Previsão de rampas de potência ativa de centrais eólicas baseada na combinação entre modelo atmosférico mesoescalar e modelos de séries temporais

Abstract

Fontes de energia renovável como a eólica costumam ser um desafio para o operador do Sistema Interligado Nacional (SIN) devido à intermitência relativa à potência ativa de saída dos aerogeradores e, por consequência, das centrais eólicas. Para auxiliar na previsão da potência, buscando compreender padrões determinísticos que por vezes são ocultados em função da componente estocástica, diferentes ferramentas vêm sendo desenvolvidas considerando-se as particularidades da eólica, que tem tido uma influência substancial na matriz elétrica nacional nos últimos anos. Tais ferramentas têm feito uso de modelos físico-numéricos e/ou estatísticos. Particularmente, um dos fenômenos que mais dificulta a previsão de potência de uma central eólica são rampas (de subida ou de descida) da potência, tendo em vista que estas representam variações abruptas na potência da central. A previsão dessas rampas em eólica é uma questão desafiadora e vem recebendo grande atenção nos últimos anos. Nesse sentido, este trabalho busca contribuir ao estado da arte da previsão eólica propondo uma metodologia que visa auxiliar a previsão de rampas em centrais fazendo uso da combinação entre um modelo (físico-numérico) atmosférico mesoescalar e modelos (estatísticos) de séries temporais. Para os estudos de caso aqui apresentados, de forma geral, os modelos que fizeram uso do WRF (modelo físico-numérico) desempenharam melhor que os demais. Em tais estudos, a previsão de rampas em si foi realizada por meio de redes neurais do tipo multilayer perceptron auxiliadas por mecanismos identificadores de regime (modelo estatístico), que identificam as rampas nas séries temporais de potência. Quanto ao modelo físico-numérico, empregou-se o Weather Research and Forecasting Model para previsão de velocidade do vento. Tal previsão de velocidade foi convertida em previsão de potência por meio de uma modelagem de curva de potência implementada também com redes neurais do tipo multilayer perceptron. Com a obtenção de resultados para as duas classes de modelos, realizou-se a combinação entre estes fazendo-se uso do mesmo tipo de redes neurais. Para a clusterização dos aerogeradores, empregou-se o método K-Means. Foi possível verificar que com os dados de mesoescala houve uma melhora significativa na previsão de rampas de subida e descida, com destaque para horizontes de previsão mais distantes, superiores a k=3 (90 minutos à frente).