Metodologia para pré-processamento baseado em complementaridade espectral e combinação de modelos de downscaling estatístico com vistas à previsão operacional eólica e solar de curto prazo

Abstract

O presente trabalho de tese se insere no contexto da recente expansão dos setores de energia eólica e solar no Brasil e no mundo, que tem demandado soluções mais acuradas para fins de previsão operacional. Para tal, costuma-se empregar saídas de modelos de previsão numérica do tempo de larga escala, cuja principal limitação está associada à baixa resolução espacial. Para o aumento da resolução espacial (downscaling), modelos empíricos permitem melhor descrição de fenômenos a nível local a partir da associação com sinais observados. Com vistas ao aprimoramento geral da acurácia e robustez de previsões obtidas no âmbito de downscaling estatístico, propõe-se a criação de metodologia que combina múltiplas camadas de modelos estatísticos, dentre os quais se incluem modelos baseados em complementaridade espectral, conceito proposto para a avaliação simultânea de similaridade entre sinais nos domínios de tempo e frequência. Tal procedimento difere de métodos tradicionais, como em análises de correlação ou de erro quadrático médio, os quais realizam operações sob a perspectiva do domínio do tempo ou frequência separadamente. Dessa forma, no contexto da modelagem estatística, os métodos propostos para a análise de complementaridade espectral permitem a quantificação da “importância” de previsões em diferentes escalas temporais e instantes de tempo. Nos estudos de caso, foram avaliadas previsões para velocidade do vento, irradiância solar e potência gerada em centrais eólica e solar localizadas na Região Nordeste do Brasil. Os resultados mostraram importantes aprimoramentos obtidos a partir da plataforma de modelagem proposta em termos da robustez das soluções finais. Em geral, os modelos de combinação apresentaram aprimoramento na acurácia de 20% em média, podendo chegar até 50% em relação a outros modelos avaliados. Por outra parte, os novos modelos baseados em complementaridade espectral trouxeram melhorias expressivas em relação à qualidade geral das previsões, apresentando ganhos na performance geral em comparação com modelos similares.