Previsão da geração eólica

1. Previsão da geração eólica Prof. Reinaldo Castro Souza (PhD) Pontifícia Universidade Católica do Rio de Janeiro

2. Programa • Introdução • Curva de potência • Características das séries de vento • Modelos de previsão • Conclusões

3. Introdução • A geração eólica depende da velocidade do vento, uma variável que não pode ser controlada e que apresenta grande variabilidade, em função do terreno, do relevo, da altitude e da sua natureza aleatória. • A geração eólica é aleatória e não pode garantir um montante fixo de energia ao sistema elétrico. • Para contornar esta deficiência, o operador da rede elétrica deve manter uma capacidade de reserva na programação de despacho de forma a garantir o equilíbrio entre a carga e a geração de energia. • Para reduzir a capacidade e os custos com a reserva de geração o operador necessita de previsões da velocidade do vento.

4. Introdução Diferentes horizontes de previsão em função dos processo de tomada de decisão na operação do sistema elétrico: • Curto-prazo: de 1 até alguns dias à frente com resolução em minutos ou horária. • Médio e longo-prazo: previsão das médias horárias mensais para um ou mais meses à frente. Nesta apresentação serão abordadas as previsões de curto-prazo

5. Complementariedade entre a geração hidrelétrica e eólica O maior potencial eólico, na região Nordeste, ocorre durante o período de menor disponibilidade hídrica

6. Curva de potência Turbina eólica • A = área de interseção (m2) • = densidade do ar (kg/m3) v = velocidade do vento (m/s) Desligar a turbina para protegê-la de esforços mecânicos Conteúdo energético a partir 3,5 m/s Expressa a relação entre a potência gerada e a velocidade do vento

7. Previsões diretas ou indiretas • Previsões obtidas diretamente modelam a série de geração eólica. • Previsões obtidas indiretamente modelam a série de velocidade de vento e as previsões obtidas são transformadas em previsões de geração eólica por meio da curva de potência.

8. Características das séries de vento • Séries de velocidade e de direção do vento. • Alta volatilidade. • São afetadas pelas condições climáticas. • São afetadas pela topografia (situações onshore x offshore). • Não possuem um padrão típico e podem ser caóticas.

9. Modelos de Previsão Classificados em três categorias: • Modelos físicos • Modelos estatísticos/inteligência artificial • Modelos híbridos

10. Modelos Físicos • Fornecem previsões de velocidade e direção do vento com base em informações meteorológicas (pressão, temperatura, etc.) e físicas (orografia do terreno, altura das turbinas, etc.). • Empregam métodos numéricos para previsão climática (NWP – Numeric Weather Prediction): modelos matemáticos da atmosfera para previsão do clima que fornecem previsões climáticas para grandes áreas (escala sinótica com resolução de 100 km a 3000 km). • Necessidade de modelos de mesoescala (  100km ) ou microescala ( < 10 km ) meteorológica para aumentar a resolução espacial das previsões na região do aproveitamento eólico. • Requerem muitos dados e ainda demandam grande esforço computacional e por este motivo a sua utilização na previsão de curto prazo é bastante limitada. • Adequados para horizontes de previsão superiores a 6 horas a frente.

11. Modelos Físicos

12. Modelos Físicos Resolução 48 km 12 km Previsões para diferentes níveis de resolução espacial 0,5 km 6 km 1,5 km Fonte: Giebel et al (2006)

13. Modelos Físicos Previsões com resolução de 12 km Previsões com resolução de 0,5 km Fonte: Giebel et al (2006)

14. Modelos estatísticos e modelos de inteligência computacional • Ampla variedade de métodos: • Estatísticos: ARIMA, ARFIMA, Filtro de Kalman, regressão harmônica, wavelets e modelos híbridos, por exemplo, regressão harmônica e ARFIMA. • Inteligência computacional: redes neurais artificiais, lógica fuzzy, máquinas de vetor de suporte e modelos híbridos, por exemplo, as redes neuro-fuzzy. • O método da persistência é o modelo mais simples: velocidade(t+t) = velocidade(t) • Agilidade na realização e atualização das previsões. • São indicados para realização de previsões de curto prazo. • A acurácia decai rapidamente com o aumento do horizonte de tempo.

15. Sistema de Inferência Neuro-Fuzzy adaptativo (ANFIS) Atlas do Potencial Eólico Brasileiro Para ilustrar a aplicação da metodologia considerou-se a série temporal de velocidade do vento (a 50 m de altura) no município de São João do Cariri – PB (Projeto SONDA http://sonda.ccst.inpe.br/). Potencial a 50 m de altura do solo Fonte: http://www.cresesb.cepel.br/index.php?link=/atlas_eolico_brasil/atlas.htm

16. Sistema de Inferência Neuro-Fuzzy adaptativo (ANFIS) A distribuição da velocidade não é normal Ventos predominantemente de sul Médias mensais Médias horárias

17. Sistema de Inferência Neuro-Fuzzy adaptativo (ANFIS) Modelo ANFIS Série de médias horárias da velocidade de vento na localidade de São João do Cariri (PB) (ano de 2006) v(t-24) v(t-3) v(t) v(t-2) v(t-1) 4 variáveis de entrada 2 conjuntos fuzzy para cada variável 16 regras fuzzy

18. Sistema de Inferência Neuro-Fuzzy adaptativo (ANFIS) Valores previstos x valores observados (período insample) Histograma do erro de previsão (período in sample) Índices de qualidade do ajuste (in sample) MAD = 0,8074 m/s , MAPE = 19,20 % , RMSE = 1,0656 m/s

19. Sistema de Inferência Neuro-Fuzzy adaptativo (ANFIS) Previsão 1 hora à frente (período out sample) Índices de qualidade do ajuste (out sample) MAD = 0,8288 m/s , MAPE = 16,63 % , RMSE = 1,1449 m/s

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

21. Análise Wavelets e redes neurais artificiais na previsão da velocidade de vento Para ilustrar a aplicação da metodologia considerou-se a série temporal de velocidade do vento a 50 metros de altura (medidas em intervalos de 10 minutos) no município de São Martinho da Serra – RS (projeto SONDA http://sonda.ccst.inpe.br/). Decomposição wavelet da série de velocidade do vento em 3 componentes: uma componente de aproximação (A) e 2 componentes de detalhe (D). A decomposição wavelet filtra os ruídos da série, um fato que contribui para o processo de aprendizagem da rede neural artificial (RNA). Cada componente é analisada separadamente por uma rede neural artificial (RNA). A previsão é a soma das previsões parciais obtidas pelas RNAs para cada componente wavelet

22. Análise Wavelets e redes neurais artificiais 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

23. Análise Wavelets e redes neurais artificiais na previsão da velocidade de vento Qualidade do ajuste somente com a rede neural Qualidade do ajuste com a rede neural e a decomposição wavelet Amostra de treino tem 3572 observações Amostra de validação tem 446 observações

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

25. Regressão harmônica e modelo ARFIMA Combina duas abordagens estatísticas: regressão harmônica e modelo ARFIMA 1) Ajuste de um modelo de regressão harmônica para capturar as componentes sazonais da série de velocidade de vento (24 horas e 12 horas). 2) Ajuste de um modelo ARFIMA aos resíduos calculados pela diferença entre as observações e as estimativas obtidas pela regressão harmônica, captando 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. Para ilustrar a aplicação da metodologia considerou-se a série temporal de velocidade do vento (a 50 m de altura) no município de São João do Cariri – PB (projeto SONDA http://sonda.ccst.inpe.br/).

26. Regressão harmônica e modelo ARFIMA Modelo de regressão harmônica é uma variável indicadora do mês no instante t

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

28. Regressão harmônica e modelo ARFIMA MAPE

29. Regressão harmônica e modelo ARFIMA Previsão 24 passos à frente

30. Modelos híbridos Combinam diferentes tipos de modelos de previsão Exemplo: Projeto ANEMOS (http://forecast.uoa.gr/anemos/index.html ) • Projeto iniciado em outubro de 2002 com 22 parceiros de 7 países europeus. • Objetivo: desenvolver modelos avançados para a melhoria da acurácia das previsões da disponibilidade dos recursos eólicos em função da integração em larga escala de parques eólicos onshore e offshore.

31. Projeto ANEMOS • Integra vários módulos: • modelos de previsão físicos, estatísticos e de inteligência artificial • módulos de downscaling e upscaling • módulo para previsão online Modelo de previsão climática (NWP) Dados de geração eólica online disponibilizados por meio do sistema SCADA Fonte: Karionatakis et al, 2003 Principal resultado é previsão online da geração eólica

32. Modelos híbridos Mapas com previsões da velocidade e direção do vento com resolução temporal de 6 horas podem ser encontradas na página do projeto ANEMOS (http://forecast.uoa.gr/anemos/index.html)

33. Projeto ANEMOS • Plataforma integra diferentes modelos de previsão.

34. Conclusões Com a perspectiva de maior participação da energia eólica na matriz elétrica é importante iniciar o desenvolvimento de métodos de previsão de velocidade do vento e de geração eólica e, sobretudo, de sistemas computacionais, que suportem a integração dos recursos eólicos ao Sistema Interligado Nacional.

35. Bibliografia Costa, A. et al, A review on the young history of the wind power short-term prediction, Renewable & Sustainalbe Energy Reviews, 12, pp. 1725-1744, 2008. Dantas, T.M. Modelo tempo-frequência para previsão de curto prazo de velocidade de vento, Dissertação de mestrado, Departamento de Engenharia Elétrica, PUC-Rio, Julho, 2011. Ernst, B. et al, Predicting the wind, IEEE Power & Energy Magazine, November/December, 2007. Giebel et al, Results from mesoscale, microscale and CFD modelling, Deliverable 4.1, Project ANEMOS, 2006 (Disponível em http://130.226.56.153/zephyr/publ/ANEMOS_D4.1_ModelResults.pdf ) Silva, I.V.G. Previsão de vento para geração de energia elétrica, Dissertação de mestrado, Departamento de Engenharia Elétrica, PUC-Rio, Agosto, 2010. 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. Lei et al, A review on the forecasting of wind speed and generated power, Renewable & Sustainalbe Energy Reviews, 13, pp 915-920, 2009. Teixeira Júnior, L.A. et al, Análise wavelet e redes neurais artificiais na previsão de velocidade de vento, XLIII Simpósio Brasileiro de Pesquisa Operacional, Ubatuba, Agosto, 2011. Wu, Y.K. & Hong, J.S. A literature review of wind forecasting technology in the world, PowerTech 2007.

36. Obrigado Reinaldo Castro Souza reinaldo@ele.puc-rio.br Departamento de Engenharia Elétrica PUC - Rio