Previsão da geração eólica
Prof. Reinaldo Castro Souza (PhD)
Pontifícia Universidade Católica do Rio de Janeiro
Programa
•
•
•
•
•
Introdução
Curva de potência
Características das séries de vento
Modelos de previsão
Conclusões
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.
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
Complementariedade entre a geração
hidrelétrica e eólica
O maior potencial
eólico, na região
Nordeste, ocorre
durante o período de
menor disponibilidade
hídrica
Curva de potência
• Expressa a relação entre a potência gerada e a velocidade do vento
Turbina eólica
P
Conteúdo energético
a partir 3,5 m/s
1
Av 3
2
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
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.
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.
Modelos de Previsão
Classificados em três categorias:
• Modelos físicos
• Modelos estatísticos/inteligência artificial
• Modelos híbridos
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.
Modelos Físicos
Modelos Físicos
Resolução 48 km
0,5 km
12 km
Previsões para
diferentes níveis de
resolução espacial
6 km
1,5 km
Fonte: Giebel et al (2006)
Modelos Físicos
Previsões com resolução de 12 km
Previsões com resolução de 0,5 km
Fonte: Giebel et al (2006)
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.
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
Sistema de Inferência Neuro-Fuzzy adaptativo (ANFIS)
Ventos predominantemente de sul
Médias horárias
A distribuição da velocidade não é normal
Médias mensais
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
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
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
Sistema de Inferência Neuro-Fuzzy adaptativo (ANFIS)
Previsão até 48 horas a frente (período out sample)
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
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
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
Análise Wavelets e redes neurais artificiais na previsão da
velocidade de vento
Valores previstos versus valores observados
Somente rede neural
Rede Neural & decomposição wavelet
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/).
Regressão harmônica e modelo ARFIMA
Modelo de regressão harmônica
é uma variável indicadora do mês no instante t
Regressão harmônica e modelo ARFIMA
Previsão 1 passo à frente
Previsão 6 passos à frente
Regressão harmônica e modelo ARFIMA
MAPE
Regressão harmônica e modelo ARFIMA
Previsão 24 passos à frente
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.
Projeto ANEMOS
Integra vários módulos:
1) modelos de previsão
físicos, estatísticos e
de inteligência
artificial
2) módulos de
downscaling e
upscaling
3) 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
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/anemo
s/index.html )
Projeto ANEMOS
 Plataforma integra diferentes modelos de previsão.
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.
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.
Bibliografia
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.
Obrigado
Reinaldo Castro Souza
[email protected]
Departamento de Engenharia Elétrica PUC - Rio