Técnicas de ajuste geográfico e dinâmico de modelos de previsão eólica

Faculdade de Engenharia da Universidade do Porto Técnicas de ajuste geográfico e dinâmico de Modelos de Previsão de Produção Eólica José Pedro Claro Cardoso Dissertação realizada no âmbito do Mestrado Integrado em Engenharia Eletrotécnica e de Computadores Major Energia Orientador: Professor Doutor Cláudio Monteiro 25 de Janeiro de 2016 ii © José Cardoso, 2016 iii Resumo A elevada integração de produção de energia renovável no sistema elétrico português trouxe vantagens, principalmente porque é um recurso natural que não se esgota, mas existem também problemas associados. A gestão e a manutenção do sistema elétrico de energia (SEE) tem, com isto, vindo a revelar-se cada vez mais complexa. Por sua vez, o recurso eólico, uma fonte renovável que assume um papel cada vez mais importante na geração de energia elétrica em Portugal, desperta interesse para o estudo do seu comportamento. A volatilidade do vento induz um certo grau de incerteza na produção de energia eólica, o que faz com que se corram riscos com a sua utilização. Esta variabilidade do vento provoca um aumento dos custos de desvio e dificulta as operações de despacho, onde o principal objetivo é garantir que nunca haja défice de produção de energia por parte do sistema electroprodutor português relativamente ao consumo existente. Por isso mesmo, têm-se feito desenvolvimentos nesta área para combater os desequilíbrios de produção provocados pelo recurso eólico, onde surgem os sistemas de previsão que fornecem valores esperados da produção para vários horizontes temporais. Nesta dissertação são estudados fatores espácio-temporais que podem ter influência nos sistemas de previsão para curto prazo, onde foi cruzada informação entre parques eólicos vizinhos, e foram desenvolvidas técnicas de ajuste do erro, com o objetivo de melhorar as previsões eólicas. Foram analisados vários parques eólicos dispersos em diferentes zonas geográficas de Portugal, e avaliaram-se diferentes fatores que possam ter influência no aumento do erro das previsões de produção eólica. As previsões para cada parque eólico foram feitas em duas ferramentas distintas, sendo elas, as redes neuronais artificiais e uma variante do KDE (Kernel Density Estimator), onde foi feita uma comparação do desempenho de cada ferramenta computacional. Do conjunto de todos os parques eólicos, escolheu-se um parque de referência, sobre o qual incidiu sobre grande parte do estudo, tendo sido verificadas melhorias na previsão do respetivo parque. Palavras-chave: Energia Eólica, parques eólicos, espácio-temporais, energia renovável, desempenho da previsão, previsão eólica. v Abstract The high integration of renewable energy production in the Portuguese electrical system brought advantages, mainly because it is a natural resource that is not limited, but there are also problems associated with it. The management and maintenance of electric power system has, thus, been proving to be increasingly complex. In turn, the wind resource, a renewable resource that plays an increasingly important role in the generation of electricity in Portugal, arouses interest for the study of their behavior. The volatility of wind induces a degree of uncertainty in wind power production leading to risks while using it. This wind variability causes an increase in diversion costs and hinders dispatch operations, where the main objective is to ensure that there is never power production deficit by the Portuguese electricity system for existing consumption. So even if have made developments in this area to combat the production imbalances caused by the wind resource, where the forecasting systems arise that provide expected values of production for different time horizons. This dissertation studied spatial and temporal factors that may have influence on forecasting systems for short-term, where information was crossed between neighboring wind farms, and were developed error adjustment techniques, aiming to improve wind forecasts. They analyzed several wind farms scattered in different geographical areas in Portugal, and evaluated different factors that could have an effect on increasing the error of wind production forecasts. Forecasts for each wind farm have been made in two distinct tools, as follows, artificial neural networks and a variant of KDE (Kernel Density Estimator) where a comparison of the performance of each software tool was made. From all the wind farms, it was picked up a reference park, in which the study was mainly focused, and improvements have been noted in the forecast of the respective park. Key-words: Wind Energy, wind farms, spatio-temporal, renewable energy, forecast performance, wind forecast. vii Agradecimentos A conclusão desta dissertação representa o culminar de mais uma etapa conseguida, e por isso não poderia deixar de dar as minhas palavras de apreço a todos, que de uma forma ou de outra, contribuíram para esta conquista. Um enorme agradecimento ao Prof. Doutor Cláudio Monteiro, pela contribuição com os seus vastos conhecimentos na área, apoio e excelente orientação prestada ao longo de toda a dissertação. Quero agradecer à empresa SmartWatt pelo fornecimento dos dados e especialmente ao Engº. João Basílio por toda a sua disponibilidade na fase inicial da dissertação. À minha família, que fizeram para que tudo corresse da melhor forma ao longo de toda a minha vida, por acreditarem em mim e pelo apoio incondicional sempre presente, o meu muito obrigado! Um agradecimento especial à Rita, por ter estado sempre presente nos momentos mais difíceis, por toda a ajuda e motivação transmitida ao longo destes anos. Sem menor importância, a todos os meus amigos, sem os quais teria sido mais difícil chegar até aqui e que me proporcionaram momentos únicos. ix “There is only one ultimate solution to the global warming problem: total reliance upon solar energy. And the most productive of all solar energy processes is the wind energy process” William Edward Heronemus, in AWEA 1999 acceptance speech xvii Lista de tabelas Tabela 2.1 - Diferentes Horizontes Temporais e a sua aplicabilidade. .............................. 7 Tabela 2.2 - Principais técnicas (físicas e combinadas) para previsões de curto prazo. .......... 8 Tabela 2.3 - Principais técnicas estatísticas para previsões de curto prazo. ..................... 12 Tabela 2.4 - Comparação/Evolução de aproximações combinadas para previsão eólica [10], [11]. ............................................................................................... 15 Tabela 2.5 – Metodologias baseadas em aproximações não-paramétricas [36]. .................. 19 Tabela 4.1 - Erros para os vários parques eólicos – comparação dos dois métodos. ............. 56 Tabela 4.2 - Correlações mais elevadas entre o parque referência e os restantes parques. .. 58 Tabela 4.3 - Erros para as previsões de produção eólica para o parque referência com introdução da variável velocidade do vento dos parques mais correlacionados. .......... 58 Tabela 4.4 - Parques com menor correlação com o parque referência. ........................... 59 Tabela 4.5 - Erros para as previsões de produção eólica para o parque referência com introdução da variável velocidade do vento dos parques menos correlacionados. ........ 60 Tabela 5.1 - Média da Dispersão entre o Quantil 75 e o Quantil 25 (em MW). ................... 70 xix Abreviaturas e Símbolos ANFIS Adaptive Neural Fuzzy Inference System ANN Artificial Neural Network Approach AR Autoregressive Model ARIMA Autoregressive Integrated Moving Average Model ARMA Autoregressive Moving Average Model AWPPS Armines Wind Power Prediction System CENER National Renewable Energy Centre CFD Computational Fluid Dynamics CST-WSF Compressive Spatio-Temporal Wind Speed Forecasting DWM Diagnostic Wind Model HIRLAM High Resolution Limited Area Model KDE Kernel Density Estimator MA Moving Average Model MAE Mean Absolut Error MAPE Mean Absolute Percentage Error MMAPE Modified Mean Absolute Percentage Error MNoE Mean Negative Error MOS Model Output Statistics MPoE Mean Positive Error MRI Meteorological Risk Index MSE Mean Square Error NW-KDE Nadaraya Watson-Kernel Density Estimator NWP Numerical Weather Prediction PSO Paricle Swarm Optimization RMSE Root Mean Square Error RNA Redes Neuronais Artificiais RTO Regional Transmission Organisations SCADA Supervisory Control and Data Acquisition xx ABREVIATURAS E SÍMBOLOS xx SDE Standard Deviation of Errors SEE Sistema Elétrico de Energia TDD Trigonometric Direction Diurnal TDDGW TDD with geostrophic wind information TSO Transmission Operator System TSO Transport System Operator WAsP Wind Atlas Analysis and Application Program WEFS Wind Energy Forecasting System WPF Wind Power Forecasting WPPT Wind Power Prediction Tool % Por cento (percentagem) M Mega (prefixo) K Quilo (prefixo) W Watt (potência) H Hora (tempo) Q Quantil m Metro (unidade de medida) s Segundo (unidade de medida) 1 Capítulo 1 Introdução Esta dissertação foi realizada no âmbito do Mestrado Integrado em Engenharia Eletrotécnica e de Computadores da Faculdade de Engenharia da Universidade do Porto. 1.1 - Contextualização e Motivação Portugal é hoje considerado um dos países com maior instalação e aproveitamento de energia eólica, onde este tipo de fonte de energia se tornou num recurso marcante no mix elétrico, contribuindo assim para que as fontes de energia renováveis se tenham distinguido e tenham um papel cada vez mais determinante em relação à geração de energia através de combustíveis fosseis. É de louvar que em 2014, tenha havido uma contribuição de produção eólica de 24% no total de 63% de energia renovável instalada em Portugal. É igualmente importante referir que no primeiro trimestre de 2014, a energia eólica conseguiu evidenciar-se relativamente ao global da geração térmica (térmica convencional e cogeração térmica), o que, juntamente com o aproveitamento das centrais hídricas, representou cerca de 90% do consumo de eletricidade. Desta forma, tem sido observado ao longo dos últimos anos uma evolução constante no que diz respeito ao uso de energia elétrica proveniente de recursos eólicos. 2 Introdução 2 Figura 1.1 - Evolução da Potência Instalada (Eólica) em Portugal. (retirada de [1]) Neste momento, Portugal encontra-se com uma capacidade total de potência instalada de 4922,88 MW, incluindo as regiões autónomas dos Açores e da Madeira. Para o planeamento do sistema elétrico é necessário reunir condições para que o despacho de energia elétrica seja suficiente para suprir todo o consumo, lembrando que é importante que o despacho de energia não se torne excessivo face à energia consumida pelos utilizadores finais devido aos imensos custos associados. Devido à incerteza na produção eólica, onde o vento assume grandes variações ao longo do tempo, é importante que os métodos de previsão consigam ser robustos e capazes de fazer a melhor estimação de valores possível, para que os operadores do sistema elétrico consigam balancear da melhor forma a procura e a oferta de energia elétrica. Ao longo dos últimos anos, têm sido desenvolvidos vários estudos que têm em vista a otimização dos métodos de previsão utilizados, permitindo melhorar as previsões tornando estas mais realistas e com níveis de incerteza menores. Foi com base na otimização de processos de previsão que se iniciou o desenvolvimento desta dissertação, através de métodos com abordagens determinísticas e probabilísticas, para tentar perceber de que forma variam os erros da previsão, e se fatores espácio-temporais têm impacto e podem ajudar na melhoria crescente dos métodos de previsão existentes. 1.2 - Objetivos O grande objetivo desta dissertação consiste em melhorar as previsões a nível geográfico, com o cruzamento de informação proveniente de parques eólicos localizados em zonas distintas. É expectável ainda que se cumpram os seguintes objetivos: Dados e ferramentas utilizadas 3 3  Identificar erros em diferentes zonas geográficas, onde estão instalados parques eólicos;  Desenvolver métodos de avaliação de desempenho e ajuste dos modelos em função da localização geográfica de uma determinada zona;  Criar mecanismos para medir de forma dinâmica e contínua o desempenho das previsões;  Melhorar o erro das previsões. 1.3 - Estrutura da dissertação Este documento encontra-se organizado em seis capítulos. No capítulo 1, é descrito a introdução da dissertação com o enquadramento e os objetivos que se esperam alcançar, bem como as ferramentas computacionais e a informação utilizadas ao longo do documento. No capítulo 2, é descrito o estado da arte e é feita uma revisão da literatura sobre modelos de previsão eólica, indicadores de desempenho e aspetos espácio-temporais influentes na previsão eólica. No capítulo 3, faz-se a caraterização dos parques eólicos estudados e dos dados usados para a presente estudo. No capítulo 4, faz-se a descrição e comparação da ferramenta usada e mostram-se as várias previsões, incluindo fatores temporais e espaciais. No capítulo 5, apresenta-se a análise do desempenho do erro e da incerteza associada. Por ultimo, no capítulo 6 são descritas as várias conclusões da dissertação bem como recomendações e trabalhos futuros. Por ultimo, no capítulo 6 são descritas as várias conclusões da dissertação bem como recomendações a trabalhos futuros. 1.4 - Dados e Ferramentas utilizadas Para a construção dos modelos de previsão, utilizaram-se dados informativos dos parques eólicos disponibilizados pela empresa SmartWatt. O fornecimento dos dados requer um contrato de confidencialidade, pelo que não serão referidos os nomes dos parques usados no presente estudo. As ferramentas computacionais usadas para todo o trabalho inerente ao estudo realizado foram:  NW-KDE [2]  MatLab  Microsoft Office Excel 4 Introdução 4 O software NW-KDE foi a ferramenta que possibilitou fazer as previsões dos parques eólicos, caracterizando-se por fornecer informação das previsões de produção eólica como também a incerteza associada às respetivas previsões. O NW-KDE (Nadaraya Watson-Kernel Density Estimator) é então uma ferramenta variante do KDE (Kernel Density Estimator) que se diferencia deste ao acelerar o tempo de computação e ao permitir estimar diretamente parâmetros da distribuição de probabilidade em vez de estimar uma distribuição discreta não paramétrica. O MatLab foi usado para testar previsões baseadas num modelo de redes neuronais, para uma análise e breve comparação com o NW-KDE. Toda a análise de resultados obtidos e manipulação de dados associada às previsões e à avaliação do desempenho destas, foi realizada no Microsoft Office Excel. 5 Capítulo 2 Estado da Arte 2.1 – Introdução De forma a combater o uso, por vezes exagerado, dos combustíveis fósseis, tornou-se importante adotar formas alternativas de produção de energia. Assim, e devido à imensa investigação e exploração feita até aos dias de hoje, é possível produzir energia elétrica com o uso de recursos renováveis. Tem-se destacado ultimamente um grande crescimento de produção de energia eólica face a outros tipos de produção com origem em matérias-primas renováveis, devido à enorme eficiência que apresenta e à sua baixa poluição [3]. Apesar da integração de energia eólica trazer enormes vantagens, traz também enormes desafios para o planeamento e operação do sistema elétrico devido à incerteza e instabilidade da natureza. Face a isto, e para que a produção seja feita com a melhor previsão possível de forma a suprir a exigência de consumo elétrico que existe hoje em dia, é necessário possuir elementos que nos forneçam os melhores métodos de previsão. No caso concreto da previsão eólica, que se torna difícil devido à variação do vento, manter o balanceamento entre produção e consumo torna-se uma tarefa complicada e desafiante [4]. É assim interessante terse uma boa previsão eólica para que seja possível uma boa gestão da produção de energia elétrica e para que não haja grandes flutuações no sistema elétrico. Com o desenvolvimento de melhores ferramentas de previsão, reduz-se não só os custos operacionais como também se torna mais fiável a integração de energia eólica no sistema de produção de energia elétrica, o que leva a que se corram menos riscos, onde o objetivo principal é de nunca haver insuficiência de energia elétrica para os consumidores [4]. A previsão de energia eólica depende muito de variáveis como a temperatura, humidade, direção do vento, rugosidade do pavimento, relevo, entre muitas outras caraterísticas ambientais (variáveis dinâmicas) [5]. É então necessário tentar encontrar o melhor ou os melhores métodos de previsão de energia eólica, para que a previsão convirja para valores mais perto do real. Já 12 Estado da arte 12 entrada (input layers), onde existe uma ou mais camadas escondidas (hidden layers), bem como por uma camada de saída (output layer). Cada camada tem um número de neurónios artificiais que são conectados a neurónios de uma camada anterior. Esta abordagem é capaz de modelar a relação complexa não linear entre as camadas de entrada e de saída através de um processo de treino e aprendizagem, havendo a possibilidade de existir autoaprendizagem, auto-organização e também auto adaptação por parte dos neurónios [4].  ANN-Fuzy Approach – A aproximação Fuzzy Logic é um mapeamento não linear das variáveis de entrada em variáveis de saída usando valores numéricos e linguísticos Fuzy em vês de valores fixos e exatos. Esta aproximação é empregue quando há dificuldade em modelar um sistema, devido à não existência de um modelo exato para a sua avaliação, sendo que “The Logic Fuzy” permite a utilização de valores aproximados e incompletos. Devido ao seu fraco poder de aprendizagem, não é favorável usar este tipo de aproximação isoladamente. Posto isto, sabe-se que as ANN desempenham bons resultados num baixo nível computacional onde existem dados que não foram tratados. No entanto, as aproximações Fuzy Logic têm bons desempenhos em elevados e complexos níveis de computação, sendo que, uma combinação destas duas aproximações estatísticas leva a que se obtenham bons resultados para uma previsão eólica, compensando as fraquezas uma da outra e vice-versa [4]. Tabela 2.3 - Principais técnicas estatísticas para previsões de curto prazo. Técnica/Modelo Descrição/Desempenho Desenvolvido por/Local ARMA [9] – Autoregressive Moving Average Alguns modelos apresentam melhorias comparando com os modelos de persistência, embora isto não aconteça com alguns modelos devido a troca de ordem de parâmetros AR (AutoRegressive) com MA (Moving Average). O desempenho deste modelo depende muito dos parâmetros existentes no modelo. Estados Unidos ARIMA [9] – Autoregressive Integrated Moving Average Quando uma transformação diferencial é aplicada no modelo ARMA, é obtido um modelo autorregressivo integrado de média móvel (ARIMA). Este modelo é uma generalização do modelo ARMA. George Box e Gwilym Jenkins – Estados Unidos AR [9] – AutoRegressive Estes métodos baseiam-se em dados históricos, na identificação do padrão e também na estimação do parâmetro. A diferença entre os valores previstos e os reais são usados para refinar os parâmetros do modelo. Apresenta melhores resultados do que o modelo de Persistência. Contaxis e Kabouris Previsão Eólica 13 13 ANN [9] – Artificial Neural Network Apresenta várias técnicas/estruturas e diferentes algoritmos de treino. Pode melhorar significativamente os modelos físicos e estatísticos para intervalos de tempo de muito curto prazo. Combinar modelos ANN, resulta em melhorias face ao modelo de persistência e pode fazer previsões tanto da velocidade do vento como de energia produzida através deste, reduzindo o erro em relação a modelos ANN simples. Tande e Landberg (1993) Takagi-Surgeno [9] Usa variáveis fuzzy para modelar a velocidade do vento e a energia produzida. Em vários casos de estudo, mostrou-se que apresentam melhores desempenhos face ao modelo de persistência, melhorando a precisão com o horizonte de previsão. Ramírez-Rosado e FernándezJiménez ANFIS [9] – Adaptive Neural Fuzzy Inference System Usa um algoritmo de aprendizagem que combina least-square estimator e o gradient descent method. Melhora a precisão da previsão e permite uma fácil instalação do sistema nos mais variados locais. O seu design é flexível e capaz de lidar com repentinas flutuações de padrões de dados, conseguindo adaptar-se aos vários critérios de previsão a curto-prazo. Jang (1993) Abductive Networks (GMDH) [9] Baseado em GMDH (Group Method of Data Handling), são métodos mais simples e automatizados que selecionam automaticamente a influência dos dados para entradas, permitindo comparações entre os modelos estatísticos e os modelos empíricos. Estes métodos têm uma convergência mais rápida quanto ao treino das redes do que os ANN e apresentam melhores resultados do que o modelo de persistência para intervalos de tempo de muito curto prazo. Foi desenvolvido para conseguir prever uma média horária da velocidade do vento. Abdel-Aal WEFS[9] – Wind Energy Forecasting System Modelo combinado que consiste em meso escala física (MM5 e WRF) e algoritmos estatísticos, que se aplica a previsões da velocidade do vento para horizontes temporais de muito curto prazo e apresenta melhores resultados do que o modelo de persistência. Usa dados em tempo real (online data) como valores de entrada para NWP acoplado com DWM (Diagnostic Wind Model) e tem em conta a topografia do local e efeitos de micro escala. McCarthy et al. PSO [9] – Paricle Swarm Optimization É um método que consiste na otimização de funções não lineares que usam um método de enxame de partículas que é usado para treinar redes wavelet. Apresentam uma redução nos erros da previsão da velocidade do vento face aos métodos ANNs. Safavieh et al. 14 Estado da arte 14 2.2.4. Abordagem a aproximações combinadas O grande objetivo do desenvolvimento e utilização de aproximações combinadas passa por aperfeiçoar a previsão final, ou melhor, tirando partido das vantagens de cada aproximação individual (física e estatística) e combinando estes dois tipos de previsão, é possível obter resultados tão bons ou melhores do que os previstos quando apenas se utilizam modelos individuais [10]. Esta diferença reside no fato de que os modelos individuais apresentam bons resultados apenas para situações específicas, pois têm desempenhos diferentes, sendo necessário desenvolver e testar diferentes modelos para que se possa escolher o mais adequado. O tempo necessário para decidir qual o modelo que irá realizar a melhor previsão, constitui também uma desvantagem na utilização de modelos individuais, o que pode ser superado pela utilização dos modelos combinados [11]. Tendo como objetivo melhorar a precisão da previsão eólica, o uso de modelos combinados, por vezes, não demonstra desempenhos satisfatórios quando comparados com as melhores previsões adquiridas através do uso de modelos individuais. Contudo, em muitos casos, prevê-se um risco menor de incerteza combinando os modelos de previsão, evitando assim fazer a seleção de um modelo individual para a mesma previsão desejada [4]. Figura 2.3 - Modelação de Aproximações Combinadas. (adaptado de [6]) 2.2.4.1 Estrutura dos Modelos Combinados Através da revisão de literatura, percebe-se que há opiniões controversas em relação á definição da estrutura dos modelos combinados. Na opinião de vários autores, o melhor procedimento, nos dias de hoje, é começar por atribuir pesos aos vários coeficientes para cada Previsão Eólica 15 15 método, de acordo com os desempenhos de previsões passadas – Weighting-based Combined Approach [10]. No entanto, existem outros modelos combinados para a previsão de energia eólica que utilizam metodologias diferentes. Nestes casos, as aproximações consistem geralmente em dois modelos diferentes: um para se fazer a previsão principal (main forecasting) e o outro para se executarem processos auxiliares, como por exemplo, a filtração de dados, decomposição de dados, seleção do melhor parâmetro e avaliação da evolução do erro residual [11]. Sendo assim e dependendo do resultado final que se pretende obter através dos processos auxiliares, as aproximações combinadas podem ser divididas em três grupos [10]: 1) Aproximações Combinadas que incluem técnicas de pré-processamento de dados (Data pre-processing techniques – based combined approaches) 2) Aproximações Combinadas que incluem técnicas otimizadas e seleção do melhor parâmetro (Parameter Selection and Optimization Techniques – base combined approaches) 3) Aproximações Combinadas que incluem técnicas de pós-processamento de dados (Data post-processing techniques – based combined approaches) Tabela 2.4 - Comparação/Evolução de aproximações combinadas para previsão eólica [10], [11]. Aproximações Combinadas Estratégia Vantagens Desvantagens Weighting-based combined approach Atribuição de pesos aos modelos de acordo com o seu desempenho Fácil de implementar e de desenvolver, adequado a uma vasta gama de horizontes temporais, adaptativo a novos dados. Não garante a melhor previsão para os demais horizontes temporais e requer um modelo extra para a determinação da influência do desempenho do modelo (pesagem do modelo) Data preprocessing techniques Obtenção da previsão de subséries com a decomposição dos modelos. Altos desempenhos, robusto para suportar rápidas variações da velocidade do vento. Requer detalhes matemáticos específicos em decomposição de modelos e apresenta uma resposta lenta quando adaptado a novos dados. Parameter Selection and Optimization Techniques Otimização dos parâmetros do modelo de previsão Estrutura relativamente básica Código difícil de implementar; depende dos conhecimentos do designer sobre otimização de problemas; Computacionalmente intensivo Data postprocessing techniques Previsão do erro residual causado Elevada fiabilidade; apresenta bom desempenho na Tempo computacional ineficiente 16 Estado da arte 16 pelo modelo de previsão redução de erros sistemáticos. Em suma, das várias aplicações destes quatro modelos, é importante referir que o Weighting-based approach, tendo por base um modelo numérico de previsão do tempo (NWP model), deve ser efetivamente utilizado para horizontes temporais de longo prazo, de forma a ser possível o planeamento da manutenção das turbinas eólicas ou dos aparelhos convencionais de produção de energia elétrica. Por outro lado, as aproximações que incluem Parameter Selection and Optimization Techniques, apresentam um enorme perfil de precisão das previsões, que são principalmente necessárias para o comércio de energia elétrica. Já as aproximações Data post-processing techniques só apresentam resultados satisfatórios no caso de existirem erros sistemáticos, que por conseguinte, não são de uma área de aplicação específica. Por último vale a pena mencionar que os modelos combinados não são eficazes para previsões de muito curto prazo, que são usadas para o controlo ativo das turbinas eólicas, pois estas aproximações combinadas têm geralmente um tempo de computação inoperante comparando com os modelos individuais. De acordo com a literatura, as aproximações combinadas Data pre-processing techniques, são para já, um sério candidato para previsões de longo prazo que poderão reunir dados complexos sobre o vento. Em contrapartida, é importante ter em consideração que deve ser evitada a utilização deste tipo de aproximação quando se pretende uma rápida resposta no processamento de dados, devido ao seu fraco poder de adaptação a novas bases de dados [11]. Resta apenas concluir que apesar dos modelos combinados apresentarem, por norma, resultados mais precisos aquando a utilização de modelos individuais, é ainda impossível, hoje em dia, perceber qual o modelo que faz a melhor previsão, independentemente do local pretendido. Por outras palavras, não existe ainda um modelo universal standard que tenha o mesmo grau de eficiência de previsão nos demais pontos geográficos. Logo, para se fazer a previsão num sítio específico, é preciso analisar todas as variáveis envolventes e aí perceber qual o modelo, ou quais os modelos que vão ter o melhor desempenho para um caso em particular [11]. 2.2.5. Previsão a nível Regional A previsão feita para uma dada região é o nome que se dá à previsão conjunta da energia elétrica produzida numa região onde existem vários parques eólicos, com o objetivo de ajudar o operador de transmissão do sistema elétrico (TSO) a gerir toda a produção feita através das unidades convencionais de produção, conseguindo assim estimar, de uma melhor forma, a capacidade das reservas. O custo das reservas irá então depender da precisão das previsões eólicas [12]. Previsão Eólica 17 17 Fazer a previsão de produção eólica para cada parque eólico a nível individual torna-se num processo muito moroso, dispendioso, que implica grandes esforços computacionais e grandes dificuldades no tratamento e gestão de dados [6]. Por isso mesmo, as técnicas adotadas baseiam-se em processos de upscaling (correlação encontrada entre dados online fornecidos pelos parques eólicos numa dada região e os dados históricos offline para a previsão de produção) [13], que tem o efeito de diminuir o erro de previsão, dado que o erro final é uma média dos erros encontrados de todos os parques eólicos pertencentes a essa mesma região [14]. Sendo difícil de obter tanto medições de energia eólica como NWPs (Numerical Weather Predictions) de todos os aerogeradores numa certa região, são então utilizadas técnicas de upscaling para dimensionar todos os dados medidos em tempo real (online data) bem como os valores fornecidos pela previsão numérica do tempo (NWP) dessa mesma região [4]. Figura 2.4 - Exemplo de um Sistema de Previsão WPPT com aproveitamento de dados On-line e Offline nos parques eólicos existentes numa dada região. (adaptado de [13]) 2.2.5.1 Técnicas de Upscaling A grande intenção do uso de técnicas de Upscaling é fazer a extrapolação do total de energia produzida pelo vento, através da previsão de um certo número de parques eólicos de referência, para os quais os NWP e/ou os dados medidos em tempo real estão acessíveis por 18 Estado da arte 18 parte do sistema de previsão. Para isso, existem várias técnicas de Upscaling, que serão mencionadas de seguida:  Direct Upscaling - É uma aproximação simples que faz a ligação da produção e os dados NWP avaliados com um ou mais parques eólicos de referência para a produção regional. Este modelo é projetado e treinado para providenciar previsões eólicas regionais. Assim, requerem a avaliação dos dados detalhados da produção total com o objetivo de estimar novos parâmetros do modelo. Este tipo de aproximação é essencialmente baseada em modelos estatísticos, sendo que a principal dificuldade com este tipo de aproximações é que a função tem que ser atualizada se forem adicionados novos parques eólicos ao sistema [6].  Cascaded Approach – Esta é uma das técnicas mais utilizadas para se fazer Upscaling. Considera duas fases de previsão: na primeira fase é estimada a geração de energia dos vários parques eólicos considerados como referência; numa segunda fase é extrapolado um somatório para a produção total a nível regional/nacional [6].  Subregions Approach – Também conhecida por Cluster, esta técnica baseia-se na agregação dos parques eólicos em grupos que contenham parques eólicos vizinhos ou parque eólicos que pertençam á mesma sub-região. É então desenvolvido um modelo para cada grupo ou sub-região baseado em valores de entradas (valores NWP ou SCADA), cedidos pelos parques eólicos de referência desse mesmo grupo ou sub-região. Por fim, a soma da produção de cada grupo ou sub-região, fornece a previsão total para a região [6]. 2.2.6. Incerteza na Previsão Eólica 2.2.6.1. Modelos de Previsão Probabilística De forma a melhorar as previsões de produção eólica tem-se vindo a utilizar cada vez mais modelos de previsão probabilística, com o objetivo de representar a incerteza na previsão de produção eólica. Aliado à previsão determinística, a previsão probabilística possui a capacidade de transmitir ao utilizador a incerteza associada ao valor previsto, ou seja, apresenta um intervalo de valores de probabilidade existente na ocorrência de um determinado valor de produção eólica previsto [4]. Esta avaliação da incerteza da previsão permite ao operador do sistema avaliar o risco associado à previsão de produção eólica que possibilita previsões mais realistas que permite otimizar processos estocásticos e de despacho de energia elétrica. [35]. De acordo com [35] existem dois tipos de aproximações associados à previsão probabilística: aproximações não paramétricas e aproximações paramétricas. Atualmente os Previsão Eólica 19 19 modelos mais utilizados baseiam-se no uso de aproximações não paramétricas que usam quantile regression. 2.2.6.1.1. Abordagem Paramétrica Neste tipo de abordagem a incerteza da previsão segue uma distribuição caraterizada por parâmetros. A distribuição gaussiana é uma das escolhas utilizadas para esta abordagem, a qual se carateriza pelo parâmetro de localização e o parâmetro de escala, que se pode observar pela pela expressão 2.1 [36]. 𝑓𝑡+𝑘|𝑡 =𝑓(𝑝𝑡+𝑘,µ,σ2), (2.1) Em que: 𝑓𝑡+𝑘|𝑡, representa a função de distribuição da previsão; µ é o parâmetro de localização; σ é o parâmetro de escala. Neste tipo de abordagem a distribuição depende de poucos parâmetros, o que resulta numa previsão simplificada e com baixos custos computacionais, o que representa umas das principais vantagens no uso deste tipo de abordagem paramétrica [36]. 2.2.6.1.2. Abordagem Não-Paramétrica Por outro lado, este tipo de abordagem é utilizado quando não é possível formular uma distribuição dos erros da previsão, não assumindo qualquer relação relativamente à forma da distribuição da incerteza da previsão [36]. Neste tipo de abordagens, as funções densidade de probabilidade (PDF) são estimadas num número finito de pontos com recurso à interpolação entre eles, onde é possível obter uma descrição completa das funções PDF. Os custos computacionais para se proceder à execução de modelos baseados em abordagens não-paramétricas são ligeiramente superiores aos custos relativos à utilização de abordagens paramétricas. Os métodos não paramétricos mais utilizados podem ser visualizados na tabela 2.5. Tabela 2.5 – Metodologias baseadas em aproximações não-paramétricas [36]. Método Descrição Quantile Regression Não assume a forma da distribuição. Kernel Density Estimation Necessita de um número elevado de amostras para construção da base de conhecimento. 20 Estado da arte 20 Inteligência Artificial Tem associados elevados custos computacionais dado a elevada exigência computacional de estimação. 2.2.6.1.3. Avaliação da incerteza da previsão A avaliação da incerteza da previsão eólica tem como principais objetivos avaliar possíveis erros nos modelos de previsão, apresentar melhorias como também sugerir quais os melhores modelos para uma determinada zona geográfica. Como medidas de avaliação de previsão probabilística é comum serem usados o reliability e o sharpness para avaliar o grau de incerteza associado à previsão como também a dispersão relacionada com a previsão [36]. Os diagramas de reliability ou confiabilidade são gráficos simples que permitem observar as frequências reais de produção de acordo com as probabilidades nominais. Com isto é possível obter informação da frequência (em %) com que a probabilidade da previsão ocorreu na realidade [37]. Para o intervalo que se pretende analisar, as previsões são calculadas para quantis de 0% a 100% em incrementos de 5%. Quando a previsão da incerteza da produção eólica apresenta um grande reliability, significa que a cobertura de todas as ocorrências deverá ser constante. [37]. Figura 2.5 – Exemplo de um diagrama de reliability de um parque eólico. O diagrama de sharpness ou de dispersão, representa a dispersão da incerteza da previsão em relação à escala de valores a prever. Assim quanto maior for a amplitude do intervalo da incerteza, maior será a dispersão. Uma distribuição de previsão mais concentrada produz melhores resultados do que uma distribuição menos concentrada. A amplitude da distribuição é o principal foco da avaliação deste parâmetro na previsão da incerteza de produção eólica. 0,0% 1,0% 2,0% 3,0% 4,0% 5,0% 6,0% 7,0% 8,0% < MIN [0,00;0,05] [0,05;0,10] [0,10;0,15] [0,15;0,20] [0,20;0,25] [0,25;0,30] [0,30;0,35] [0,35;0,40] [0,40;0,45] [0,45;0,50] [0,50;0,55] [0,55;0,60] [0,60;0,65] [0,65;0,70] [0,70;0,75] [0,75;0,80] [0,80;0,85] [0,85;0,90] [0,90;0,95] [0,95;1,00] >MAX Probability PDF Quantile Interval PDF Reliability Diagram Forecasted Ideal Previsão Eólica 21 21 Figura 2.6 – Exemplo de um diagrama de dispersão (sharpness) de um parque eólico. 28 Estado da arte 28 2.3.4. Precisão da Previsão O uso de modelos avançados, como foi explicado neste capítulo, possibilitam melhores previsões face aos modelos de referência mencionados. Porém é difícil encontrar o melhor modelo, devido às dependências do local. Assim, e sabendo que os modelos existentes já possibilitam excelentes previsões, estes não garantem a mesma eficiência para todo o tipo de cenários [4]. Seguem-se vários pontos que tentam explicar como é que a precisão dos modelos tende a variar. 2.3.4.1 Horizonte Temporal A precisão dos modelos de previsão, por norma, piora com o aumento da escala dos intervalos de tempo da previsão. Dito isto, os resultados apresentados pelo MAE rondam intervalos entre os 5% e os 15% e por conseguinte os erros aumentam rapidamente com a amplificação do horizonte temporal. Para intervalos de tempo maiores, o MAE poderá estar entre os 13% e os 21% para a previsão de 1 até 2 dias depois, e aumenta significativamente quando se quer uma previsão para 3 ou mais dias, onde o seu valor percentual varia entre os 20% e 25% [4]. 2.3.4.2 Complexidade do Local Com um horizonte temporal de várias horas, ficou provado através de artigos científicos que o NMAE para terrenos planos (baixa complexidade), apresenta valores muito menores do que em locais onde existe uma maior irregularidade no terreno [4]. 2.3.4.3 Variação Sazonal Devido à variabilidade do tempo e às estações do ano, constatou-se que as previsões com menores erros acontecem no Inverno. Isto deve-se à elevada velocidade do vento e também porque no Verão existe uma maior incerteza em situações de tempestade, em particular em locais com baixa pressão e onde a velocidade do vento, bem como direção e outras variáveis relacionadas, são difíceis de padronizar [4]. 2.3.4.4 Condição do tempo Existem índices que permitem analisar a estabilidade do tempo, os chamados MRI (Meteorological Risk Index). Os erros das previsões aumentam linearmente com o grau de Avaliação do desempenho da previsão 29 29 instabilidade temporal, sendo que em ambientes onde as condições temporais variem mais do que o normal, não existe tanta certeza nas previsões efetuadas. Existem vários documentos que explicam que esse aumento do erro, não está concretamente ligado com a velocidade do vento, mas sim com os níveis de pressão existentes. Portanto, conclui-se que o erro de previsão é maior em situações de menor pressão atmosférica do que locais com maior pressão atmosférica [4]. 2.3.5. Potenciais aperfeiçoamentos para melhoria do desempenho das previsões Ao longo do tempo têm surgido vários desenvolvimentos com o objetivo de reduzir os erros das respetivas previsões da velocidade do vento, previsão eólica, previsão das correlações espaciais, previsão regional, previsão probabilística bem como nas previsões dos parques eólicos offshore. Seguidamente são apresentadas algumas sugestões com o objetivo de ajudar a melhorar a precisão dos modelos de previsão usados [4]. 2.3.5.1 Kalman Filtering A informação precisa dos NWPs têm uma enorme importância para a previsão da velocidade do vento e da energia produzida. No entanto, reduzir a incerteza dos NWPs, conduz a melhorias significativas das previsões. Os algoritmos Kalman Filtering são então aplicados para filtrar os erros sistemáticos, fornecendo ótimas estimativas recursivas através da combinação de recentes observações ponderadas que minimizam os respetivos BIAS [4]. 2.3.5.2. Combinações Ótimas A combinação de diferentes NWPs ou de diferentes modelos, possibilita adquirir as vantagens de cada modelo, melhorando assim as previsões efetuadas. Para além deste fator, estas combinações podem reduzir o risco quando se está perante cenários extremos [4]. 2.3.5.3. Spatial Smoothing Effects Como já foi referido, as previsões a nível regional são uma importante aquisição para o operador de sistema, possibilitando o cálculo de uma estimativa da produção total através da energia eólica. As flutuações da potência combinada dos vários parques eólicos são amortecidas, o que resulta numa diminuição das flutuações de energia produzida a nível regional quando comparada com as previsões individuais para cada parque eólico – spatial smoothing effects. Este fator leva a uma especial atenção e motivação no desenvolvimento de modelos de previsão regional [4]. 30 Estado da arte 30 2.3.5.4. Statistical Downscalling O desenvolvimento de melhores NWPs, que são normalmente os dados primários usados como entrada para os modelos de previsão, implica melhorar também a precisão das previsões efetuadas. Os NWPs estão somente acessíveis para pontos da rede elétrica que geralmente correspondem a áreas que são mais extensas do que os próprios parques eólicos. Assim, estimar por exemplo a velocidade do vento num dado local, leva a que haja mais precisão na previsão eólica, utilizando esses valores estimados como dados de entrada para os modelos de previsão. A ideia principal de Statistical Downscalling é usar cálculos com maiores resoluções através da implementação de dados físicos mais completos que consigam trazer informação física mais detalhada das condições de um local específico, melhorando assim o desempenho dos modelos de previsão [4]. 2.3.5.5. Input Parameter Selection A seleção de parâmetros usados para entradas dos modelos de previsão, é crucial para o bom desempenho das previsões. Muitos parâmetros de entrada têm sido estudados e, através da literatura, é possível perceber que este fato tem ajudado muito na redução dos erros de previsão. A inclusão de observações que são feitas fora do local onde estão as turbinas eólicas, com os modelos NWPs, são uma mais-valia para a precisão da previsão. O uso de alguns parâmetros meteorológicos como entradas, como a direção e a velocidade do vento, temperatura e pressão, ajudam também na minimização do erro da previsão. Além destes fatores, também a transformação de dados em relação à própria velocidade do vento potencializam a precisão das previsões. Existem já algumas técnicas de manipulação de dados como é o caso da Wavelet Decomposition, Empirical Mode Decomposition e Frequency Domain Approach [4]. 2.3.5.6. Power Curve Modeling Quando se converte a velocidade do vento em energia elétrica produzida, as imprecisões devido a relações não lineares conduzem à existência de mais erros. A energia eólica bem como a velocidade do vento estão relacionadas através de uma relação cúbica, que por conseguinte leva a que, quando existem pequenas variações na velocidade do vento, haja maiores desvios na energia elétrica produzida. Assim, havendo uma relação mais precisa entre a velocidade do vento e a energia produzida, o erro relativo à conversão da velocidade do vento em energia elétrica produzida diminui consideravelmente. Avaliação do desempenho da previsão 31 31 O modelo convencional da curva de potência estende-se para o modelo de previsão de um respetivo parque eólico pela adição da dependência da direção do vento com a sua velocidade. Este modelo da curva de potência de duas dimensões (direção e velocidade do vento) pode ajudar a tornar o modelo de previsão mais preciso, relacionando de uma melhor forma a velocidade do vento com a energia produzida através deste [4]. Figura 2.7 - Curva de Potência Típica de uma turbina eólica com velocidade do vento constante. 2.3.5.7. Forecasting Parameter Uma das decisões mais importantes num sistema de energia eólica é a escolha dos parâmetros que irão ser utilizados para a previsão. O individuo responsável por fazer a previsão, poderá escolher como variável de entrada, a velocidade do vento, a velocidade e direção do vento, etc. Em suma, é de extrema importância saber quais as variáveis mais influentes para cada caso, como também o método a adotar que possibilite o melhor desempenho da previsão que se deseja efetuar [4]. 2.4. Aspetos Espácio-Temporais da Previsão Eólica Como tem sido referido ao longo deste capítulo, devido à variabilidade e às incertezas na produção renovável, como é o caso da produção eólica, existem vários fatores desafiantes a ter em conta para a operação dos sistemas elétricos de energia [20]. Derivado de vários estudos feitos até então, é sabido que a dispersão espacial dos vários parques eólicos pode ser totalmente agregada e assim suavizar a produção eólica total num determinado local/região. A realidade é que a produção eólica tende a ser fortemente correlacionada entre os vários pontos geográficos [20], e têm sido feitos bastantes desenvolvimentos nesta área, com o 32 Estado da arte 32 objetivo de tornar a previsão de produção eólica cada vez mais precisa, o que é importante para os vários RTO (Regional Transmission Organizations). A previsão eólica é conseguida através de padrões de vento estabelecidos, que tendem a seguir certas correlações espaciais geográficas. Os avanços tecnológicos nas demais áreas, como o desenvolvimento de sensores, comunicação e computação, levam a que a correlação espacial de dados relativos ao vento seja aproveitada para poder tornar ainda mais precisas as previsões para curto prazo, que se poderá aplicar, num futuro próximo, a previsões onde o horizonte temporal é mais extenso [19]. O vento é considerado um dos mais difíceis parâmetros meteorológicos para fazer previsão. O comportamento da velocidade do vento pode ser influenciado por vários fatores: propriedades topográficas da terra, rotação da terra, temperatura, pressão, obstáculos, altura do anemómetro (aparelho utilizado para medir a velocidade do vento), etc. [21]. No entanto, e devido à inércia de aspetos meteorológicos, um dado erro de uma previsão gerada num certo local e num certo período de tempo, irá estar relacionado com futuros erros de previsão num outro local e num espaço de tempo próximo ao anterior, ou seja, o mesmo erro numa previsão inicial poderá propagar-se para uma previsão num local vizinho. Contudo, certas previsões bem como a informação de incertezas relacionadas com a previsão são usualmente geradas individualmente para certos locais de interesse (parque eólico ou um grupo de parques eólicos), sem ter em conta aspetos espácio-temporais observados nos locais onde existe geração de energia eólica. Os potenciais benefícios da análise espácio-temporal bem como da modelação dos erros de previsão associados, incluindo as correções das previsões globais de energia eólica, permitem o aumento do conhecimento sobre a estrutura de interdependência associada à incerteza da previsão, correspondendo a um aperfeiçoamento das previsões. Todas estas vantagens dizem respeito tanto aos produtores de energia eólica que podem obter um enorme portfólio geográfico (melhor perceção a nível geográfico dos vários locais), como também aos operadores do sistema de transmissão que lidam com uma forte integração de energia eólica no sistema elétrico. Por outro lado, as dependências espácio-temporais trazem também benefícios para a fase de planeamento, para despachos ótimos dos parques eólicos, com o objetivo de melhorar a previsão de produção de energia eólica numa região, onde estão envolvidos vários parques eólicos [22]. Ter uma previsão com elevado grau de precisão para as horas seguintes, é a chave para se conseguir estimar uma produção de energia eólica bem como para ajudar a definir a melhor estratégia para maximizar o lucro e prevenir penalizações por falta de entrega de energia [21]. 2.4.1. Breve comparação dos métodos adotados Atualmente é possível encontrar muita literatura que tem como base o uso de NWP para fazer previsões eólicas para o dia seguinte, onde o resultado final apresenta valores Aspetos Espácio-Temporais da Previsão Eólica 33 33 relativos de precisão, chegando a ter valores de MAE entre os 15%-20%, aproximadamente. Para horizontes temporais de curto prazo com uma elevada resolução espacial, a complexidade computacional torna os modelos NWP um pouco intratáveis, devido ao imenso tempo e memória de processamento requerido [19]. De entre todos os modelos de previsão analisados neste capítulo (estatísticos, físicos, correlação espacial, modelos baseados em inteligência artificial, etc.) podem tirar-se algumas conclusões:  Por um lado, os modelos estatísticos tornam-se em métodos muito mais competitivos para os possíveis problemas de previsão eólica de curto-prazo, que permitem capturar as rápidas variações dinâmicas da atmosfera. Sendo assim, a previsão através de modelos estatísticos potencializam a precisão e eficiência das previsões, onde se consegue reduzir os valores do MAE para aproximadamente 5% ou talvez menos [19].  Os modelos físicos consideram apenas caraterísticas como: terreno, obstáculos, pressão e temperatura para estimar o futuro valor da velocidade do vento. Têm, em geral, fracos resultados para uma previsão de curto-prazo [19].  Os modelos de inteligência artificial usam um histórico de dados para se obterem modelos de treino que possam ser usados para futuras previsões da velocidade de vento. O problema de quase todos os modelos desenvolvidos através de “machine learning” é que assumem que o valor futuro da velocidade do vento depende dos valores recentemente medidos para a mesma localização. Dado que, o vento é um fenómeno físico que varia ao longo do tempo, e apresenta diferentes comportamentos nos mais variados sítios, leva a que este fator não seja incluído e limite assim os modelos que apenas têm em consideração um local para fazer previsões futuras. Estes modelos ignoram assim a dependência espacial neste domínio, onde a velocidade do vento está diretamente correlacionada com a velocidade do vento em locais vizinhos [21].  Os spatial models usam informação de previsão da velocidade do vento da vizinhança, que são normalmente usados quando não existe nenhuma forma de avaliação e medição nos locais onde se pretende fazer a previsão [17]. Mesmo que as metodologias de previsão sejam desenvolvidas para diferentes sítios, a estrutura da interdependência espacial nos campos de produção de eólica (completa descrição das caraterísticas da produção eólica nos vários domínios de interesse), é raro ser considerada desde que seja totalmente capturada por previsões meteorológicas que são usadas como dados de entrada. Recentemente, os investigadores desta área têm procurado concentrar o seu trabalho na previsão da velocidade do vento usando correlações espácio-temporais para 34 Estado da arte 34 posterior aplicação nas previsões de energia eólica (para curto prazo, tipicamente 2h depois) [22]. 2.4.2. Desenvolvimento de Modelos Espácio-Temporais para a Previsão Eólica Nesta secção serão apresentados alguns dos desenvolvimentos mais atuais relacionados com aspetos espácio-temporais. Estes métodos usam informação de estações vizinhas para melhorar a previsão num certo local, desde que haja uma significante correlação entre os dados de séries temporais do local para o qual se pretende fazer a previsão e de locais vizinhos.  Dowell et al. [23], Implementaram um sistema adaptativo “multi-channel adpative filter” para conseguirem fazer a previsão da velocidade e da direção do vento, tirando assim vantagens das correlações espaciais de vários pontos geográficos.  He et al. [24], apresentaram um modelo estocástico “Markov chain” para fazer previsões de produção eólica depois de fazerem a caraterização de uma distribuição estatística da produção agregada através de um gráfico de aprendizagem baseada numa análise espácio-temporal.  Tastu et al. [25], estudou modelos de comutação de regime baseados na direção do vento onde consideraram vários modelos estatísticos, como o modelo ARX, com o objetivo de perceber o efeito das diferentes variáveis na caraterística dos erros da previsão.  J.Wang et al. [25], formulou um algoritmo security-constrained unit commitment, que considera a intermitência e volatilidade da energia eólica.  P. Meibom et al.[26]e [27], desenvolveram um modelo de otimização estocástico para estudar os impactos operacionais derivado da enorme integração de energia eólica na Europa.  D. Bertsimas et al. [28], propuseram uma otimização robusta adaptativa para resolver certas restrições de segurança do unit commitment. Aspetos Espácio-Temporais da Previsão Eólica 35 35  Y. Guan et al. [29], apresentou um robust unit commitment model para agendar a energia eólica bem como para bombear o armazenamento hídrico.  Le Xie et al. [20], propuseram dois novos modelos estatísticos de previsão eólica TDD (Trigonometric Direction Diurnal) e TDDGW (TDD with geostrophic wind information) que aproveita a correlação espácio-temporal de dados como a velocidade do vento e a sua direção entre os vários parques eólicos geograficamente dispersos, com o objetivo de reduzir os custos de produção de energia em 6% (associado com produção eólica).  X. Zhu et al. [30], desenvolveram um modelo espácio-temporal “RRSTD” com o objetivo de permitir que os modelos variem ou se adaptem à velocidade do vento dominante ou ao período sazonal sem requerer um estudo muito complexo da informação geográfica. Propuseram também um outro método baseado nos custos de operação do sistema com a finalidade de obter um melhor, realístico e mais económico despacho de energia por parte do sistema electroprodutor que tem em atenção relações espácio-temporais modelados pelo RRSTD. Com isto, permite uma redução nos custos em cerca de 2,9%, apesar da base de dados ser razoavelmente pequena e advir de um microclima especifico, acredita-se que haja potenciais ganhos em combinar a precisão de relações espácio-temporais com o planeamento do sistema elétrico.  M. Sanandaji et al. [31], propuseram dois métodos espácio-temporais para previsão da velocidade do vento, a que chamaram uniform and nonuniform CST-WSF (Compressive Spatio-Temporal Wind Speed Forecasting). Estes métodos são inspirados em Compressive Sensing e num algoritmo structured-sparse recovery, onde afirmam que geralmente existe uma estrutura de baixa dimensão que gere uma vasta coleção de parques eólicos. 36 Estado da arte 36 37 Capítulo 3 Caracterização e processamento de dados 3.1. Introdução Este capítulo mostra todo o processo de tratamento de dados, pelo que é feito um apanhado geral de todos os dados que irão ser usados, seja para avaliação ou para comparação entre os demais parques eólicos. De todos os parques eólicos existentes em Portugal, foram recolhidos dados para 38 parques eólicos, pertencentes a várias zonas do país, estando localizados no norte, centro (interior) e centro sul. Foram também selecionados alguns parques localizados perto de zonas costeiras com o objetivo de se analisar os potenciais efeitos da proximidade da costa marítima no erro da previsão de produção eólica. Fazer uma caraterização individual de todos os parques eólicos seria um processo muito massivo, pelo que se optou por escolher um parque referência (parque 1), onde foi suportado a maior parte do estudo da dissertação. Convém mencionar que apesar de não se ter realizado uma descrição pormenorizada para todos os parques, é interessante saber que a seleção do conjunto total de parques tem como objetivo abranger uma base alargada de dados para ser possível fazer uma comparação dos vários estudos a serem feitos. 44 Estado da arte 44 produção eólica ao longo de um dia, onde se calculou a produção média horária durante o ano de 2014 e 2015. Figura 3.9 – Produção Elétrica Média Normalizada por hora para o ano 2014 e 2015. Da observação da figura 3.9 consegue-se compreender que os máximos médios de produção são atingidos no período entre as 3h e as 6h. Verifica-se, por outro lado, um ligeiro decréscimo na produção a meio do dia, por ser a fase mais quente do dia e onde a velocidade do vento não atinge valores muito altos, repercutindo-se na produção eólica. 3.8. Correlação da produção entre parques Através dos dados de treino, que engloba apenas o ano de 2014, já que ano 2015 foi considerado para teste, foi possível criar um gráfico para avaliar a correlação entre o parque referência (parque 1) e a distância a que os restantes parques estudados se encontram do parque referência. Para isso calculou-se a correlação entre a produção de cada parque e a do parque 1. Depois de obtida a correlação entre as produções criou-se um gráfico de dispersão para avaliar a relação entre as distâncias e a correlação de produção dos parques ao parque referência. 0 0,05 0,1 0,15 0,2 0,25 0,3 0,35 00:00 - 01:00 01:00 - 02:00 02:00 - 03:00 03:00 - 04:00 04:00 - 05:00 05:00 - 06:00 06:00 - 07:00 07:00 - 08:00 08:00 - 09:00 09:00 - 10:00 10:00 - 11:00 11:00 - 12:00 12:00 - 13:00 13:00 - 14:00 14:00 - 15:00 15:00 - 16:00 16:00 - 17:00 17:00 - 18:00 18:00 - 19:00 19:00 - 20:00 20:00 - 21:00 21:00 - 22:00 22:00 - 23:00 23:00 - 00:00 Potência Elétrica Normalizada Intervalo Horário (horas) Correlação da produção entre parques 45 45 Figura 3.10 – Correlação entre a distância dos parques estudados e o parque referência (parque 1). Através da figura 3.10 é possível observar que os parques mais distantes tem uma relação muito diminuta relativamente aos parques próximos do parque 1. Quer isto dizer, que incluir variáveis conhecidas de parques eólicos próximos, pode trazer mais-valias à previsão de produção eólica de um determinado parque. 0 0,2 0,4 0,6 0,8 1 050 100 150 200 250 300 350 400 Correlação entre os parques eólicos Distância (km) 47 Capítulo 4 Previsão Sincronizada de Produção Eólica 4.1. Introdução Para a realização da previsão dos parques eólicos referidos no capítulo anterior foram utilizadas duas ferramentas computacionais de previsão, incluindo previsões deterministas e probabilísticas. Assim é possível avaliar não só valor concreto da previsão de produção eólica como também o nível de incerteza com que cada valor é previsto. Como tal, neste capítulo serão explicadas essas duas ferramentas, onde se utiliza inicialmente a previsão com recurso a redes neuronais artificiais (apenas previsão determinista) e por seguinte a utilização do NW-KDE (Nadaraya Watson-Kernel Density Estimator), que permite estimar e modelizar a incerteza da respetiva previsão eólica. Por fim será feita uma breve comparação entre estas duas ferramentas utilizadas. 4.2. Redes Neuronais Artificiais (RNA) Uma rede neuronal é um conjunto de neurónios interligados, onde cada neurónio representa uma unidade de processamento elementar. Por outras palavras, uma rede neuronal consiste na implementação de uma rede de circuitos que simula o funcionamento do cérebro humano, ao qual se pode recorrer para solucionar problemas de complexidade elevada, onde as metodologias tradicionais, como as regressões lineares, ainda não encontram uma resposta plausível [32]. Nas redes neuronais artificiais, através de um processamento interno não linear, ocorre um processo de transformação de entradas numa saída (relação de input-output). O 48 Previsão Sincronizada de Produção Eólica 48 funcionamento de uma rede neuronal começa pelos dados de entrada (input) que contêm informação, informação essa “guardada” num neurónio, e que é depois processada internamente de forma não linear, constituindo depois um dado de saída (output) [33]. O que diferencia os mais variados tipos de redes neuronais é a estrutura por camadas em que os neurónios estão organizados, principalmente o número de neurónios que existem por camada e a forma como são feitas as ligações entre neurónios [34]. A estas ligações ou conexões entre neurónios estão associados pesos, que são fatores multiplicativos semelhantes a um coeficiente de regressão, que derivado da experiência de interconexão e da adaptação interna destes fatores, advém a capacidade de conseguir uma previsão adequada de valores futuros [32]. Independentemente do tipo de rede neuronal que se utilize, o funcionamento destas reúne sempre duas fases cruciais [32]:  A primeira fase, designada de treino, é representada pelo fornecimento à rede neuronal de dados de entrada e dados “alvo” (variável que se pretende prever). Nesta fase é onde ocorre a correção dos pesos das ligações internas que se vão adaptando à informação explicadora dos dados introduzidos, através de um algoritmo de aprendizagem.  A segunda fase é a fase de teste da rede neuronal. Aqui são aplicados os pesos que foram otimizados na fase de treino, para se processar um conjunto de dados, para que o erro médio quadrático entre os outputs produzidos pela rede e os outputs reais (target ou dados “alvo”) seja mínimo. Este conjunto de dados, que não foi fornecido anteriormente à rede neuronal, constitui o resultado final desse processamento, sendo estes os valores finais da previsão da variável que se escolheu para determinar os valores futuros (outputs). Para se verificar se a previsão efetuada assume valores admissíveis para o fim a que se destinam, compara-se os valores finais previstos com os valores reais equivalentes para o mesmo intervalo de tempo. 4.2.1. Tipos de RNA Como dito anteriormente, existem vários tipos de redes neuronais, que de forma geral se podem agrupar em duas grandes famílias: redes neuronais feed-forward e as redes neuronais feed-backward. Nas redes neuronais feed-forward ou progressivas, as entradas propagam-se pela rede, dos neurónios de entrada para os neurónios da camada escondida e depois para os neurónios de saída – movimento unidirecional num sentido progressivo. De acordo com [34] estas redes podem ser caraterizadas em três tipos de redes neuronais: Redes Neuronais Artificiais 49 49  Redes Single Layer Perceptron – São as redes do tipo feedforward mais simples, onde o processamento da informação é equivalente ao de uma regressão linear.  Redes Multilayer Perceptron – Neste tipo de redes a camada escondida suporta um número variável de neurónios, possibilitando a identificação de relações não lineares processadas entre as entradas e as saídas. Note-se que todos os testes efetuados para prever a produção eólica através de RNA, são feitos baseados neste tipo de rede neuronal.  Redes Radial Basis Function – Assumem uma estrutura semelhante às redes Multilayer Perceptron, que se diferenciam apenas nas funções de ativação dos neurónios, que se baseiam em funções Gaussianas. As redes neuronais feed-backward ou recorrentes assumem um comportamento temporal dinâmico, onde a propagação dos erros obtidos se faz desde a camada de saída da rede até à primeira camada escondida, existindo portanto conexões no sentido progressivo e retrocedente, ao que se chama de fluxo bidirecional. A implementação computacional da rede neuronal artificial feed-forward foi executada com a ajuda da plataforma digital MATLAB R2015a (funções Neural Network Toolbox), desenvolvida pela MathWorks. 4.2.2. Parametrização da RNA A realização de treinos e testes foi feita com recurso ao algoritmo de aprendizagem de Levenberg-Marquardt, estabelecendo-se um rácio de amostras de 80%, 15% e 5% para treino, validação e teste respetivamente. Experimentou-se um rácio de 70%, 15% e 15% para os respetivos parâmetros, mas esta parametrização aumenta o erro de previsão para este caso, logo não foi usada porque o objetivo é precisamente o oposto. Para a determinação o número de neurónios da camada escondida, e visto que não há uma convenção ótima definida para o número de neurónios nessa camada, a fórmula para este cálculo apoiou-se numa das várias regras estabelecidas. Assim, neste caso o número de neurónios depende do número de variáveis de entradas introduzidas (input) na rede neuronal, como se pode perceber através da equação 1.15. 𝑛º 𝑑𝑒 𝑛𝑒𝑢𝑟ó𝑛𝑖𝑜𝑠=2𝑛 + 1 (4.1) Sendo 𝑛 o número de variáveis introduzidas. Convém mencionar que, para se obter uma previsão mais precisa, o modelo de previsão é testado para 10 redes neuronais independentes. Na realidade o que acontece é que existem 50 Previsão Sincronizada de Produção Eólica 50 10 previsões distintas com a mesma parametrização para o mesmo modelo (10 vetores correspondentes à previsão da produção eólica). O resultado final é obtido através de uma média aritmética das dez previsões, dando origem a um único vetor de valores médios que correspondem à previsão final da produção eólica para o dia seguinte. Este tipo de processo, com o nome de Ensemble Averaging, permite assim construir modelos mais robustos onde os valores previstos são mais fiáveis e realistas, quando comparados com apenas uma única rede neuronal que tem uma menor probabilidade de apresentar resultados tão bons qualitativamente, devido a possíveis erros que possam existir. Os conjuntos de treino e teste foram selecionados de acordo com o que foi mencionado detalhadamente no capítulo 3. Cada conjunto de treino e teste é constituído por apenas duas variáveis, com um total de 38449 intervalos horários de previsão (de 15 em 15 minutos) ao longo dos anos de 2014 e 2015, divididos em:  Conjunto de treino: 26089 intervalos horários de previsão.  Conjunto de teste: 12360 intervalos horários de previsão. Para facilitar a compreensão da arquitetura da rede neuronal, apresenta-se de seguida o diagrama simplista da rede neuronal. Figura 4.1 - Esquema do processo preditivo da RNA. (adaptado de [34]). Conjunto de treino - Matriz Target (produção eólica real D+1) - Vetor Conjunto de Teste - Matriz 26089 12360 26089 Nº de Variáveis 1 Nº de Variáveis Construção do Modelo de Previsão (Input) NN 1 NN 2 NN 3 NN 4 NN 5 NN 6 NN 7 NN 8 NN 9 NN 10 Previsão 1 Previsão 2 Previsão 3 Previsão 4 Previsão 5 Previsão 6 Previsão 7 Previsão 8 Previsão 9 Previsão 10 Média Aritmética Previsão Final da Produção Eólica - Vetor Computação do Modelo de Previsão Outpu da Computação Processamento do Output Obtenção Previsão Final Fases do Processo Preditivo NW-KDE 51 51 4.3. NW-KDE O Kernel Density Estimator (KDE) é uma ferramenta que usa técnicas de aproximação não-paramétricas com o poder de modelizar as distribuições de incerteza, onde a principal vantagem é limitar os erros de previsão, isto é, limita os erros de estimação gerados devido à suposição incorreta da função de regressão assumida. Ao contrário de técnicas descrita anteriormente, onde se utiliza uma abordagem puramente paramétrica, este método de previsão necessita não só de um conjunto de dados que possibilite a previsão, mas também requer um nível de processamento mais exigente devido ao tipo de parametrizações que esta metodologia envolve. Isto porque a estimativa da função densidade de probabilidade pode ser vista como uma generalização da regressão, uma vez que o objetivo é determinar uma função densidade de probabilidade e não apenas um valor esperado, o que não acontece aquando o uso de redes neuronais [2]. No entanto, foi desenvolvida uma variante do KDE, o NW-KDE, que se diferencia em alguns aspetos relacionados com a formulação matemática e por apresentar melhorias significativas no tempo de resposta computacional. 4.3.1. Descrição do NW-KDE Com base na ferramenta de previsão KDE, na estimação de Nadaraya-Watson, bem como na distribuição Beta, foi então desenvolvida uma variante com o nome de Nadaraya WatsonKernel Density Estimator (NW-KDE), uma versão bastante mais fluida, pois possibilita estimar diretamente os parâmetros da distribuição de probabilidade em vez de estimar uma distribuição discreta não-paramétrica. O NW-KDE apresenta também algumas funções adicionais em relação à sua versão original: introdução de um modelo recorrente, variáveis cíclicas, pesos para os casos na base de conhecimento, parametrização dinâmica e parametrização de incerteza [2]. O estimador Nadaraya-Watson possibilita estimar diretamente o valor médio e a variância da função densidade condicionada, ou melhor, este estimador permite obter o valor esperado de uma determinada função densidade condicionada na vizinhança de um caso de vetor de variáveis explicadoras. Por outro lado, a função densidade de probabilidade Beta ou distribuição Beta, onde são aplicadas as estimativas para a média e variância, permite a modelização de variáveis com limites máximos e mínimos, o que acontece com a produção eólica [2]. 52 Previsão Sincronizada de Produção Eólica 52 4.3.2. Parametrização do NW-KDE Neste ponto, o foco é tentar escolher a melhor parametrização para se conseguir obter a melhor previsão possível. Sendo que a estrutura da parametrização depende de caso para caso, e visto que nesta dissertação foi estimado o valor da potência eólica para vários parques, optou-se pela definição de uma parametrização base para o parque referência, com alguns elementos em comum com os restantes parques e outros que se vão ajustando de acordo com as várias restrições para cada parque eólico. No entanto, e por ser um processo bastante moroso para o caso de se querer uma previsão ótima, nesta dissertação não se deu muita importância às potencialidades da parametrização, no sentido de se conseguir a melhor previsão para cada parque, pois não é esse o principal objetivo. Com o intuito de se perceber de forma geral o funcionamento da parametrização seguese uma breve explicação dos vários parâmetros existentes nesta ferramenta (mais detalhado em [2] como também qual a parametrização escolhida para se proceder finalmente à previsão da produção eólica de cada parque. Estes parâmetros variam entre:  Nível de ativação – define o limite mínimo que uma variável histórica pode alcançar quando lhe é aplicada o filtro do Kernel com o objetivo de ser registada como um ponto similar. Este parâmetro pode ser ajustado com valores entre 0 e 1.  H de Referência – valor da largura de Kernel ou largura de banda. Pode levar a que haja situações em que o número de pontos similares encontrados sejam mínimos aquando a escolha de um H de referência de pequena magnitude, o que possibilita a existência de muitos picos devido à curva densidade ser pouco suave. Caso o H de Referência seja um valor elevado pode existir uma concentração baixa de dados, o que leva a que a curva densidade se encontre suavizada por excesso, o que implica que a densidade real dos dados não seja representada de forma satisfatória.  H da Variável Recursiva – apresenta uma função semelhante ao H de Referência, com a diferença de que esta corresponde apenas à largura do Kernel que será aplicado à variável recursiva.  H Dinâmico – Este parâmetro pode ser 1 ou 0 (ligado ou desligado). É considerado o dinâmico geral.  H Dinâmico V – É um parâmetro que permite escolher se uma determinada variável terá o dinâmico ligado ou desligado. Pode ser 1 ou 0. Previsão com informação local 53 53  Pontos – Número médio de pontos similares que o utilizador pretende considerar para o filtro Kernel de cada variável. Este parâmetro só tem interesse nos casos em que o H Dinâmico e o H Dinâmico V de algumas variáveis estiverem ativos.  Variável Cíclica – 1 para o caso de ser cíclica (p. ex. a direção do vento) e 0 para o caso de não ser cíclica (p. ex. a velocidade do vento).  Fator de Ajuste – Fator multiplicativo aplicado aos parâmetros 𝛼 𝑒 𝛽. Tem como consequência uma variação das concentrações da função distribuição de probabilidade. 4.4. Previsão com informação local Depois de feitas as parametrizações e se obter o conjunto de dados organizado entre dados de treino, teste e target, segue-se a introdução do tipo de variáveis que se pretende usar para a execução da previsão. Para se obter as previsões de produção eólica dos vários parques eólicos de Portugal mencionados no capítulo 3, utilizaram-se apenas duas variáveis: Velocidade do Vento Prevista a 100 metros de altura e a Direção do Vento Prevista, também a 100 metros de altura. Estas foram as variáveis que se disponibilizaram para esta dissertação juntamente com a densidade do Ar, embora esta última não tenha sido utilizada para se estimar os valores de produção eólica para o dia seguinte. Compararam-se os 11 parques trabalhados nos dois métodos de previsão, para assim se analisar o método mais eficaz. A título de exemplo apresentam-se de seguida algumas representações gráficas para se observar a evolução da previsão ao longo de uma semana para vários parques, comparando os dois métodos adotados, em relação à produção eólica real. Figura 4.2 - Comparação entre a Produção Eólica Real e as previsões de Produção Eólica obtidas através do NW-KDE e de RNA, para uma semana de Dezembro de 2014 (parque 1). 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 Potência Elétrica Normalizada Previsão NW-KDE Real Previsão RNA 60 Previsão Sincronizada de Produção Eólica 60 Tabela 4.5 - Erros para as previsões de produção eólica para o parque referência com introdução da variável velocidade do vento dos parques menos correlacionados. PARQUES MAE MPOE MNEE MBIE PARQUE REF. 9,71% 5,90% 14,50% -3,15% PARQUE REF. C/ PARQUE 21 9,85% 6,12% 14,67% -2,95% PARQUE REF. C/ PARQUE 34 9,78% 5,90% 14,63% -3,23% PARQUE REF. C/ PARQUE 37 9,91% 6,33% 14,56% -2,76% Com a análise da tabela 4.5, verifica-se que o MAE aumentou ligeiramente. Embora estas varações sejam poucas significativas, dá para perceber que a introdução de parques pouco correlacionados influência a previsão no sentido negativo, sendo que o parque 37 (o menos correlacionado) é o que apresenta piores resultados. 4.6. Previsão de produção eólica com inclusão de variáveis temporais Nesta secção o objetivo passa por avaliar se a introdução de produção eólica com inclusão de horas conhecidas influenciam a previsão de produção de energia do parque referência (para previsão do dia seguinte d+1). Foram então avaliadas várias situações:  Previsão do Parque 1 com introdução de produção eólica real (do mesmo parque) para: uma hora conhecida (t-1), três horas conhecidas (t-3), seis horas conhecidas (t-6), nove horas conhecidas (t-9) e doze horas conhecidas (t-12);  Previsão do Parque 1 com introdução de produção eólica real para dozes horas conhecidas (t-12) de parques vizinhos; Para o primeiro ponto foram incluídos na previsão os dados de treino e teste da produção eólica do parque 1 com o intervalo de horas conhecidas pretendido. Para o segundo ponto analisaram-se os parques vizinhos com melhor correlação em relação ao parque 1 e deste modo selecionaram-se os dados de treino e de teste de produção eólica real para doze horas conhecidas (t-12) dos respetivos parques mais correlacionados, para posteriormente ser introduzido no modelo de previsão do parque 1 e ver então os seus efeitos. 4.6.1. Inclusão da produção das últimas horas conhecidas do parque 1 Para este teste incluíram-se os dados relativos à última hora conhecida para se proceder à previsão do parque 1. Para além das variáveis já utilizadas para a previsão do parque 1, sendo Previsão da produção eólica com inclusão de variáveis temporais 61 61 elas a velocidade e a direção do vento, para esta análise adicionou-se uma outra que é a produção do parque 1 onde inclui a ultima hora conhecida (t-1) de produção eólica e os respetivos valores referentes a esta. Figura 4.9 - Comparação entre a previsão de produção eólica com inclusão da última hora conhecida e o valor real da produção (valores Normalizados). É de notar que a previsão melhorou imenso relativamente à previsão do parque 1 sem a nova variável adicionada (secção 4.4.1), onde se pode observar que a previsão da produção eólica segue quase na perfeição a linha de tendência da produção eólica real. Este resultado era já esperado, visto que se tem conhecimento da produção uma hora antes do intervalo para o qual se quer fazer a previsão. Como se pode perceber pela figura 4.9, a linha a azul está ligeiramente atrasada relativamente linha amarela (valor real da produção). Foi efetuado o mesmo estudo para produções de 3,6 e 9 horas conhecidas. Para não ficar uma leitura muito massiva, optou-se por introduzir os respetivos gráficos em Anexo. Figura 4.10 - Comparação entre a previsão de produção eólica do parque 1 com inclusão das últimas doze horas conhecidas (t-12) e o valor real da produção (valores Normalizados). Por sua vez, com a introdução da produção de 12 horas conhecidas (figura 4.10), realçase o facto de a previsão estar bastante deslocalizada da produção real, pelo que aumentou o erro relativamente à previsão inicial do parque 1. 0 0,2 0,4 0,6 0,8 1 Potência Elétrica Normalizada Parque 1 REAL 0 0,2 0,4 0,6 0,8 1 Potência Elétrica Normalizada Parque 1 REAL 62 Previsão Sincronizada de Produção Eólica 62 Tabela 4.6 - Respetivos erros das previsões com introdução da produção das últimas horas conhecidas. Relembrando o que foi calculado anteriormente, a previsão inicial do parque 1 apresentava um erro MAE de 9,71% (secção 4.4.1). Analisando a tabela 4.6, observa-se que introduzir a variável produção de horas conhecidas, é benéfico para a previsão de produção eólica, e que o erro vai aumentando com o aumento do número de horas conhecidas que se pretenda incluir para a previsão. 4.6.2. Inclusão da produção das últimas 12 horas conhecidas de parques vizinhos Analisou-se a previsão do parque 1 com inclusão da mais uma variável, sendo esta a produção com inclusão de horas conhecidas do próprio parque. Viu-se que a introdução da velocidade do vento prevista de parques vizinhos, melhorou também a previsão do parque 1, como se concluiu na secção 4.4.1. De acordo com estas semelhanças analisou-se também o efeito de substituir a variável de produção com inclusão de horas conhecidas do parque 1 pela produção com inclusão de horas conhecidas de parques vizinhos. MAE MPoE MNeE MBiE P (t-1) 5,56% 4,46% 6,95% -0,55% P (t-3) 8,00% 5,92% 10,61% -1,42% P (t-6) 9,35% 7,06% 12,29% -1,42% P (t-9) 9,87% 6,39% 14,37% -2,65% P (t-12) 13,13% 9,14% 18,17% -2,91% Previsão da produção eólica com inclusão de variáveis temporais 63 63 Figura 4.11 - Previsão de Produção do Parque 1 com introdução da variável Produção (t-12) do Parque 3. Figura 4.12 - Previsão de Produção do Parque 1 com introdução da variável Produção (t-12) do Parque 8. Pela observação dos resultados da introdução de variáveis respeitantes aos parques 3 e 8, é possível perceber que houve melhorias significativas em relação à previsão inicial do parque 1 (em 4.6.1 para (t-12), com um MAE de 13.3%). Através da tabela 4.6, onde estão registados os erros relativos aos parques 3 e 8, é possível constatar esses resultados analiticamente. Tabela 4.6 - Erros relativos à produção do parque 1 com inclusão das últimas 12 horas conhecidas da produção eólica do parque 8. Parques MAE MPoE MNeE MBiE Parque 3 10,2% 6,7% 14,8% -2,7% Parque 8 10,5% 6,4% 15,5% -3,4% 65 Capítulo 5 Análise de desempenho da previsão de produção eólica 5.1. Introdução Neste capítulo pretende-se fazer uma análise espacial e temporal do erro, isto é, analisar o comportamento e a evolução do erro no desempenho da previsão, dependendo de caraterísticas espaciais e temporais, de acordo com o que foi referido ao longo desta dissertação. O objetivo é ver quais os principais aspetos que provocam variações no erro. 5.2. Análise espacial do erro Primeiramente irão ser abordados fatores espaciais que possam interferir, negativa ou positivamente, com o comportamento do erro. Assim, avalia-se a evolução do erro relativamente à capacidade instalada no parque, à altura a que o parque se encontra, à proximidade em relação à costa bem como uma análise da dispersão probabilística do erro para diferentes parques, analisando os intervalos de incerteza da previsão. 5.2.1. Análise do erro em função da capacidade instalada nos parques eólicos Foram analisados vários parques eólicos para se proceder à previsão de produção para cada um desses parques, mencionados anteriormente. Depois de vários testes efetuados ao longo desta dissertação e para concluir o estudo de possíveis fatores causadores de erros nos 66 Análise de desempenho da previsão de produção eólica 66 métodos de previsão, é importante analisar a variação e a evolução do erro ao longo do tempo e se possível perceber quais os fatores mais influentes da própria evolução do erro na previsão. Com o uso de gráficos de dispersão foi possível fazer esse estudo, já que estes gráficos mostram a relação entre duas variáveis, sendo elas neste primeiro caso, o erro MAE (eixo das ordenadas) e a Capacidade de Potência Elétrica Instalada em cada parque eólico (eixo das abcissas). Figura 5.1 - Erro MAE (%) em função da Capacidade de Potência Instalada nos Parques Eólicos (MW). Observando a figura 5.1, percebe-se que os parques eólicos com menores potências instaladas têm um erro associado de previsão mais elevado comparativamente com parques onde a capacidade instalada é substancialmente maior. É possível verificar que nos intervalos de 0 a 10 MW a média de erros está aproximadamente na casa dos 12%. Existe um grande aglomerado de parques eólicos, com potências instaladas entre os 10 e os 25 MW, em que o erro apresenta valores mais reduzidos relativamente aos parques com menores capacidades instaladas. No geral, pode-se analisar que à medida que a potência elétrica instalada de cada parque aumenta, o erro diminui, sendo que existem algumas exceções que podem ser oriundas de outros fatores. 5.2.2. Relação entre o erro e a altitude dos parques eólicos Visto que existem parques construídos em diversas zonas geográficas, com diferentes relevos, altitudes, perto da costa marítima, mais no interior do país, etc., e sendo que o vento é uma variável volátil e que pode ser alterada consoante a existência destes fatores, é importante para este estudo analisá-los, e tentar encontrar alguma relação com o erro das previsões de produção eólica. Desta forma, e como a altitude a que estão expostos os aerogeradores é um fator importante na variação da velocidade do vento, estudou-se a relação entre o erro e altitude de cada parque eólico em relação ao nível médio das águas do mar. 0,00% 2,00% 4,00% 6,00% 8,00% 10,00% 12,00% 14,00% 16,00% 0,00 10,00 20,00 30,00 40,00 50,00 60,00 70,00 80,00 90,00 MAE (%) Potência Elétrica Instalada (MW) Análise espacial do erro 67 67 Figura 5.2 - Erro MAE (%) em função da Elevação de cada Parque Eólico (m). Pela observação da figura 5.2, é notório que os parques eólicos que apresentam menores altitudes são parques eólicos próximos de zonas costeiras. O grande aglomerado de parques, que estão instalados em alturas comprometidas entre os 900 e os 1000 metros, parques estes construídos em zonas montanhosas, caracterizadas por um volume de vento superior ao que é verificado em zonas urbanas, apresentam erros de valor percentual variado, entre os 8% e os 15%. 5.2.3. Relação entre o erro e a proximidade dos parques eólicos à costa A relação entre o erro e a proximidade da costa revela o comportamento do erro para parques próximos da costa, que conseguem aproveitar as camadas de ar que advêm do mar, como também para parques localizados mais no interior do país, que como referido anteriormente, se carateriza por apresentar zonas geográficas bastante montanhosas. Figura 5.3 - Erro MAE (%) em função da Distância dos Parques Eólicos à costa (km). 0,00% 2,00% 4,00% 6,00% 8,00% 10,00% 12,00% 14,00% 16,00% 0200 400 600 800 1000 1200 1400 1600 MAE (%) Altitude dos Parques Eólicos (m) 0,00% 2,00% 4,00% 6,00% 8,00% 10,00% 12,00% 14,00% 16,00% 020 40 60 80 100 120 140 160 MAE (%) Distância dos parque eólicos à costa (km) 68 Análise de desempenho da previsão de produção eólica 68 Como visto anteriormente, os parques próximos da costa apresentam erros entre os 10% e os 14%. Comparando com parques que estão mais distantes da costa, onde o maior conjunto está localizado entre os 40 e os 80 quilómetros, o erro é ligeiramente maior. Isto pode acontecer porque os parques próximos da costa têm, normalmente, capacidades instaladas de menor valor, que revelam um erro maior, como visto em 5.1.1.1. O parque mais distante da costa, que está a sensivelmente 150 quilómetros da costa, apresenta um erro de aproximadamente 13%. Não é possível concluir que a imensa distância deste parque à costa se reflita no erro, uma vez que a amostra de parques com distâncias semelhantes é muito reduzida. Os parques que apresentam um erro mais elevado são aqueles que possuem uma capacidade instalada entre os 3 MW e os 10 MW, aproximadamente. Essa será a razão evidente para que tenham um erro acima de todos os outros parques, cujos valores estão compreendidos no intervalo entre os 40 e os 60 quilómetros de distância à costa. 5.2.4. Dispersão probabilística do erro para diferentes parques eólicos Foi retratado o erro comparando o valor esperado da previsão de produção em relação ao valor de produção real. A dispersão probabilista vem acrescentar a incerteza com que os valores previstos poderão realmente acontecer, de maneira a ser possível trazer mais fiabilidade às previsões. Por um lado, as previsões deterministas estimam apenas o valor da variável que se pretende obter. Mas por outro lado, juntando os dois tipos de previsão (determinista e probabilística), é possível avaliar a incerteza do valor esperado, sendo uma mais-valia para a realização de despachos de energia mais económicos. Figura 5.4 - Diagrama de Dispersão ou Sharpness do parque 1. 0,00 5,00 10,00 15,00 20,00 25,00 [0; 1] [1; 2] [2; 3] [3; 4] [4; 5] [5; 6] [6; 8] [8; 9] [9; 10] [10; 11] [11; 12] [12; 13] [13; 14] [14; 15] [15; 16] [16; 17] [17; 18] [18; 19] [19; 20] [20; 22] Dispersão por Quantis (MW) Intervalos de Produção Eólica (MW) MAX Q75 Q50 Q25 MIN Análise espacial do erro 69 69 Pela análise da figura 5.4, percebe-se que para valores de produção mais baixos, a dispersão é menor e vai aumentando de acordo com o aumento da produção, sendo maior para valores de produção mais elevados, como se pode ver, por exemplo, para o intervalo entre os 17 MW e os 22 MW. Para se conseguir ver as diferenças da dispersão probabilística, e com base no que foi estudado no capítulo 3, considerou-se relevante proceder à comparação entre a previsão do parque 1 e a previsão do parque 1 incluindo a variável velocidade do parque 8 (dado o melhor erro de previsão). Figura 5.5 - Diagrama de Dispersão ou Sharpness do parque 1 com introdução da velocidade do vento prevista do parque 8 (MW). Visualmente as figuras 5.4 e 5.5 parecem ser muito semelhantes. Sendo que a previsão do parque 1 com introdução da velocidade do vento do parque 8, resultou numa previsão mais realista onde o erro é relativamente menor. Era esperado que a dispersão entre quantis fosse também consideravelmente melhor, o que é comprovado com uma análise analítica das respetivas dispersões das figuras 5.4 e 5.5. Esta análise analítica baseou-se num indicador de desempenho que quantifica a dispersão entre o Quantil 75 e o Quantil 25. 𝐷𝑖𝑠𝑝𝑒𝑟𝑠ã𝑜 𝑀é𝑑𝑖𝑎=∑(𝑄75−𝑄25) 𝑛 𝑛=1 𝑛 (5.1) Em que n é o intervalo de valores estimados (12360 valores), Q75 é o quantil 75 e Q25 o quantil 25. 0,00 5,00 10,00 15,00 20,00 25,00 [0; 1] [1; 2] [2; 3] [3; 4] [4; 5] [5; 6] [6; 8] [8; 9] [9; 10] [10; 11] [11; 12] [12; 13] [13; 14] [14; 15] [15; 16] [16; 17] [17; 18] [18; 19] [19; 20] [20; 22] Dispersão por Quantis (MW) Produção Eólica (MW) MAX Q75 Q50 Q25 MIN 76 Análise de desempenho da previsão de produção eólica 76 Figura 5.15 - Relação entre o Desvio Padrão (%) e os Meses do Ano de 2014. Da análise da figura 5.15, conclui-se que os meses onde existe uma maior variação, são os meses respeitantes à fase mais fria do ano, sendo que houve um desvio máximo em Fevereiro. Nos meses de Verão, observa-se que os desvios são consideravelmente menores, comparando com os meses de Inverno. Abril foi o mês em que ocorreu uma percentagem mínima de desvios, ou seja, foi o mês em que verificou a existência de erros sistemáticos sem grandes desvios. De seguida avalia-se o mesmo, mas para os vários intervalos horários do dia. Para este teste foi também necessário fazer uma média horária do desvio padrão para os parques eólicos em estudo. Figura 5.16 - Relação entre o Desvio Padrão (%) e a hora do dia. Como já foi referido na presente dissertação, e como se pode analisar através da figura 5.16, a fase do dia onde existe um menor desvio do erro de previsão é no intervalo das 12 horas até às 16h, período de maior calor e altura do dia em que, por norma, as condições atmosféricas estabilizam. Já no período noturno até ao amanhecer constata-se que os desvios são maiores, Análise temporal do erro 77 77 devido às variações na produção eólica, pois é nesta fase do dia que existem maiores variações de vento, registando-se rajadas de vento mais avultadas. Para completar este ponto, faz-se uma última análise à relação existente entre o desvio padrão do erro e a velocidade do vento prevista (a 100 metros), como também da direção do vento, igualmente prevista. Figura 5.17 - Relação entre o Desvio Padrão (%) e a Velocidade do Vento (km/h). Pela observação da figura 5.17, é possível perceber que para baixos valores da velocidade do vento, registam-se valores de desvio padrão igualmente baixos, dado que a produção para estes valores da velocidade do vento é igualmente baixa. Para velocidades entre os 5 e os 10 km/h, atenta-se numa ligeira subida do desvio, que chega a atingir os 40%. É de realçar um conjunto de pontos entre os 5 e os 10 km/h de velocidade, onde se atingem desvios muito grandes, talvez devido a um erro dos dados meteorológicos. Para velocidades próximas da velocidade ótima de funcionamento dos aerogeradores (entre os 15 e os 25 km/h) o desvio padrão do erro encontrase situado entre os 20% e os 40%. Para uma observação generalizada, é possível verificar que à medida que a velocidade do vento aumento, o desvio padrão do erro também aumenta. 78 Análise de desempenho da previsão de produção eólica 78 Figura 5.18 - Relação entre o Desvio Padrão (%) e a Direção do Vento (graus). Relacionando a direção do Vento (dos 0 aos 360 graus) com o desvio padrão (figura 5.18) não se consegue tirar nenhuma conclusão concreta, pois não se encontra nenhum padrão que reflita uma tendência específica. Verifica-se um aumento do desvio padrão quando a direção do vento prevista está nos intervalos de 50 a 100 graus e de 150 a 200 graus. Este facto pode ser explicado devido à não existência de parques eólicos quando se verifica essa orientação por parte do vento, ou por falha nos dados meteorológicos. 5.3.5. Deteção de parques com erro anómalo Nesta secção foi desenvolvido um método que tem o objetivo de detetar anomalias do erro ao longo do tempo para cada parque eólico. Neste caso foi apenas considerado o conjunto de 11 parques, parques estes que estão em locais próximos uns dos outros. Assim, a deteção de anomalias é feita através de um padrão de cores, em que o vermelho representa previsões abaixo da produção real e o verde representa previsões acima do valor real da produção eólica. Estes intervalos para as respetivas cores variam entre 0 e 1, em que o valor 0,5 representa uma previsão igual à produção eólica real (cor branca). Estas cores vão-se intensificando à medida que a previsão estima valores muito por baixo ou muito por cima da previsão. Para este método utilizou-se o erro normalizado para cada parque eólico, a média do erro para todos os parques por intervalo horário, bem como o desvio padrão da média para os mesmos intervalos horários de previsão para cada parque eólico. Os respetivos valores para Análise temporal do erro 79 79 cada parque, foram calculados através de uma distribuição normal, que incluiu o valor do erro esperado para cada parque, a média do erro esperado dos 11 parques e o desvio padrão dos mesmos parques, sendo que cada linha corresponde a um intervalo horário de previsão. Para uma melhor compreensão do padrão de cores segue-se a figura 5.19. Parque 1 Parque 8 Parque 3 Parque 5 Parque 10 Parque 4 Parque 7 Parque 11 Parque 6 Parque 2 Parque 9 0,698388 0,269662 0,829361 0,088650 0,028454 0,278289 0,793673 0,821712 0,338733 0,613019 0,914824 0,713369 0,667336 0,576270 0,037345 0,121693 0,280698 0,972843 0,644759 0,144058 0,706174 0,714303 0,233581 0,425034 0,508108 0,139886 0,319348 0,283993 0,998279 0,544616 0,374516 0,542283 0,576771 0,157410 0,375301 0,670870 0,082847 0,276437 0,269080 0,993848 0,681445 0,385423 0,547689 0,749301 0,076526 0,296615 0,762562 0,036727 0,455493 0,392992 0,923263 0,831738 0,295911 0,633845 0,890176 0,082391 0,406933 0,703909 0,026368 0,198259 0,797314 0,764048 0,887081 0,346283 0,645574 0,871444 0,032371 0,550881 0,781856 0,111918 0,163896 0,358935 0,689210 0,909616 0,361837 0,755534 0,907658 0,312823 0,341806 0,783963 0,037049 0,128903 0,830816 0,806426 0,752962 0,111653 0,667525 0,904225 0,160632 0,160857 0,721396 0,041670 0,127537 0,524912 0,645354 0,813093 0,914175 0,642733 0,886516 0,025640 0,321788 0,771046 0,102794 0,231273 0,317600 0,791555 0,827791 0,814805 0,578214 0,902173 0,112955 0,396153 0,494614 0,268363 0,299527 0,293404 0,556726 0,481638 0,998131 0,463703 0,606330 0,181097 0,334084 0,520859 0,178569 0,195891 0,387576 0,551817 0,506480 0,997948 0,538225 0,594015 0,923915 0,906731 0,323926 0,027665 0,732861 0,911166 0,299140 0,292452 0,348160 0,324999 0,332852 0,842391 0,939252 0,254576 0,106008 0,966792 0,713027 0,242735 0,264813 0,342663 0,234990 0,278039 0,929412 0,922396 0,283049 0,086733 0,941684 0,699111 0,255454 0,299771 0,298824 0,223943 0,281110 0,947829 0,914974 0,226265 0,093146 0,908882 0,617049 0,229895 0,220175 0,647877 0,230770 0,245886 0,376789 0,971067 0,280996 0,023322 0,878712 0,573407 0,319071 0,461883 0,845425 0,315137 0,368178 0,017098 0,930851 0,482368 0,114103 0,951061 0,458449 0,440328 0,503284 0,522853 0,587141 0,578597 0,013311 0,412734 0,518306 0,147810 0,964690 0,415600 0,529206 0,525834 0,888121 0,632080 0,559902 0,054620 0,312078 0,441786 0,239363 0,844900 0,365119 0,423442 0,465140 0,994525 0,521336 0,483728 Figura 5.19 – Exemplo de metodologia adotada para deteção de parques com erro anómalo. Pela observação da figura 5.19 é possível verificar o padrão de cores explicado anteriormente. Se por exemplo houver um parque com persistência de cor vermelha durante um intervalo de tempo considerável, é possível que tenha havido um problema nos instrumentos de medição ou falhas nos dados meteorológicos. Por outro lado se esse padrão for insistentemente de cor verde, significa que se está a estimar valores acima da produção real, devido por exemplo à perda de funcionamento dos aerogeradores, onde a previsão considerou que se estava a produzir energia eólica, quando na realidade essa produção não existiu. É ainda possível observar o valor da média aglomerada dos 11 parques eólicos, também com um padrão de cores, como se pode ver na figura 5.20. 80 Análise de desempenho da previsão de produção eólica 80 Média Desvio Padrão 0,89% 0,17467 -1,07% 0,18683 -9,27% 0,13161 -12,40% 0,12566 -15,98% 0,14369 -23,42% 0,16228 -27,65% 0,13273 -28,42% 0,17416 -21,91% 0,20890 -20,65% 0,21804 -19,99% 0,11271 -24,40% 0,18456 -23,92% 0,17579 -20,41% 0,17094 -16,66% 0,19033 -20,29% 0,19554 -17,73% 0,18329 -14,50% 0,16883 -7,78% 0,14052 -7,12% 0,10369 -4,71% 0,07643 -1,53% 0,11062 1,18% 0,13640 -1,34% 0,08163 7,80% 0,14258 9,58% 0,20674 18,98% 0,23090 27,12% 0,30922 32,54% 0,32520 34,12% 0,32794 Figura 5.20 – Padrão de cores da Média do erro (%) e do Desvio Padrão do erro. As cores relativas à média relacionam-se da seguinte forma: a cor a vermelho significa que o erro para aquele intervalo de tempo está muito abaixo da média do erro dos 11 parques, ou seja, a previsão estimou valores por défice em relação à produção real. Quando a média apresenta valores próximos dos 0% (cor branca), quer dizer que a média agregada do erro foi baixa, supondo-se que a previsão seguiu a produção real com erros mínimos. Por outro lado, quando se verifica uma cor azul, quer dizer que a média do erro dos 11 parques foi alta, que corresponde a uma previsão onde os valores são estimados por excesso relativamente à produção real. O mesmo acontece para o desvio padrão, mas neste caso, a cor vermelha significa que o desvio padrão da média dos erros se deu por defeito, ou seja, foi feita uma previsão por défice. A cor branca significa que os desvios foram muito reduzidos. Já a cor azul mostra que o erro médio se desviou por excesso, verificando-se uma previsão acima daquilo que foi a produção real. Análise temporal do erro 81 81 5.3.6. Persistência temporal do erro ao longo do tempo A persistência temporal do erro ao longo do tempo foi avaliada considerando o erro esperado do parque referência ao longo de um dia, para se conseguir perceber como varia a correlação dos erros com inclusão de horas conhecidas. Assim foi analisada a correlação entre o erro do parque referência para o instante t e o mesmo erro com inclusão de horas conhecidas: para uma hora conhecida (t-1), três horas conhecidas (t-3), seis horas conhecidas (t-6), nove horas conhecidas (t-9) e por fim doze horas conhecidas (t-12). Figura 5.21 – Correlação entre o erro esperado em t e em t-1 para o parque 1. Figura 5.22 - Correlação entre o erro esperado em t e em t-6 para o parque 1. 82 Análise de desempenho da previsão de produção eólica 82 Figura 5.23 - Correlação entre o erro esperado em t e em t-12 para o parque 1. Pela observação dos gráficos expostos anteriormente, é constatado que os valores do erro esperado são bem correlacionados com uma hora conhecida. À medida que as horas do dia vão evoluindo essa correlação vai diminuindo, pois o vento varia bastante num curto espaço de tempo. De acordo com a observação dos gráficos, pode ser concluído que quantas mais horas conhecidas se quiser introduzir na previsão de produção eólica, pior irá ser a previsão no sentido em que o seu erro aumentará, como se pode ver com a correlação da figura 5.23 (12 horas conhecidas), em que a correlação entre os dois erros é muito baixa, devido à informação desfasada associada à previsão. 5.3.7. Persistência temporal da variabilidade espacial do erro ao longo do tempo Este estudo é semelhante ao estudo realizado na secção anterior, mas em vez de se comparar a correlação do erro para o mesmo parque, correlaciona-se o erro no instante t do parque 1 com o erro para várias horas conhecidas de outros dois parques, que por sua vez são bem correlacionados com o parque 1 (parque 3 e 8, como analisado no capítulo 4). Este estudo tem como base perceber a variação espacial do erro ao longo do tempo. Foi então efetuado o estudo entre os parques para uma correlação com doze horas conhecidas. Análise temporal do erro 83 83 Figura 5.24 – Correlação entre o erro esperado em t do parque 1 e em t-12 para o parque 3. Figura 5.25 - Correlação entre o erro esperado em t do parque 1 e em t-12 para o parque 8. Através da observação dos gráficos 5.24 e 5.25, é apresentada a correlação entre o parque 1 e o parque 3, e entre o parque 1 e o parque 8. Estas correlações são feitas comparando o erro no instante t do parque 1 com o erro no instante t-12 (12 horas conhecidas) dos parques 3 e 8. Com esta análise percebe-se a pouca correlação existente entre os parques 3 e 8 e o parque 1, quando se está perante doze conhecidas. Estes resultados eram os esperados, visto que o vento, sendo uma variável com uma variabilidade muito grande, é normal que no espaço de 12 horas (meio dia de diferença) haja bastantes diferenças na velocidade do vento, o que provoca erros desfasados entre um instante e outro, implicando assim baixas correlações, entre o mesmo e outros parques. 84 Análise de desempenho da previsão de produção eólica 84 85 Capítulo 6 Conclusões e Recomendações 6.1. Importância da informação espacial para a melhoria do desempenho das previsões de produção eólica Foi estudada a inclusão de informação de parques eólicos vizinhos com o objetivo de se melhorar a previsão de um parque referência (parque 1). Como analisado no capítulo 4 da presente dissertação, foi possível ver a importância do uso de variáveis de parques vizinhos para refinar a previsão do parque para o qual se pretende fazer a previsão. Por vezes podem ocorres erros nas medições ou nas previsões da velocidade de vento do próprio parque (ou até mesmo na falta de instrumentos de medição), o que pode ser ultrapassado com o uso de informação de parques vizinhos, onde a velocidade do vento destes pode trazer vantagens, colmatando assim possíveis falhas existentes na determinação da velocidade do vento, resultando em melhores previsões para o parque eólico que se deseja trabalhar. Para que a previsão obtenha melhores resultados, analisou-se quais os parques mais correlacionados numa área vizinha, com o objetivo de determinar quais as variáveis dos parques vizinhos devem ser incluídas na previsão do parque referência. Caso contrário a previsão irá apresentar resultados pouco desejados, como foi concluído no estudo do capítulo 4. 92 Referências 92 [11] A. Tascikaraoglu and M. Uzunoglu, “A review of combined approaches for prediction of short-term wind speed and power,” Renew. Sustain. Energy Rev., vol. 34, pp. 243–254, 2014. [12] M. G. Lobo and I. Sanchez, “Regional Wind Power Forecasting Based on Smoothing Techniques, With Application to the Spanish Peninsular System,” IEEE Trans. Power Syst., vol. 27, no. 4, pp. 1990 –1997, 2012. [13] G. Giebel and G. Kariniotakis, “The state-of-the-art in short-term forecasting of wind power-a literature overview,” Position Pap. Anemos Proj. to, pp. 1–110, 2003. [14] A. M. Foley, P. G. Leahy, A. Marvuglia, and E. J. McKeogh, “Current methods and advances in forecasting of wind power generation,” Renew. Energy, vol. 37, no. 1, pp. 1–8, 2012. [15] T. S. Nielsen, A. Joensen, H. Madsen, L. Landberg, and G. Giebel, “A new reference for wind power forecasting,” Wind Energy, vol. 1, no. 1, pp. 29–34, 1998. [16] H. Shaker, H. Zareipour, and D. Wood, “On error measures in wind forecasting evaluations,” Can. Conf. Electr. Comput. Eng., pp. 0–5, 2013. [17] Subramaniam, Anand. (2009). Forecasting Techniques. Disponível em http://pt.slideshare.net/anandsubramaniam/forecasting-techniques-2663882. [consultado em 12-2015] [18] Stanley, G. (2012). Predictive Analytics : The future of Business, 1–43. [19] N. Amjady, F. Keynia, and H. Zareipour, “Short-term wind power forecasting using ridgelet neural network,” Electr. Power Syst. Res., vol. 81, no. 12, pp. 2099–2107, 2011. [20] L. Xie, Y. Gu, S. Member, X. Zhu, and M. G. Genton, “Short-Term Spatio-Temporal Wind Power Forecast in Robust Look-ahead Power System Dispatch,” IEEE Trans. Smart Grid, vol. 5, no. 1, pp. 511–520, 2014. [21] O. Ohashi and L. Torgo, “Wind speed forecasting using spatio-temporal indicators.,” Ecai, 2012. [22] Tastu, J., Pinson, P., Kotwa, E., Madsen, H., & Nielsen, H. A. (2011). Spatiotemporal analysis and modeling of shortterm wind power forecast errors. Wind Energy, 14(1), 4360. 10.1002/we.401 Referências 93 93 [23] N. Troldborg and J. Sørensen, “A simple atmospheric boundary layer model applied to large eddy simulations of wind turbine wakes,” Wind Energy, vol. 17, no. April 2013, pp. 657–669, 2014. [24] M. He, L. Yang, J. Zhang, and V. Vittal, “A spatio-temporal analysis approach for shortterm forecast of wind farm generation,” IEEE Trans. Power Syst., vol. 29, no. 4, pp. 1611– 1622, 2014. [25] J. Wang, M. Shahidehpour, and Z. Li, “Security-constrained unit commitment with volatile wind power generation,” IEEE Trans. Power Syst., vol. 23, no. 3, pp. 1319–1327, 2008. [26] P. Meibom, R. Barth, B. Hasche, H. Brand, C. Weber, and M. O’Malley, “Stochastic optimization model to study the operational impacts of high wind penetrations in Ireland,” IEEE Trans. Power Syst., vol. 26, no. 3, pp. 1367–1379, 2011. [27] A. Tuohy, P. Meibom, E. Denny, and M. O’Malley, “Unit commitment for systems with significant wind penetration,” IEEE Trans. Power Syst., vol. 24, no. 2, pp. 592–601, 2009. [28] D. Bertsimas, E. Litvinov, X. A. Sun, J. Zhao, and T. Zheng, “Adaptive robust optimization for the security constrained unit commitment problem,” Power Syst. IEEE …, vol. 28, no. March, pp. 1–8, 2013. [29] R. Jiang, S. Member, J. Wang, Y. Guan, and a Sets, “Power and Pumped Storage Hydro,” IEEE Trans. Power Syst., vol. 27, no. 2, pp. 800–810, 2012. [30] X. Zhu, M. G. Genton, Y. Gu, and L. Xie, “Rejoinder on: Space-time wind speed forecasting for improved power system dispatch,” Test, vol. 23, no. 1, pp. 45–50, 2014. [31] B. M. Sanandaji and A. Tascikaraoglu, “Low-dimensional Models in Spatio-Temporal Wind Speed Forecasting,” pp. 0–5, 2015. [32] Sousa, D., Teófilo, L., Silva, P., & Costa, R. (2008). Redes Neuronais. Inteligência Artificial, 21. [33] Bessa, R. (2008). Treino On Line de Redes Neuronais com Critérios de Informação Aplicado à Previsão Eólica. [34] Pedro, J., & Conde, M. (2015). Previsão de preços de eletricidade no mercado diário e intradiário MIBEL. 94 Referências 94 [35] Pan, K., Qian, Z., & Chen, N. (2015). Probabilistic Short-Term Wind Power Forecasting Using Sparse Bayesian Learning and NWP. Mathematical Problems in Engineering, 2015, 1–11. http://doi.org/10.1155/2015/785215 [36] Zhang, Y., Wang, J., & Wang, X. (2014). Review on probabilistic forecasting of wind power generation. Renewable and Sustainable Energy Reviews, 32, 255–270. http://doi.org/10.1016/j.rser.2014.01.033 [37] Hartmann, H.C., Pagano, T.C., Sorooshiam, S. and Bales, R. 2002. Confidence builder: evaluating seasonal climate forecasts from user perspectives. Bull Amer. Met. Soc., 84, 683-698 [38] Gneiting, T., Balabdaoui, F., & Raftery, A. E. (2007). Probabilistic forecasts, calibration and sharpness. Journal of the Royal Statistical Society. Series B: Statistical Methodology, 69(2), 243–268. http://doi.org/10.1111/j.1467-9868.2007.00587.x 95