PREVISÃO DE CURTO PRAZO DA GERAÇÃO EÓLIO-ELÉTRICA PARA O NORDESTE BRASILEIRO POR REDES NEURAIS ARTIFICIAIS
DOI:
https://doi.org/10.59627/cbens.2010.1503Palavras-chave:
Energia Eólica, Previsão de Vento, Refinamento Estatístico, Redes Neurais ArtificiaisResumo
A capacidade eólica instalada vem crescendo consistentemente em diversos países nos últimos anos. Por se tratar de uma forma de energia relativamente recente, seu desenvolvimento tecnológico ocorre paralelamente à expansão da indústria de geração eólica. Devido a seu caráter altamente variável no espaço e no tempo, um dos grandes desafios impostos por esta fonte consiste em prever a potência eólica disponível em um momento futuro, de modo a otimizar o despacho de energia pelo órgão gerenciador do sistema elétrico. Apesar dos inúmeros estudos efetuados no exterior, pouco se avançou nesta área no Brasil, onde a capacidade eólica instalada vem atingindo patamares significativos, predominantemente na região Nordeste. Este trabalho se propõe a desenvolver um modelo de previsão de potência disponível a curto-prazo para a região Nordeste utilizando a técnica de redes neurais artificiais alimentada por dados das saídas operacionais do modelo de previsão do tempo Eta20km do CPTEC/INPE. É apresentada uma discussão sobre a previsão de vento a curto-prazo e avaliado o impacto dos erros atuais na previsão da potência eólica disponível. Os resultados finais do trabalho devem corroborar a hipótese de que um ganho significativo nas previsões de vento pode ser alcançado a partir de um modelo de ajuste estatístico baseado em redes neurais artificiais.
Downloads
Referências
Amarante, O.C., Schultz, D., Bittencourt, R., Rocha, N. Wind-Hydro Complementary Seasonal Regimes in Brazil,
DEWI Magazine, n. 19, Agosto, 2001 Wilhelmshaven, Alemanha.
Camargo, O., Brower, M., Zack, J., Sá, A. Atlas do Potencial Eólico Brasileiro. CEPEL/ELETROBRÁS, Brasília, 2001.
Black, T. L. 1994. The new NMC mesoscale ETA-model: description and forecast examples, Weather Forecasting, vol.9, n.2, pp. 265-278.
Braga, A. P.; Carvalho A. C. P. F.; Ludermir, T. B., 1998. Fundamentos de redes neurais artificiais, 11a Escola de Computação/Universidade Federal do Rio de Janeiro.
Burton, T., Sharpe, D., Jenkins, N., Bossanyi, E., 2001. Wind Energy andbook, John Willey & Sons.
Costa, G. B., 2009. Análise Numérica Espacial e Temporal do Vento no Estado de Alagoas, Dissertação de Mestrado, UFAL, Maceió.
Costa, A., Crespo, A., Navarro, J., Palomares, A., Madsen, H., 2006. Modelling the Integration of Mathematical and Physical Models for Short-term Wind Power Forecasting, European Wind Energy Conference - EWEC, Athens, Greece.
Chou, S. C., 1996. Modelo Regional Eta. Climanálise, Edição comemorativa de 10 anos,. Disponível em: <http://www.cptec.inpe.br/products/climanalise/>.
Dalmaz, A., 2007. Estudo do potencial eólico e previsão de ventospara geração de eletricidade em Santa Catarina, Dissertação de Mestrado, UFSC, Florianópolis.
Dutra, R. M. e Szklo, A. S., 2007. Incentive policies for promoting wind power production in Brazil: Scenarios for the Alternative Energy Sources Incentive Program (PROINFA) under the New Brazilian electric power sector regulation, Renewable Energy, vol. 33, pp. 65-76.
Ernst, B., Oakleaf, B., Ahlstron, M. L., Lange, M., Moehrlen, C., Lange, B., Focken, U., Rohrig, K., 2007. Predicting the Wind, IEEE Power & Energy magazine, vol. 5, n. 6, pp. 78-89.
Fan, S., Liau, J. R., Yokoyama, R., Chen, L., Lee, W.J., 2009. Forecasting the Wind Generation Using a Two-Stage Network Based on Meteorological Information, IEEE Transactions on Energy Conversion, vol. 24, n. 2.
Foken, T., 2006. 50 years of the Monin-Obukhov similarity theory, Boundary-Layer Meteorology, vol.119, pp. 431-447.
Guarnieri, R. A., 2008. Emprego de redes neurais artificiais e regressão linear múltipla no refinamento das previsões de radiação solar do modelo ETA, Dissertação de Mestrado, PGMET, INPE, São José dos Campos.
Guenard, V., Kariniotakis, G., Marti, I., 2007. ANEMOS Advanced Wind Power Forecasting. Operational Challenges and On-line Performance, European Wind Energy Conference – EWEC, Milan, Italy.
Haykin, S., 1994. Neural networks: a comprehensive foundation, Macmillan College Publishing Company.
Landberg, L., Giebel, G., Nielsen, A., Nielsen, T., Madsen, H., 2003. Short-term Prediction - An Overview, Wind Energy, Vol.6, pp. 273-280
Lange, M., Focken, U. 2006. Physical Approach to Short-Term Wind Power Prediction, Springer.
Lazic, L., Pejanovic, Zivkovic, M. 2009. Wind forecasts for wind power generation using the Eta model, Renewable Energy, vol. 35, no.1 pp. 1236-1243.
Lyra, A. A., 2009. Testes de sensibilidade e avaliação do modelo Eta para a região nordeste, Dissertação de Mestrado, PGMET, INPE, São José dos Campos.
Janjić, Z. L. The step-mountain Eta coordinate model: further developments of the convection, viscous sublayer, and turbulence closure schemes, Monthly Weather Review, vol. 122, n.5, pp. 927-945.
Mendes, D., Marengo, J. A., 2009. Temporal downscaling: a comparison between artificial neural network and autocorrelation techniques over the Amazon Basin in present and future climate change scenarios, Theoretical and
Applied Climatology, publicado on-line em ago/2009.
Ministério de Minas e Energia (MME). Balanço energético nacional 2009 (BEN 2009). Disponível em: <http://ben.epe.gov.br/>
Ministério de Minas e Energia (MME). PROINFA. Disponível em: < http://www.mme.gov.br/programas/proinfa >
Mori, H. Umezawa, Y. 2009. Application of NBTree to Selection of Meteorological Variables in Wind Speed Prediction, transmission & Distribution Conference & Exposition: Asia and Pacific, Seoul, Korea.
Oliveira, J. B., 2008. Sistemas inteligentes e wavelets para previsão de vento e geração eólica. Dissertação de Mestrado, UFPE, Recife.
Pes, M. P., 2009. Estudo do impacto das mudanças climáticas no potencial eólico no estado do Rio Grande do Sul para os períodos de 2010 a 2040 e 2070 a 2100. Dissertação de Mestrado, PGMET, INPE, São José dos Campos.
Ravn, H. F., 2006. Short term wind power prognosis with different success criteria, 9th International Conference on Probabilistic Methods Applied to Power Systems, Stockholm, Sweden.
SONDA - Sistema de Organização Nacional de Dados Ambientais. Disponível em: <http://sonda.cptec.inpe.br/>
Stull, R. B. 1988. An introduction to boundary layer meteorology. Dordrecht: Kluwer Academic Publishers.
Wilks, D. S., 2006. Statistical Methods in the Atmospheric Sciences, Elsevier.
World Wind Energy Association - WWEA, 2009. World Wind Energy Report. Disponível em: <http://www.wwindea.org/>
