Prof. Reinaldo Castro Souza (PhD) Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio)

Transcrição

1 Prof. Reinaldo Castro Souza (PhD) Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio)

2 A geração eólica depende diretamente da velocidade do vento. A velocidade do vento é uma variável que não pode ser controlada e que apresenta grande variabilidade. Inconstância da geração eólica não garante um montante fixo de energia ao sistema elétrico. Necessidade de maior capacidade de reserva de geração. A precisão da previsão da geração eólica contribui para a redução da reserva de geração (redução de custos).

3 Expressa a relação entre a potência gerada e a velocidade do vento Turbina eólica P 1 Av 3 2 A = área de interseção (m 2) = densidade do ar (kg/m 3 ) v = velocidade do vento (m/s) Conteúdo energético a partir 3,5 m/s Turbina é desligada para protegê-la de esforços mecânicos

4 Modelos de previsão numérica (NWP Numeric Weather Prediction) Modelos computacionais que simulam o comportamento da atmosfera com base em um complexo conjunto de equações não lineares Fornecem previsões da velocidade e da direção do vento Adequados para horizontes de previsão superiores a 6 horas a frente Modelos globais (previsão para todo o planeta) e locais (previsão para zonas continentais) Resolução espacial Modelos globais: 200 km Modelos regionais/locais: 2 km até 50 km

5 Necessitam da previsão da velocidade e direção do vento. Transformam as previsões meteorológicas em previsão de potência eólica. Três categorias Modelos físicos Modelos estatísticos Modelos híbridos

6 Modelo regional Eta Estrutura básicab NWP fornece previsões de velocidade e direção do vento Previsões climáticas para grandes áreas (escala sinótica com resolução de 100 km a 3000 km). Modelo mesoescala MM5 Modelos de mesoescala ( 100km ) downscaling Dados de velocidade do vento em tempo real Dados da geração de energia em tempo real Modelo microescala WAsp Data check Data check Microescala ( < 10 km ) Modelo de previsão Previsão da geração eólica

7 Modelos físicosf Características do parque eólico Previsões do NWP Dados em tempo real Downscaling Adapta as previsões do NWP para o local onde se situa o parque eólico Conversão de potência por meios da curva de potência fornecida pelo fabricante da turbna ou estimada a partir dos dados Power curve

8 Modelos estatísticos sticos Previsões do NWP Dados em tempo real Modelo estatístico Conversão de potência por meio de modelo estatístico para previsão da potência eólica

9 Modelos híbridosh Aliam a elevada precisão das séries temporais na previsão para curtos horizontes de tempo, com a precisão dos modelos físicos para previsões em que os horizontes temporais variam entre as 6h e 48h. Combinação de métodos físicos e estatísticos Combinação dos modelo de curto prazo e médio prazo. Combinação de métodos estatísticos Características do parque eólico Previsões do NWP Dados em tempo real Modelo 1 Modelo 2 Combinação Modelo n Conversão de potência

10 Modelos híbridosh Zack, J. Overview of wind energy generation forecasting, TrueWind d Solutions & AWS Scientific, New York, 2003

11 Modelos híbridosh ANEMOS ( ) Modelo de previsão climática (NWP) Dados de geração eólica e online disponibilizados por meio do sistema SCADA Integra vários v módulos: m 1) modelos de previsão físicos, f estatísticos sticos e de inteligência artificial 2) módulos de downscaling e upscaling 3) módulo para previsão online Previsão da geração eólica em tempo real Kariniotakis, G. et al. ANEMOS: development of a next generation wind power forecasting system for the large-scale integration of onshore & offshore wind farms. In: Proceedings of European wind energy conference, Madrid, 2003.

12 Nome do Modelo Desenvolvedor Tipo

13 Algumas experiências na previsão de velocidade do vento Neuro Fuzzy (ANFIS) Regressão harmônica + ARFIMA Wavelets + redes neurais Wavelets + redes neurais + análise espectral singular

14 Sistema de Inferência Neuro-Fuzzy adaptativo (ANFIS) Exemplo: Série temporal da velocidade de vento no município de São João do Cariri PB (Fonte: Projeto Sonda/Inpe). Médias horárias da velocidade de vento (ano de 2006) v(t-24) v(t-3) v(t-2) v(t) v(t-1) 4 variáveis de entrada 2 conjuntos fuzzy para cada variável 16 regras fuzzy

15 Sistema de Inferência Neuro-Fuzzy adaptativo (ANFIS) Previsão 1 hora à frente (out sample) MAD = 0,8288 m/s, MAPE = 16,63 %, RMSE = 1,1449 m/s

16 Sistema de Inferência Neuro-Fuzzy adaptativo (ANFIS) Previsão até 48 horas a frente (out sample)

17 Regressão harmônica e modelo ARFIMA Combina duas abordagens estatísticas: regressão harmônica e modelo ARFIMA 1) Modelo de regressão harmônica captura as componentes sazonais da série de velocidade de vento (24 horas e 12 horas). 2) Modelo ARFIMA aplicado aos resíduos da regressão harmônica capta as variações de curto-prazo e o comportamento de memória longa. 3) Combinação dos resultados gerados pelos dois modelos para fornecer as previsões de velocidade do vento.

18 Regressão harmônica e modelo ARFIMA Modelo de regressão harmônica variável indicadora do mês

19 Regressão harmônica e modelo ARFIMA Previsão 1 passo à frente Previsão 6 passos à frente

20 Regressão harmônica e modelo ARFIMA MAPE

21 Regressão harmônica e modelo ARFIMA Previsão 24 passos à frente

22 Wavelets + redes neurais na previsão da velocidade de vento Exemplo: Série temporal de velocidade do vento em São Martinho da Serra RS (Fonte: Sonda/Inpe). Decomposição da série s de velocidade do vento em três componentes Cada componente é analisada separadamente por uma rede neural (RNA) A previsão é a soma das previsões parciais obtidas pelas RNAs para cada componente wavelet

23 Wavelets + redes neurais na previsão da velocidade de vento Decomposição wavelet separa a série de médias horárias de velocidade do vento em três componentes. Série de velocidade de vento

24 Wavelets + redes neurais na previsão da velocidade de vento Valores previstos versus valores observados Somente rede neural Rede Neural & decomposição wavelet

25 Wavelets + redes neurais na previsão da velocidade de vento Qualidade do ajuste somente com a rede neural Qualidade do ajuste com a rede neural + wavelets

26 Wavelets + redes neurais + análise espectral singular (SSA) na previsão da velocidade de vento Exemplo: Série temporal de velocidade do vento em São Martinho da Serra RS (Fonte: Sonda/Inpe). Série original m/s Ruído SSA m/s m/s Série aproximada vai para a decomposição wavelet

27 Wavelets + redes neurais + análise espectral singular na previsão da velocidade de vento Performance da Wavelet + RNA Performance da SSA + Wavelet + RNA

28 Conclusões Foram apresentados resultados de experiências com abordagens estatísticas (ARFIMA, regressão harmônica, SSA) e de inteligência computacional (RNA, ANFIS, Wavelets) na previsão de velocidade de vento. Os resultados alcançados devem ser vistos com cuidado, pois as séries analisadas têm apenas 1 ou 2 anos de registros. Necessidade de investigar o desempenho destas abordagens na previsão de rampas e outros eventos extremos observados na velocidade do vento. A base de dados do projeto Sonda/Inpe disponibiliza somente registros anemométricos. Não foram estimados modelos que relacionam a velocidade do vento com a potência eólica. Os métodos de previsão investigados podem fazer parte de uma plataforma computacional que recebe dados em tempo real e previsões de velocidade e direção do vento disponibilizadas pelos modelos de previsão climática NWP.