Baixe Previsão de Geração Eólica e outras Trabalhos em PDF para Distribuição e Utilização de Energia, somente na Docsity!
Modelo Adaptativo de Previsão de Geração de Fonte Eólica para o Tempo Real
Paulo Sérgio de Castro Nascimento, Fabio Henrique de Andrade Lima, Lucas de Souza
Khenayfis, Maria Cândida Abib Lima, Alberto Sergio Kligerman
Gerência de Metodologias e Modelos Energéticos / ONS
Rua Julio do Carmo, 251, Rio de Janeiro, 20211 - 160 , Brasil
[email protected], [email protected], [email protected], [email protected],
[email protected]
RESUMO
O aumento da capacidade instalada de usinas eólicas nos últimos anos, especialmente nas
regiões Nordeste e Sul do país, gerou ao ONS a necessidade de investir na qualidade da previsão
da geração de fonte eólica para o tempo real, de forma a reduzir os impactos da variabilidade do
vento na operação do sistema.
Os maiores desafios de operação estão relacionados à alta variabilidade do vento, que implica no
acionamento de outras fontes de geração capazes de absorver a intermitência da geração de fonte
eólica, o que se acentua conforme o carregamento do ponto de conexão da rede básica, ou seja,
quanto maior é a capacidade de geração eólica conectada no ponto.
Palavras chaves: Fontes Renováveis de Energia, Previsão de Tempo Real.
INTRODUÇÃO
Atualmente, diversos métodos são empregados para previsão de geração de fonte eólica ao redor
do mundo, desde modelos puramente estatísticos, tais como redes neurais artificiais e séries
temporais, até aqueles baseados em previsão climática numérica ou Numerical weather prediction
(NWP). No curto prazo (de minutos até seis horas à frente), técnicas como modelos ARMA [1] e
redes neurais artificiais [2] apresentam maior habilidade de previsão [3], sendo estas as
abordagens predominantes.
Os principais insumos para o modelo de previsão para o tempo real são as previsões de geração
eólica realizadas com foco na Programação Diária da Operação (PDO) e a geração verificada em
tempo real.
De forma resumida, o processo de previsão de geração eólica para a PDO pode ser acompanhado
na parte esquerda da Figura 1. Os dados obtidos, após passar pela triagem inicial (não
representada na Figura 1 ), passam por processo de limpeza, em que os valores espúrios são
eliminados. Em seguida, as lacunas são preenchidas, resultando no melhor histórico possível de
dados verificados de geração e velocidade do vento.
Além disso, a previsão da velocidade do vento passa por ajustes, para retirada de viés, de forma
similar ao apresentado em [4] e [5]. O histórico verificado de vento e geração passam por uma
nova seleção, conforme [6], com o objetivo de alimentar o modelo de criação dinâmica das curvas
Vento x Potência. Essas curvas e o as previsões ajustadas de vento dos diversos modelos
meteorológicos são então utilizadas pelo modelo de previsão de geração de fonte eólica. É gerada
então uma previsão combinada de todas as previsões resultantes de todos os modelos
meteorológicos. Maiores detalhes da metodologia podem ser encontrados em [7].
Ao final tem-se a previsão de geração eólica para o Nordeste e Sul, para o dia corrente 𝐷 e para
𝑛 dias a frente, 𝐷 + 1 à 𝐷 + 𝑛, e para o tempo real, conforme visto na parte direita da Figura 1.
Figura 1 Etapas da metodologia de previsão de geração de fonte eólica da programação e de
tempo real
geração verificada, não há grande necessidade de alteração da previsão. Sendo assim, o modelo
de previsão para o tempo real deve atuar com mais ou menos intensidade, quando necessário, a
partir de desvios em relação à geração verificada. A seguir será apresentada a metodologia
completa para a previsão de tempo real, tendo como aperfeiçoamento a inclusão de alguns passos
no processo de projeção da previsão de tempo real, de forma a oferecer mais confiabilidade nos
resultados.
Calcula-se o erro ponderado das últimas 12h para as previsões de geração de fonte eólica de
cada modelo meteorológico (Eta, GFS e ECMWF);
𝑚
𝑡
𝑡
𝑛 ℎ
𝑡= 1
𝑡
( 1 , 2 , 3 ,… ,𝑛
ℎ
)
∑ 1
𝑛
ℎ
𝑡= 1
Em seguida, as previsões são dinamicamente combinadas, com maior ponderação para os
modelos meteorológicos que vêm obtendo maior acerto, conforme a seguinte equação:
1 /𝐸𝑟𝑟𝑜 𝑚
∑ 1 /𝐸𝑟𝑟𝑜 𝑚
4
𝑚= 1
𝑚
4
𝑚= 1
Cria-se um fator, que é a diferença entre a média da geração verificada e a média da previsão
dinamicamente combinada das últimas 6 h, e este fator é aplicado à previsão combinada de modo
a transladá-la em direção à curva verificada. Aplica-se o decaimento exponencial da persistência
modificada (decaimento longo), conforme:
𝑡+𝑘
𝑘
𝑡+𝑘
𝑘
𝑡+𝑘
Faz-se um novo ajuste na previsão (𝑃′′′) para que esta coincida com a geração verificada no
instante atual. Para isso, cria-se um novo fator (𝐹𝑎𝑡𝑜𝑟′′), que é a diferença, no instante atual, entre
a geração verificada e a previsão 𝑃′′. Aplica-se o decaimento exponencial da persistência
modificada (decaimento médio-baixo) com o fator criado, conforme:
𝑡+𝑘
𝑘
𝑡+𝑘
𝑘
𝑡+𝑘
Um último ajuste é feito, aplicando-se o decaimento exponencial da persistência modificada
(decaimento baixíssimo), supondo que o que a derivada da curva é mantida, conforme:
𝑡+𝑘
𝑘
𝑡
𝑡
𝑡− 1
𝑘
𝑡+𝑘
Na Figura 2 e na Figura 3 são ilustradas a aplicação da persistência simples dada na Equação (1)
e a persistência modificada, respectivamente. As curvas em tracejado reportam a previsão
corrigida em cada intervalo do dia. Para este dia, as previsões com os modelos Eta, GFS e
ECMWF foram propositadamente distorcidas para ter grandes desvios. Isso foi feito para avaliação
do processo de previsão para o tempo real com o modelo de persistência. A geração verificada
compõe a figura apenas para se ter uma ideia do comportamento das projeções realizadas.
Figura 2 Aplicação das projeções de tempo real para um dia com persistência simples
Figura 3 Aplicação das projeções de tempo real para um dia com persistência modificada
Observa-se que no segundo caso as projeções estão mais aderentes ao verificado do dia.
Certamente podem haver eventos em que a metodologia simples é mais eficiente. Entretanto, de
forma geral, a persistência modificada apresenta um melhor resultado.
Figura 5 Aplicação da previsão de tempo real para o Nordeste
É importante salientar que o modelo de tempo real funciona mesmo que alguma das previsões
geradas a partir dos dados meteorológicos não existam, bastando haver apenas uma. Neste dia
exemplo não obtivemos os dados do modelo Eta. Sendo assim, nas figuras esses dados
apresentam-se zerados.
O modelo de previsão executa as previsões de geração de fonte eólica para o Nordeste e Sul pela
manhã, utilizando os diversos dados de vento previsto. Isso porque, em geral, os dados
meteorológicos estão disponíveis pela manhã. Sendo assim o modelo de tempo real utiliza as
previsões realizadas no dia anterior para o dia corrente, então previsto como 𝐷 + 1. Quando as
previsões para o próprio dia 𝐷 são executadas, o modelo de tempo real deixa de utilizar as
previsões 𝐷 + 1 ,executadas no dia anterior, passando a utilizar as previsões 𝐷. Destaca-se que
as previsões são executadas diariamente. Entretanto, se ocorrerem falhas em dias seguidos, o
modelo de tempo real utiliza as previsões 𝐷 + 2 à 𝐷 + 𝑛 realizadas em dias passados para o dia
corrente de modo a compor as projeções do dia 𝐷.
A cada meia hora, o modelo de tempo real calcula erros brutos, em MW, da previsão das seis
horas imediatamente anteriores. Como esses erros são calculados a cada meia hora todos os
dias, é difícil fazer uma análise a partir da simples interpretação dos desvios do modelo. A seguir
são apresentados alguns gráficos para ilustrar o comportamento dos desvios do modelo.
O gráfico apresentado na Figura 6 contém valores de Erro Médio Absoluto (MAE). Os valores de
MAE representados por cada barra foram calculados comparando janelas de uma a seis horas
(um a doze passos) à frente de geração verificada e geração prevista. O período em análise foi
de meados de novembro de 2017 ao fim deste mesmo mês. Esse período foi escolhido pois o
modelo de tempo real entrou em operação no Sul ao final de 2017, ao passo que no Nordeste este
modelo já está em operação desde junho de 2017. Para comparar essas duas regiões, escolheu-
se um período de coincidência.
Figura 6 Erro Médio Absoluto (MAE) para previsões de tempo real do Sul e Nordeste
A Figura 7 e a Figura 8 ilustram o erro absoluto para todos os pontos de previsão do mesmo
período da Figura 6. Para isso, foi criado um vetor de erros para cada horizonte de previsão. Em
seguida esses erros foram ordenados, dando origem às figuras.
O cálculo é feito de forma similar ao caso anterior, porém sem se tirar a média final. Ou seja, cada
ponto representa um erro absoluto da previsão em relação ao valor verificado quando aquela é
feita com um a doze passos de antecedência. Fica claro que, quanto menor o horizonte de
previsão, mais baixos são os erros, e a frequência de erros elevados é maior nos horizontes mais
à frente.
O modelo passou a ser utilizado na sala de controle do ONS a partir de junho de 2017. Melhorias
e aperfeiçoamentos têm sido feitos desde então, baseados nas experiências adquiridas ao longo
do tempo e na expertise dos usuários.
REFERÊNCIAS
[1] M. MILLIGAN, M. SCHWARTZ, Y. H. WAN. Statistical wind power forecasting models: Results
for US wind farms. National Renewable Energy Laboratory, Golden, CO, 2003.
[2] M. C. ALEXIADIS et al. Short-term forecasting of wind speed and related electrical power. Solar
Energy, v. 63, n. 1, p. 61- 6 8, 1998.
[3] J. KLEISSL. Solar energy forecasting and resource assessment. Academic Press, 2013.
[4] S. C. CHOU, C. R. SOUZA, J. L. GOMES, E. F. D. EVANGELISTA, C. OSÓRIO e M. CATALDI,
Refinamento estatístico das previsões horárias de temperatura a 2 m do modelo Eta em
estações do Nordeste do Brasil. Revista Brasileira de Meteorologia, vol. 22, pp. 287-296, 2007.
[5] Q. MAO, R. T. MCNIDER, S. F. MUELLERE e H. JUANG, An Optimal Model Output Calibration
Algorithm Suitable for objective temperature forecasting. Weather Analysis and Forecasting,
vol. 14, pp. 190-202, 1994.
[6] M. N. M. Rolo, Previsão de Produção Eólica com Modelização de Incertezas. Faculdade de
Engenharia da Universidade do Porto, 2014.
[7] P. S. C. NASCIMENTO et al., Desenvolvimento e Implantação no ONS de um Modelo de
Previsão de Geração de Fonte Eólica com Customização Temporal. Brazil Windpower 2017,
Rio de Janeiro, 2017.
[8] R&D Nester – CEPRI Annual meeting | 05/12/
