Estratégias dinâmicas de oferta de Produção Eólica em Mercado de Eletricidade

(1)

F

ACULDADE DE

E

NGENHARIA DA

U

NIVERSIDADE DO

P

ORTO

Estratégias Dinâmicas de Oferta de

Produção Eólica em Mercado de

Eletricidade

Nuno Filipe Teixeira de Freitas

Mestrado Integrado em Engenharia Eletrotécnica e de Computadores Orientador: Professor Doutor Cláudio Monteiro

(2)

(3)

Resumo

A energia eólica apresenta-se como um recursos de grande instabilidade porque depende for-temente da variabilidade do vento que introduz na rede um elevado nível de incerteza de produção que, por sua vez, provoca um aumento dos custos de desvio e dificulta operações de despacho, unit commitmente na determinação de preços do mercado de eletricidade. Devido ao constante aproveitamento do recurso eólico e tendo em conta a sua elevada volatilidade, tornou-se cada vez mais importante um aperfeiçoamento das técnicas de previsão existentes bem como o desenvolvi-mento de novas estratégias de previsão cada vez mais precisas. Assim, será possível, resolver as questões de volatilidade técnica e financeira, para a operação da rede e para os investidores.

No âmbito da presente dissertação são estudadas novas estratégias de licitação para oferta em mercado de eletricidade baseadas no modelo de previsão de curto prazo de produção de energia eólica. Numa primeira fase realizar-se-à um estudo aprofundado sobre a ferramenta de previsão probabilística onde serão analisados os processos de parametrização com o objetivo de melhorar a performance do modelo de previsão usando a ferramenta de previsão NW-KDE. Por sua vez, foi necessário proceder aos cálculo de todos os custos e remunerações ocorridos que possibilitaram a determinação dos lucros totais aplicados ao parque eólico de Cobadin, Roménia.

Neste sentido e após o desenvolvimento do melhor modelo de previsão obtido, que se dis-tingue dos restantes, por permitir obter uma modelização da incerteza associada à previsão serão desenvolvidas estratégias dinâmicas para oferta em mercado de eletricidade com o intuito de obter um melhor resultado de lucros finais aplicado ao parque eólico em questão. O objetivo principal reside em aprofundar uma estratégia de licitação ideal com o intuito de maximizar os benefícios totais finais do parque eólico fruto de uma melhor aproximação da potência programada aos re-sultados ocorridos dos valores reais de produção que diferem da estratégia de licitação baseada num Quantil fixo Q75adotada pela EDP Renováveis. Para uma participação racional no mercado

da eletricidade, uma escolha razoável é maximizar sua receita esperada apresentando resultados que sugerem que a quantidade de licitação ideal é igual a um Quantil dinâmico produzido por previsões de incerteza de energia eólica.

Desta forma, foram então primariamente desenvolvidas três técnicas de referência que servirão de base para o desenvolvimento de novas estratégias de licitação. Por sua vez, e tendo em atenção, as estratégias de referencia, procura-se melhorar a estratégia de licitação produzida pela EDP R onde se desenvolverão técnicas de licitação baseadas em estratégias de licitação de um quantil fixo segundo o modelo probabilístico desenvolvido e outras técnicas desenvolvidas baseadas em previsão de quantis relacionadas com variáveis inerente ao parque. Integrado no modelo de licita-ção serão ainda serão desenvolvidas técnicas de previsão que recorrem às Redes Neuronais para a previsão de preços de mercado do dia seguinte.

No global, pretende-se apresentar um conjunto de ofertas viáveis e inovadoras baseadas em es-tratégias dinâmicas desenvolvidas com o objetivo de otimizar os custos totais do parque abordando diferentes metodologias de licitação de quantis para ofertas em mercado.

(4)

Palavras Chave: Previsão da produção eólica, NW-KDE, Previsões Probabilísticas, Estraté-gias Dinâmicas de oferta em Mercado de Eletricidade.

(5)

Abstract

Wind energy appears as a very unstable resource because it depends strongly on the wind variability that introduces the network a high production level of uncertainty which causes an increase of offset costs and interferes with dispatch operations , unnit commitment and definition of the electricity market prices. Due to the constant use of wind resources and in view of its high volatility, it has become increasingly important to improve the existing forecasting techniques and also the development of new prediction strategies increasingly accurate. Only then, we can solve the issues of technical and financial volatility , for the operation of the network and for investors.

In the context of this dissertation new bidding strategies for supply in the electricity market were studied based on a short-term forecasting model of wind power production. Initially, will be studied the probabilistic forecasting tool analyzing the parameterization processes in order to improve the performance of the forecasting model by using the NW-KDE forecasting tool. It was necessary to do the calculations of all costs and rewards occurred which allowed to determine the total profits applied to Cobadin Wind Park in Romania.

Then after the development of the best forecasting model which is distinguished from the others by permitting an uncertainty model associated with forecasting will be developed dynamic strategies to offer in the electricity market in order to get better results when it comes to final profits being applied to the Wind Park.

The main purpose relies on the development of an ideal bidding strategy in order to maximize the total Revenues of the Wind Park by having a better approximation of scheduled power rating to results occurred from the actual production values that differ from the bidding strategy based on a Quantile fixed Q75adopted by EDP Renováveis. For a rational participation in the electricity

market, a reasonable choice is to maximize the expected revenue presenting results that suggest that the ideal amount of bid is equal to a dynamic Quantile produced by uncertain forecasts of wind power.

Therefore it was primarily developed three techniques that will be the basis for the deve-lopment of new bidding strategies. In turn, and taking into account the reference strategies, this dissertation seeks to improve the bidding strategy produced by EDP R developping bidding techni-ques based on bidding strategies of a fixed quantile according to the probabilistic model developed and other techniques based on quantile forecasting related to the park’s variables. Integrated in the bidding model will still be developed forecasting techniques that use the Neural Networks to do the prevision of market prices in the next day.

Overall, the purpose is to present a set of viable and innovative offerings based on dynamic strategies developed in order to optimize the total cost of the park addressing different bidding quantile methodologies for market offers.

Keywords: Wind Power Forecasting Systems, NW-KDE, Probabilistic Forecasts, New Bid-ding Strategies for supply in the Electricity Market.

(6)

(7)

Agradecimentos

Após a conclusão de mais uma etapa pessoal, apercebo-me que tudo o que me fez ser hoje um homem, um engenheiro, um cidadão e uma melhor pessoa é da inteira responsabilidade de duas pessoas: Da Graça e Do Zé, os meus adorados pais, que sempre me apoiaram em tudo na vida. Quero-lhes deixar aqui o meu eterno agradecimento por tudo o que me proporcionaram até hoje. Não posso deixar também de agradecer a toda a minha família em geral pela força que sempre me transmitiram e pela crença depositada em mim.

Um agradecimento especial e sentido ao professor Dr. Cláudio Monteiro, pela oportunidade concebida para desenvolver as minhas capacidades pessoais e académicas. A alegria e o apoio ao longo do desenvolvimento desta dissertação sempre estiveram presentes, bem como a sua paci-ência para o esclarecimento das milhares de dúvidas que foram surgindo sucessivamente durante esta etapa. A simpatia, a motivação e o desejo de melhorar sempre foram importantes nas suas palavras.

Um especial agradecimento a toda a malta da J202. Desde os primeiros, que já há muito são engenheiros, até aqueles que ainda hoje estão lá comigo. Hélder Pedrosa, Jorge Claro, Guilherme Torres, João Rainho, entre tantos. A todos os meus amigos quero agradecer o apoio sentido, os sorrisos, as músicas, as festas, o estudo, o não estudo, aos bons e maus momentos. Enfim, por tudo que nos foi proporcionado ao longo destes anos, porque sempre que precisei, vocês foram uns amigos!

Por último, e o mais importante, um especial agradecimento à Renata Gomes, mulher da minha vida que sempre me apoiou em tudo, tanto nos bons como nos maus momentos, o teu apoio, compreensão, amor e carinho foram importantes para ultrapassar mais esta etapa.

Um Abraço a todos.

Nuno Filipe Teixeira de Freitas

(8)

(9)

“Learn from yesterday, live for today, hope for tomorrow. The important thing is not to stop questioning”

Albert Einstein

(10)

(11)

Conteúdo

1 Introdução 1

1.1 Enquadramento . . . 1

1.2 Objetivos . . . 3

1.3 Informações e Ferramentas utilizadas . . . 3

1.4 Estrutura da Dissertação . . . 4

2 Revisão Bibliográfica 5 2.1 Introdução à Previsão da Energia Eólica . . . 5

2.1.1 A Energia Eólica . . . 5

2.1.2 Introdução à Previsão Eólica . . . 6

2.2 Modelos Numéricos de Previsão de Meteorologia (NWP) . . . 7

2.2.1 Sistemas NWP Operacionais . . . 7

2.2.2 Modelos NWP baseados em Ensemble . . . 10

2.3 Metodologias de Previsão Eólica . . . 10

2.3.1 Definição de Previsão de Produção de Energia Eólica . . . 10

2.3.2 Modelos de Previsão Físicos . . . 12

2.3.3 Modelos de Previsão Estatísticos . . . 14

2.3.4 Modelos de Previsão Regional . . . 16

2.3.5 Modelos de Previsão Híbridos . . . 16

2.4 Avaliação dos Modelos de Previsão . . . 16

2.4.1 Tipo de Erros de Previsão . . . 16

2.4.2 Modelos de Referência . . . 17

2.4.3 Indicadores de erros de Previsão . . . 17

2.5 Previsão Determinística e Previsão Probabilística . . . 18

2.5.1 Introdução . . . 18

2.5.2 Previsão Determinística com Redes Neuronais . . . 19

2.5.3 Incerteza na Previsão Eólica . . . 19

2.5.4 Previsão do Índice de Risco . . . 21

2.5.5 Avaliação da Incerteza da Previsão Probabilística . . . 21

3 Ferramenta de Previsão Probabilística Utilizada 25 3.1 Formulação do Modelo de Previsão . . . 25

3.1.2 Formulação da Ferramenta de Previsão . . . 25

3.2 Parametrização do Modelo de Previsão . . . 29

3.2.1 Nível mínimo de ativação da função kernel . . . 29

3.2.2 Parametrização dinâmica da largura de banda da função kernel . . . 30

3.2.3 Parametrização de variáveis cíclicas . . . 32

(12)

3.2.4 Parametrização de entrada recorrente . . . 33

3.2.5 Parametrização do fator multiplicativo de alfa e beta (fator de calibração) 34 4 Informação para Ofertas em Mercado 35 4.1 Introdução . . . 35

4.1.1 Caracterização do caso de estudo e dados utilizados . . . 36

4.2 Previsão de Preços no Mercado Romeno . . . 37

4.2.1 Day Ahead Market na Roménia . . . 38

4.2.2 Imbalance Excess Price e Imbalance Deficit Price . . . 39

4.2.3 Certificados Verdes . . . 39

4.3 Cálculo de Custos e Remunerações . . . 40

4.3.2 Biddind strategy . . . 40

4.3.3 Penalizações por Desvios de Produção . . . 41

4.3.4 Imbalances e Imbalances Revenues . . . 43

4.3.5 Lucros Totais . . . 44

4.3.6 Síntese . . . 46

4.3.7 Comparações com outras estratégias . . . 46

4.4 Desenvolvimento do Modelo de Previsão para Oferta em Mercado . . . 48

4.4.2 Estrutura . . . 48

4.4.3 Tipos de Variáveis . . . 49

4.4.4 Modelização da incerteza . . . 50

4.4.5 Parâmetros da Ferramenta de Previsão . . . 51

4.5 Previsão do Quantil Ótimo . . . 52

4.5.2 Metodologia e Descrição do quantil ótimo . . . 53

4.5.3 Síntese . . . 68

5 Otimização de Ofertas em Mercado 69 5.1 Estratégias de Referência (Benchmarks) . . . 70

5.1.1 Produção Programada Igual à Produção Real (Situação ideal) . . . 70

5.1.2 Previsão Probabilística utilizando o Quantil Ótimo Tabelado . . . 72

5.1.3 Previsão Probabilística adotada pela EDP-R (Q75) . . . 74

5.2 Estratégias de Oferta com Quantil de Produção Fixo . . . 75

5.2.1 Estratégias de Oferta com Quantil de Produção Fixo Q97(Otimizado) . . 76

5.2.2 Estratégias de Oferta com Quantil de Produção Fixo Q95 . . . 77

5.2.7 Sínteses das Estratégias de Oferta com Quantil de Produção Fixo . . . . 82

5.3 Estratégias de Oferta com Quantis Ótimos Tabelados . . . 83

5.3.1 Previsão Probabilística utilizando o Quantil Óptimo tabelado para cada Hora do Dia . . . 83

5.3.2 Previsão Probabilística utilizando o Quantil Óptimo tabelado para cada Hora da Semana . . . 85

(13)

CONTEÚDO xi

5.4 Estratégias de Previsão Probabilística com Quantis Ótimos Previstos com recurso às Redes Neuronais e com Previsão de Preços . . . 86 5.4.1 Utilização das Redes Neuronais . . . 87 5.4.2 Previsão Probabilística com Quantil Ótimo Previsto utilizando as variáveis

Hora e Dia da Semana . . . 91 5.4.3 Previsão Probabilística com Quantil Ótimo Previsto utilizando as variáveis

Hora, Dia da Semana e Regime de Produção do Parque . . . 92 5.4.4 Previsão Probabilística com Quantil Ótimo Previsto utilizando os Preços

Previstos . . . 93 5.4.5 Síntese de Comparação das Estratégias Obtidas . . . 95

6 Conclusões e Trabalho Futuro 97

6.1 Satisfação dos Objetivos . . . 97 6.2 Trabalho Futuro . . . 99

(14)

(15)

Lista de Figuras

1.1 Evolução do potencial de energia eólica instalada no mundo e sua projeção até ao

ano de 2020 em GW [1]. . . 2

2.1 Representação dos modelos numéricos de previsão meteorológica de pequena es-cala Modelos Regionais [2]. . . 9

2.2 Etapas dos modelos de previsão físicos [3]. . . 12

2.3 Exemplo de um Processo de downscaling [4]. . . 13

2.4 Etapas dos modelos de previsão estatístico. . . 15

2.5 Representação do processamento de um neurónio e estrutura de uma rede neuronal do tipo feedforward [5], [6] . . . 19

2.6 Função de distribuição cumulativa (caso ideal) [7]. . . 22

2.7 Distribuição preditiva com diferentes níveis de sharpness [7]. . . 23

3.1 Função densidade de probabilidade de produção eólica adaptada a uma distribui-ção beta [31]. . . 27

3.2 Pontos para o cálculo do fator multiplicativo . . . 31

3.3 Esquema simplificado dos efeitos da parametrização de variáveis cíclicas [8] . . . 33

4.1 Funcionamento do DAM na Roménia. . . 38

4.2 Dados da Physical Notification durante o ano de 2014. . . 41

4.3 Preços médios, do DAM durante o ano de 2014. . . 41

4.4 Médias anuais das penalizações totais por excesso e défice. . . 43

4.5 Esquema representativo dos horizontes temporais das previsões meteorológicas. . 49

4.6 Previsão da produção eólica com representação de incerteza, com intervalo de confiança 80%, para o ano de 2014. . . 51

4.7 Previsão da produção eólica com representação de incerteza, com intervalo de confiança 80%, para uma amostra de valores durante o ano de 2014 . . . 51

4.8 Comparação entre o quantil ótimo horário tabelado e a real de produção obtida. . 55

4.9 Distribuição do quantil ótimo tabelado com a variável Hora ao longo do ano. . . 56

4.10 Comparação das estratégias a nível de Lucros Totais. . . 56

4.11 Resultados das médias do quantil ótimo tabelado para cada hora do dia . . . 58

4.12 Resultados das médias do quantil ótimo tabelado para para o dia da semana. . . . 59

4.13 Resultados das médias do quantil ótimo tabelado para para as horas dos diferentes dias da semana. . . 61

4.14 Resultados das médias do quantil ótimo tabelado para diferentes valores de potên-cia nominal. . . 63

4.15 Resultados das médias do quantil ótimo tabelado para diferentes valores de DAMp. 65 4.16 Resultados das médias do quantil ótimo tabelado para diferentes valores de Ep. . 66

4.17 Resultados das médias do quantil ótimo tabelado para diferentes valores de Dp. . 68

(16)

5.1 Produção Programada Igual à Produção Real (Situação Ideal), no ano de 2014. . 70

5.2 Produção Programada Igual à Produção Real (Situação ideal), durante o mês de abril. . . 71

5.3 Previsão Probabilística utilizando o quantil ótimo tabelado, no ano de 2014. . . . 72

5.4 Previsão Probabilística utilizando o quantil ótimo tabelado, durante o mês de abril. 73 5.5 Previsão Probabilística adotada pela EDP-R, durante o ano de 2014. . . 74

5.6 Previsão Probabilística adotada pela EDP-R, durante o mês de abril. . . 74

5.7 Previsão do Quantil otimizado Q97durante o ano de 2014. . . 76

5.8 Previsão do Quantil otimizado Q97durante o mês de abril. . . 76

5.9 Previsão do Quantil Q95durante o ano de 2014. . . 77

5.10 Previsão do Quantil Q95durante o mês de abril. . . 77

5.14 Previsão do Quantil Q80durante mês de abril. . . 79

5.19 Comparação entre a a Produção real e a Programada usando o Quantil ótimo tabe-lado para cada hora do dia durante o ano de 2014. . . 84

5.20 Comparação entre a a produção real e a Programada usando o Quantil ótimo tabe-lado para cada hora do dia durante o mês de abril. . . 84

5.21 Comparação entre a a produção real e a Programada usando o Quantil ótimo tabe-lado para cada hora da semana durante o ano de 2014. . . 85

5.22 Comparação entre a a produção real e a Programada usando o Quantil ótimo tabe-lado para cada hora da semana durante o mês de abril. . . 85

5.23 Comparação entre o Quantil Ótimo previamente obtido tabelado, e o Quantil Ótimo Previsto. . . 88

5.24 Comparação entre o Quantil Ótimo previamente obtido tabelado, e o Quantil Ótimo Previsto. . . 89

5.25 Comparação entre o Quantil Ótimo previamente obtido tabelado, e o Quantil Ótimo Previsto em relação aos preços do DAM. . . 90

5.26 Comparação entre o Quantil Ótimo previamente obtido tabelado, e o Quantil Ótimo Previsto em relação aos preços do Ep. . . 90

5.27 Comparação entre o Quantil Ótimo previamente obtido tabelado, e o Quantil Ótimo Previsto em relação aos preços do Dp. . . 91

5.28 Comparação entre o quantil ótimo previamente obtido tabelado, e o quantil ótimo Previsto pelas redes neuronais com as variáveis (H e WD) durante o ano de 2014. 92 5.29 Comparação entre o quantil ótimo previamente obtido tabelado, e o quantil ótimo Previsto pelas redes neuronais com as variáveis (H e WD) durante o mês de abril. 92 5.30 Comparação entre o quantil ótimo previamente obtido tabelado, e o quantil ótimo Previsto pelas redes neuronais com as variáveis (H, WD e %Pn) durante o ano de 2014. . . 93

5.31 Comparação entre o quantil ótimo previamente obtido tabelado, e o quantil ótimo Previsto pelas redes neuronais com as variáveis (H, WD e %Pn) durante o mês de abril. . . 93

(17)

LISTA DE FIGURAS xv

5.32 Comparação entre o quantil ótimo previamente obtido tabelado, e o quantil ótimo Previsto pelas redes neuronais com as variáveis do preço de mercado (DAM, Ep e Dp) durante o ano de 2014. . . 94 5.33 Comparação entre o quantil ótimo previamente obtido tabelado, e o quantil ótimo

previsto pelas redes neuronais com as variáveis do preço de mercado (DAM, Ep e Dp) no mês de abril. . . 94

(18)

(19)

Lista de Tabelas

2.1 Modelos de Previsão Numérica Globais. . . 8

2.2 Modelos de Previsão Numérica Regionais/Locais. . . 9

2.3 Sistemas NWP operacionais na Europa. . . 10

2.4 Informações sobre os quatro horizontes temporais de previsão eólica. . . 11

2.5 Modelos Físicos Operacionais [9]. . . 14

2.6 Modelos Estatísticos [3]. . . 15

2.7 Metodologias que seguem a abordagem paramétrica. . . 20

2.8 Metodologias que seguem a abordagem não-paramétrica. . . 21

2.9 Diferentes tipos de skill score [10] . . . 23

4.1 Informação relativa ao parque eólico de Cobadin. . . 37

4.2 Média e total da Physical Notification durante o ano de 2014. . . 41

4.3 Médias dos Preços de Excesso e Défice. . . 42

4.4 Médias anual do preço dos GC. . . 42

4.5 Médias anuais das penalizações por excesso e défice ao londo do ano de 2014. . . 43

4.6 Médias anuais das penalizações totais por excesso e défice ao longo do ano de 2014. 43 4.7 Fórmulas de cálculo usadas para estudo de desvios de produção. . . 44

4.8 Fórmulas de cálculo usadas para estudo dos custos de desvios de produção. . . . 44

4.9 Fórmula de cálculo utilizada para determinar o Lucro DAM (DAM Revenue). . . 45

4.10 Fórmula de cálculo utilizada para determinar o Lucro da Venda de energia (Elec-tricity Revenue). . . 45

4.11 Fórmulas de cálculo utilizado para o cálculo dos lucros dos certificados verdes (GC Revenues). . . 45

4.12 Fórmulas de cálculo utilizado para o cálculo dos lucros dos certificados verdes (GC Revenues). . . 45

4.13 Lucros totais (Total Revenues). . . 46

4.14 Comparação das quantidades de desvios de produção segundo uma bidding stra-tegydos Q75e Q50. . . 46

4.15 Comparação de lucros e prejuízos segundo uma bidding strategy dos Q75e Q50. . 47

4.16 Comparação de lucros e prejuízos segundo uma bidding strategy dos Q75e Q50. . 47

4.17 Representação do histórico de previsão. . . 49

4.18 Representação do output da previsão. . . 50

4.19 Determinação do Quantil ótimo tabelado para a variável Hora . . . 55

4.20 Fórmula de Obtenção do quantil ótimo tabelado com a variável hora do dia . . . 57

4.21 Resultados Obtidos para as médias dos quantis para as diferentes horas do dia. . 57

4.22 Fórmula de Obtenção do quantil ótimo tabelado com a variável dia da semana. . . 58 4.23 Resultados Obtidos para as médias dos quantis para os diferentes dias da semana. 59

(20)

4.24 Fórmula de Obtenção do quantil ótimo tabelado com a variável horária e dia da

semana. . . 60

4.25 Resultados Obtidos para as médias dos quantis para os diferentes horas e dias da semana. . . 60

4.26 Fórmula de Obtenção do quantil ótimo tabelado com a variável Potência Nominal. 62 4.27 Resultados Obtidos para as médias dos quantis para diferentes valores de potência nominal. . . 62

4.28 Fórmula de Obtenção do quantil ótimo tabelado com DAMp. . . 64

4.29 Resultados Obtidos para as médias dos quantis para diferentes valores de DAMp. 64 4.30 Fórmula de Obtenção do quantil ótimo tabelado com Ep. . . 65

4.31 Resultados Obtidos para as médias dos quantis para diferentes valores de Ep. . . 66

4.32 Fórmula de Obtenção do quantil ótimo tabelado com Dp. . . 67

4.33 Resultados das médias do quantil ótimo tabelado para diferentes valores de Dp. . 67

5.1 Lucros com Produção Programada Igual à Produção Real. . . 71

5.2 Valores totais finais com Produção Programada Igual à Produção Real. . . 71

5.3 Lucros Finais com Produção Programada Igual à Produção Real. . . 72

5.4 Lucros com Previsão Probabilística utilizando o quantil ótimo tabelado. . . 73

5.5 Valores totais finais com Previsão Probabilística utilizando o quantil ótimo tabelado. 73 5.6 Lucros Finais com Previsão Probabilística com quantil ótimo tabelado . . . 73

5.7 Lucros com Previsão Probabilística adotada pela EDP-R. . . 75

5.8 Valores totais finais com Previsão Probabilística adotada pela EDP-R. . . 75

5.9 Lucros finais com Previsão Probabilística adotada pela EDP-R. . . 75

5.10 Lucros finais da Previsão do Quantil otimizado Q97. . . 76

5.11 Lucros finais da Previsão do Quantil Q95. . . 77

5.12 Lucros Finais Previsão do Quantil Q90 . . . 78

5.13 Lucros Finais da Previsão do Quantil Q80. . . 79

5.16 Quadro Resumo dos Lucros Finais de todas a estratégias desenvolvidas de Quantil fixo. . . 82

5.17 Comparação de estratégias de oferta com Quantil de Produção Fixo. . . 83

5.18 Lucros totais usando o Quantil ótimo tabelado para cada hora do dia. . . 84

5.19 Lucros totais utilizando o quantil ótimo tabelado para cada hora da semana. . . . 86

5.20 Quadro Resumo das estratégias de Oferta utilizando quantis ótimos tabelados. . . 86

5.21 Variáveis de Entrada e Target. . . 87

5.22 Variáveis de Entrada e Target. . . 88

5.23 Variavéis de entrada e Target. . . 89

5.24 Variavéis de entrada e target. . . 90

5.25 Variáveis de entrada e target. . . 91

5.26 Lucros Finais com Previsão Probabilística com o quantil ótimo previsto com as variáveis (H, WD). . . 92

5.27 Lucros Finais da Previsão Probabilística com Quantil Ótimo previsto com as va-riáveis (H,WD e %Pn). . . 93

5.28 Lucros Finais utilizando os preços previstos. . . 94

(21)

Abreviaturas e Símbolos

CDF Cumulative Distribution Function GFS Global Forecasting System KDE Kernel Density Estimation MAE Mean Absolute Error

MAPE Mean Absolute Percentage Error MSE Mean Square Error

NW-KDE Nadaraya Watson-Kernel Density Estimator KDE Kernel Density Estimator

NWP Numerical Weather Prediction PDF Probability Density Function RMSE Root Mean Square Error

WRF Weather Research and Forecasting Model MOS Model Output Statistics

TSI Total Sky Imager

RNA Redes Neuronais Artificiais MAE Mean absolute error MPoE Mean positive error MNeE Mean negative error DAM Day Ahead Markey Ep Excess price Dp Deficit price

CET Horário da Europa Central UTC Tempo Universal Coordenado EDP-R Energias de Portugal - Renováveis

(22)

µ Média σ Desvio Padrão σ2 Variância W Watt V Volt A Ampere E Energia (KWh) P Potência (KW) V Tensão Dt Intervalo de tempo m Metro min minuto h Hora y Variável dependente x Variável explicadora

fy|x Função de densidade condicional

fx|x Função de densidade conjunta

fx Função de densidade marginal

α e β Coeficientes de forma da fdp Beta k Função Kernel

t Instante atual

t+k Instante futuro, considerando um intervalo de tempo k Nativ Nível de ativação da função kernel

(23)

Capítulo 1

Introdução

O presente documento visa apresentar a dissertação de final de curso do ramo de Energia reali-zada no âmbito do Mestrado Integrado em Engenharia Eletrotécnica e de Computadores (MIEEC), da Faculdade de Engenharia da Universidade do Porto (FEUP).

O capítulo introdutório dá a conhecer a área em que o tema está inserido, as motivações e os objetivos do autor, uma breve informação sobre as ferramentas utilizadas e ainda a estrutura do presente documento.

1.1 Enquadramento

O contínuo aumento verificado do preço dos combustíveis fósseis bem como a sua escassez devido à constante procura do homem para as suas necessidades quotidianas, juntamente com as crescentes preocupações ambientais que ameaçam cada vez mais a nossa natureza, faz com que a energia eólica, sendo uma fonte renovável limpa e amplamente disponível, se torne cada vez mais relevante em todo o mundo. Neste sentido, nos últimos anos tem havido constantes estudos e pesquisas para que se desenvolvam técnicas mais eficientes e precisas no aproveitamento destes recursos renováveis. Assim, por todo o mundo, têm sido adotadas medidas que conduzam os países a estabelecerem incentivos regulamentando e dirigindo investimentos financeiros para estimular a geração e previsão de energia eólica.

Na União Europeia por exemplo pretende que no ano de 2020, 20% da energia total produzida seja proveniente de fontes renováveis e que haja uma constante redução não só da emissão de gases de efeito de estufa, mas também do consumo de energia em geral, através de medidas de eficiência energética.

Devido ao forte investimento e aos avanços tecnológicos registados, foi possível elaborar uma previsão da evolução do potencial de energia eólica até ao ano de 2020. É importante referir que num espaço de 6 anos, de 2012 a 2018, verifica-se um aumento para dobro da produção eólica com tendência a chegar aos 600 GW em 2020, curiosamente o triplo do registado no ano de 2011 [1].

(24)

Figura 1.1: Evolução do potencial de energia eólica instalada no mundo e sua projeção até ao ano de 2020 em GW [1].

Apesar das inúmeras vantagens já aqui apresentadas, este rápido aumento da quantidade da produção eólica introduzida no sistema elétrico de energia apresenta uma contrapartida que lhe é inata, a grande variabilidade do vento que provoca um aumento da incerteza de produção. Em sistemas elétricos com baixa penetração de eólica, este efeito pode ser mitigado com o uso de centrais de resposta rápida, no entanto a alta penetração de energia eólica no sistema aumenta consideravelmente a incerteza associada à produção de energia e oferece uma série de desafios nas operações e no planeamento de sistemas elétricos [3].

Um sistema de previsão caracteriza-se, essencialmente, segundo o horizonte temporal para o qual são realizadas as previsões, que por sua vez, poderão recorrer a modelos numéricos de previsão meteorológica. Com o recurso a ferramentas e a métodos de previsão, é possível reduzir a incerteza associada à previsão da produção eólica uma vez que permite obter uma estimativa da produção esperada num determinado futuro.

Grande parte dos modelos de previsão recorrem a uma abordagem determinista ("point fore-casting"), isto é, calculam o valor esperado da potência produzida em cada instante do horizonte temporal. Contudo, para produção de energia eólica na rede mais adequada, apenas este tipo de informação não se tem revelado suficiente [11]. Conhecer uma estimativa da incerteza associada às previsões pontuais da produção traz grandes benefícios para o operador do sistema que assim sabe o grau de dispersão dos valores previstos e as suas probabilidades. Por isso, com as previsões do valor esperado de produção é importante realizar-se previsões probabilísticas que possibilitam optar por melhores decisões com base em métodos que avaliam o desempenho destas previsões. As previsões probabilísticas de produção eólica surgem, então, como uma ferramenta essencial na gestão dos sistemas de produção nas representações das incertezas que são geralmente considera-dos. Para além de contribuir para melhores decisões de despacho, é importante na determinação de preços diários e horários, e reduzem os custos marginais de produção de energia em comparação com os meios convencionais.

(25)

1.2 Objetivos 3

No entanto, existem custos de desvio, isto é, penalizações a ser pagas, pelos produtores entre a diferença entre o valor real e o valor previsto de potência produzida. Tem sido cada vez mais notórios os esforços e o sentido de aperfeiçoar e desenvolver sistemas mais fiáveis e precisos, de modo a integrar mais eficientemente este tipo de energia no sistema, uma vez que todos os parti-cipantes na indústria elétrica beneficiam das previsões de produção. Assim, o desafio é encontrar a forma mais eficiente a todos os níveis para contrabalançar as diversas ofertas de procura e venda de todos os intervenientes do sistema, para que no final seja um sistema fiável, seguro e rentável.

Com esta dissertação, pretende-se estudar, em parceria com os dados fornecidos pela Energias de Portugal Renováveis (EDP-R), a viabilidade técnica e económica de integração de diversas estratégias dinâmicas na oferta de produção eólica para o mercado da energia elétrica, numa central eólica de 26 MW com localização em Cobadin, na Roménia. Serve assim de motivação para a presente dissertação a necessidade de desenvolver estratégias com o objetivo de otimizar os custos totais do parque abordando diferentes metodologias para ofertas em mercado. A diversidade dos modelos obtidos e alguns resultados promissores faz com que este trabalho seja extenso e aliciante.

1.2 Objetivos

O tema da presente dissertação está enquadrado num estudo de um projeto em parceria com os dados fornecidos pela EDP Renováveis e tem como principal objetivo a criação e desenvol-vimento de estratégias dinâmicas de modelos de previsão probabilística de produção eólica para oferta em mercado de eletricidade aplicados a uma central eólica com 26 MW localizada em Co-badin, Roménia. De uma forma simplificada, pretende-se que este trabalho cumpra os seguintes objetivos:

• Criação de modelos de previsão de produção eólica para o Parque Eólico de Cobadin na Roménia;

• Obtenção de previsões da produção eólica, juntamente com a incerteza a estas associadas (previsão probabilística);

• Criação e comparação de novas estratégias de licitação com base no modelo de previsão probabilístico com o estudo de metodologias de referência, denominadas Benchmarks; • Otimização de parâmetros dos modelos desenvolvidos de previsão probabilística de

produ-ção eólica para ofertas em mercado de eletricidade.

• Comparação dos resultados dos lucros finais entre as estratégias desenvolvidas.

1.3 Informações e Ferramentas utilizadas

Para a realização deste trabalho, foram utilizadas diversas ferramentas computacionais impor-tantes que contribuíram para a recolha, tratamento e conclusão da informação recolhida e obtida

(26)

ao longo deste semestre. Para a construção dos modelos de previsão, utilizaram-se dados cedidos pela empresa EDP Renováveis, aplicados ao caso de estudo do parque eólico situado em Cobadin, na Roménia. As principais ferramentas computacionais utilizadas nesta dissertação foram:

• KDE - Ferramenta utilizada na construção dos modelos de previsão;

• Microsoft Word e Excel - Softwares utilizados no tratamento da informação;

• Matlab - Software utilizado para o desenvolvimento de um modelo baseado em redes neu-ronais:

• LATEX - Software utilizado para a escrita do documento.

1.4 Estrutura da Dissertação

Para além da introdução, a presente dissertação contém mais 5 capítulos.

No capítulo 2, é apresentada a revisão bibliográfica sobre a energia eólica e os diversos mo-delos de previsão de produção eólica, dos momo-delos numéricos de previsão meteorológica e ainda a avaliação destes modelos.

No capítulo 3, é apresentada a ferramenta de previsão probabilística utilizada, nomeadamente o Nadaraya Watson - Kernel Density Estimator (NW-KDE), onde também é realizado uma descri-ção das etapas de parametrizadescri-ção.

No capítulo 4, é feita uma descrição do tratamento de dados efetuados, da informação ne-cessária e dos procedimentos realizados na construção das diversas estratégias desenvolvidas para oferta em mercado.

No capítulo 5 são otimizadas as estratégias desenvolvidas para oferta em mercado onde é realizada uma apresentação e uma análise dos resultados obtidos.

(27)

Capítulo 2

Revisão Bibliográfica

O capítulo que é apresentado de seguida é resultado de uma pesquisa e de um estudo biblio-gráfico realizado sobre a energia eólica e a sua previsão da produção para determinados horizontes temporais. Primeiramente, é feito um enquadramento sobre o que é a energia eólica, a sua ori-gem e as vantagens que apresenta no aproveitamento desta energia renovável. Posteriormente, são analisados os diferentes modelos de previsão meteorológica e as diferentes técnicas de previsão eólica, sendo identificadas as diferentes metodologias, bem como as avaliações desses modelos de previsão. Por fim, é ainda abordada a incerteza que é inerente à previsão eólica com especial ênfase aos modelos de previsão probabilística e sua viabilidade.

Como principais modelos de referência foram utilizados os seguintes artigos “ Current status and future advances for the wind speed and power forecasting” [3], “ Review on probabilistic forecasting of wind power generation” [7] e “ The State of the Art in Short-Term Prediction of Wind Power” [2].

2.1 Introdução à Previsão da Energia Eólica

2.1.1 A Energia Eólica

A energia eólica é uma energia renovável que é utilizada para substituir fontes de combus-tíveis fósseis, de forma a contribuir para a redução dos efeitos nefastos que lhe são atribuídos nomeadamente o efeito de estufa, a própria poluição, as chuvas ácidas entre outros.

O fenómeno que explica o seu princípio resulta da incidência solar na superfície da Terra ser irregular o que irá provocar um aquecimento do planeta heterogéneo, isto é, verifica-se um aquecimento muito mais rápido em zonas equatoriais e em solo terrestre do que em solo aquá-tico/oceânico. Essa diferença origina um sistema de convenção atmosférico. O ar quente, visto ser menos denso e mais leve, ascende a altitudes mais elevadas ao contrário do ar frio, que se apresenta mais denso. Devido ao movimento rotacional da Terra, o movimento das correntes atmosféricas ocorre diretamente nos hemisférios norte e sul e ao colidir com a superfície terrestre, as correntes de ar originam diferenciadas pressões atmosféricas. Assim, o vento resulta do movimento entre essas correntes de ar até encontrarem o equilíbrio entre os sistemas de pressão [6].

(28)

Atualmente, a energia eólica utiliza-se para o efeito de rodar as pás das turbinas que, por sua vez, acionarão os alternadores eólicos. O princípio de funcionamento baseia-se na conversão da energia cinética, resultante do movimento de rotação em energia elétrica pela ocorrência do vento nas pás da turbina. Os aerogeradores são agrupados isoladamente ou em grandes concentrações denominadas de parques eólicos e a sua instalação poderá verificar-se em terra denominando-se por onshore ou no mar/ oceano offshore. O principal objetivo é tornar esta fonte de energia mais rentável e eficiente.

2.1.2 Introdução à Previsão Eólica

A previsão eólica define-se como uma estimativa da produção esperada para um futuro pró-ximo que se pode estender para alguns minutos até vários dias para apenas uma, ou para um conjunto de turbinas eólicas também denominados parques eólicos. Com recurso a ferramentas computacionais, e recorrendo à introdução de dados de entrada denominados inputs, originam estimativas da produção eólica num horizonte futuro, outputs, caracterizando-se assim os mode-los de previsão eólica [12]. O principal desafio que se coloca na produção de energia eólica está relacionado com a inata variabilidade e imprevisibilidade do vento, que causa instabilidade no mercado elétrico afetando despachos que os operadores dos sistemas de produção têm de realizar. Por isso, a necessidade de prever e controlar mais eficientemente a produção eólica nos sistemas é uma prioridade. Os fatores que influenciam a precisão dos modelos de previsão eólica são:

• A topologia do terreno do parque eólico;

• A irregularidade da superfície;

• O clima;

• Os padrões de vento;

• Entre outros.

Isto implica que, para cada projeto, seja feita uma comparação e análise de diferentes mo-delos/estratégias e/ou combinações desses modelos, para alcançar os melhores objetivos e obter sempre a melhor situação. Por isso, tem havido um claro investimento no desenvolvimento de tecnologias de medição, abrangendo áreas por exemplo, relativas a dados meteorológicos, respon-sáveis por aumentar a qualidade e viabilidade destas previsões. Para redes elétricas que incorpo-ram grandes quantidades de unidades de produção eólica, a imprecisão das previsões pode levar a consequências menos favoráveis tanto para a rede como para a viabilidade financeira das mesmas. Assim, poderá apresentar-se dois tipos distintos de consequências:

• Custos associados a despachos económicos incorretos;

(29)

2.2 Modelos Numéricos de Previsão de Meteorologia (NWP) 7

De uma forma geral, os modelos de previsão eólica diferenciam-se de acordo com o hori-zonte temporal para o qual as previsões são realizadas e podem, ainda, integrar ou não modelos numéricos de previsão meteorológica (NWP – Numerical Weather Predictions). Estas diferentes abordagens são descritas em maior pormenor no próximo ponto do capítulo.

2.2 Modelos Numéricos de Previsão de Meteorologia (NWP)

Os modelos numéricos de previsão de meteorologia (NWP) definem-se como o uso de apro-ximações de equações dinâmicas que antevê o estado futuro da situação atmosférica detendo o conhecimento do estado atual. O estado atual é definido por um conjunto de variáveis que são necessárias para inicializar o modelo NWP que é integrado de equações de previsão temporais do modelo tendo como objetivo prever a distribuição das variáveis meteorológicas futuras [9].

A precisão das previsões meteorológicas é muito importante no impacto qualitativo das pre-visões de produção eólica pois, é nas variáveis meteorológicas que habita o maior potencial de melhoria das previsões eólicas, em diversos horizontes temporais. Assim torna-se importante ten-tar melhorar as entradas NWP, para que apresente o menor erro possível de modo que a previsão de consumo se aproxime do consumo real.

A construção deste tipo de modelos é feita através de uma análise da atmosfera, da superfície terrestre e dos oceanos. A inclusão destes modelos NWP em modelos de previsão de produção de energia eólica depende do horizonte temporal para o qual é realizada a previsão, normalmente sendo utilizados para horizontes temporais mais curtos, e dividem-se em dois modelos distintos [13].

• Modelos Globais - Efetuam previsões para todo o planeta com horizontes temporais de vários dias;

• Modelos Regional/Local - Efetuam previsões para zonas continentais para horizontes tem-porais que variam entre 3 a 72 horas [13].

2.2.1 Sistemas NWP Operacionais

Os modelos NWP são classificados de acordo com as características temporais das variáveis meteorológicas utilizadas. O grau de qualidade das previsões de cada modelo NWP varia com extensão geográfica e com a resolução temporal destas variáveis [13].

2.2.1.1 Modelos Globais

Os modelos Globais são modelos que foram desenvolvidos com o objetivo de estudar os pro-cessos atmosféricos a uma escala espacial elevada sendo possível obter uma visão geral do globo que pode chegar aos cem quilómetros. Têm um horizonte temporal até 15 dias, havendo um de-créscimo da sua performance caso haja um alargamento deste [13], [14]. De entre os parâmetros meteorológicos recolhidos, destacam-se a temperatura, a precipitação e a cobertura das nuvens.

(30)

Este modelo não permite um mapeamento detalhado de características em pequena escala, mas é útil quando queremos obter informações globais de determinadas variáveis meteorológicas.

Os modelos NWP globais que se destacam são da responsabilidade de instituições que serão apresentadas na seguinte tabela e operam no tempo universal coordenado (UTC) e podem ser refrescadas em intervalos de 6 horas e 12 horas, ou seja, entre duas a quatro vezes por dia [15].

Tabela 2.1: Modelos de Previsão Numérica Globais.

Símbolo Instituição Modelo Visão

Geral do Globo

ECMWF

European

Centre for Medium-Range Weather Forecasts Integrated Forecast System (IFS) Aprox. 25 km NCEP National

Centers for Environmental Prediction, USA Global Forecasting Model (GFS) Aprox. 50 km MSC Meteorological Service of Environment, Canada Global Environmental Multiscale (GEM) Aprox. 30 km METOF Meteorological Office, UK UM Aprox. 40 km DWD Deutscher Wetterdienst, Germany Global Model Forecasting (GME) Aprox. 40 km AUSBM Bureau of Meteorology, Australia Global Analysis and Prediction (GASP)

Aprox. 80 km

2.2.1.2 Modelos Regionais/Locais

Os modelos regionais foram criados com o intuito de analisar o comportamento da atmosfera e todos os eventos meteorológicos sobre uma região específica. Deste modo, é possível identi-ficar fenómenos meteorológicos de pequena escala, ou seja, entre um a cinquenta quilómetros, produzindo, por isso, resultados mais detalhados. De entre os modelos NWP Regionais existentes destacam-se [15],[14]:

(31)

2.2 Modelos Numéricos de Previsão de Meteorologia (NWP) 9

Tabela 2.2: Modelos de Previsão Numérica Regionais/Locais. Designação Sigla Desenvolvido por:

Weather Research and

Forecasting model WRF

Cooperação entre National Centers for Environmental Prediction (NCEP),

National Center for Atmospheric Research (NCAR) e a comunidade

de pesquisa meteorológica North American

Mesoscale model NAM NCEP

Fifth Generation Penn State/NCAR Mesoscale Model

MM5 Cooperação Penn State University e NCAR High Resolution Limited

Area Model HIRLAM

Cooperação entre diversos institutos meteorológicos Europeus Aire Limitée Adaptation

dynamique Développement InterNational

ALADIN

Cooperação entre Méteo-France e National Meteorological Services of Central and Eastern Europe

Estes modelos são de extrema importância para a previsão eólica, uma vez que permitem estudar uma determinada zona geográfica com grande resolução espacial, como por exemplo,o estudo de um parque eólico.

Figura 2.1: Representação dos modelos numéricos de previsão meteorológica de pequena escala Modelos Regionais [2].

(32)

2.2.2 Modelos NWP baseados em Ensemble

Os sistemas baseados em ensemble caracterizam-se por gerar um conjunto de previsões a partir de perturbações nos dados de entrada e nos parâmetros do modelo, dentro dos respetivos intervalos de incerteza para que seja possível obter um conjunto diferente de previsões. Devido ao elevado número de variáveis e parâmetros é necessário selecionar quais as variáveis e parâmetros responsáveis pela maioria das incertezas do sistema em questão [12].

O THORPEX (The Observing System Research and Predictability Experiment) é um pro-grama internacional de investigação com o objetivo de acelerar os avanços na precisão das pre-visões meteorológicas desde um dia até duas semanas. Na Europa, existem alguns ensembles de área limitada operacionais em grandes centros meteorológicos [2].

Tabela 2.3: Sistemas NWP operacionais na Europa. País Modelo Resolução Horizontal Itália COSMO-LEPS 10 km

Áustria ALADIN-LAEF 18 km

Noruega LAMEPS 12 km

Reino Unido MOGREOS-G 90 km Reino Unido MOGREOS-R 24 km

França PEARL

(ARPEGE-EPS) 23 km

Hungria ALADIN 12 km

Roménia ALADIN 10 km

2.3 Metodologias de Previsão Eólica

2.3.1 Definição de Previsão de Produção de Energia Eólica

Uma das principais características de um sistema de previsão está relacionado com o horizonte temporal que lhe é associado. Se o vento se mantiver constante é possível, num determinado instante t, fazer uma previsão da produção média de um parque eólico, para um instante futuro, t+k. Esse valor k pode variar, dependendo do horizonte temporal que se pretende obter. Poderão ser obtidos intervalos de 24 a 72 horas contudo a situação mais comum e a utilizada nesta bibliografia é a de um horizonte temporal a curto prazo [16]. Assim, os intervalos temporais são apresentados na tabela seguinte e podem ser classificados em quatro categorias em termos de horizonte de previsão, ou seja, a muito curto prazo, a curto prazo, a médio prazo, e a longo prazo de previsão.

(33)

2.3 Metodologias de Previsão Eólica 11

Tabela 2.4: Informações sobre os quatro horizontes temporais de previsão eólica. Horizonte de previsão Escala temporal Aplicações

A muito curto prazo

(“Nowcasting”) De segundos a minutos

- Controlo da turbina de vento - Poder de Controlo da Frequência

do sistema

A curto prazo De horas a dias

- Despacho económico - Exigência de reserva - Day ahead Market A médio prazo De dias a semanas - Unit commitment

- Rotina de manutenção A longo prazo De semanas a meses

ou anos

- Planeamento do vento -Planeamento do sistema

As previsões “Nowcasting”, corresponde a previsões para os próximos segundos ou minutos, usadas para o controlo e gestão dos parques eólicos, sendo que as previsões a curto prazo normal-mente necessitam de previsões meteorológicas (NWP) oriundas dos centros de previsão. Atual-mente, a maioria dos sistemas de previsão utilizados e estudados possuem horizontes de tempo compreendidos entre as 36 e as 72 horas, pelo que é conveniente um estudo mais aprofundado ao longo desta dissertação sobre modelos de curto prazo [16].

As previsões de produção eólica a curto-prazo envolvem geralmente modelos numéricos de previsão meteorológica e diferem-se dos outros modelos de previsão devido à forma como as variáveis meteorológicas previstas são transformadas em valores de potência. Concretamente, os modelos atuais que efetuam previsão de potência eólica a curto prazo são classificados por terem três tipos de abordagem, a abordagem física, a abordagem estatística e uma abordagem Híbrida [2].

• Na abordagem física, os modelos são baseados em características físicas do terreno e do tempo para alcançar a melhor estimativa possível da velocidade do vento antes de recorrer a modelos estatísticos, Model Output Statistics (MOS) para a redução do erro.

• Na abordagem estatística, são utilizados dados históricos relativos a medições de potência eólica e informação meteorológica, aplicando vários algoritmos estatísticos de forma a de-senvolver um modelo de previsão, tais como técnicas como regressões lineares múltiplas ou redes neuronais [8].

• No entanto atualmente, a maioria dos modelos operacionais comercializados combinam ambas as abordagens, utilizando, previsões do tempo e séries temporais, visto serem ambas necessárias para obter sucesso nas previsões de produção eólica - abordagem híbrida.

Na prática, utilizam-se mais ensembles de previsões do que previsões individuais, pois estas providenciam previsões e estimativas de incerteza de melhor qualidade. O objetivo é criar um

(34)

conjunto de previsões a partir de perturbações nos dados de entrada e nos parâmetros do modelo, dentro dos respetivos intervalos de incerteza [9]. Contudo, isto tem uma elevada contrapartida pois existe um grande número de variáveis e parâmetros para gerar, sendo fundamental ter conhe-cimento de quais os mais responsáveis pelas incertezas do sistema.

2.3.2 Modelos de Previsão Físicos

A abordagem física foca-se nas características do fluxo de vento nas imediações e no interior do parque eólico com a curva de potência dos aerogeradores, de forma a prever uma estimativa da produção. De forma a reduzir o erro resultante, que pode ser atribuído aos modelos NWP ou à abordagem utilizada, os modelos de previsão recorrem a modelos estatísticos (MOS – Model Output Statistics).

Para um modelo NWP, são usadas relações estatísticas entre as variáveis da previsão e as variáveis meteorológicas observadas, tais como a temperatura, pressão, a rugosidade da superfície e obstáculos para caracterizar as condições do local do parque eólico. Assim, é possível que as previsões de variáveis meteorológicas produzidas através desta abordagem contribuam, de certa forma, para os erros dos modelos NWP [9]. Este tipo de modelos seguem a seguinte estratégia e representada na imagem seguinte [3]

Figura 2.2: Etapas dos modelos de previsão físicos [3].

(35)

Informação dinâmica que é responsável pelas previsões das variáveis meteorológicas e uma Infor-mação estática que nos revela a inforInfor-mação sobre as características do parque e do terreno onde este está situado.

Analisando o esquema anterior 2.2 pode-se referir que os modelos físicos se encontram estru-turados em duas etapas: downscaling e a conversão para potência elétrica.

No primeiro processo downscaling, A velocidade e a direção do vento são dimensionadas para a altura do eixo da turbina, ou seja verifica-se uma adaptação das previsões das variáveis NWP ao local onde se situa o parque. Para tal, utilizam-se dois métodos micro ou meso-escala.

Figura 2.3: Exemplo de um Processo de downscaling [4].

Os modelos de meso-escala para efetuar o processo de downscaling baseiam-se no vento ge-ostrófico. O vento geostrófico é o vento teórico que iria resultar de um balanço aproximado entre o efeito Coriolis e a força do gradiente de pressão. Essa condição é chamada de balanço geostrófico. O vento geostrófico é dirigido paralelamente para as isobaras (linhas de constante pressão a uma certa altura). Esse balanço raramente se mantém igual. Este processo é rápido, apresentando um grau de complexidade em termos de implementação baixo [4]. Contudo, no que diz respeito ao seu desempenho, quando aplicado a terrenos complexos, este apresenta várias falhas.

Já os modelos de micro-escala, têm o objetivo de estimar o vento ao nível das turbinas, utili-zando modelos Computacional Fluid Dynamics (CFD). Este modelo apresenta geralmente, bons desempenhos quando aplicado em terrenos complexos e pela modelação da turbulência. Contudo, apresenta um grande investimento a nível computacional que se traduz numa contrapartida.

No segundo processo é realizada a conversão para potência elétrica, onde são utilizados mo-delos de curva de potência – Power Curve Models. Estes momo-delos têm com princípio de funci-onamento transformar os valores de velocidade do vento em valores de potência elétrica. Para tal, geralmente utilizam a curva de potência de cada aerogerador, que podem ser fornecidas pe-los fabricantes ou estimadas com base nos valores históricos. A utilização das curvas fornecidas pelos fabricantes é uma abordagem simples, sendo muito mais vantajoso a estimação da curva de potência [17]. Alguns dos exemplos de modelos físicos operacionais são apresentados na seguinte tabela [9]:

(36)

Tabela 2.5: Modelos Físicos Operacionais [9]. Modelo Instituição

Prediktor RIsoe

National Laboratory (Dinamarca) Previento Universidade

de Oldemburgo (Alemanha)

LocalPred CENER –

National Renewable Energy Centre (Espanha)

eWind AWS

TrueWInd inc. (Estados Unidos da América

Como foi referido anteriormente, os modelos físicos incorporam por vezes os modelos esta-tísticos, Model Output Statistics (MOS) com o objetivo de melhorar os seus desempenhos. Estes modelos adaptam as saídas dos modelos físicos com as medições efetuadas em tempo real, desta forma, torna-se possível diminuir alguns erros sistemáticos. A principal desvantagem deste mo-delo deve-se à necessidade de dados medidos (online e offline), sendo que estes devem apresentar um nível de elevada qualidade.

2.3.3 Modelos de Previsão Estatísticos

Quanto aos modelos de previsão eólica que se baseiam na abordagem estatística, relacionam a previsão da velocidade do vento ou a produção eólica e as variáveis explicadoras as quais se incluem as variáveis atmosféricas dos modelos NWP e as variáveis online de medição obtidas pelo SCADA. Atualmente no desenvolvimento das abordagens estatísticas em previsão de produ-ção eólica pretendem evoluir para a utilizaprodu-ção de previsões meteorológicas múltiplas (ensembles) como uma combinação de entradas e saídas [3].

Os modelos estatísticos utilizam as previsões dos modelos NWP para o instante t+k e as me-didas online disponibilizadas no instante t para a previsão de produção eólica nas próximas horas. Esta metodologia utiliza os dados históricos existentes para a formulação dos modelos [3]. A fa-cilidade na formulação dos modelos estatísticos e o seu baixo custo de desenvolvimento são as grandes vantagens desta abordagem. No entanto, é necessário ter em atenção que existem obstá-culos ao acesso a dados para previsões, entre eles: a informação restrita, a qualidade da mesma e uma frequência insuficiente de amostras.

(37)

Figura 2.4: Etapas dos modelos de previsão estatístico.

As grandes vantagens desta abordagem estatística são a facilidade na formulação dos modelos estatísticos e o seu baixo custo de desenvolvimento. Na tabela seguinte estão representados alguns exemplos de modelos associados a esta metodologia [3].

Tabela 2.6: Modelos Estatísticos [3].

Abordagem Modelo

Convencional

Box-Jenkins,Autoregressive (AR), Moving average (MA)

,Autoregressive Moving Average (ARMA), Autoregressive Integrated Moving Average (ARIMA),

Autoregressive Conditional Heteroscedastic (ARCH),

Inteligência Artificial (ANN)

Particle Swarm Optimization (PSO), Modified Hybrid Neural Network (MHNN),

Real-Valued Neural Network (RVNN), Adaptive Wavelet Neural Network (AWNN),

Feed-forward Neural Network (FNN), Kernel Ridge Regression (KRR)

ANN-Fuzzy

Wavevet Transformn (WT)-Particle Swarm Optimization (PSO)-Adaptive Network based

Fuzzy Inference System (ANFIS), Feed-forward Neural Network (MFNN) with

Fuzzy input algorithm

Outros

Modified Taylor Kriging (TK), Grey forecasting (GM), Support Vector Regression (SVR)

(38)

2.3.4 Modelos de Previsão Regional

Os modelos de previsão regional têm como função a previsão da potência agregada produzida por um conjunto de turbinas eólicas localizadas numa determinada região. Esta metodologia é utilizada de maneira a evitar alguns elevados custos associados, bem como um esforço compu-tacional excessivo e ainda os problemas de controlo que a previsão da produção de cada um dos parques eólicos na região iria provocar [3], [18]. Os modelos de previsão são baseados numa abor-dagem de upscaling, que calcula a potência eólica total da região através de previsões realizadas para um número representativo de parques eólicos de referência, com recurso a variáveis NWP e/ou medidas online acessíveis a estes parques. Além do mais, a agregação dos parques eólicos leva à redução dos erros de previsão devido aos efeitos de spatial smoothing [18].

2.3.5 Modelos de Previsão Híbridos

Atualmente, estão a surgir novas abordagens de modelos de previsão que se baseiam na combi-nação de modelos de previsão eólica, isto é a junção de modelos físicos e dos modelos estatísticos cujo objetivo passa por combinar as vantagens e os pontos fortes de cada modelo, de modo a obter valores de previsão com um maior nível de fiabilidade [19].

O modelo híbrido alia a elevada precisão das séries temporais na previsão para curtos horizon-tes de tempo, com a precisão dos modelos físicos para previsões em que os horizonhorizon-tes temporais variam entre as 6 e 72 h. Uma grande vantagem dos modelos combinados trata-se do aprovei-tamento do tempo, pois os modelos individuais apresentam uma boa performance em situações específicas, sendo necessário estar sempre a testar uma grande variedade de modelos para deci-dir qual o modelo mais apropriado. No entanto, estes nem sempre têm uma melhor performance quando comparados com os melhores modelos individuais de previsão. Sendo um modelo de pre-visão híbrido, podem existir diversas combinações entre os métodos físicos, os modelos estatísti-cos e ainda os modelos estatístiestatísti-cos alternativos, como também se pode verificar uma combinação de modelos para curto prazo e médio prazo.

2.4 Avaliação dos Modelos de Previsão

Como já foi referenciado e analisado anteriormente, as previsões de produção eólica possuem sempre uma incerteza elevada, devido à variabilidade do vento. A avaliação dos modelos de previsão é elaborada de diversas formas tendo como base a proximidade da relação dos resultados obtidos no modelo com os resultados reais. Assim, é de vital importância avaliar os diferentes modelos de previsão para poder determinar quais as abordagens mais adequadas para cada situação e perceber o que caracteriza a incerteza que lhe está associada.

2.4.1 Tipo de Erros de Previsão

Os modelos de previsão meteorológica numérica (NWP) são responsáveis pela maioria dos erros associados à previsão de produção eólica, que podem ser divididos em dois tipos [9]

(39)

2.4 Avaliação dos Modelos de Previsão 17

• Erros de amplitude, que relacionam uma má interpretação dos eventos meteorológicos; • Erros de fase, que relacionam o momento de pico que ocorrem esses eventos no tempo.

2.4.2 Modelos de Referência

Para testar a performance das novas abordagens para a previsão de produção de eólica existem vários modelos que servem de referência, como é o caso do modelo de persistência. O modelo de persistência é o modelo mais utilizado para o teste da performance dos novos modelos de previsão. Neste modelo a produção de eólica no instante t+k será a mesma que a produção ocorrida no instante t [3], [9]

ˆ

P_t+k|t= Pt (2.1)

onde:

• ˆPt+k|té a potência prevista no instante t+k para uma previsão realizada no instante t;

• Pt a potência ocorrida no instante t. realizada no instante t.

É o modelo que todos os outros modelos de previsão têm de superar para um horizonte de curto prazo [9], [20]

2.4.3 Indicadores de erros de Previsão

A qualidade dos diversos modelos de previsão é avaliada quando há uma comparação das previsões diretamente com os valores reais medidos no local, para os mesmos intervalos de tempo. A análise do desvio verificado entre estes valores irá determinar a qualidade do modelo. Quando se pretende fazer esta avaliação em relação à componente estatística dos modelos, é necessária a análise de grandes quantidades de previsões, para que os resultados sejam viáveis [13].

De uma forma simples, pode-se referir que o erro que um sistema de previsão comete para um determinado instante consiste na diferença entre o valor real e o valor previsto descrita na equação seguinte:

e_t+k|t = Pt+k− ˆPt+k|t (2.2)

onde:

• e_t+k|t corresponde ao erro num dado instante t+k para uma previsão realizada no instante t; • Pt+ka potência real medida no instante t+k;

(40)

Para averiguar a qualidade das previsões realizadas, são utilizados vários critérios de avaliação que serão apresentados de seguida nas seguintes equações [20], [18]:

• Bias, que traduz a média das diferenças entre os valores das previsões e os valores reais:

Biask= ¯ek= 1 N n

∑

i=1 e_t+k|t (2.3)

• Erro médio absoluto (MAE-Mean Absolute Error):

MAE= 1 N n

∑

i=1 e_t+k|t (2.4)

• Erro médio absoluto percentual (MAPE – Mean Absolute Percentage Error):

MAPE = 1 N n

∑

i=1 e_t+k|t |pt+k| .100 (2.5)

• Erro quadrático médio (MSE – Mean Square Error):

MSE= 1 N n

∑

i=1 ( ˆpt− pt)2 (2.6)

• Raiz quadrada do erro quadrático médio (RMSE – Root Mean Square Error):

RMSE= s 1 N n

∑

i=1 (et+k|t)2 (2.7)

2.5 Previsão Determinística e Previsão Probabilística

2.5.1 Introdução

O processo de previsão de uma variável é definido pela abordagem que segue e pode ser classificado em dois tipos de Modelos distintos:

• Modelos de Previsão Determinística (point forecast) - Modelos que permitem uma precisão do valor médio de potencia para um instante t;

• Modelos de Previsão Probabilística - Possuem uma capacidade de previsão não só do valor médio, mas também das funções de densidade de probabilidade representativas da incerteza associada a esse instante futuro de previsão.

(41)

2.5 Previsão Determinística e Previsão Probabilística 19

2.5.2 Previsão Determinística com Redes Neuronais

É possível, de acordo com os modelos de previsão que já existem ter uma abordagem deter-minística, isto é, um único valor da produção eólica para cada intervalo de tempo do horizonte temporal em questão [14] As redes neuronais artificiais (RNA) são das previsões determinísticas mais utilizadas e tem com base os princípios biológicos dos neurónios do sistema nervoso, sendo estabelecidas relações entre um conjunto de inputs (treino) aos quais é atribuído um fator peso (w) de acordo com a sua relação com o conjunto de outputs (teste) fornecido.

Figura 2.5: Representação do processamento de um neurónio e estrutura de uma rede neuronal do tipo feedforward [5], [6]

As RNA classificam-se consoante a sua arquitetura em :

• unidirecionais (feedforward)- são utilizadas mais frequentemente para efeitos de previsão e atuam de uma forma progressiva, sem informação adicional sobre os processos e a informa-ção é projetada diretamente desde a camada de entrada até à camada de saída

• recorrentes (feedback)- possuem pelo menos um ciclo de feedback, isto é, pelo menos num ciclo é utilizada informação dos neurónios a jusante [21].

No trabalho desenvolvido serão utilizadas redes neuronais do tipo feedforward como comple-mento à previsão probabilística através da ferramenta NW-KDE, por forma a comparar a previsão obtida e comparação das diferentes metodologias.

2.5.3 Incerteza na Previsão Eólica

2.5.3.1 Previsão probabilística

A previsão de um valor de produção expectável para um determinado período de tempo no futuro pode ser alcançada com as técnicas de previsão determinística, no entanto, estas não são perfeitamente alcançadas devido a períodos de grande variabilidade. Por isso, os modelos de pre-visão probabilística são os métodos mais utilizados para a representação da incerteza na prepre-visão de produção eólica. Estes diferem-se pela capacidade de previsão do ponto médio e pela estimação de pontos para cada instante através da função de densidade de probabilidade, representativa da in-certeza associada a cada momento de previsão. O operador do sistema pode avaliar o risco inerente

(42)

à previsão se conhecer previamente a incerteza da previsão, o que não acontece na previsão deter-minística. Os modelos de previsão probabilística são classificados em abordagens paramétricas e não-paramétricas.

2.5.3.2 Abordagem Paramétrica

A abordagem paramétrica adota que a incerteza da previsão irá seguir uma forma de distribui-ção pré-definida caraterizada por alguns parâmetros. A distribuidistribui-ção gaussiana é uma das escolhas mais comuns para esta abordagem e caracteriza-se pelo parâmetro de localização e o parâmetro de escala, como é descrito pela seguinte equação [7]

ˆ

f_t+k|t= f (pt+k, µ, σ2) (2.8)

Onde:

• f pt+krepresenta a função de distribuição da previsão;

• µ é o parâmetro de localização;

• σ é o parâmetro de escala.

As grandes vantagens desta abordagem centram-se no facto de necessitar de poucos parâme-tros para a construção das funções de distribuição apresentando, por isso, menor carga computa-cional. Por outro lado, para situações em que não se disponha de uma forma de distribuição bem definida, não é recomendado este tipo de abordagem. Seguem-se alguns exemplos de metodolo-gias que se baseiam nesta abordagem podendo ser revistos na tabela seguinte [7]

Tabela 2.7: Metodologias que seguem a abordagem paramétrica.

Método Observações

Séries temporais Homocedásticas A forma da distribuição é assumida Séries temporais Heterocedástico Maior competitividade para

previsões a curto prazo

Inteligência Artificial Menor custos computacionais devido à simplificação da estimação

2.5.3.3 Abordagem Não-Paramétrica

Ao contrário da abordagem anterior, a abordagem não paramétrica não requer o conhecimento prévio dos parâmetros e da forma da distribuição da previsão e é utilizada para o tratamento de problemas estatísticos não sendo possível formular a distribuição dos erros de previsão. Como as previsões da velocidade do vento e da produção eólica são muito diferentes consoante o horizonte

(43)

2.5 Previsão Determinística e Previsão Probabilística 21

de tempo e a localização, uma abordagem não-paramétrica é adequada para a previsão da incerteza correspondente [3] , [7].

Através do processamento e interpolação de um conjunto finito de pontos são calculadas as funções de densidade de probabilidade (PDF) ou funções de distribuição acumulada (CDF), onde é possível verificar uma elevada dependência entre o desempenho deste tipo de modelos e a quali-dade dos dados existentes. Os custos computacionais para correr os modelos baseados na aborda-gem não-paramétrica são superiores aos custos correspondentes para modelos baseados na abor-dagem paramétrica [7]. Na tabela seguinte é possível rever alguns dos métodos não-paramétricos mais utilizados:

Tabela 2.8: Metodologias que seguem a abordagem não-paramétrica.

Método Observações

Quantile Regression Não assume a forma da distribuição Kernel Density Estimation Requer um número elevado de amostras

para construção da base de conhecimento Inteligência Artificial Elevados custos computacionais em

consequência da complexidade da estimação

2.5.4 Previsão do Índice de Risco

O índice de risco define-se como uma representação simplificada da incerteza na previsão da produção eólica para os utilizadores e define-se como o nível esperado do erro de previsão. Quanto mais elevado o índice de risco for, menos fiel é o resultado da previsão e normalmente é representado por um esquema de cores (verde, amarelo e vermelho) ou uma escala de números inteiros. A coordenação de um parque eólico, através do acionamento de ferramentas preventivas com o intuito de reduzir o risco potencial resultantes dos erros de previsão, é obtida através do conhecimento da incerteza da produção eólica [20].

2.5.5 Avaliação da Incerteza da Previsão Probabilística

A avaliação de uma previsão clássica de caráter determinístico (point forecast) é definida pelo desvio ou discrepância entre os valores resultantes da previsão e os valores reais. Por outro lado, a avaliação de previsões probabilísticas são um processo mais complexo [18]. As principais formas de avaliação de uma previsão probabilística são o Skill Score, a reliability e sharpness [7], [18].

2.5.5.1 Reliability

O indicador de reliability avalia a consistência estatística da distribuição prevista e respetivos valores reais observados, e representa a capacidade de um modelo de previsão probabilística de al-cançar as frequências observadas. Um requisito mínimo das previsões probabilísticas é o facto das suas probabilidades nominais (ou proporções nominais dos quantis previstos) serem respeitadas em termos práticos [7]