de existirem erros sistemáticos, que por conseguinte, não são de uma área de aplicação específica. Por último vale a pena mencionar que os modelos combinados não são eficazes para previsões de muito curto prazo, que são usadas para o controlo ativo das turbinas eólicas, pois estas aproximações combinadas têm geralmente um tempo de computação inoperante comparando com os modelos individuais. De acordo com a literatura, as aproximações combinadas Data pre-processing techniques, são para já, um sério candidato para previsões de longo prazo que poderão reunir dados complexos sobre o vento. Em contrapartida, é importante ter em consideração que deve ser evitada a utilização deste tipo de aproximação quando se pretende uma rápida resposta no processamento de dados, devido ao seu fraco poder de adaptação a novas bases de dados [11].
Resta apenas concluir que apesar dos modelos combinados apresentarem, por norma, resultados mais precisos aquando a utilização de modelos individuais, é ainda impossível, hoje em dia, perceber qual o modelo que faz a melhor previsão, independentemente do local pretendido. Por outras palavras, não existe ainda um modelo universal standard que tenha o mesmo grau de eficiência de previsão nos demais pontos geográficos. Logo, para se fazer a previsão num sítio específico, é preciso analisar todas as variáveis envolventes e aí perceber qual o modelo, ou quais os modelos que vão ter o melhor desempenho para um caso em particular [11].
2.2.5. Previsão a nível Regional
A previsão feita para uma dada região é o nome que se dá à previsão conjunta da energia elétrica produzida numa região onde existem vários parques eólicos, com o objetivo de ajudar o operador de transmissão do sistema elétrico (TSO) a gerir toda a produção feita através das unidades convencionais de produção, conseguindo assim estimar, de uma melhor forma, a capacidade das reservas. O custo das reservas irá então depender da precisão das previsões eólicas [12].
17
Fazer a previsão de produção eólica para cada parque eólico a nível individual torna-se num processo muito moroso, dispendioso, que implica grandes esforços computacionais e grandes dificuldades no tratamento e gestão de dados [6]. Por isso mesmo, as técnicas adotadas baseiam-se em processos de upscaling (correlação encontrada entre dados online fornecidos pelos parques eólicos numa dada região e os dados históricos offline para a previsão de produção) [13], que tem o efeito de diminuir o erro de previsão, dado que o erro final é uma média dos erros encontrados de todos os parques eólicos pertencentes a essa mesma região [14].
Sendo difícil de obter tanto medições de energia eólica como NWPs (Numerical Weather
Predictions) de todos os aerogeradores numa certa região, são então utilizadas técnicas de upscaling para dimensionar todos os dados medidos em tempo real (online data) bem como os
valores fornecidos pela previsão numérica do tempo (NWP) dessa mesma região [4].
Figura 2.4 - Exemplo de um Sistema de Previsão WPPT com aproveitamento de dados On-line e Off-line nos parques eólicos existentes numa dada região. (adaptado de [13])
2.2.5.1 Técnicas de Upscaling
A grande intenção do uso de técnicas de Upscaling é fazer a extrapolação do total de energia produzida pelo vento, através da previsão de um certo número de parques eólicos de referência, para os quais os NWP e/ou os dados medidos em tempo real estão acessíveis por
18
parte do sistema de previsão. Para isso, existem várias técnicas de Upscaling, que serão mencionadas de seguida:
Direct Upscaling - É uma aproximação simples que faz a ligação da produção e os dados NWP avaliados com um ou mais parques eólicos de referência para a produção regional.
Este modelo é projetado e treinado para providenciar previsões eólicas regionais. Assim, requerem a avaliação dos dados detalhados da produção total com o objetivo de estimar novos parâmetros do modelo. Este tipo de aproximação é essencialmente baseada em modelos estatísticos, sendo que a principal dificuldade com este tipo de aproximações é que a função tem que ser atualizada se forem adicionados novos parques eólicos ao sistema [6].
Cascaded Approach – Esta é uma das técnicas mais utilizadas para se fazer Upscaling.
Considera duas fases de previsão: na primeira fase é estimada a geração de energia dos vários parques eólicos considerados como referência; numa segunda fase é extrapolado um somatório para a produção total a nível regional/nacional [6].
Subregions Approach – Também conhecida por Cluster, esta técnica baseia-se na
agregação dos parques eólicos em grupos que contenham parques eólicos vizinhos ou parque eólicos que pertençam á mesma sub-região. É então desenvolvido um modelo para cada grupo ou sub-região baseado em valores de entradas (valores NWP ou SCADA), cedidos pelos parques eólicos de referência desse mesmo grupo ou sub-região. Por fim, a soma da produção de cada grupo ou sub-região, fornece a previsão total para a região [6].
2.2.6. Incerteza na Previsão Eólica
2.2.6.1. Modelos de Previsão Probabilística
De forma a melhorar as previsões de produção eólica tem-se vindo a utilizar cada vez mais modelos de previsão probabilística, com o objetivo de representar a incerteza na previsão de produção eólica. Aliado à previsão determinística, a previsão probabilística possui a capacidade de transmitir ao utilizador a incerteza associada ao valor previsto, ou seja, apresenta um intervalo de valores de probabilidade existente na ocorrência de um determinado valor de produção eólica previsto [4]. Esta avaliação da incerteza da previsão permite ao operador do sistema avaliar o risco associado à previsão de produção eólica que possibilita previsões mais realistas que permite otimizar processos estocásticos e de despacho de energia elétrica. [35]. De acordo com [35] existem dois tipos de aproximações associados à previsão probabilística: aproximações não paramétricas e aproximações paramétricas. Atualmente os
19
modelos mais utilizados baseiam-se no uso de aproximações não paramétricas que usam
quantile regression.
2.2.6.1.1. Abordagem Paramétrica
Neste tipo de abordagem a incerteza da previsão segue uma distribuição caraterizada por parâmetros. A distribuição gaussiana é uma das escolhas utilizadas para esta abordagem, a qual se carateriza pelo parâmetro de localização e o parâmetro de escala, que se pode observar pela pela expressão 2.1 [36].
𝑓𝑡+𝑘|𝑡 = 𝑓(𝑝𝑡+𝑘, µ,σ2), (2.1)
Em que:
𝑓𝑡+𝑘|𝑡, representa a função de distribuição da previsão; µ é o parâmetro de localização;
σ é o parâmetro de escala.
Neste tipo de abordagem a distribuição depende de poucos parâmetros, o que resulta numa previsão simplificada e com baixos custos computacionais, o que representa umas das principais vantagens no uso deste tipo de abordagem paramétrica [36].
2.2.6.1.2. Abordagem Não-Paramétrica
Por outro lado, este tipo de abordagem é utilizado quando não é possível formular uma distribuição dos erros da previsão, não assumindo qualquer relação relativamente à forma da distribuição da incerteza da previsão [36].
Neste tipo de abordagens, as funções densidade de probabilidade (PDF) são estimadas num número finito de pontos com recurso à interpolação entre eles, onde é possível obter uma descrição completa das funções PDF. Os custos computacionais para se proceder à execução de modelos baseados em abordagens não-paramétricas são ligeiramente superiores aos custos relativos à utilização de abordagens paramétricas. Os métodos não paramétricos mais utilizados podem ser visualizados na tabela 2.5.
Tabela 2.5 – Metodologias baseadas em aproximações não-paramétricas [36].
Método Descrição
Quantile Regression Não assume a forma da distribuição.
Kernel Density Estimation
Necessita de um número elevado de amostras para construção da base de conhecimento.
20
Inteligência Artificial Tem associados elevados custos computacionais dado a elevada exigência computacional de estimação.
2.2.6.1.3. Avaliação da incerteza da previsão
A avaliação da incerteza da previsão eólica tem como principais objetivos avaliar possíveis erros nos modelos de previsão, apresentar melhorias como também sugerir quais os melhores modelos para uma determinada zona geográfica. Como medidas de avaliação de previsão probabilística é comum serem usados o reliability e o sharpness para avaliar o grau de incerteza associado à previsão como também a dispersão relacionada com a previsão [36].
Os diagramas de reliability ou confiabilidade são gráficos simples que permitem observar as frequências reais de produção de acordo com as probabilidades nominais. Com isto é possível obter informação da frequência (em %) com que a probabilidade da previsão ocorreu na realidade [37].
Para o intervalo que se pretende analisar, as previsões são calculadas para quantis de 0% a 100% em incrementos de 5%. Quando a previsão da incerteza da produção eólica apresenta um grande reliability, significa que a cobertura de todas as ocorrências deverá ser constante. [37].
Figura 2.5 – Exemplo de um diagrama de reliability de um parque eólico.
O diagrama de sharpness ou de dispersão, representa a dispersão da incerteza da previsão em relação à escala de valores a prever. Assim quanto maior for a amplitude do intervalo da incerteza, maior será a dispersão. Uma distribuição de previsão mais concentrada produz melhores resultados do que uma distribuição menos concentrada. A amplitude da distribuição é o principal foco da avaliação deste parâmetro na previsão da incerteza de produção eólica. 0,0% 1,0% 2,0% 3,0% 4,0% 5,0% 6,0% 7,0% 8,0% < MIN [0,00;0, 05] [0,05;0, 10] [0,10;0, 15] [0,15;0, 20] [0,20;0, 25] [0,25;0, 30] [0,30 ;0 ,35] [0,35;0, 40] [0,40;0, 45] [0,45;0, 50] [0,50;0, 55] [0,55;0, 60] [0,60;0, 65] [0,65;0, 70] [0,70;0, 75] [0,75;0, 80] [0,80;0, 85] [0,85;0, 90] [0,90;0, 95] [0,95;1, 00] >MA X Pro b ab ili ty PDF Quantile Interval
PDF Reliability Diagram
Forecasted Ideal21
22
2.3 – Avaliação do desempenho da previsão
2.3.1. Modelo de Referência
A previsão eólica é uma estimativa esperada da produção de energia elétrica através do vento proveniente de uma ou de várias turbinas eólicas, com objetivo de prever valores para um futuro próximo (de poucos minutos a alguns dias). São então utilizados modelos de previsão computacionais (como analisado anteriormente) que usam dados de entrada (input) para obter valores de produção de energia elétrica (output) através do vento incidente nas turbinas eólicas. A complexidade dos modelos de previsão é muito variável, na medida em que existem modelos simples e outros que são bastante mais complexos [8].
Com o objetivo de ter um modelo base de comparação para averiguar se os outros modelos existentes serão exequíveis, criaram-se modelos de referência que se apoiam em modelos simples, utilizados com a finalidade de testar a precisão de novas técnicas/modelos de previsão eólica.
De seguida são apresentados três tipos de modelos, usados como principais modelos de referência: Persistence Model, Weighted sum between persistence and the mean power
production e OL-Persistence Model
2.3.1.1 Persistence Model
O modelo de persistência é quase sempre usado como o principal modelo de referência para avaliar o desempenho dos modelos de previsão de energia elétrica através do vento [8]. O seu modo de funcionamento é baseado numa suposição de valores, ou seja, através de um único conjunto de valores de entrada (produção de energia num dado momento 𝑃(𝑡)), ele prevê que os novos valores previstos para um futuro próximo, 𝑡 + ∆𝑡, irão ter os mesmos valores do instante 𝑡.
𝑃(𝑡 + ∆𝑡) = 𝑃(𝑡) (2.2)
Este modelo é muitas vezes mais preciso do que outros modelos desenvolvidos para previsão eólica para um horizonte temporal de muito curto prazo, embora, com o aumento deste horizonte temporal, a sua precisão possa diminuir. Apesar de não ser o modelo mais simplista para previsão eólica, é no entanto o que proporciona mais vantagens do ponto de vista económico [3].
23
2.3.1.2 Weigthed sum between persistence and the mean power
production
Como dito anteriormente, o modelo de persistência apresenta resultados satisfatórios para horizontes temporais de muito curto prazo. Sendo assim, não é muito aconselhável utilizar esse tipo de modelo quando se quer obter resultados para intervalos de tempo mais extensos [4].
A principal diferença entre este modelo e o modelo de referência, é que o coeficiente de correlação tem que ser calculado para cada comprimento (horizonte temporal) da previsão. Se a correlação for a mesma em todo o mundo, ou seja, não depender da localização do parque eólico, este modelo pode ser simplificado omitindo o cálculo do coeficiente de correlação [15]. Este modelo é quase tão simples como o modelo de referência, uma vez que só necessita de dados de séries de tempo como valores de entrada, sendo que para um horizonte temporal maior do que aproximadamente 3h, este modelo deve ser usado em vez do modelo de referência apresentado anteriormente [15].
2.3.1.3 OL-Persistence Model
Para previsões a nível regional, este é o modelo tipo usado como referência. Como se sabe nem todas as turbinas eólicas estão habilitadas a fazer certo tipo de medições. Este modelo baseia-se na soma das produções de todas as turbinas eólicas, numa região, que tenham a possibilidade de registar valores medidos em tempo real (online data). Assim, através da expressão (2.3) é possível obter uma previsão da produção total medida para o instante 𝑡 + ∆𝑡:
𝑃𝑡+∆𝑡𝑟𝑒𝑔 = 𝑃𝑖𝑛𝑠𝑡 𝑟𝑒𝑔 ∑𝑀𝑟𝑖=1𝑃𝑖𝑛𝑠𝑡,𝑖𝑤𝑓 ∑ 𝑃𝑖,𝑡 𝑤𝑓 𝑀𝑟 𝑖=1 (2.3)
Onde 𝑃𝑖𝑛𝑠𝑡𝑟𝑒𝑔 é a capacidade total instalada numa região especifica, 𝑃 𝑖𝑛𝑠𝑡,𝑖
𝑤𝑓 é a capacidade instalada
em 𝑀𝑟 parques eólicos onde existe a possibilidade de avaliar valores online e por fim, 𝑃𝑖,𝑡𝑤𝑓 é a
potência medida nos vários parques eólicos para a mesma região no instante 𝑡 [4].
2.3.2. Critérios de avaliação do desempenho da previsão
Para ser possível a comparação entre os vários modelos de previsão é necessário determinar qual o melhor modelo de desempenho de forma a ser possível avaliar o desempenho de cada um dos modelos, para com isso averiguar qual ou quais os modelos de previsão com
