Este documento descreve um sistema de previsão probabilística da geração eólica com 3 objetivos: (1) usar um modelo de persistência do vento como referência, (2) incorporar às previsões do despacho hidrotérmico, (3) aumentar a segurança do sistema elétrico. O sistema usa filtros de Kalman para atualizar as previsões do vento e geração com dados em tempo real de uma usina eólica no Paraná.
1. 1.INTRODUÇÃO
A geração de energia elétrica por fonte eólica desponta como uma das principais fontes
substitutas às tradicionais formas de se gerar energia elétrica, altamente poluidoras
e/ou impactantes ao meio ambiente. A Fig. 1 ilustra a elevada taxa de crescimento da
capacidade instalada mundial entre 1996 e 2012, que tem crescido mais de 20% ao
ano [1]. No Brasil [2], a geração eólica deverá aumentar a sua participação na matriz
energética de 1,5% (12/2012) para 9,5% (12/2022) .
Fig.1 – Evolução da capacidade instalada de geração eólica no mundo [1]
A introdução de energia eólica em grande escala na matriz energética Brasileira causa
enormes desafios aos agentes da operação do sistema elétrico e do mercado de
energia. Os agentes da operação devem gerenciar a incerteza da geração eólica
quando estabelecem a programação diária do despacho. Quanto ao mercado de
energia, a energia eólica interfere na formação dos preços, bem como nas liquidações
das diferenças e na formação das reservas operativas.
A transferência de energia entre as diferentes regiões também causam impactos na
transmissão, devendo-se analisar os impactos da geração eólica: (1) nos fluxos de
potência entre os subsistemas, (2) no desempenho do sistema elétrico regional e (3) no
desempenho do Sistema Interligado Nacional (SIN).
O objetivo deste trabalho é produzir um sistema de Previsão da Geração de Energia
Eólica (PGEE) que: (1) use um modelo probabilístico de persistência do vento para
servir de referência para avaliação das previsões resultantes de modelos mais
complexos; (2) tenha potencial para incorporação aos modelos de otimização do
despacho hidrotérmico do Sistema Interligado Nacional (SIN); (3) aumente a segurança
do SIN, através da previsão mais precisa das injeções de potência oriundas da fonte
eólica, permitindo melhor alocação da reserva operativa; (4) reduza os custos de
manutenção preventiva e corretiva, aproveitando os períodos de menor intensidade de
vento.
O local de estudo e dados de vento e geração são da Usina Eólio-Elétrica de Palmas,
localizada no terceiro planalto do Paraná. É composta por cinco aerogeradores Enercon
E-40, com potência nominal de 500 kW, 44 metros de altura (eixo do rotor) e rotor de 40
m de diâmetro.
2. METODOLOGIA
O modelo selecionado é probabilístico, multivariado, que usa as propriedades de
persistência e sazonalidade do vento e geração para a previsão da geração com
horizonte de até 9 horas. Os dados observados de vento e geração são assimilados em
tempo real para atualização da previsão com o uso do Filtro de Kalman. As
características dinâmicas dos processos que dão origem ao vento e geração são
distintas, então o Filtro de Kalman é implementado em duas fases: (1) assimilação do
dado de vento observado para atualização da previsão do vento e (2) assimilação da
geração medida para atualização da previsão da geração em função do vento previsto
e da curva de potência do aerogerador. A Fig. 2 [3] ilustra o aumento da precisão da
previsão do vento, com o uso do Filtro de Kalman, comparando com o vento observado
e previsto pelo modelo dinâmico.
Fig . 2 – Comparação das previsões de vento pelo modelo dinâmico e pelo Filtro
de Kalman com o vento observado [3]
3. RESULTADOS
A análise dos dados de vento e geração, com resolução de 10 minutos, foi feita para o
período de 01/01/2008 a 31/12/2011. Os dados de 2008-2010 foram usados para o
desenvolvimento do modelo e de 2011 para a sua validação. A Fig. 3 ilustra o
histograma e distribuição acumulada do vento medido a 44 m, acima do solo, em
Palmas (PR).
Fig. 3 – Histograma e distribuição acumulada do vento na altura do aerogerador
em Palmas (PR)
Pelas características da curva de potência do aerogerador e da distribuição
do vento observou-se que: (1) V<3,5 ms-1: ocorrem em 10% do tempo, não
havendo geração; (2) 3,5<V<12 ms-1: ocorrem em 85% do tempo, sendo que
a potência varia com o cubo da velocidade do vento; (3) 12<V<15 ms-1:
ocorre em 2,5% do tempo, onde o expoente da relação entre potência e
vento varia entre 3 e 0; (4) 15<V<25 ms-1: ocorre em 0,5% do tempo, com
geração na potência nominal; (5) V>25 ms-1: sem registro na série histórica,
sendo a velocidade limite para desligamento do aerogerador.
A análise de autocorrelação dos dados de velocidade dos ventos indicou que
o modelo probabilístico deve ser limitado ao horizonte de previsão de seis
horas.
O painel (a) da Fig. 4 ilustra a relação linear entre vento e potência para o
modelo probabilístico univariado, com horizonte de previsão de uma hora. O
painel (b) ilustra as previsões de vento para o dia 12/07/2011.
Fig. 4 – (a) Modelo univariado para previsão do vento horário em Palmas (PR); (b)
Validação das previsões de vento com horizontes de 1h, 3h e 6h para 12/07/2011
4. CONCLUSÕES
Neste trabalho foram desenvolvidos modelo probabilísticos univariados e multivariados
para a previsão de curtíssimo prazo do vento. Esses modelos de persistência são
considerados os mais simples, mas os índices de acerto de suas previsões servem de
referência para a avaliação de modelos mais complexos (também desenvolvidos na
UFPR). O horizonte de previsão dos modelos probabilísticos ficou limitado a seis horas.
O filtro de Kalman está em fase de implantação para a atualização da previsão do vento
e da geração.
[1] REN 21 STEERING COMMITTEE. Renewables 2013, Global Status Report. 2013.
[2] MME. Plano Decenal de Expansão de Energia 2022 .Ministério de Minas e Energia e
Empresa de Pesquisas Energéticas, 2013. Disponível em:
http://www.epe.gov.br/pdee/forms/epeestudo.aspx
[3] Stathopoulus, C., Kaperoni, A., Galanis, G., Kallos, G., 2013. Wind Power Prediction
Base on Numerical and Statistical Models. Journal of Wind Engineering and Industrial
Aerodynamics 112(2013) 25-38.
PREVISÃO PROBABILÍSTICA
DE GERAÇÃO EÓLICA
Autores: Paulo H. Soares, Alexandre K. Guetter
(a) (b)