DESEMPENHO DA ALTA RESOLUÇÃO DO WRF-SOLAR NA ESTIMATIVA DA IRRADIÂNCIA GLOBAL HORIZONTAL NA CIDADE DE MACAPÁ-AP.
DOI:
https://doi.org/10.59627/cbens.2024.2476Palavras-chave:
Modelagem Atmosférica, Energia Solar, Região NorteResumo
A diversificação da matriz energética traz diferentes benefícios, e a energia solar fotovoltaica é uma fonte promissora de energia devido a sua escalabilidade e modularidade. O estado do Amapá localiza-se na região tropical, onde recebe uma grande quantidade de energia solar durante todo o ano. No entanto, a falta de estudos do potencial solar da região, dificulta a expansão dos sistemas fotovoltaicos no estado. Na avaliação dos recursos solares, os modelos atmosféricos surgiram como uma ferramenta fundamental como, por exemplo, o Weather Research Forecast (WRF). A versão 4.3.1 do modelo WRF-Solar, versão específica para atender às aplicações de energia solar, foi utilizada para simular a Irradiância Global Horizontal (GHI) da cidade de Macapá-AP, na região Norte do Brasil. O objetivo foi mostrar resultados preliminares sobre a eficiência do modelo WRF-Solar na estimativa da GHI sazonal da cidade de Macapá-AP, além de verificar se, uma alta resolução melhora os resultados das simulações. O Ano Meteorológico Típico (Typical Meteorological Year, TMY) foi calculado a partir do método Sandia. O algoritmo proposto pela Baseline Surface Radiation Network (BSRN) foi utilizado para tratar os dados horários da estação meteorológica automática (EMA) do Instituto Nacional de Meteorologia (INMET) da cidade de Macapá-AP. Duas parametrizações de cumulus foram indispensáveis para representar a região. Dados de entrada de reanálises do ERA5 de 1 em 1 hora, foram utilizados. O uso de dados com alta resolução reduziu o nRMSE da GHI, principalmente durante a primavera, de 22% para 17%. A redução no RMSE foi aproximadamente 48,37 W.m -2 na primavera. Estimativas mais eficientes nas simulações com o WRF-Solar de alta resolução foram encontradas.
Downloads
Referências
ABSOLAR - Associação Brasileira de Energia Solar Fotovoltaica, 2023. Energia Solar Fotovoltaica no Brasil, Infográfico ABSOLAR n° 60. Disponível em: https://www.absolar.org.br/mercado/infografico/. Acesso em novembro de 2023.
Alvares, C. A., Stape, J. L., Sentelhas, P. C., Gonçalves, J. L. de M., & Sparovek, G., 2013. Köppen's climate classification map for Brazil. Meteorologische Zeitschrift, v. 22, n. 6, p. 711-728. doi:10.1127/0941-2948/2013/0507
ANEEL ‐ Agência Nacional de Energia Elétrica, 2023. Capacidade de Geração no Brasil. BIG ‐ Banco de Informações de Geração. Disponível em http://www.aneel.gov.br/aplicacoes/capacidadebrasil/capacidadebrasil.cfm. Acesso em maio 2023.
Back, A. C. et al., 2019. Atlas Eólico e Solar: Ceará. Curitiba: Camargo Schubert; Fortaleza, ADECE/FIEC/SEBRAE, 188p.
Diniz, C., Cortinhas, L., Nerino, G., Rodrigues, J., Adami, M., Souza-Filho, P. W. M., 2019. Situação dos Manguezais Brasileiros: Três Décadas de Satélite. Sensoriamento Remoto, v. 808, n. 11. doi:10.3390/rs11070808.
Dudhia, J., 1989. Numerical study of convection observed during the winter monsoon experiment using a mesoscale two-dimensional model. Journal of the Atmospheric Sciences, v. 46, p. 3077–3107.
Ferreira, N. S., 1996. Zona de Convergência Intertropical. Climanálise-Boletim de Monitoramento e Análise Climática. Edição comemorativa, s. l.], v. 10a. Disponível em: http://climanalise.cptec.inpe.br/~rclimanl/boletim/cliesp10a/zcit_1.html
Fountoukis, C., Martín-Pomares, L., Perez-Astudillo, D., Bachour, D., Gladich, I., 2018. Simulating global horizontal irradiance in the Arabian Peninsula: Sensitivity to explicit treatment of aerosols, Solar Energy, v. 163, p. 347 – 355. https://doi.org/10.1016/j.solener.2018.02.00
Grell, G. A., Devenyi, D., 2002. A generalized approach to parameterizing convection , combining ensemble and data assimilation techniques. Geophysical Research Letters,v. 29, n. 14, p. 1693.
Gueymard, C.A.; Jimenez, P.A., 2018. Validation of real-time solar irradiance simulations over Kuwait using WRF- solar. In: the 12th International Conference on Solar Energy for Buildings and Industry, EuroSun2018, Rapperswil, Switzerland.
Hall, I., Prairie, R., Aderson, H., Boes, E., 1978. Generation of Typical Meteorological Years for 26 SOLMET Stations. SAND78-1601. Albuquerque, NM: Sandia National Laboratories.
Hong, S.Y., Lim, J.O.J., 2006. The WRF single-moment 6-class microphysics scheme (WSM6). Journal of Korean Meteorological Society, v. 42, n. 2, p. 129-151.
Jiménez, P. A., Hacker, J. P., Dudhia, J., Haupt, S. E, Ruiz-Arias, J. A., Gueymard, C. A., Thompson, G., Eidhammer, G., Deng, A., 2016: WRF-Solar: Description and clear-sky assessment of an augmented NWP model for solar power prediction. Bull. Amer. Meteor. Soc., 97, 1249-1264, https://doi.org/10.1175/BAMS-D-14-00279.1.
Kain, S. J., 2004. The Kain-Fritsch Convective Parameterization: An Update. Journal of Applied Meteorology, v. 43, p. 170-181.
Kim, J. H., Jimenez, P. A., Dudhia, J., Yang, J., Sengupta, M., Xie, Y., 2020. Probabilistic Forecast of All-Sky Solar Radiation Using Enhanced WRF-Solar: Preprint. Golden, CO: National Renewable Energy Laboratory. NREL/CP-5D00-77693.
Kim, J. H.; Jimenez, P. A., Sengupta, M., Yang, J., Dudhia, J., Alessandrini, S., Xie, Y., 2022. The WRF-Solar Ensemble Prediction System to Provide Solar Irradiance Probabilistic Forecasts. Journal of Photovoltaics, v.12, n. 1.
Lara-Fanego, V., Ruiz-Arias, J.A., Pozo-Vásquez, D., Santos-Alamillos, F.J.; Tovar-Pescador, J., 2012. Evaluation of the WRF model solar irradiance forecasts in Andalusia (southern Spain). Solar Energy, Amsterdam, v. 86, p. 2200-2217.
Long, C. N., Shi, Y., 2008. “An Automated Quality Assessment and Control Algorithm for Surface Radiation Measurements”, The Open Atmospheric Science Journal, v.2, n.1, p.23–37. doi: 10.2174/1874282300802010023.
Mlawer, E.J., et al., 1997. Radiative Transfer for Inhomogeneous Atmospheres: RRTM, a Validated Correlated-k Model for the Longwave. Journal of Geophysical Research, 102, 16663. https://doi.org/10.1029/97JD00237
Monfort, E. et al., 2018. Atlas Solar Bahia, Curitiba: Camargo Schubert; Salvador: SECTI, SEINFRA, CIMATEC/SENAI, Brazil, 76p.
Nakanish, M.; Niino, H., 2006. An Improved Mellor-Yamada Level-3 Model: Its Numerical Stability and Aplicattion to a Regional Prediction of Advection Fog. Boundary Layer Meteorology, v. 119, n. 2, p. 397-407.
Nobre, M. T. C. M. et al., 2022. Atlas Eólico e Solar do estado do Rio Grande do Norte, Natal: Instituto SENAI de Inovação – Energias Renováveis (ISI-ER); Natal: Governo do Estado do Rio Grande do Nort, SEDEC, COORDENADORIA DE DESENVOLVIMENTO ENERGÉTICO, 212p.
Otto, S.A., Kadin, M., Casini, M., Torres, M.A. & Blenckner, T., 2018. A quantitative framework for selecting and validating food web indicators. Ecological Indicators, vol. 84, pp. 619-631, doi: 10.1016/j.ecolind.2017.05.045
Pereira, E. B., Martins, F. R., Gonçalves, A. R., Costa, R. S., Lima, F. L., Rüther, R., Abreu, S. L., Tiepolo, G. M., Pereira, S. V., Souza, J. G., 2017. Atlas brasileiro de energia solar. 2.ed. São José dos Campos: INPE. 80p. Disponível em: http://doi.org/10.34024/978851700089
Sengupta, M. et al., 2018. “The national solar radiation data base (NSRDB),” Renewable Sustain. Energy Rev., vol. 89, pp. 51–60.
Skamarock, W. C. A et al., 2021. Description of the Advanced Research WRF Model Version 4. NCAR/TN–556+STRNCAR TECHNICAL NOTE.
Skeiker, K., 2006. Comparison of Methodologies for TMY Generation Using 10 Years Data for Damascus, Syria. Damascus, Syria: Department od Scientific Services.
Tewari, M.,Wang, W., Dudhia, J., LeMone, M. A., Mitchell, K., 2005. NUMERICAL EXPERIMENTS WITH UPGRADED WRF/NOAHLSM MODEL.
Thaker, J.A., Höller, R., 2023. Evaluation of High Resolution WRF Solar. Energies.
Vilhena, J. E. S., Lima, R. B., Freitas, S. J. L., 2018. Climatologia do Amapá: quase um século de história. Rio de Janeiro: Gramma, 100p.
Wilcox, S., Marion, W., 2008. Users Manual for TMY3 Data Sets. National Renewable Energy Laboratory.
Wilks, D. S., 2006. Statistical Methods in the Atmospheric Sciences. International Geophysics Series. 2a. Edição, Estados Unidos da América, Academic Press, v. 91, 627 p.
Yang, J., Manajit, S., Yu, X., Jimenez, P. A., Ju-Hye, K., 2019. Adjoint Sensitivity of FARMS to the Forecasting Variables of WRF-Solar: Preprint. Golden, CO: National Renewable Energy Laboratory. NREL/CP-5D00-74756.
Zempila M.-M., Giannaros T.M., Bais A. and Melas D., 2016. Evaluation of WRF shortwave radiation parameterizations in predicting global horizontal irradiance in Greece. Renew. Energ. 86, 831-840. doi: 10.1016/j.renene.2015.08.057
