A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

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

Apresentações semelhantes


Apresentação em tema: "Previsão da geração eólica Prof. Reinaldo Castro Souza (PhD) Pontifícia Universidade Católica do Rio de Janeiro."— Transcrição da apresentação:

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

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

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

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) Fonte: Atlas do Potencial Eólico Brasileiro Potencial a 50 m de altura do solo 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

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

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

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

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

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

21 Análise Wavelets e redes neurais artificiais na previsão da velocidade de vento 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 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

22 Análise Wavelets e redes neurais artificiais na previsão da velocidade de vento Série de velocidade de vento Decomposição wavelet separa a série de médias horárias de velocidade do vento em três componentes.

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 Somente rede neuralRede Neural & decomposição wavelet Valores previstos versus valores observados

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

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 )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 Dados de geração eólica online disponibilizados por meio do sistema SCADA Principal resultado é previsão online da geração eólica 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) Fonte: Karionatakis et al, 2003

32 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 )http://forecast.uoa.gr/anemo s/index.html Modelos híbridos

33 Plataforma integra diferentes modelos de previsão. Projeto ANEMOS

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 , 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, Ernst, B. et al, Predicting the wind, IEEE Power & Energy Magazine, November/December, Giebel et al, Results from mesoscale, microscale and CFD modelling, Deliverable 4.1, Project ANEMOS, 2006 (Disponível em )http:// /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, 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, Lei et al, A review on the forecasting of wind speed and generated power, Renewable & Sustainalbe Energy Reviews, 13, pp , 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, Wu, Y.K. & Hong, J.S. A literature review of wind forecasting technology in the world, PowerTech 2007.

36 Obrigado Reinaldo Castro Souza Departamento de Engenharia Elétrica PUC - Rio


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

Apresentações semelhantes


Anúncios Google