Você está na página 1de 113

Faculdade de Engenharia da Universidade do Porto

Desenvolvimento de uma metodologia e


ferramentas para a previso da produo
eltrica em parques fotovoltaicos

Carlos Silva

Dissertao realizada no mbito do


Mestrado Integrado em Engenharia Mecnica
Especializao em Energia Trmica

Orientador: Eng. lvaro Henrique Rodrigues


Co-orientador: Eng. Joo Sousa

Fevereiro de 2012
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Resumo

As fontes renovveis de energia so caracterizadas pela sua variabilidade e intermitncia,


pelo que a produo das centrais baseadas nessas fontes varia de acordo com a
disponibilidade do recurso. No caso da radiao solar incidente na superfcie terrestre, esta
varia essencialmente devido presena de nebulosidade, tendo enorme influncia na
produo de energia eltrica a partir de sistemas solares. Aumentar a taxa de penetrao na
rede de centros electroprodutores baseados na energia elica e solar atravs do
desenvolvimento de mtodos de previso, uma das prioridades na investigao destes
recursos para os prximos anos. O desenvolvimento de mtodos de previso eficazes permitir
que a energia solar reforce a sua posio, comparativamente a outras formas de produo de
eletricidade despachveis.

Nesta dissertao apresenta-se uma metodologia de previso de produo eltrica a curto


prazo, com discretizao horria, para um parque fotovoltaico. Esta ferramenta ser uma
mais valia para a integrao da tecnologia fotovoltaica no sistema electroprodutor, pois
auxiliar o operador da rede eltrica nas tarefas do planeamento do despacho da energia, na
contratao de servios auxiliares e de reserva, na gesto das aes de manuteno e
congestionamento da rede, e o promotor na gesto geral do parque.

O modelo proposto nesta dissertao recorre a redes neuronais para simular a evoluo da
produo fotovoltaica. Inicialmente apresenta-se os modelos desenvolvidos que efetuam
previses com base em dados histricos da produo e em previses meteorolgicas. De
seguida recorre-se a uma rede neuronal que utiliza as previses efetuadas pelos modelos
anteriores, com o intuito de assimilar estes resultados, efetuando assim previses mais
precisas.

Finalmente, avaliado o desempenho do modelo proposto atravs da anlise do erro,


sendo que as previses realizadas pelo modelo construdo revelaram uma melhoria bastante
significativa face ao modelo de referncia considerado.

Palavras-chave: Modelos de previso da produo fotovoltaica, redes neuronais, previso


de produo fotovoltaica, modelos de previso baseados em sries temporais.

I
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

II
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Abstract

Renewable energy sources are characterized by their variability and intermittency, so


the production of electricity from those sources varies according to the resource availability.
In the case of solar radiation on Earths surface, this varies mainly due to the presence of
clouds, having great influence in the production of electrical energy from solar systems.
Increasing the penetration rate in the network of solar and wind electrical energy production
through the development of forecasting methods is a priority in the investigation of these
resources for the years to come. The development of effective prediction methods will allow
solar energy to strengthen its position comparatively to other forms of dispatchable
electricity production.

This dissertation presents a methodology for short-term forecasting of electricity


production, with hourly discretization, for a photovoltaic park. This tool will be an
important contribution to increase renewable power stations in the electrical grid, because
will assist the power network operator in the tasks of planning the dispatch of electricity,
hiring auxiliary services and reserves, management of maintenance actions and network
congestion and to the promoter in the general maintenance of the photovoltaic power
station.

The model proposed in this dissertation uses neural networks to simulate the evolution
of electrical production. Initially, some developed forecasting models perform predictions
based on historical production data and weather forecasts. Then, another neural network
uses the forecasts made by the previous models, assimilating their results, therefore making
more accurate predictions.

Finally, the performance of the proposed model is evaluated trough error analysis. The
forecasting results obtained with the model proposed here revealed a highly significant
improvement, with respect to the considered reference model.

Keywords: Solar power forecasting, neural networks for forecasting, photovoltaic power
forecasting, forecasting models based on time series.

III
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

IV
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Agradecimentos

Serve o presente momento para agradecer a todas as pessoas e instituies que


contriburam, direta e indiretamente, para a elaborao desta dissertao.

Em primeiro lugar, ao meu orientador, Professor lvaro Henrique Rodrigues, por toda a
sua ajuda prestada ao longo desta dissertao, no s pela sua disponibilidade, mas tambm
a sua presena nos momentos mais difceis.

Pela oportunidade de realizao desta dissertao, quero deixar uma nota de


agradecimento ao INEGI (Instituto de Engenharia Mecnica e Gesto Industrial) e Prewind
pela disponibilidade dos meios concedidos durante a realizao deste trabalho.

Aos Engenheiros Joo Sousa e Ricardo Bessa, uma palavra de amizade e profundo
agradecimento pelo seu apoio contnuo e incansvel, os seus conhecimentos, orientao e
conselhos prestados que se revelaram fulcrais para o desenvolvimento deste trabalho.

Ao grupo de investigao da Faculdade de Cincias da Universidade de Lisboa pela


disponibilizao das previses meteorolgicas para o parque fotovoltaico em estudo.

empresa Novenergia II e seus colaboradores pela disponibilidade dos dados relativos ao


parque fotovoltaico.

A todos os colegas e amigos, pelo apoio e por todas as horas que passamos a trabalhar ao
longo destes anos na Faculdade.

Por ltimo lugar, mas no menos importante, agradeo minha famlia pelo inestimvel
apoio familiar, nos piores e nos melhores momentos, ao longo da realizao deste trabalho e
ao longo destes anos de vida acadmica. Sem vocs nada disto seria possvel.

V
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

VI
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

ndice

Resumo ............................................................................................ I
Agradecimentos ................................................................................. V
ndice............................................................................................. VII
Lista de figuras .................................................................................. X
Lista de tabelas ............................................................................... XIII
Abreviaturas e Smbolos ..................................................................... XIV
Captulo 1 ........................................................................................ 1
Introduo ....................................................................................................... 1
1.1 - Enquadramento geral .............................................................................. 1
1.1.1 - Diagrama de carga diria da rede nacional .............................................. 5
1.2 - Motivao e objetivos da dissertao ........................................................... 7
1.3 - Estrutura da dissertao ........................................................................... 8
Captulo 2 ........................................................................................ 9
O fotovoltaico .................................................................................................. 9
2.1 - Introduo ............................................................................................ 9
2.2 - Tecnologias de converso da energia solar .................................................... 9
2.3 - A tecnologia fotovoltaica ........................................................................ 10
2.3.1 - Tipos e caractersticas das clulas ....................................................... 11
2.3.2 - Curva I-V ...................................................................................... 12
2.3.3 - Efeito da radiao e da temperatura.................................................... 13
2.3.4 - Associao de clulas ...................................................................... 14
2.3.5 - Efeito da inclinao, orientao dos mdulos e uso de sistemas de
seguimento ............................................................................... 14
2.3.6 - Efeito de sombreamento na produo do mdulo .................................... 15
2.3.7 - Tipos de sistemas fotovoltaicos .......................................................... 15
2.3.8 - Inversores .................................................................................... 16
2.3.9 - Tecnologia solar de concentrao fotovoltaica ....................................... 16
2.4 - Panorama nacional ............................................................................... 18
Captulo 3 ....................................................................................... 21
Estado da arte ................................................................................................ 21
3.1 - Introduo .......................................................................................... 21
3.2 - Modelos de previso solar........................................................................ 21
3.2.1 - Previso da radiao solar utilizando imagens obtidas por satlite ............... 22

VII
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

3.2.2 - Modelos de previso numrica do tempo (NWP) ...................................... 23


3.2.2.a - Modelos globais ....................................................................... 24
3.2.2.b - Modelos regionais/locais ............................................................ 24
3.2.3 - Redes neuronais artificiais (RNA) ........................................................ 25
3.2.3.a - Neurnios .............................................................................. 26
3.2.3.b - Arquitetura das Redes Neuronais .................................................. 26
3.2.3.c - Processos de aprendizagem ........................................................ 27
3.2.3.d - Aplicao de redes neuronais para previso da radiao solar .............. 27
3.2.4 - Support Vector Machines .................................................................. 28
3.2.5 - Modelos regressivos e auto-regressivos ................................................. 30
3.2.5.a - Modelo auto-regressivo (AR) ....................................................... 30
3.2.5.b - Modelo de mdia mvel (MA) ...................................................... 31
3.2.5.c - Modelos auto-regressivo de mdia mvel (ARMA) .............................. 31
3.2.5.d - Modelo auto-regressivo integrado de mdia mvel (ARIMA) ................. 32
3.2.6 - Metodologia para simulao da irradincia solar em dias de cu limpo .......... 32
3.2.6.a - Distncia entre o Sol e a Terra .................................................... 33
3.2.6.b - Posio relativa Sol/Terra .......................................................... 33
3.2.6.c - Equao do tempo ................................................................... 34
3.2.6.d - ngulo horrio ........................................................................ 35
3.2.6.e - Posio solar sobre uma superfcie horizontal .................................. 36
3.2.6.f - Posio solar relativamente a um plano inclinado ............................. 37
3.2.6.g - Radiao solar terrestre ............................................................ 38
3.3 - Avaliao do desempenho dos modelos de previso ........................................ 39
3.3.1 - Modelos de referncia ..................................................................... 40
3.3.2 - Definio dos erros de previso .......................................................... 40
3.3.2.a - Erro de previso ...................................................................... 40
3.3.2.b - Comparao de modelos ............................................................ 42
3.4 - Modelos de clculo da produo de um sistema fotovoltaico a partir da radiao
solar ................................................................................................ 42
Captulo 4 ....................................................................................... 47
Construo do modelo de previso ....................................................................... 47
4.1 - Introduo ......................................................................................... 47
4.2 - Caso de estudo .................................................................................... 47
4.3 - Tipos de dados utilizados nos modelos de previso ........................................ 48
4.3.1 - Sincronizao dos dados ................................................................... 49
4.3.2 - Estandardizao ............................................................................. 49
4.4 - Estrutura dos modelos de previso da produo da central FV .......................... 50
4.5 - Modelo de referncia ............................................................................ 51
4.6 - Modelos estatsticos .............................................................................. 54
4.6.1 - ARMA .......................................................................................... 56
4.6.2 - AR ............................................................................................. 56
4.7 - Modelos de aprendizagem automtica ........................................................ 56
4.7.1 - Rede neuronal ............................................................................... 57
4.7.1.a - Arquitetura do modelo RN .......................................................... 57
4.7.1.b - 1 Fase ................................................................................. 58
4.7.1.c - 2 Fase ................................................................................. 61
4.7.2 - Support Vector Machines ............................................................... 64

VIII
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Captulo 5 ....................................................................................... 65
Resultados ..................................................................................................... 65
5.1 - Introduo .......................................................................................... 65
5.2 - Mtodos para a avaliao do desempenho dos modelos ................................... 65
5.3 - Desempenho dos modelos ....................................................................... 66
5.3.1 - Modelos de assimilao .................................................................... 70
Captulo 6 ....................................................................................... 75
Concluses e trabalhos futuros ............................................................................ 75
6.1 - Concluses ......................................................................................... 75
6.2 - Trabalhos futuros ................................................................................. 76
Referncias ..................................................................................... 77
Anexos ........................................................................................... 81
Anexo A ........................................................................................................ 81
A.1 - Equao ARMA(29,28) ............................................................................... 81
A.2 - Equao AR(29) ..................................................................................... 81
A.3 - Equao AR(173) .................................................................................... 82
Anexo B ........................................................................................................ 83
B.1 - Previses efetuadas pela RN1, para o ms de Agosto ...................................... 84
B.2 - Previses efetuadas pela RN2, ms de Dezembro .......................................... 86
Anexo C ........................................................................................................ 89
C.1 - Resultados do processo de seleo de variveis ............................................ 89

IX
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Lista de figuras

Figura 1.1 Distribuio da irradiao solar anual para o plano inclinado timo orientado
a Sul e produo da energia eltrica FV na Europa, estimada por cada kW de
potncia pico instalada [6]. ................................................................. 3

Figura 1.2 - Evoluo anual da potncia FV acumulada instalada desde 2000 at 2010 [7]. ..... 3

Figura 1.3 - Potncia FV acumulada instalada na Europa, e pases de destaque em 2010


[7]. ............................................................................................... 4

Figura 1.4 - Diagrama de cargas da rede eltrica portuguesa no dia 21 de Junho de 2011,
adaptado de [8]. .............................................................................. 5

Figura 1.5 - Potncia entregue rede eltrica portuguesa pelas centrais integradas na
PRE, no dia 21 de Junho de 2011 [8]. .................................................... 6

Figura 2.1 Constituio de uma clula fotovoltaica tpica. ........................................ 10

Figura 2.2 - Clula, mdulo fotovoltaico e array [13]................................................. 12

Figura 2.3 - Curva I-V e P-V para uma clula tpica de silcio monocristalino. ................... 12

Figura 2.4 - Efeito da radiao e da temperatura num mdulo fotovoltaico [13]. .............. 13

Figura 2.5 Inclinao tima para diferentes pocas do ano [13, 14]. ............................ 14

Figura 2.6 - Radiao solar incidente nos diferentes sistemas analisados [12]. .................. 17

Figura 2.7 - Produo diria dos diferentes sistemas analisados [12]. ............................. 17

Figura 2.8 Evoluo da potncia FV instalada, a partir do ano 2003. ............................ 18

Figura 2.9 Comparao da potncia instalada proveniente das centrais FV e


microproduo em 2011. Dados retirados do site renovveis na hora. ....... 19

Figura 2.10 Potncia instalada na microproduo, por distrito em 2011. Baseado nos
dados retirados do site renovveis na hora. ......................................... 19

Figura 3.1 Metodologia utilizada para a previso do movimento das nvens [17]. ............ 23

Figura 3.2 - Ilustrao de uma rede neuronal do tipo feedforward [24]. ......................... 25

Figura 3.3 - Processamento de um neurnio de uma rede neuronal [27]. ......................... 26

X
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Figura 3.4 Dados da radiao global utlizados em [28]. O conjunto de treino engloba 41
dias, o conjunto de validao 13 dias e o conjunto de previso 9 dias,
perfazendo um conjunto de 63 dias. .................................................... 27

Figura 3.5 Fronteira da regio que contribui para a funo de custo [48]. ..................... 29

Figura 3.6 rbita em torno do Sol, adaptado [33]. .................................................. 33

Figura 3.7 Posio relativa da Terra em relao ao Sol ao meio dia, num dia de
declinao negativa (Inverno no Hemisfrio Norte, Vero no Hemisfrio Sul),
adaptado de [32]. ........................................................................... 34

Figura 3.8 Diferena entre o tempo solar mdio e o tempo solar verdadeiro ao longo um
ano. ............................................................................................. 35

Figura 3.9 ngulos que definem a posio solar, adaptado de [33]. ............................. 36

Figura 3.10 ngulo de incidncia dos raios solares no plano inclinado, adaptado de [32]. .. 37

Figura 3.11 Efeitos provocados pela atmosfera sobre a radiao solar. ......................... 38

Figura 3.12 Trajetria dos raios solares ao passar pela atmosfera [35]. ......................... 39

Figura 3.13 Modelo de previso local de um sistema fotovoltaico, adaptado de [41]. ........ 45

Figura 3.14 Desempenho do modelo de previso para um local especifico, para 6 dias de
Maio de 2007 [41]. .......................................................................... 46

Figura 4.1 - Parque FV em estudo, Villares de Saz. ................................................... 48

Figura 4.2 Estrutura dos modelos desenvolvidos. .................................................... 50

Figura 4.3 Irradincia no plano inclinado, durante o ano de 2011. ............................... 52

Figura 4.4 Produo prevista atravs do modelo da persistncia pura e persistncia


geomtrica, no instante =12. ........................................................... 52

Figura 4.5 Comparao da produo prevista e da produo medida para o dia 21 de


Julho de 2010. ............................................................................... 53

Figura 4.6 - Comparao da produo prevista e da produo medida para o dia 21 de


Dezembro de 2010. ......................................................................... 53

Figura 4.7 Grfico de Autocorrelao (ACF) da srie da produo eltrica medida. .......... 54

Figura 4.8 Grfico de Autocorrelao Parcial (PACF) da srie da produo eltrica


medida. ...................................................................................... 55
Figura 4.9 Arquitetura do modelo de previso a partir das RN. ................................... 57

Figura 4.10 Estrutura das redes neuronais desenvolvidas. ......................................... 63

Figura 5.1 Comparao entre a potncia medida e a potncia prevista para todos os
modelos desenvolvidos, para o caso de estudo do dia 21 de Dezembro de
2010............................................................................................ 68

Figura 5.2 Comparao entre a potncia medida e a potncia prevista para todos os
modelos desenvolvidos, para o caso de estudo do dia 7 de Agosto de 2011. ..... 69

XI
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Figura 5.3 Desempenho de RN1, para as diferentes configuraes de modelos, para um


horizonte de previso de 72 horas. A previso foi realizada dia 7 de Agosto
de 2011 s 12:00h. .......................................................................... 72

Figura 5.4 - Desempenho de RN2, para as diferentes configuraes de modelos, para um


horizonte de previso de 72 horas. A previso foi realizada dia 4 de
Fevereiro de 2011 s 12:00h. ............................................................. 73

Figura 5.5 Desempenho de RN1 com a configurao 2 e dos diferentes modelos que lhe
deram origem, para um horizonte de previso de 72 horas. Previso efetuada
dia 7 de Agosto de 2011 s 12:00h. ...................................................... 73

Figura 5.6 - Desempenho de RN2 com a configurao 2 e dos diferentes modelos que lhe
deram origem, para um horizonte de previso de 72 horas. Previso efetuada
dia 4 de Fevereiro de 2011 s 12:00h. .................................................. 74

Figura C.1 - Desempenho da configurao (SW, T2, U10 e WDIR) dos dados NWP 00:00
UTC. ........................................................................................... 89

Figura C.2 Desempenho da configurao (SW, U10, V10 e WDIR) dos dados NWP 00:00
UTC. ........................................................................................... 89

Figura C.3 Desempenho da configurao (SW, T2, U10, V10 e WDIR) dos dados NWP 00:00
UTC. ........................................................................................... 90

Figura C.4 Desempenho da configurao (SW, T2, U10, V10 e WDIR) dos dados NWP 00:00
UTC, dados estandardizados. ............................................................. 90

Figura C.5 Desempenho da configurao (SW, T2, U10, V10, WDIR e H72) dos dados NWP
00:00 UTC..................................................................................... 91

Figura C.6 - Desempenho da configurao (SW, T2, U10, V10 e WDIR) dos dados NWP 12:00
UTC. ........................................................................................... 91

Figura C.7 - Desempenho da configurao (SW, T2, U10, V10, WDIR e H72) dos dados NWP
12:00 UTC..................................................................................... 92

Figura C.8 Desempenho do modelo com a adio das componentes do ciclo dirio, para
=1. ............................................................................................ 92

Figura C.9 - Desempenho do modelo com a adio das componentes do ciclo dirio, para
=2. ............................................................................................ 93

Figura C.10 - Desempenho do modelo com a adio das componentes do ciclo dirio, para
=3. ............................................................................................ 93

Figura C.11 - Desempenho do modelo com a adio das componentes do ciclo dirio, para
=4. ............................................................................................ 94

Figura C.12 Desempenho do modelo com a adio das componentes do ciclo dirio, para
=1 + =2. .................................................................................... 94

Figura C.13 Desempenho do modelo aps a decomposio da direo do vento. .............. 95

XII
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Lista de tabelas

Tabela 2.1 Rendimento dos vrios tipos de clulas [12]. ........................................... 11

Tabela 2.2 Descrio das centrais FV analisadas. .................................................... 20

Tabela 3.1 Exemplos de modelos numricos de previso globais. ................................ 24

Tabela 3.2 Exemplos de modelos numricos de previso locais. .................................. 24

Tabela 3.3 Rcio () para diferentes condies climatricas. ..................................... 43

Tabela 4.1 Correlao das variveis NWP. ............................................................ 58

Tabela 4.2 Seleo das variveis relacionadas com o vento. ...................................... 59

Tabela 4.3 Tabela de verdade das variveis relevantes. ........................................... 60

Tabela 4.4 Anlise da adio do horizonte temporal. ............................................... 61

Tabela 4.5 Desempenho dos diferentes ndices do harmnico. ................................... 62

Tabela 4.6 - Desempenho das componentes do ciclo dirio para =1 vs =1 + =2.............. 62

Tabela 4.7 Desempenho do modelo, antes e depois da decomposio da direo do


vento. ........................................................................................ 63

Tabela 4.8 Desempenho do modelo SVR. .............................................................. 64

Tabela 5.1 Comparao e anlise do erro de previso para os diversos modelos


desenvolvidos. ............................................................................ 67

Tabela 5.2 Desempenho de RN_AR. .................................................................... 70

Tabela 5.3 Desempenho de RN1 e RN2. ................................................................ 71

XIII
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Abreviaturas e Smbolos

Lista de abreviaturas (ordenadas por ordem alfabtica)

ACF Autocorrelation Function


AR Autoregressive
AM Air Mass
ARMA Auto Regressive Moving Average
ARIMA Auto Regressive Integrated Moving Average
ARPS Advanced Regional and Forecasting Model
CEST Central European Summer Time
CET Central European Time
CPV Concentrated Photovoltaic
EPIA European Photovoltaic Industry Association
ECMWF European Centre for Medium-Range Weather Forecasts
FV Fotovoltaica
GEM Global Environment Multiscale Model
GFS Global Forecast System
IMP Improvement
LW Longwave superfcie
MA Moving Average
MAE Mean Absolute Error
MAPE Mean Absolute Percentage Error
MLP Multi-Layer Perceptron
MM5 Fifth Generation Penn State / NCAR Mesoscale Model MM5
MOS Model Output Statistics
MSC Meteorological Service of Canada
MSE Mean Square Error
NCAR National Center for Atmospheric Research
NCEP National Centers of Environmental Prediction
NMAPE Normalized Mean Absolute Percentage Error
NOCT Nominal Operating Cell Temperature

XIV
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

NRMSPE Normalized Root Mean Square Percentage Error


NWP Numerical Weather Prediction
PACF Partial Autocorrelation Function
PRE Produo em Regime Especial
PSU Penn State University
RMSE Root Mean Square Error
RMSPE Root Mean Square Percentage Error
RN Rede Neuronal
RNA Rede Neuronal Artificial
SARIMA Seasonal Auto Regressive Integrated Moving Average
STC Standard Test Conditions
SVM Support Vector Machines
SVR Support Vector Regression
SW Shortwave superfcie
T2 Temperatura aos 2 metros
U10 Componente U do vento aos 10 metros
UE Unio Europeia
UM Unified Model
UTC Coordinated Universal Time
V10 Componente V do vento aos 10 metros
WDIR Direco do vento
WRF Weather Research and Forecasting Model
WSPD Intensidade do vento

Lista de smbolos

Valor previsto para o instante +


Previso de Potncia para o instante +, efetuada no instante
Valor real para o instante +
Potncia produzida no instante
Erro de previso no instante +
Erro de previso normalizado para o instante +
rea
Ajuste horrio
Equao do tempo
(|-1) Irradincia solar global no instante t-1, sendo t o instante de previso
* Irradincia solar global nas condies STC
Irradincia solar global

XV
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

_ Componente em co-seno do horizonte, para o harmnio


_ Componente em seno do horizonte, para o harmnio
Irradincia extraterrestre
Constante solar
Presso
Potncia instalada
Potncia mxima
Potncia transformada
Coeficiente de determinao
Temperatura
(-1) Temperatura ambiente no instante t-1
Tempo legal
Tempo solar verdadeiro
Temperatura ambiente
Temperatura da clula
Direo do Vento
(-1) Direo do vento no instante t-1
Velocidade do Vento
Dia do ano
Frao em funcionamento da central FV
Distncia entre o Sol e a Terra
Distncia mdia entre o Sol e a Terra
Elevao Solar
Inclinao do plano
Declinao solar
Erro aleatrio
Fator de correo de excentricidade
Rendimento
Distncia zenital
ngulo de incidncia solar sobre o plano inclinado
Fator que relaciona a longitude local e a longitude do meridiano de Greenwich
Azimute da superfcie inclinada
Azimute Solar
ngulo horrio
Latitude geogrfica

XVI
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Captulo 1

Introduo

Face aos problemas ambientais que enfrentamos, causados em grande parte pelo consumo
excessivo de combustveis fsseis, o recurso s energias de fonte renovvel cada vez mais
uma aposta global. Estas tm demonstrado possuir benefcios inegveis e podem ser
consideradas como o futuro no panorama da energia. Com o objetivo primordial de
estabelecer um equilbrio ambiental, juntamente com a necessidade de assegurar uma
poltica de energia eficiente e sustentvel, inevitvel o desenvolvimento e consequente
integrao das energias renovveis no sector eltrico. esperado que a energia solar,
juntamente com a energia elica, desempenhem um papel muito importante no fornecimento
de energia. A energia solar a fonte energtica primria, e a base para quase todos os tipos
de energia fssil e renovvel. Esta fonte energtica est disponvel gratuitamente, e pode ser
facilmente aproveitada de modo a reduzir a dependncia da energia produzida a partir dos
hidrocarbonetos [1].

No entanto, o carcter intermitente da energia eltrica produzida a partir destes recursos


motiva o desenvolvimento de ferramentas de previso deste mesmo recurso, de modo a
obtermos uma integrao bem sucedida destas centrais na rede eltrica.

Neste captulo, para alm da exposio do problema abordado e o contexto em que se


insere, so apresentados os principais objetivos e a estrutura desta dissertao.

1.1 - Enquadramento geral


A histria da eletricidade foi marcada pela rpida evoluo tcnica e pelos muitos
desenvolvimentos cientficos a ela ligados, estendendo-se a variados campos da cincia e a
inmeras aplicaes de ordem prtica. Foi a partir do sculo XIX que a energia eltrica
ganhou maior dimenso, vrios desenvolvimentos cientficos foram feitos nesse sculo, e a
evoluo tecnolgica, econmica e social a que o Mundo assistiu desde ento no teria sido
possvel sem o domnio da eletricidade.

precisamente a mesma eletricidade que est hoje no centro de uma nova revoluo.
Apesar da enorme evoluo verificada no ltimo sculo, atualmente temos que lidar com os
efeitos nefastos dessa evoluo, e por isso essencial a criao de um modelo mais

1
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

sustentvel e menos poluente. O efeito indesejvel de maior relevo a nvel ambiental o da


emisso de gases poluentes para a atmosfera, que provocou o aquecimento do planeta,
levando ao aparecimento de diversos efeitos prejudiciais. Como a produo de eletricidade
uma das atividades que mais contribui para a emisso de gases poluentes, imperativo que
esta tenha de ser reconsiderada.

O impacto dos problemas ambientais causados pelo consumo excessivo de combustveis


fsseis cada vez mais discutido. O recurso a estes combustveis insustentvel a mdio
prazo, e o recurso s chamadas energias renovveis cada vez mais uma aposta global. Ao
cumprimento das metas negociadas no mbito do protocolo de Quioto e face aos objetivos do
plano 20-20-20 da Unio Europeia (UE), torna-se evidente que as energias renovveis
assumem um papel cada vez mais preponderante na produo eltrica [2, 3].

Portugal assumiu para 2020, no quadro dos seus compromissos europeus, a meta de
satisfazer 31% do seu consumo final de energia com recurso a fontes renovveis. Atualmente,
a base da produo energtica de origem renovvel nacional est principalmente assente na
combinao da energia hdrica e da energia elica [3].

A energia hdrica uma aposta que tem vindo a ser feita desde os anos 40, sendo que a
capacidade instalada ronda atualmente os 5200 MW. Apesar de ainda existir potencial a
explorar, a energia hdrica est dependente da grande variabilidade pluviomtrica interanual,
levando a oscilaes na sua produo de ano para ano. A energia elica tem sido a grande
aposta da ltima dcada por parte de vrios pases para gerao de eletricidade sem emisses
poluentes, e seguramente continuar a sua evoluo. Em Portugal, a energia elica tem tido
uma forte progresso nos ltimos anos, tendo a potncia instalada passado de 537 MW em
2004 para mais de 4200 MW em Outubro de 2011 [3, 4].

Aps o forte investimento na energia elica, nos ltimos anos tem-se verificado um
crescente interesse na energia solar fotovoltaica (FV), posicionando-se como a tecnologia com
maior potencial de desenvolvimento em Portugal na prxima dcada. A sua
complementaridade com as restantes tecnologias renovveis, pelo facto de ser gerada nas
horas de maior consumo, leva fixao de um objetivo de 1500 MW de potncia instalada em
2020, atravs da concretizao de diversos programas e concurso, sendo que o
desenvolvimento desta capacidade dever acompanhar os avanos tecnolgicos, os ganhos de
eficincia e a reduo dos custos associados a estas tecnologias [3].

Analisando a Figura 1.1, pode-se verificar, que o recurso solar disponvel na Europa varia
significativamente com a latitude, de tal forma que, nos pases do Sul (Portugal, Espanha e
Itlia), a irradiao solar anual chega a atingir em algumas ocasies quase o dobro da mdia
disponvel nos pases do Norte da Europa (Noruega, Sucia e Dinamarca). A irradiao solar
em Portugal Continental varia entre 1300-1800 kWh/m2. Portanto, Portugal apresenta das
melhores condies a nvel europeu para o aproveitamento do recurso solar e,
designadamente, para a produo eltrica por via fotovoltaica [5].

2
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Figura 1.1 Distribuio da irradiao solar anual para o plano inclinado timo orientado a Sul e
produo da energia eltrica FV na Europa, estimada por cada kW de potncia pico instalada [6].

Na Figura 1.2, apresentada a evoluo anual da potncia FV instalada nas regies


geogrficas de maior destaque desde 2000 at 2010. Como se pode constatar, na ltima
dcada o crescimento da potncia FV instalada praticamente exponencial. Em 2010 o seu
valor era aproximadamente 40 GW, sendo que a UE contabilizava com um pouco mais de
29 GW, revelando um aumento de cerca de 13 GW face ao ano anterior.

Figura 1.2 - Evoluo anual da potncia FV acumulada instalada desde 2000 at 2010 [7].

3
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Analisando a Figura 1.2 e Figura 1.3 verifica-se que de todos os pases Europeus, a
Alemanha com 17 GW claramente o que possui uma maior potncia instalada. J fora da
Europa, o Japo apresenta-se como o maior mercado (3,6 GW), no entanto segundo [7]
esperado que a China se torne uma grande potncia nos prximos anos. Apesar de apresentar
uma excelente localizao para o aproveitamento do recurso solar para a produo de energia
fotovoltaica, a potncia instalada em Portugal baixa e tem crescido timidamente quando
comparada com a de outros pases, apresentando apenas um aumento de 16 MW
comparativamente a 2009.

Figura 1.3 - Potncia FV acumulada instalada na Europa, e pases de destaque em 2010 [7].

4
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

1.1.1 - Diagrama de carga diria da rede nacional


A potncia solicitada rede eltrica nacional pelos equipamentos utilizados pelos diversos
tipos de consumidores varia ao longo do dia e em funo das atividades desenvolvidas,
designando-se por diagrama de carga. Apresenta-se na Figura 1.4 o diagrama de carga da rede
eltrica nacional no dia 21/06/2011.

Figura 1.4 - Diagrama de cargas da rede eltrica portuguesa no dia 21 de Junho de 2011,
adaptado de [8].

Analisando o diagrama de carga verifica-se que a base da carga (correspondente s horas


de vazio), com uma potncia solicitada rede de aproximadamente 5000 MW, em geral
assegurada pelas centrais trmicas, pelas centrais hidroeltricas de albufeira e por ltimo
pelas centrais integradas na PRE (Produo em Regime Especial), onde se incluem as centrais
fotovoltaicas, uma vez que estas centrais no so despachveis sendo dependentes da
disponibilidade do recurso renovvel utilizado [9].

Nos perodos de ponta e cheia do diagrama de carga, o excesso de potncia requerido


rede, cerda de 2000 MW, assegurado maioritariamente pela importao, pelas centrais
hidroeltricas de fio de gua e tambm pelas centrais termoeltricas.

Como se pode constatar, as fontes de energia integradas na PRE tm uma percentagem


significativa no fornecimento de energia eltrica para satisfazer o consumo. de salientar
que para um dia de funcionamento normal, os perodos das centrais hidroeltricas de
albufeira e de fio de gua esto invertidos, ou seja, tipicamente so as centrais de fio de
gua que funcionam nas horas de vazio e as centrais de albufeira em perodos de ponta. Na
Figura 1.5 representada a potncia produzida pelas centrais integradas na PRE, no dia 21 de
Junho de 2011.

5
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Figura 1.5 - Potncia entregue rede eltrica portuguesa pelas centrais integradas na PRE, no dia 21 de
Junho de 2011 [8].

Como se pode verificar, mesmo tratando-se de um dia de Vero, a potncia fornecida


atualmente pelas centrais fotovoltaicas ainda muito baixa quando comparada por exemplo,
com a energia elica; no entanto, graas complementaridade existente entre a energia
solar e elica, de esperar que esta potncia aumente consideravelmente com o decorrer
dos anos. importante salientar que, para o perodo de Inverno, a produo PRE hdrica e
elica bastante superior verificada na Figura 1.5, sendo que a produo FV ser inferior.
Relativamente figura anterior, pode-se verificar tambm que devido ao carcter aleatrio
do vento, as centrais elicas no se adaptam, em geral, para satisfazer o pico do consumo nas
horas de cheia e ponta do diagrama, apresentando no dia em anlise um mnimo prximo das
12h. Pelo contrrio, a produo eltrica por via FV quase na sua totalidade entregue rede
nas horas de ponta e cheia do diagrama de carga, complementando desta forma a produo
elica.

Segundo as previses da EPIA (European Photovoltaic Industry Association), num cenrio


favorvel, a potncia FV instalada em Portugal poder chegar a 1,18 GW em 2015 [7], o que
corresponderia a um valor dez vezes superior potncia instalada em 2009. No entanto, pela
anlise dos relatrios referentes a 2011 [4], a menos que nos prximos 3 anos a potncia FV
instalada cresa consideravelmente, dificilmente Portugal atingir esse valor.

Apesar de tudo, a explorao destas fontes de energia renovvel e a sua integrao na


rede eltrica pode ser problemtica, mesmo quando o potencial para o aproveitamento do
recurso solar em determinado pas bom, como o caso de Portugal. A energia eltrica
produzida por algumas tecnologias de energia renovvel, como por exemplo as centrais

6
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

solares, conhecida por ser intermitente e fortemente afetada pela presena de


nebulosidade, pelo que so necessrios esforos substanciais, no s ao nvel do
desenvolvimento e evoluo das tecnologias, mas tambm ao nvel da disponibilidade de
informaes precisas relativamente a estas formas de energia. Ainda que, atualmente, a
intermitncia no seja um problema grave, pois as fontes de energia solar representam uma
pequena parcela da produo de energia eltrica total, no futuro, o aumento da penetrao
de grandes centrais solares numa rede eltrica local susceptvel de introduzir novos
problemas tcnicos na rede, tais como flutuaes de tenso, degradao da qualidade da
energia eltrica e at mesmo problemas de estabilidade [10].

Portanto, para termos uma correta integrao da energia de origem solar na rede
eltrica, necessrio o desenvolvimento de ferramentas fiveis e capazes de superar estes
problemas, pois s assim se podem minimizar os problemas de injeo de potncia FV na
rede.

1.2 - Motivao e objetivos da dissertao


Normalmente, quando se fala em fontes de energias renovveis, associa-se
imediatamente a fluxos de energia altamente intermitentes e variveis, cuja produo no se
consegue armazenar.

Em Portugal a utilizao da energia elica foi claramente uma aposta ganha e representa
atualmente uma boa percentagem da energia eltrica fornecida Rede. A previso eficaz
deste recurso ser uma ferramenta indispensvel de forma a balancear a energia fornecida
rede eltrica.

Devido ao crescimento verificado nos ltimos anos, e sabendo que produo FV


considerada por muitos pases como o futuro das energias renovveis, esperado que com o
desenvolvimento de ferramentas eficazes para a previso da produo eltrica proveniente
dos sistemas solares FV seja possvel suplantar as barreiras tcnicas que impedem a alta
penetrao deste tipo de energia na rede eltrica. Desta forma ser possvel apostar mais em
fontes de energia alternativas, reduzindo assim a energia produzida a partir de combustveis
fsseis, e consequentemente a emisso de gases poluentes para a atmosfera.

A razo que despertou o interesse pela realizao desta dissertao, reside exatamente
na necessidade de desenvolver ferramentas de previso da produo solar FV a curto prazo,
ou seja, para horizontes temporais at 72 horas. Um dos principais objetivos investigar se os
modelos de previso que utilizam os Numerical Weather Prediction (NWP) como variveis de
entrada conseguiro um desempenho superior aos modelos estatsticos de previso que se
baseiam unicamente em dados histricos da potncia FV. Para alm disso, so ainda
apresentados estudos e modelos desenvolvidos nos ltimos anos, com o objetivo de prever
tanto a radiao solar como a produo de uma central solar, que permitiram obter
informaes importantes para a construo do modelo de previso aqui proposto.

7
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

1.3 - Estrutura da dissertao


A presente dissertao constituda por seis captulos, sendo este o captulo introdutrio
ao problema que se pretender resolver.

No captulo 2 feita a caracterizao dos sistemas fotovoltaicos atuais. O objetivo


apresentar, de forma sucinta, como funciona esta tecnologia de converso da energia solar
em energia eltrica e mostrar de que forma depende da radiao solar.

O captulo 3 inteiramente dedicado ao estado da arte dos modelos de previso


associados ao recurso solar e s centrais solares. Este captulo tem como objetivo dar ao
leitor uma viso geral de como os problemas de previso podem ser resolvidos.

No captulo 4 so expostas as etapas realizadas para a construo dos modelos e


efetuados estudos das variveis de maior relevo para a realizao da previso. Alm disso,
sero ainda justificadas todas as decises tomadas durante a construo da metodologia
desenvolvida.

No captulo 5 so apresentados os valores do teste e avaliao do desempenho da


metodologia desenvolvida na resoluo de problemas reais, atravs da anlise do erro de
previso. Aqui sero apresentados os resultados obtidos durante o desenvolvimento deste
trabalho.

No captulo 6 so exibidas as principais concluses obtidas. Neste captulo so ainda


discutidas as dificuldades encontradas durante a realizao desta dissertao e apresentadas
ideias para trabalhos futuros.

8
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Captulo 2

O fotovoltaico

2.1 - Introduo
O Sol pode ser considerado como a nica fonte de energia na Terra, porque praticamente
toda a energia disponvel est direta ou indiretamente relacionada com ele; em outras
palavras, as fontes de energia so, em ltima instncia, derivadas do Sol.

Mesmo o petrleo, a fonte de energia que tanta discusso tem gerado devido elevada
poluio que produz, vem indiretamente do sol. O petrleo que extrado do subsolo no
nada mais do que matria orgnica que se encontra sepultada sob camadas da crosta
terrestre a elevadas presses. Esta matria orgnica viveu e multiplicou-se devido ao
processo de fotossntese que est diretamente ligado ao Sol.

O Sol fornece energia na forma de radiao, no seu ncleo so geradas reaes nucleares
e durante este processo parte da massa transformada em energia. O Sol assim um enorme
reator de fuso [5].

Este captulo tem como principal objetivo apresentar as tecnologias atuais de converso
de energia solar em energia eltrica. Inicialmente, feita uma descrio sumria dos
sistemas fotovoltaicos, no qual o maior relevo dado aos fatores que condicionam a
produo FV. Por ltimo realizada uma anlise da situao FV em Portugal Continental.

2.2 - Tecnologias de converso da energia solar


A energia proveniente do sol pode ser utilizada indireta ou diretamente. No caso da
utilizao indireta da energia solar, consideramos a utilizao das energias renovveis que
tm origem nos efeitos secundrios provocados pelo sol. Para a utilizao da energia solar na
forma direta, existe uma variedade de tecnologias que se dividem em duas categorias
principais, trmica e fotovoltaica.

As tecnologias solares trmicas convertem a energia solar em calor, que pode ser
diretamente utilizado para aquecimento de guas, ou convertido em energia mecnica e
posteriormente em energia eltrica, atravs do uso de turbinas a vapor. As tecnologias

9
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

fotovoltaicas convertem a radiao solar diretamente em eletricidade, atravs do efeito


fotovoltaico.

A tecnologia fotovoltaica particularmente fascinante, no s para quem desenvolve as


tecnologias, mas tambm para o pblico em geral [11]. Os seus pontos fortes so:

a fonte de energia, o sol, omnipresente e inesgotvel;


converso direta da radiao solar em eletricidade;
inexistncia de partes mveis (excetuando os sistemas dotados de mecanismos de
orientao), e portanto ausncia de rudos;
no funcionam a altas temperaturas;
no poluem (excepto na fase de fabrico);
os mdulos fotovoltaicos tm uma vida til bastante longa;
o fotovoltaico uma fonte de energia bastante flexvel, a sua potncia varia desde
microwatt at megawatt.

2.3 - A tecnologia fotovoltaica


O efeito fotovoltaico presente nas clulas fotovoltaicas a forma mais direta de
converter a radiao solar em eletricidade. As clulas so constitudas por elementos
semicondutores como o silcio, telurieto de cdmio ou disselenieto de cobre e ndio, sendo a
clula de silcio cristalina a mais comum. O silcio no existe como um elemento qumico, no
entanto o segundo elemento mais abundante na terra, sendo que este apenas existe
associado areia de slica [5].

O material utilizado nas clulas solares deve possuir a maior pureza possvel; no entanto,
como o cristal de silcio puro no possui eletres livres, este tem de ser dopado com outros
elementos. O processo conhecido como dopagem do silcio consiste na introduo de
elementos estranhos com o objetivo de alterar as suas propriedades eltricas. Da dopagem do
silcio com o fsforo, que possui um eletro a mais, obtm-se um material com eletres livres
(camada tipo ), este eletro pode mover-se livremente dentro do cristal transportando com
ele a carga eltrica. Dopando o silcio com boro obtm-se um material com falta de eletres
(camada tipo ), devido ausncia do eletro temos assim uma lacuna no cristal por cada
tomo de boro introduzido. Cada clula fotovoltaica constituda por uma camada fina de
material do tipo que est orientada para o Sol, e uma outra de maior espessura de material
do tipo . Da juno das duas camadas os eletres livres existentes na camada do tipo
ocupam os espaos vazios (lacunas) na camada do tipo [5].

Figura 2.1 Constituio de uma clula fotovoltaica tpica.

10
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Quando a luz solar incide na clula fotovoltaica, os fotes so absorvidos pelos eletres,
fornecendo energia suficiente para quebrar as ligaes dos eletres. Os eletres libertados
so conduzidos atravs do campo eltrico para a camada . As lacunas assim criadas seguem
na direo contrria, ou seja, para a camada do tipo . Da juno da camada camada do
tipo com um condutor completar-se- um circuito eltrico, permitindo desta forma que os
eletres fluam para a camada , criando uma corrente eltrica. Este fluxo de eletres
manter-se- enquanto a luz solar incidir na clula sendo que a intensidade da corrente
eltrica variar da mesma forma que a luz solar incidente varia [5].

2.3.1 - Tipos e caractersticas das clulas


Como a unidade base de qualquer sistema fotovoltaico so as clulas, a escolha do seu
tipo vai influenciar a capacidade de produo dos sistemas FV. As clulas fotovoltaicas mais
usuais podem ser compostas por silcio monocristalino, silcio policristalino ou silcio amorfo.

As clulas de silcio monocristalino foram as primeiras a serem desenvolvidas para fins


comerciais, fazendo parte da primeira gerao. Estas clulas foram as primeiras a serem
elaboradas a partir de um cristal nico, esta tecnologia permite obter clulas com maiores
eficincias; no entanto, o seu processo de fabrico mais dispendioso. As clulas
policristalinas so mais baratas uma vez que no necessitam de tanta energia no seu fabrico;
no entanto, atingem eficincias mais baixas, quando comparadas com a tecnologia anterior.
No caso do silcio amorfo, o cristal no tem uma forma regular, sendo as clulas de fabrico
mais barato, mas com a desvantagem de se obterem eficincias ainda mais baixas.

Tabela 2.1 Rendimento dos vrios tipos de clulas [12].

Rendimento em Rendimento da Rendimento do


Tipo de clula
Laboratrio (%) clula (%) mdulo (%)

Si-monocritalino 24,7 18 16

Si-policristalino 20 16 13-14

Si-amorfo 12,1 10 8-9

Nos ltimos anos tem-se vindo a desenvolver outros tipos de clulas, com o objetivo de
diminuir o consumo de silcio, por requerer elevadas temperaturas na sua produo e um grau
de pureza elevado. As clulas de Disselenieto de Cobre e ndio ou as clulas de Telureto de
Cdmio so exemplos de clulas mais eficientes e baratas do que as clulas de silcio amorfo,
no entanto, contm cdmio que um material perigoso. Muitas novas tecnologias esto ainda
em fase de estudos, mas prometem grandes eficincias e custos muito baixos, no entanto o
seu processo de desenvolvimento tecnolgico no dever permitir que tenham expresso
significativa no mercado no prximo 10 a 15 anos. De referir por exemplo o Arsnio de Glio,
que apresenta rendimentos que podem chegar a 25% mas que tm custos de produo muito
elevados [5].

Os mdulos fotovoltaicos so dispositivos constitudos por vrias clulas fotovoltaicas.


Praticamente todas as clulas fotovoltaicas compostas por silcio so capazes de gerar uma
diferena de potencial entre 0,4 e 0,5 Volt em condies normais. Por este motivo, as clulas
devem ser ligadas em srie, de modo a aumentar a diferena de potencial a um nvel

11
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

normalizado. Arranjos de vrias clulas fotovoltaicas ligadas em srie (normalmente 36


clulas), encapsuladas entre vidro e plstico, e suportadas dentro de uma estrutura metlica,
so chamados de mdulos ou painis fotovoltaicos. Grupos de mdulos montados juntos so
chamados de array [13], ver Figura 2.2.

Figura 2.2 - Clula, mdulo fotovoltaico e array [13].

Durante o encapsulamento, as clulas so seladas a alta temperatura entre camadas de


plstico e vidro, de modo a que o ar ou gua no possa entrar e corroa as conexes eltricas
entre as clulas.

Todos os painis fotovoltaicos so classificados de acordo com a sua capacidade mxima


ou pico de potncia. Pico de potncia (watt-peak), definido como a potncia eltrica
mxima que um painel fotovoltaico deveria produzir sob Standard Test Conditions (STC) [13].
As condies de teste padro, STC, referem-se a uma radiao incidente de 1000 W/m 2 para
uma temperatura ambiente de 25 C.

A energia produzida por um mdulo fotovoltaico depende do nmero de clulas que


possui, do tipo de clulas e da rea total das clulas. Alm disso, a potncia produzida ainda
varia em funo da quantidade de radiao incidente, do ngulo do painel respetivamente ao
sol, da temperatura do painel e da tenso que esta a ser consumida a partir do mdulo.

2.3.2 - Curva I-V


Outro aspeto muito importante que se deve ter em conta ao compararmos paneis
fotovoltaicos a curva I-V (intensidade de corrente tenso). Esta curva utilizada para
estimar o desempenho do painel a vrias temperaturas, nveis de tenso e irradiao. Cada
mdulo ou clula fotovoltaica, tem as suas prprias caractersticas.

Figura 2.3 - Curva I-V e P-V para uma clula tpica de silcio monocristalino.

12
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Existem vrios pontos de interesse relativamente curva I-V na Figura 2.3:

Corrente de curto-circuito (), a corrente mxima que o sistema FV consegue


entregar sob determinadas condies de radiao e temperatura, correspondendo
a uma tenso nula e consequentemente potncia nula;
Tenso em circuito aberto (), a tenso mxima que o sistema FV consegue
entregar sob determinadas condies de radiao e temperatura, correspondendo
circulao de uma corrente nula e consequentemente potncia nula;
ou , o valor de potncia mxima que o sistema FV consegue produzir.
O ponto de potncia mxima sempre encontrado no local onde a curva comea a
quebrar acentuadamente. aconselhvel que um mdulo opere o mais prximo
possvel deste ponto.

2.3.3 - Efeito da radiao e da temperatura


A potncia produzida por uma clula fotovoltaica depende quase linearmente da radiao
solar incidente. Como se pode verificar na Figura 2.4, a potncia de sada aumenta com o
aumento da radiao incidente no mdulo. A corrente de curto-circuito aumenta de forma
aproximadamente linear com o aumento da radiao incidente ao passo que o valor de tenso
de circuito aberto pouco varia com a variao da radiao.

Figura 2.4 - Efeito da radiao e da temperatura num mdulo fotovoltaico [13].

Ao contrrio dos sistemas solares trmicos, um mdulo fotovoltaico vai produzindo menos
medida que vai aquecendo. Analisando a Figura 2.4 verifica-se que o valor da tenso em
circuito aberto baixa com o aumento da temperatura, enquanto que o valor da corrente de
curto-circuito pouco varia. A temperatura dos painis solares fotovoltaicos varia
essencialmente com a irradincia solar, a temperatura ambiente e a velocidade do vento.

Um mdulo constitudo por clulas monocristalinas tem um decrscimo na sua produo


na ordem dos 0,5% por cada grau centgrado. Geralmente, a temperatura dos mdulos
fotovoltaicos 20 C superior temperatura registada num termmetro, isto porque uma
parte da radiao solar absorvida no convertida em energia eltrica, mas sim dissipada sob
a forma de calor. Este aspeto muito importante, porque em alguns locais a temperatura ao
nvel do solo pode ser superior a 60 C reduzindo a potncia em aproximadamente 20% ou
mais. Por esse motivo, os mdulos devem ser instalados em estruturas a uma altura superior
do local e de preferncia em locais onde so arrefecidos por correntes de ar [13].

13
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

2.3.4 - Associao de clulas


Num agrupamento ligado em srie, as clulas so atravessadas pela mesma corrente e a
caracterstica resultante deste agrupamento obtida pela adio das tenses aos terminais
das clulas, para um mesmo valor de corrente. Por outro lado, num agrupamento ligado em
paralelo, as clulas esto submetidas mesma tenso e as intensidades de corrente
adicionam-se. A caracterstica resultante obtm-se por adio de correntes, para um mesmo
valor de tenso.

A grande maioria dos mdulos so construdos associando em primeiro lugar as clulas em


srie at se obter um nvel de tenso considervel, e depois associando-as em paralelo at
alcanar o nvel de corrente desejado.

2.3.5 - Efeito da inclinao, orientao dos mdulos e uso de


sistemas de seguimento
A quantidade de energia produzida por um sistema fotovoltaico influenciada pela
orientao do painel e pelo ngulo de inclinao deste relativamente ao plano horizontal. Se
estes parmetros proporcionarem um aumento da energia captada pelos mdulos, a energia
produzida tambm ir aumentar. Como se pode ver pela Figura 2.5, a quantidade de radiao
solar captada numa superfcie mxima quando esta se encontra posicionada perpendicular
radiao, por esta razo, essencial que a inclinao dos sistemas solares seja otimizada,
sendo que esta varia de acordo com a latitude

No hemisfrio norte, a orientao que maximiza a quantidade de radiao aproveitvel


coincide com o sul geogrfico, sendo que para o hemisfrio sul, a orientao tima coincide
com o norte geogrfico [13].

Figura 2.5 Inclinao tima para diferentes pocas do ano [13, 14].

Normalmente, os sistemas solares fixos so montados de forma a aproveitar o mximo de


radiao para o ms de menor insolao. Seguindo esta regra, um modo de descobrir
facilmente a inclinao tima somando 10 latitude do local.

Se o objetivo maximizar o aproveitamento da energia solar ao longo do dia, capta-se


mais energia se os sistemas solares estiverem constantemente virados na direo do Sol. O
processo de direcionar os sistemas solares em relao ao Sol, medida que este se move no
cu, chamando de seguimento. Este processo pode aumentar a potncia produzida em 30%.

14
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Existem dois grupos de sistemas mecnicos de seguimento, os de dois eixos e os de um eixo.


Os mecanismos com dois eixos colocam a superfcie de captao na posio ideal
relativamente ao Sol. No entanto, estes so muito mais complexos do ponto de vista tcnico
do que os sistemas de um eixo. As instalaes com sistemas de um eixo so mais simples e
podem apresentar vrias configuraes.

Apesar de maximizarem a energia captada, os sistemas mecnicos de seguimento solar


so mais complexos, mais caros e apresentam maiores custos de operao e manuteno.
Uma vez que so dotados de partes mveis estes tambm so mais susceptveis a avarias [13].

2.3.6 - Efeito de sombreamento na produo do mdulo


Se uma sombra bloquear a radiao incidente numa parte do mdulo fotovoltaico, a
potncia produzida ser inferior. De facto, bloquear simplesmente uma nica clula pode
reduzir consideravelmente a potncia gerada, e at mesmo danificar o mdulo, porque as
clulas nos mdulos so ligadas em srie e todas elas devem ter a mesma corrente. Se uma
clula bloqueada, passa a estar inversamente polarizada, consumindo energia eltrica,
convertendo-a em calor. Se a clula estiver bloqueada por um longo perodo de tempo poder
provocar a falha completa do mdulo [13].

2.3.7 - Tipos de sistemas fotovoltaicos


As aplicaes tipolgicas dos sistemas fotovoltaicos terrestres podem ser divididas em
duas categorias principais:

sistemas autnomos/hbridos;
sistemas ligados rede

Os sistemas autnomos podem ter potncias que variam desde os miliwatt at aos
kilowatt. A fim de garantir o abastecimento de eletricidade em dias com fraca ou nenhuma
radiao solar, a maioria dos sistemas autnomos tem um sistema de armazenamento
integrado (baterias). Existe uma enorme variedade de sistemas autnomos, as suas aplicaes
variam desde mquinas calculadoras e relgios, at sistemas de controlo de trfego ou at
mesmo sistemas capazes de alimentar habitaes situadas em locais remotos, onde no existe
uma rede eltrica. Estes sistemas podem ser implementados apenas com o mdulo
fotovoltaico como gerador de eletricidade ou com fontes de energia auxiliares, sendo
conhecidos como sistemas hbridos. Os geradores adicionais podem ser alimentados a
combustveis fsseis (por exemplo fuel ou gs) ou a energias renovveis (por exemplo elica,
hdrica ou biomassa), complementado assim a produo fotovoltaica [11].

Os sistemas FV ligados rede so sempre ligados rede eltrica atravs de um inversor,


porque os mdulos fotovoltaicos apenas geram corrente continua. Habitualmente estes
sistemas no produzem grandes efeitos na rede eltrica no que diz respeito qualidade da
onda, carga nas linhas e transformadores, etc.. No entanto, se sistemas FV de maior
capacidade forem implementados numa rede eltrica de baixa tenso, estes aspetos j devem
ser considerados [11].

15
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Por norma estes sistemas utilizam um elevado nmero de mdulos FV, embora com a
promoo da microgerao comecem a aparecer tambm sistemas de dimenses reduzidas,
sem necessidade de recurso a baterias. No entanto, o inversor tem que possuir caractersticas
adequadas satisfao dos requisitos que a ligao impe, de modo a no afetar a qualidade
da energia. Nestes sistemas fotovoltaicos ligados rede o critrio de dimensionamento a
maximizao de energia produzida.

2.3.8 - Inversores
Tal como referido anteriormente, os mdulos fotovoltaicos podem ser ligados em srie,
em paralelo ou em associaes srie-paralelo. O tamanho e nmero das filas so
determinados com base na escolha do inversor, tendo em conta a potncia de sada do
mdulo.

Em sistemas ligados rede os mdulos fotovoltaicos so habitualmente ligados em srie,


formando fileiras, pelo que o valor mximo da tenso da fila deve ser inferior ao valor
mximo da tenso nominal do inversor. No entanto, pode haver necessidade de ligar mdulos
fotovoltaicos em paralelo em caso de sombreamentos de partes do painel fotovoltaico do
sistema, no caso de o painel ser constitudo por mdulos com diferentes caractersticas
eltricas ou ainda quando necessrio cumprir com um determinado valor da tenso de sada
das filas.

2.3.9 - Tecnologia solar de concentrao fotovoltaica


As centrais solares fotovoltaicas de concentrao (CPV) geram energia eltrica da mesma
forma que a tecnologia fotovoltaica convencional. A diferena entre as tecnologias reside na
adio de um sistema ptico que concentra uma grande quantidade de luz solar numa clula
fotovoltaica. Embora o CPV tenha uma maior eficincia quando comparado com os sistemas
fotovoltaicos tradicionais, os sistemas de concentrao utilizam apenas a componente direta
da radiao solar. Por este motivo, estes sistemas devem possuir um sistema de
posicionamento de forma a que estejam sempre orientados na direo do sol.

Uma vez que os sistemas fotovoltaicos tradicionais utilizam tanto a componente direta
como a difusa da radiao solar, ainda continuam a ser uma boa opo para ser instalado em
zonas onde existem frequentemente condies de cu nublado. Ao contrrio dos sistemas de
concentrao, o FV tradicional no necessita de um sistema de seguimento solar embora
possa t-lo [13].

Na apresentao realizada por Collares Pereira [12], efetuado um estudo comparativo


da produo proveniente de diferentes tecnologias FV. As tecnologias comparadas so:

Painis FV monocristalinos fixos;


Painis FV monocristalinos dotados de um sistema de seguimento de 2 eixos;
CPV dotado com o mesmo sistema de seguimento.

A produo diria dos sistemas estudados foi monitorizada para os primeiros seis dias do
ms de Agosto com diferentes condies climatricas:

16
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Figura 2.6 - Radiao solar incidente nos diferentes sistemas analisados [12].

Da anlise do grfico da Figura 2.6 pode-se constatar que a radiao solar incidente em
todos os sistemas muito irregular, o que sugere que o dia 1 de Agosto foi claramente
afetado pela presena de nebulosidade. Neste caso, os sistemas FV convencionais tm uma
produo de energia superior dos sistemas CPV (ver Figura 2.7). Tal deve-se ao facto de
que, como j foi referido anteriormente, estes sistemas aproveitarem a componente direta e
difusa da radiao solar, que maior em dias nublados do que em dias de cu limpo.

Figura 2.7 - Produo diria dos diferentes sistemas analisados [12].

Para os dias em que se verificam condies de cu limpo, como por exemplo no dia 3 de
Agosto, o sistema CPV, como seria de se esperar, consegue produzir mais energia eltrica
quando comparado com os sistemas tradicionais.

Este estudo comparativo traduz a alta dependncia das tecnologias fotovoltaicas de


concentrao da componente direta da radiao incidente no painel do sistema. Os sistemas
CPV demonstram ser uma tima alternativa aos sistemas tradicionais para o aproveitamento
do recurso solar em regies onde se verifique uma elevada incidncia da radiao direta e
registos de baixa nebulosidade.

17
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

2.4 - Panorama nacional


Nesta seco, ser efetuada uma anlise da situao FV em Portugal Continental. Como
ponto de partida foi feito um levantamento no site da Direco Geral de Energia e Geologia
(DGEG) da evoluo anual da potncia FV instalada. De seguida, atravs do site da e2p [15] e
renovveis na hora [16] foi possvel efetuar o levantamento de uma grande parte das
instalaes licenciadas em Portugal Continental (excluindo miniproduo).

possvel verificar pela anlise da Figura 2.8, um crescimento da potncia instalada a


nvel nacional principalmente a partir do ano de 2006 at atualidade. Em 2007 grande parte
da potncia FV instalada devia-se central FV de Hrcules em Serpa (11 MW) e central FV
de Corte Po e gua (0,6 MW). Entre 2007 e 2008 o crescimento da potncia instalada, deveu-
se entrada em funcionamento de grandes centrais FV, tais como a de Amareleja
(46,41 MW), Olva (2,2 MW) e do Interior Alentejano (2,2 MW). Entre 2008 e 2009 o
crescimento esteve relacionado com a entrada em funcionamento de trs centrais FV em
Ferreira do Alentejo das empresas; Generg (12 MW), Tecneira (10 MW) e Netplan (1,8 MW) e
da central em meio urbano Mercado Abastecedor da Regio de Lisboa - MARL (6 MW). Entre
2009 e 2010 o crescimento esteve relacionado com a entrada em funcionamento da central FV
de Porteirinhos (6 MW), Malhada a Velha (1 MW) e Castanhos (1,3 MW).

160 149

140 125,8
Potncia instalada [MW]

120 104,1
100

80
58,5
60

40
14,5
20 2,7 2,9 3,4
2,1
0
2003 2004 2005 2006 2007 2008 2009 2010 Out.
2011
Ano

Figura 2.8 Evoluo da potncia FV instalada, a partir do ano 2003.

Na Figura 2.9 pode-se ver a comparao entre a potncia instalada a partir das centrais
fotovoltaicas e dos sistemas de microproduo em 2011, para Portugal Continental. Como se
pode ver, dos 149 MW de potncia FV instalada no final de Outubro, grande parte dessa
energia (68,1%) provem das centrais FV em funcionamento, sendo que a microproduo
fica-se pelos (27,6%) no deixando no entanto, de ser um valor assinalvel. Uma vez que no
foi possvel aceder aos dados relativos potncia instalada da miniproduo, estes no so
contabilizados.

18
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

101510
120000

Potncia instalda [kW]


100000

80000
41081
60000

40000

20000

0
Microproduo Centrais FV
2011

Figura 2.9 Comparao da potncia instalada proveniente das centrais FV e microproduo em 2011.
Dados retirados do site renovveis na hora.

Na Figura 2.10 ilustrado o somatrio da potncia instalada relativamente


microproduo, por distrito em Portugal Continental, at ao fim do ano de 2011.

6000
5140
5000
Potncia instalada [kW]

4040
3791 3665
4000
3063
2772
3000 2631 2533
2121
1757 1696 1810
2000 1331 1446
1273
781 771
1000 460

Distrito

Figura 2.10 Potncia instalada na microproduo, por distrito em 2011. Baseado nos dados retirados do
site renovveis na hora.

Como se pode verificar, Lisboa apresenta-se como o distrito com maior potncia instalada
(5140 kWp). Inversamente, e apesar de possuir melhores condies para aproveitamento do
recurso solar comparativamente com Lisboa, Portalegre afigura-se como o distrito com menor
potncia instalada (460 kWp). Isto poder estar relacionado com a sua menor densidade
populacional e poder de compra.

Outra anlise que se efetuou foi perceber quais so os tipos de materiais mais utilizados
nas centrais fotovoltaicas a nvel nacional e o tipo de seguimento que estas utilizam. Para
este estudo apenas foram contabilizadas as centrais FV presentes no site da e2p, uma vez que
seria impossvel analisar todos os sistemas FV pertencentes microproduo.

19
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Tendo em conta as diferentes alternativas existentes no mercado, para os materiais


utilizados na construo dos mdulos FV, verificou-se que a escolha do material utilizado nas
centrais varia consoante a central. Isto poder estar relacionado com os objetivos a que a
mesma se prope, disponibilidade financeira/oramento do projeto, localizao e nveis de
eficincia pretendidos. Relativamente escolha do sistema de seguimento este prende-se
essencialmente com questes financeiras. O aumento verificado na captao de radiao
solar pelos painis deve compensar significativamente o custo associado ao investimento,
manuteno e operao do ou dos sistema de seguimento.

Os sistemas mecnicos de seguimento foram divididos em trs categorias:

instalaes fixas (sem sistemas de seguimento);


instalaes com sistema de seguimento de 1 eixo;
instalaes com sistemas de seguimento de 2 eixos.

Na Tabela 2.2 apresentado o tipo de tecnologia e sistema de seguimento utilizado pelas


centrais FV analisadas, sendo que se desconhece algumas caractersticas das centrais de
Castanhos, Ferreira do Alentejo (Tecneira) e Malhada Velha.

Tabela 2.2 Descrio das centrais FV analisadas.

Potncia Tecnologia dos Tipo de


Central FV
Instalada [MW] mdulos seguimento

Amareleja 46,41 Si-m 1 eixo

Castanhos 1,3 ---- fixo

Corte de Po e gua 0,6 a-Si fixo

Ferreira do Alentejo (Generg) 12 Si-p fixo

Ferreira do Alentejo (Netplan) 1,8 a-Si fixo

Ferreira do Alentejo (Tecneira) 10 Si-p ----

Hrcules 11 Si-m fixo

Interior Alentejano 2,2 Si-m / Si-p 2 eixos

Malhada Velha 1 ---- -----

MARL 6 Si-p fixo

Olva 2,2 Si-p fixo

Porteirinhos 6 Si-p / CIGS fixo

Pela Tabela 2.2 pode-se concluir que os sistemas fixos so os mais utilizados entre as
centrais FV analisadas, independentemente do tipo de sistema utilizado pelas centrais
desconhecidas. Relativamente ao tipo de tecnologia utilizada nos mdulos FV, conclui-se que
h uma predominncia das clulas de silcio policristalino (Si-p) comparativamente s clulas
monocristalinas (Si-m) e amorfas (a-Si).

20
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Captulo 3

Estado da arte

3.1 - Introduo
A intensidade da radiao solar incidente no constante, maior no Vero do que no
Inverno e apenas uma parte dela atinge a superfcie terrestre, sendo que esta fortemente
afetada pela presena de nebulosidade, pelo que o conhecimento da evoluo das nvens
muito importante [17]. Devido intermitncia da radiao solar incidente fica claro que a sua
previso assume um papel de enorme importncia para a gesto das centrais solares e
consequentemente da rede eltrica.

A potncia produzida a partir de uma central fotovoltaica est intimamente relacionada


com a radiao global incidente no local, pelo que as incertezas dos valores previstos da
radiao solar se refletem diretamente no valor previsto da produo solar. Este de longe o
efeito mais influente sobre a qualidade das previses da energia solar. Portanto, as
dificuldades encontradas para a previso da produo das centrais fotovoltaicas so
praticamente as mesmas da previso da radiao solar [18].

Este captulo tem como principal objetivo apresentar algumas metodologias desenvolvidas
para a previso da radiao solar, que permitem antever a produo de energia eltrica nas
centrais solares para diferentes horizontes temporais.

3.2 - Modelos de previso solar


Segundo Makridakis [19], frequente existir um desfasamento temporal entre a
conscincia de um evento iminente e a ocorrncia desse evento. Assim, esse perodo de
tempo revela-se como a principal razo para o planear e prever. A necessidade de prever
alia-se ao facto de tentar diminuir a dependncia face ao acaso. Assim, em diversas
situaes, a previso imprescindvel para determinar quando um evento ou uma
necessidade ir ocorrer, de forma a que seja possvel desencadear aes pertinentes e
apropriadas.

Como j foi referido anteriormente, a produo eltrica a partir de fontes de energia


renovvel tem surgido no mercado devido a razes econmicas e ambientais. Contudo,
existem limitaes tcnicas que impedem a penetrao deste tipo de centrais na rede

21
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

eltrica. A variabilidade da produo eltrica o principal desafio que tem de ser


ultrapassado, isto porque a produo deste tipo de centrais depende bastante das condies
meteorolgicas.

Existem diversos modelos matemticos que permitem simular a radiao solar incidente
na superfcie terrestre. No entanto, para se realizar previses, deve-se ter em conta todos os
processos que ocorrem quando a radiao solar interage com a atmosfera. Dependendo do
horizonte de previso, so utilizadas vrias metodologias na previso da radiao solar. Um
grande passo na direo de melhorar a previso solar a combinao de vrios modelos, com
o objetivo de explorar os pontos fortes de cada um, preenchendo assim as lacunas existentes
nos mesmos. Com uma boa previso da radiao solar pode-se obter uma boa estimativa da
produo de uma central solar.

3.2.1 - Previso da radiao solar utilizando imagens obtidas por


satlite
Para previses com um horizonte temporal de 30 minutos at 6 horas, os dados obtidos a
partir dos satlites so uma fonte de informao com grande qualidade devido sua boa
resoluo temporal e espacial. Como j foi referido anteriormente, a presena de
nebulosidade tem forte impacto na radiao solar incidente na superfcie, portanto, uma
descrio aproximada relativamente ao desenvolvimento temporal da situao da nuvem
essencial para a previso da radiao incidente [17].

No artigo escrito por Lorenz et al. [20], pode-se observar um mtodo de previso da
radiao solar, baseando-se no clculo dos vetores de deslocamento das nuvens. O algoritmo
desenvolvido neste artigo consiste nos seguintes passos:

Como medida da nebulosidade, imagens com o ndice de nebulosidade de acordo


com o mtodo descrito por Hammer et al. [21] , so calculadas a partir dos dados
de satlite;
Vetores de deslocamento que fornecem informao relativamente direo e
velocidade com que as nvens se deslocam, so calculados a partir de duas
imagens consecutivas do ndice de nebulosidade;
A previso do comportamento das nuvens determinada aplicando os vetores
previamente calculados imagem mais recente extrapolando assim o movimento
das nuvens;
aplicado um filtro de suavizao com o objetivo de eliminar variveis aleatrias
pouco relevantes ou que no so previsveis;
A radiao solar incidente ento calculada a partir das imagens com o ndice de
nebulosidade previsto, utilizando o mtodo Heliosat;
Informaes da preciso para a irradincia so ento fornecidas.

22
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Figura 3.1 Metodologia utilizada para a previso do movimento das nvens [17].

Apesar de fornecerem boas previses, os satlites apresentam algumas limitaes, o seu


elevado custo e a elevada durao de tempo na aquisio de duas imagens consecutivas no
permite a previso para horizontes temporais inferiores a 30 minutos.

3.2.2 - Modelos de previso numrica do tempo (NWP)


A primeira utilizao com sucesso dos NWP para a previso das condies meteorolgicas
remonta a 1950, aps um trabalho desenvolvido por Charney [22].

Uma vez que as previses da radiao solar a muito curto prazo, at 6h, no so
suficientes para um planeamento eficiente dos sistemas FV, especialmente para a integrao
na rede eltrica da energia solar, sendo por isso necessrio ter previses para um horizonte
temporal de alguns dias. Para estes casos, os modelos de previso numrica afiguram-se como
sendo a melhor alternativa. Um modelo meteorolgico qualquer modelo que permite
calcular variveis meteorolgicas, como por exemplo a radiao solar. Os modelos NWP fazem
a previso das condies climatricas utilizando as condies meteorolgicas atuais como
entradas de modelos matemticos que simulam o comportamento da atmosfera. Estes
modelos variam desde globais at locais, sendo que os primeiros tm geralmente uma baixa
resoluo e no permitem um mapeamento detalhado das caractersticas em pequena escala.
Portanto, necessrio o uso de modelos de mesoescala regionais juntamente com modelos
NWP para prever os efeitos locais [17].

Model Output Statistics (MOS) uma tcnica de ps-processamento utilizada para


interpretar os dados provenientes dos modelos NWP, produzindo dessa forma previses da

23
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

radiao solar em locais especficos. Os MOS relacionam os elementos meteorolgicos


observados com as variveis apropriadas atravs de uma abordagem estatstica.

Sendo assim, os NWP podem ser divididos em duas categorias:

Global Efetuam previses para todo o planeta;


Regional/local Efetuam previses para zonas continentais.

3.2.2.a - Modelos globais

Os modelos globais oferecem previses meteorolgicas de maior alcance (escala mundial,


mas normalmente apenas um hemisfrio). Estes modelos possuem uma resoluo da ordem de
200 km e tm como objetivo identificar o comportamento geral da atmosfera sobre uma
determinada zona. So modelos que apresentam capacidade de identificar fenmenos
meteorolgicos de larga escala. A Tabela 3.1 apresenta alguns exemplos de NWP globais.

Tabela 3.1 Exemplos de modelos numricos de previso globais.

Designao Desenvolvido por:

GFS Global Forecast System National Centre of Environmental Prediction

GEM Global Environment Multiscale Model MSC Meteorological Service of Canada

UM Unified Model UK Met Office

Uma vez que os NWP so modelos matemticos complexos, so normalmente corridos em


supercomputadores, o que de certa forma limita a sua utilidade para a previso a muito curto
prazo. Por este motivo so mais utilizados para realizar previses para um horizonte temporal
maior que 6 horas [23].

3.2.2.b - Modelos regionais/locais

Os modelos atmosfricos locais concentram-se em grandes reas (pases), e apresentam


uma resoluo espacial de 2 km at cerca de 50 km. O seu objetivo analisar e identificar em
detalhe o comportamento da atmosfera sobre uma regio especfica, reconhecendo desta
forma fenmenos meteorolgicos de pequena escala. A Tabela 3.2 apresenta alguns exemplos
de modelo NWP locais.

Tabela 3.2 Exemplos de modelos numricos de previso locais.

Designao Desenvolvido por:

MM5 Fifth Generation Penn State I NCAR Penn State University (PSU)/National Center for
Mesoescale Model MM5 Atmospheric Research (NCAR)

NCEP (National Centers of Environmental


WRF Weather Research and Forecasting Model
Prediction)

ARPS Advanced Regional and Forecasting Model University of Oklahoma

24
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Estes modelos so de extrema importncia para a previso de produo de parques


fotovoltaicos e elicos, uma vez que permitem estudar uma determinada zona geogrfica com
grande resoluo espacial. No entanto, como possuem uma resoluo espacial superior aos
NWP globais, o tempo de processamento superior.

3.2.3 - Redes neuronais artificiais (RNA)


O interesse na utilizao de redes neuronais para a realizao da previso tem aumentado
nos ltimos anos. Este interesse deve-se essencialmente sua capacidade de emular a
inteligncia natural, aprendendo a partir da experincia, isto , aprendendo uma relao
entre as variveis de entrada e de sada estudando a informao guardada. As redes neuronais
artificiais (RNA) so ferramentas que determinam os dados de forma semelhante quela
realizada pelas redes de neurnios biolgicos. Por este motivo oferecem uma alternativa na
resoluo de problemas complexos, so capazes de aprender a partir de exemplos e de lidar
com dados incompletos, lidam com problemas no lineares e uma vez treinadas podem
realizar previses e generalizaes quase instantaneamente [24].

Outra vantagem da utilizao das redes neuronais a sua habilidade de lidar com uma
elevada quantidade de dados contendo diversos parmetros relacionados. So capazes de
simplesmente ignorar o excesso de dados com pouca relevncia, concentrando-se desta forma
nos dados mais importantes [24].

Uma RNA constituda por um grupo de neurnios artificiais ligados por caminhos
unidirecionais, interagindo uns com os outros de uma forma adequada. Nestes sistemas, a
excitao efetuada entrada da rede e, com a aplicao de algumas operaes adequadas,
obtm-se a varivel de sada desejada. Nas sinapses h um acumular de potencial, que no
caso dos neurnios artificiais modelado como sendo um peso da conexo. Estes pesos so
constantemente modificados com base em regras de aprendizagem. Como podemos ver na
Figura 3.2, normalmente as RNA so constitudas por uma camada de entrada, uma ou vrias
camadas escondidas e uma camada de sada [25].

Figura 3.2 - Ilustrao de uma rede neuronal do tipo feedforward [24].

25
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

3.2.3.a - Neurnios

Uma rede neuronal constituda por vrias unidades de processamento, denominadas de


neurnios. Como podemos ver na Figura 3.2 o neurnio um elemento bsico que funciona
em paralelo e em srie, sendo que o seu modelo inspirado no sistema nervoso biolgico.

Figura 3.3 - Processamento de um neurnio de uma rede neuronal [27].

O neurnio artificial recebe os valores de entrada (xi) que so ponderados por valores
associados com cada sinapse (w), chamados pesos sinpticos. Inicialmente todos os valores
ponderados so somados e o resultado obtido o nvel de atividade do neurnio ( u). A sada
do neurnio ento processada pela funo de ativao (f(u)). Existem muitos tipos de
funes de ativao, mas os trs tipos mais utilizados so: em degrau, linear e sigmide. O
uso de uma funo no linear, como a funo sigmide, permite RNA aprender
comportamentos no lineares e complexos [26, 27].

3.2.3.b - Arquitetura das Redes Neuronais

As RNA podem ser classificadas quanto sua arquitetura como sendo unidirecionais
(feedforward) ou recorrentes (feedback).

A arquitetura feedforward a que mais frequentemente utilizada para efetuar


previses. Funciona de forma progressiva sem informao adicional dos processos a jusante,
isto , a informao projetada diretamente desde a camada de entrada at camada de
sada. Este tipo de redes s funciona num nico sentido, no sendo possvel a inverso da
orientao do processo [27].

Uma rede neuronal do tipo recorrente distingue-se de uma feedforward na medida em


que possui pelo menos um ciclo de feedback, isto , pelo menos num ciclo ela conhece a
informao dos neurnios a jusante. A presena de ciclos de feedback tem um impacto
acentuado sobre a capacidade de aprendizagem da rede, bem como sobre o seu desempenho;
no entanto, estas redes exigem um elevado poder de processamento [27].

26
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

3.2.3.c - Processos de aprendizagem

O mtodo de treino ou aprendizagem de uma rede neuronal pode ser efetuado de duas
formas distintas, supervisionado ou no supervisionado. No treino supervisionado, muitos
dados histricos so fornecidos rede, e a partir deste conjunto de dados a rede neuronal
aprende a correspondncia entre a entrada e a sada. Desta forma, quando a rede for
submetida a um conjunto de teste onde apenas so fornecidas as entradas, ela ir ser capaz
de processar a sada. De uma forma geral, os pesos que conectam cada neurnio na rede so
ajustados com o objetivo de minimizar o erro entre a sada desejada e a sada obtida na rede
[25].

Na aprendizagem no supervisionada no so fornecidos exemplos para que a rede


aprenda a relao entre a entrada e a sada. Uma vez que no so conhecidos os dados de
sada, ela atualiza os seus pesos sem utilizar pares entra-sada [25].

3.2.3.d - Aplicao de redes neuronais para previso da radiao solar

O artigo desenvolvido por Sfetsos et al. [28], explora tcnicas de aprendizagem


automtica para realizar previses da radiao global incidente na horizontal. So utilizados
valores horrios da irradiao global, e o mtodo desenvolvido neste artigo distingue-se dos
demais, na medida em que a irradiao no necessita de nenhuma transformao. Alm disso,
ainda so utilizadas observaes da temperatura (T), presso (P), velocidade do vento (WS) e
direo do vento (WD) com intuito de verificar se h melhoria na performance do modelo.

Figura 3.4 Dados da radiao global utlizados em [28]. O conjunto de treino engloba 41 dias, o
conjunto de validao 13 dias e o conjunto de previso 9 dias, perfazendo um conjunto de 63 dias.

Foram encontrados e avaliados modelos com e sem as variveis climatricas. As tcnicas


de aprendizagem automtica utilizadas foram as redes neuronais e sistemas de inferncia
neurofuzzy adaptativos. O modelo convencional analisado um ARIMA(1,0,1)(0,1,1) 24 (modelo
auto-regressivo integrado de mdia mvel) e tambm um modelo de regresso linear (LR):

27
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos


(3.1)

De salientar que o modelo ARIMA aplicado com apenas uma diferenciao sazonal, pelo
que o resultado um processo no estacionrio. O resultado da previso realizada no instante
para +1 avaliado pelo improvement calculado atravs da raiz do erro mdio quadrtico
(%) em relao ao modelo de persistncia. Para o modelo ARIMA obteve-se uma
melhoria de 62,89% e para o melhor modelo IA sem variveis adicionais 71,94%. Incluindo as
variveis adicionais, obteve-se uma melhoria de 60,91% para o modelo LR e 74,04% para o
melhor modelo IA que foi a rede neuronal.

Este estudo comprova que, mesmo para um conjunto de dados relativamente pequeno, a
rede neuronal demonstra ser uma ferramenta melhor que os restantes mtodos de previso.

3.2.4 - Support Vector Machines


Support Vector Machines (SVM), so mtodos baseados em estatstica e cincia da
computao, que atravs do mtodo da aprendizagem supervisionada so capazes de analisar
os dados de entrada e encontrar determinados padres [48]. Os resultados da aplicao desta
tcnica so comparveis e muitas vezes superiores aos obtidos por outros algoritmos de
aprendizagem, como as RNA.

A Support Vector Regression (SVR) uma tcnica de regresso no-linear baseada em


Support Vector Machines. Esta tcnica muitas vezes utilizada nas reas de reconhecimento
de padres e classificao de texto. Em vez de minimizar o erro de treino observado, SVR
tenta minimizar a fronteira do erro, de forma a obter um desempenho generalizado.
O conceito de SVR baseado no clculo computacional de uma funo de regresso linear
num espao de elevada caracterstica dimensional, onde os dados de entrada so mapeados
atravs de uma funo no linear. SVR tem sido aplicado em diversas reas, tais como:
previses de sries temporais, aproximao de anlises de engenharia de elevada
complexidade, e escolha de funes de perda, etc.. [48].

O funcionamento do algoritmo em SVR baseado na metodologia de aprendizagem


supervisionada. Esta metodologia faz com que um sistema aprenda uma funo, a partir de
uma amostra de dados de treino { } , onde X
denomina o espao de entrada e Y o espao de sada. Nesse contexto, o objetivo do SVR
encontrar uma funo () que apresente no mximo um desvio em relao aos valores alvo
yi. Por outras palavras, procura-se uma funo com margem de erros caracterizada pelo
intervalo [ ] [49].
Assumindo funes na forma:

(3.2)

Onde:

28
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Diz-se que procurar uma funo mais paralela ao domnio possvel, significa determinar
valores pequenos para o vetor dos pesos w, o que corresponde a minimizar a medida
[49]. Desta forma, modela-se o problema de otimizao original do SVR com sendo:

(3.3)


{ (3.4)

Onde: so as incgnitas do problema.

Nem sempre possvel garantir a viabilidade do problema descrito a cima, isto porque
existem pontos que violam as suas restries. Por este motivo, estuda-se uma funo de
perda, que introduz variveis de folgas no negativas i, i* cuja finalidade penalizar dados
que se situem fora da margem [48]. A formulao do problema fica ento:


{
(3.5)

Onde C a constante de regularizao. A funo de perda, denominada -Intensive,


descrita por:


{ (3.6)

Na Figura 3.5 podemos ver que apenas os pontos localizados fora da fronteira contribuem
para o valor custo da funo.

Figura 3.5 Fronteira da regio que contribui para a funo de custo [48].

29
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Para finalizar, de salientar que os resultados obtidos pelo SVR dependem


significativamente dos valores da constante de regularizao C, margem , do tipo de funo
kernel e seus respetivos parmetros. Desta forma, verifica-se que conforme realizada a
seleo dessas variveis, obtm-se funes que melhor ou pior se ajustam aos dados do
problema analisado.

3.2.5 - Modelos regressivos e auto-regressivos


A previso da potncia eltrica utilizando mtodos quantitativos pode ser feita atravs de
vrios modelos de regresso. A utilizao de cada modelo depende basicamente do
comportamento da srie temporal que se deseja analisar [29].

Os mtodos de sries temporais so baseados na suposio de que os dados possuem uma


estrutura interna, como a autocorrelao, tendncia ou variao sazonal. Portanto, os
mtodos de previso baseados em sries temporais so capazes de detetar e explorar essa
estrutura. Os mtodos mais frequentemente utilizados so, ARMA (modelo auto-regressivo de
mdias mveis), ARIMA (modelo auto-regressivo integrado de mdia mvel), ARMAX (modelo
auto-regressivo de mdias mveis com variveis exgenas) e o ARIMAX (modelo auto-
regressivo integrado de mdia mvel com variveis exgenas). Os modelos ARMA so
normalmente utilizados para processos estacionrios, enquanto que os modelos ARIMA so
uma extenso dos ARMA a processos no estacionrios [30].

3.2.5.a - Modelo auto-regressivo (AR)

Um modelo AR expressa uma srie temporal, como se esta fosse uma funo linear dos
seus valores passados. Ou seja, uma varivel dependente segue um processo auto-
regressivo de primeira ordem, quando o seu valor em um dado momento apenas depende do
seu prprio valor no perodo anterior (-1) e de um termo aleatrio (rudo branco), t, no
correlacionado com , com mdia zero e varincia constante [31]. A ordem de um modelo AR
diz-nos quantos valores passados so includos.

Se a observao gerada pela mdia ponderada das p primeiras observaes anteriores


da varivel, acrescida de um erro aleatrio , ento ela pode ser modelada por um processo
AR(p) [31].

(3.7)

Onde:

corresponde ao erro aleatrio ou rudo branco;


a estimativa de ;
um valor constante;
so os coeficientes constantes auto-regressivos que descrevem como um valor
corrente que se relaciona com valores passados .

30
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

A verso mais simples de um modelo AR aquela em que depende somente de -1, de


e de uma constante . Neste caso diz-se que estamos perante um modelo auto-regressivo
de primeira ordem, indicado por AR(1) [25].

(3.8)

3.2.5.b - Modelo de mdia mvel (MA)

O mtodo de mdia mvel aquele onde o valor atual de uma srie temporal pode ser
explicado atravs da soma ponderada dos rudos anteriores, bem como de um rudo
atual [31].

Se uma observao gerada pela mdia ponderada do valor presente e dos primeiros
valores passados, de um processo de rudo branco mais a mdia , ento ela pode ser
modelada por um processo MA(q) [31].

(3.9)

Onde:

o erro aleatrio ou rudo branco;


a estimativa de ;
so os coeficientes de mdia mvel que descrevem como um valor que se
relaciona com valores passados .

Em geral, a mdia mvel MA() usa dados passados estimados de um nmero


predeterminado de perodos, normalmente os mais recentes, para gerar a previso. As mdias
mveis so indicadores denominados de seguidores de tendncias. Estes indicadores possuem
uma inrcia natural, ou seja, no foram projetados para apontar reverses rapidamente [25].

3.2.5.c - Modelos auto-regressivo de mdia mvel (ARMA)

Se o processo estacionrio apresentar caractersticas simultaneamente de um processo AR


e de um processo MA, ento pode ser modelado por um processo combinado ARMA. A ordem
do modelo ARMA representada dentro de parntesis como sendo ARMA(p,q), onde a
ordem do modelo auto-regressivo e a ordem do modelo de mdia mvel. Portanto, este
modelo caracterizado pelos seus valores passados e pelos erros aleatrios correntes e
passados [25].

(3.10)

Tanto a mdia como as condies de estacionariedade so dadas pela parcela do


processo AR.

O ARMA(1,1) o modelo mais simples que um processo desta natureza pode apresentar.

31
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

(3.11)

Na prtica, os valores de e so geralmente menores que 2 para sries temporais


estacionrias [31].

3.2.5.d - Modelo auto-regressivo integrado de mdia mvel (ARIMA)

So conhecidos tambm como Modelos Box-Jenkins univariados, em homenagem aos dois


investigadores que mais contribuies fizeram ao nvel das suas construes e aplicaes [31].

Os modelos ARIMA compreendem:

modelo auto-regressivo de ordem , AR(p), usado quando h autocorrelao entre


as observaes;
modelo de mdia mvel de ordem , MA(q), usado quando h autocorrelao
entre os resduos;
modelo auto-regressivo de mdia mvel, ARMA(p,q), usado quando h
autocorrelao entre as observaes e entre os resduos;
modelo auto-regressivo integrado e de mdia mvel, ARIMA(p,d,q), usado em
sries no estacionrias.

O modelo ARIMA um caso geral dos modelos propostos por Box e Jenkins, o qual
apropriado para descrever sries no estacionrias, ou seja, sries que no possuem mdia
constante durante o perodo de anlise, nas quais os parmetros so quase sempre pequenos.

Os modelos ARIMA podem possuir termos auto-regressivos e podem ser integrados quando
os seus dados no so estacionrios. De modo a obter-se uma srie estacionria, necessrio
diferenciar vezes a srie original de dados. Para a srie ser estacionria necessrio que a
sua mdia e varincia sejam constantes no tempo [31].

Estes modelos so muito importantes devido sua natureza extrapolativa ou de carcter


preditivo. A vantagem no caso de previses, em relao aos modelos estruturais, que nos
modelos ARIMA as extrapolaes no acumulam os erros de outras variveis explicativas ao
longo do processo. Para um bom ajuste do modelo ARIMA necessrio utilizar tcnicas em
que a estrutura residual seja um rudo branco, isto , que o resduo seja uma varivel
aleatria independente e identicamente distribuda [25].

3.2.6 - Metodologia para simulao da irradincia solar em dias de


cu limpo
A intensidade da radiao solar que atinge a superfcie terrestre depende de vrios
fatores como a posio solar, a distncia entre o Sol e a Terra, a inclinao da superfcie
recetora, hora do dia e at mesmo da atenuao provocada pela atmosfera.

Nesta subseco pode-se ver um mtodo analtico, que atravs dos fatores mencionados
acima nos permite calcular a radiao solar incidente e consequentemente o valor da
produo.

32
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

3.2.6.a - Distncia entre o Sol e a Terra

A quantidade e a intensidade de radiao solar que atinge a atmosfera da Terra depende


da distncia entre esta e o Sol. Como podemos verificar na Figura 3.6, a Terra gira em torno
do Sol numa rbita elptica [32]:

Figura 3.6 rbita em torno do Sol, adaptado [33].

Durante o decorrer do ano, a distncia entre o Sol e a Terra pode variar entre
1,47x108 km e os 1,52x108 km. Esta distncia, , pode ser calculada atravs da equao (3.12)
,


[ ( )] (3.12)

onde o nmero de dias contados a partir do incio do ano e igual a 1,496 108 km, e
representa a distncia mdia do Sol Terra. A constante tambm normalmente
designada como sendo uma unidade astronmica, 1 UA [32].

De forma a simplificar os clculos matemticos, til obtermos a distncia e a


excentricidade da rbita da Terra numa forma simples. Por esse motivo utilizada uma
expresso simplificada denominada de fator de correo de excentricidade.


( ) ( ) (3.13)

3.2.6.b - Posio relativa Sol/Terra

A Terra gira uma vez por dia em torno do seu prprio eixo, o eixo polar, a uma velocidade
praticamente constante. O eixo polar orbita em torno do sol, mantendo uma inclinao

33
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

constante de 23,45 relativamente ao plano da elptica. Essa inclinao o que faz com que o
Sol esteja mais alto no Vero e, por consequncia, mais baixo no Inverno. tambm a causa
de haver mais horas de luz solar no Vero do que no Inverno. Na Figura 3.6 pode-se observar a
rbita da Terra em torno do Sol, bem como o eixo polar inclinado [32].

importante salientar que o ngulo entre o plano equatorial e uma linha reta traada
entre o centro da Terra e do Sol est em constante alterao. Este ngulo conhecido como
declinao solar , ver Figura 3.7. Apesar de ela ser diferente ao longo do dia, para os nossos
propsitos ela considerada constante, isto porque a diferena mxima da declinao ao
longo de 24 horas de apenas 0,5 [32].

Figura 3.7 Posio relativa da Terra em relao ao Sol ao meio dia, num dia de declinao negativa
(Inverno no Hemisfrio Norte, Vero no Hemisfrio Sul), adaptado de [32].

A declinao solar pode ser calculada a partir da equao (3.14).


[ ] (3.14)

Os ngulos a norte do equador so considerados positivos, e a sul do equador negativos.


Para o equincio de primavera (21 de Maro) e para o equincio de outono (21 de Setembro),
a linha entre o Sol e a Terra passa pelo equador, pelo que =0 [32].

3.2.6.c - Equao do tempo

Devido excentricidade da rbita terrestre, com a inclinao do eixo de rotao da Terra


em relao eclptica, a velocidade orbital da Terra varia ao longo do ano. De modo a
superar esta dificuldade foi preciso imaginar um Sol fictcio, que produzia dias iguais
durante todo o ano. Esse corpo, tambm chamado Sol mdio, percorre sobre o equador
celeste espaos iguais em tempos iguais, dando origem ao tempo solar mdio, 24 horas.

A equao do tempo (equao (3.15)) descreve a diferena entre este tempo solar mdio
e o tempo solar verdadeiro (TSV) que varia consoante o lugar e o dia do ano [33].

34
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos


(3.15)

onde,

(3.16)


(3.17)

18
16
14
12
10
8
6
4
minutos

2
0
-2
-4 1 31 61 91 121 151 181 211 241 271 301 331 361
-6
-8
-10
-12
-14
-16
Dia Juliano

Figura 3.8 Diferena entre o tempo solar mdio e o tempo solar verdadeiro ao longo um ano.

3.2.6.d - ngulo horrio

Como se sabe o planeta Terra est dividido em 24 meridianos, com origem no meridiano
Greenwich, que est na longitude 0. Estes meridianos do origem aos fusos horrios. Uma
vez que o Sol demora 1 hora a percorrer 15 de longitude, necessrio aplicar um fator de
correo da longitude em que este dever ser somado ou subtrado ao tempo local.

A equao que nos permite calcular o tempo solar verdadeiro, a equao (3.18).


(3.18)

Onde:

TL corresponde hora local;


ET corresponde equao do tempo;

35
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

AO a hora de adianto ou atraso, caso acontea, em funo do fuso horrio. Em


Portugal estes valores so de 0 horas para o horrio de Inverno e 1 hora para o
horrio de Vero; em Espanha de 1 hora e 2 horas, para horrio de Inverno e de
Vero, respetivamente. A mudana de hora efetua-se adiantando os relgios de 60
minutos 1 hora UTC (Coordinated Universal Time) do ltimo domingo de Maro e
atrasando-os em 60 minutos 1 hora UTC do ltimo domingo de Outubro seguinte;
/ o fator que relaciona a longitude local e a longitude do meridiano de
Greenwich. De fazer notar que este valor positivo para este de Greenwich e
negativo para oeste e mltiplo de 15.

Uma vez calculado o tempo solar verdadeiro pode-se prosseguir para o clculo do ngulo
solar. O ngulo horrio solar varia de 15 por cada hora e ser nulo ao meio-dia (12 horas) de
cada dia e considerado negativo no perodo da manh e positivo no perodo da tarde, como
podemos ver na equao (3.19).

(3.19)

3.2.6.e - Posio solar sobre uma superfcie horizontal

Para descrever a posio do Sol em relao a uma superfcie horizontal na Terra, so


necessrios outros ngulos como a elevao solar , o azimute solar e a distncia zenital
[33].
Estes ngulos so mostrados na Figura 3.9.

Figura 3.9 ngulos que definem a posio solar, adaptado de [33].

O znite a direo vertical sobre o plano horizontal. A distncia zenital o ngulo entre
o znite e a direo dos raios provenientes do Sol. Esta ainda pode ser relacionada com a
elevao solar atravs da equao (3.20).

(3.20)

A elevao solar o ngulo entre o plano horizontal e a direo dos raios provenientes do
Sol. O azimute solar o ngulo formado entre a direo Sul e a projeo da linha Sol-Terra

36
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

sobre o plano horizontal. A elevao solar e o azimute solar podem ser calculados,
respetivamente, atravs das equaes (3.21), (3.22) e (3.23),

[ ] (3.21)


[ ] (3.22)


[ ] (3.23)

onde a latitude geogrfica do local.

3.2.6.f - Posio solar relativamente a um plano inclinado

Na maior parte das aplicaes em engenharia exigida a posio do Sol relativamente a


um plano inclinado. A posio de uma superfcie pode em geral ser descrita pela sua
inclinao , que representa o ngulo formado com a horizontal, e o azimute da superfcie
inclinada, que dado pelo ngulo entre o Sul geogrfico e a projeo da normal do plano
inclinado no plano horizontal [32].

Figura 3.10 ngulo de incidncia dos raios solares no plano inclinado, adaptado de [32].

O ngulo de incidncia solar entre os raios do sol e a normal superfcie pode ser
calculada pela equao (3.24).

[
] (3.24)

37
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

No caso da superfcie inclinada estar orientada a Sul geogrfico, =0, simplifica-se a


equao (3.25), para:

[ ] (3.25)

3.2.6.g - Radiao solar terrestre

A radiao solar na superfcie da atmosfera designada de radiao extraterrestre. A


variao da radiao extraterrestre deve-se essencialmente variao da distncia entre o
Sol e a Terra e da atividade solar. O valor da radiao solar extraterrestre durante o ano varia
entre 1307 (W/m2) e 1393 (W/m2), e calculada a partir da equao (3.26) [34].


[ ( )] (3.26)

Isc a constante solar, e tem um valor de 1367 W/m2.


Quando a radiao solar passa atravs da atmosfera terrestre modificada pela sua
interao com alguns componentes l presentes. Alguns destes, como as nuvens, refletem a
radiao, os gases existentes na atmosfera tm uma absoro significativa em vrias bandas
espectrais e, por fim, as gotculas de gua e a poeira suspensa ainda causam a disperso da
radiao [32].
O resultado de todos estes processos a
decomposio da radiao solar incidente em
duas componentes:

radiao direta;
radiao difusa.

A radiao direta constituda por raios


solares que no so refletidos nem dispersos,
atingem a superfcie numa linha reta direta desde
o Sol. A radiao difusa proveniente de todo o
cu excepto do disco solar, ou seja, radiao
refletida e dispersa. Aparte das duas categorias
principais da radiao ainda temos a radiao
albedo, que a radiao refletida pelo solo [32].

Em dias de cu limpo, ao atravessar a


atmosfera terrestre, a intensidade da radiao
solar reduzida devido disperso e absoro
provocada pelos gases e poeira ali existentes. A Figura 3.11 Efeitos provocados pela
radiao solar que chega superfcie da Terra atmosfera sobre a radiao solar.
designada por radiao terrestre.

38
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Figura 3.12 Trajetria dos raios solares ao passar pela atmosfera [35].

Como percetvel na Figura 3.12, o mximo de radiao que atinge a superfcie terrestre
ocorre quando o sol est sobre a posio de znite. nesta posio que um raio solar
percorre um menor caminho at atingir a superfcie.

A massa de ar (AM) representa a proporo da atmosfera que um raio solar tem de


atravessar at atingir a superfcie da Terra. Esta extenso de caminho pode ser calculada
atravs da equao (3.27) [32].

(3.27)

Para dias em que se verifique cu limpo, a radiao global no plano horizontal pode ser
obtida pela equao (3.28) [32]:

(3.28)

Concluda a anlise da simulao da irradincia para dias de cu limpo, ser necessrio


convert-la para potncia.

3.3 - Avaliao do desempenho dos modelos de previso


Aumentar o valor da produo da energia elica e solar atravs da melhoria do
desempenho dos mtodos de previso uma das prioridades na investigao destes recursos
para os prximos anos. Os mtodos de previso ajudam a energia elica, e mais recentemente
a energia solar, a reforar a sua posio em comparao com outras formas de produo de
energia despachveis.

Nos ltimos anos tm surgido bastantes mtodos de previso. Por este motivo, existe a
necessidade de utilizar uma metodologia padro para a apresentao dos resultados
relativamente preciso de um mtodo de previso, a fim de ter uma ideia das vantagens e
desvantagens do modelo analisado. A avaliao do desempenho do modelo de previso pode

39
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

ser realizada por intermdio de indicadores estatsticos, e existem vrias vertentes de anlise
do erro, porm no h consenso acerca dos critrios de erro a utilizar [40].

3.3.1 - Modelos de referncia


S vale a pena desenvolver uma ferramenta de previso se esta for capaz de superar os
modelos de referncia, que so o resultado de consideraes e no de esforos de modelao.
Provavelmente, o mtodo de referncia mais utilizado na previso da produo a partir da
energia solar e elica, bem como no campo meteorolgico a persistncia. Este mtodo
afirma que, no futuro prximo, a produo eltrica ser muito provavelmente igual ltima
medio registada [40].

(3.29)

Apesar da sua simplicidade, este modelo difcil de superar pelo menos nos primeiros
instantes do horizonte temporal (e. g. 4 a 6 horas). Uma generalizao do modelo da
persistncia consiste em substituir o ltimo valor medido pela mdia dos n ltimos valores
medidos.

(3.30)

3.3.2 - Definio dos erros de previso

3.3.2.a - Erro de previso

Geralmente, dentro do campo da previso de sries temporais, o erro de previso


definido como sendo a diferena entre o valor real ( ) e a prevista ( ). Uma vez que
j se considera separadamente cada instante da previso, o erro de previso para o instante
dado por [40]:

(3.31)

Muitas vezes, vantajoso introduzir o erro de previso normalizado,


(3.32)

onde corresponde potncia instalada.

de salientar que, durante a explicao dos erros, corresponde ao nmero total dos
erros de previso.

40
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Todos os erros de previso podem ser decompostos num erro sistemtico e num erro
aleatrio .

(3.33)

A avaliao do erro sistemtico pode ser feita pela anlise do BIAS; este estimado como
sendo o erro mdio durante todo o perodo de avaliao, e calculado para cada horizonte.


(3.34)

Existem dois critrios para ilustrar o desempenho de uma previso [40]:

MAE (Mean Absolute Error), em portugus o erro mdio absoluto. Sendo que a
expresso geral dada pela equao (3.35):

| | (3.35)

RMSE (Root Mean Square Error), em portugus raiz do erro mdio quadrtico. Antes
de apresentar o RMSE conveniente introduzir o erro mdio quadrtico (MSE):



(3.36)

Sendo assim, a raiz do erro mdio quadrtico dada pela equao (3.37):

(3.37)


(3.38)

de salientar que tanto os erros sistemticos como os erros aleatrios contribuem para o
valor de RMSE.

Estatisticamente, os valores de BIASk e do MAEk esto associados a um primeiro momento


do erro de previso, enquanto que o valor de RMSEk est associado ao momento de segunda
ordem e, portanto, varincia do erro de previso.

Todos os erros de medio apresentados acima, podem ser calculados a partir do erro de
previso ou pelo seu valor normalizado . interessante utilizarmos as medidas
de erro normalizadas, uma vez que produzem resultados independentemente da capacidade
da central fotovoltaica ou do parque elico.

41
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Assim define-se os erros NMAPE (equao (3.39)) e NRMSPE (equao (3.40)):

NMAE (Normalize Mean Absolute Error)


| |
(3.39)

NRMSPE (Normalize Root Mean Square Error):





(3.40)

3.3.2.b - Comparao de modelos

A comparao de modelos pode ser interessante para destacar e quantificar o ganho da


utilizao de um modelo de previso avanada, em detrimento do modelo de referncia. Este
ganho representado como sendo uma melhoria em relao ao modelo de referncia
considerado [40],


(3.41)

onde o o critrio de validao considerado, que pode ser NMAE ou NRMSE.

Uma outra maneira de demonstrar a capacidade dos mtodos de previso, calcular o


coeficiente de determinao 2 para cada instante no horizonte de previso,


(3.42)

onde representa o erro mdio quadrtico para modelo global, sendo que a mdia
estimada para os dados disponveis.

3.4 - Modelos de clculo da produo de um sistema fotovoltaico


a partir da radiao solar
Durante a realizao desta dissertao foram encontrados diversos mtodos que permitem
calcular a produo de um sistema fotovoltaico. Embora estes mtodos tenham diferentes
nveis de complexidade, muitos apresentam similaridades em termos de suposies feitas
para calcular a produo de um sistema fotovoltaico. O objetivo desta seco no
apresentar uma anlise exaustiva de todos mtodos encontrados, mas sim descrever
diferentes abordagens utilizadas.

42
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

O desempenho de um sistema FV conectado rede eltrica resulta da performance dos


diferentes componentes que o constituem que, por sua vez, so afetados por fatores
climatricos. Sem considerar as limitaes fsicas de alguns dos componentes de uma central
FV, uma das metodologias de clculo mais simplistas apenas tem em conta a irradincia
global incidente no painel. Neste modelo, a potncia debitada pela central pode ser calculada
atravs da equao (3.43) [36].

(3.43)

Onde:

P a potncia eltrica;
A corresponde rea total do sistema PV;
a frao em funcionamento da central PV;
radiao solar;
o valor da eficincia dos mdulos utlizados;
inv o valor da eficincia do inversor utilizado.

A principal e nica vantagem deste modelo a sua simplicidade. Este modelo, em juno
com o modelo de previso da radiao solar em dias de cu limpo, permite ter de uma forma
rpida uma estimativa preliminar do potencial de um sistema fotovoltaico a ser construdo
num dado local.

No artigo desenvolvido por Rahman et. al. [37], pode-se ver outro modelo que permite
calcular a produo eltrica em dias de cu limpo. O modelo proposto igual ao anterior,
sendo que considera que a frao da central FV em funcionamento sempre =1.

No entanto, de modo a que este modelo seja capaz de realizar previses mais eficazes
para dias com nuvens e de chuva, foi estudada a performance do painel fotovoltaico perante
diferentes condies climatricas. Durante vrios dias foi registada a previso do estado do
tempo atravs do modelo 1-day-ahead, como tambm se procedeu medio da produo
produzida pelo painel fotovoltaico. De seguida calculou-se o rcio () entre o valor medido de
produo do painel fotovoltaico para diferentes condies climatricas e a produo do
painel fotovoltaico estimada para dia de cu limpo.

Na Tabela 3.3 apresentam-se os valores mdios do rcio, o que permite estimar a


produo solar FV em qualquer condio climatrica, pela multiplicao da produo
estimada para dia de cu limpo pelo rcio respetivo calculado previamente.

Tabela 3.3 Rcio () para diferentes condies climatricas.

Previso do estado do tempo Sol Nvens Chuva Neve

Valor mdio do (%) 80 35 13 18

de salientar que os rcios calculados apenas podem ser utilizados para realizar previses
para o local onde estes foram estimados.

43
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

No modelo desenvolvido por Yona et. al. [38], a previso de produo de potncia de
sistemas fotovoltaicos para um horizonte temporal de 24 horas efetuada atravs de redes
neuronais. Neste artigo os autores tiveram em conta a radiao de cada ms e confirmaram a
validade do uso de RN para prever radiao atravs de simulaes por computador. O mtodo
proposto utilizou dados meteorolgicos e no requereu clculos complicados nem modelos
matemticos.

Aps uma anlise comparativa entre os valores medidos e os previstos, foi possvel
encontrar um mtodo de clculo da produo de energia do sistema FV. O mtodo proposto
pode ser visto na equao (3.44),

[ ] (3.44)

onde:

P a potncia eltrica;
a eficincia da clula FV;
A corresponde rea da instalao;
G corresponde radiao solar;
t0 a temperatura ambiente.

Neste modelo assume-se que o total da radiao solar incidir sobre clula FV e instalao
solar, no tendo em considerao o ngulo de incidncia solar nem o ngulo de inclinao da
instalao solar. Como a rea da instalao solar constante, a potncia funo da
temperatura do ar, da insolao e da eficincia do painel.

No artigo desenvolvido por Fuentes et. al. [39], so apresentados alguns modelos, para o
clculo da potncia gerada por um painel FV. O modelo mais simples apenas tem como
entrada a irradiao global no plano do painel, e o valor da produo FV calculada atravs
da equao (3.45).


(3.45)

Onde:

PM a potncia eltrica do mdulo FV;


Gi corresponde irradincia global;
Gi* corresponde irradincia global nas condies STC (1000 W/m2);
PM* a potncia do painel para as condies STC.

Para uma central fotovoltaica constituda por mdulos, a produo calculada


multiplicando a equao (3.45) por .

Ainda neste artigo proposto um modelo ligeiramente mais complexo, mas que baseado
no modelo anterior. Esse modelo apresentado na equao (3.46),


[ ] (3.46)

44
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

onde:

corresponde a um parmetro que traduz a variao da potncia devido variao


da temperatura da clula. Embora este valor varie entre uma determinada gama,
foram atingidos bons resultados utilizando = (-0,0035 C)-1;
TC a temperatura da clula.

A temperatura da clula pode ser obtida atravs da equao (3.47),


(3.47)

onde:

Tamb corresponde temperatura ambiente;


NOCT representa a temperatura que a clula atinge em condies de circuito
aberto, a uma temperatura ambiente de 20C, coeficiente AM de 1,5, condies
de irradincia de 800 W/m2 e velocidades de vento inferiores a 1 m/s.

O modelo de previso desenvolvido por Lorenz et. al. [41] utiliza modelos NWP com
previses da radiao solar fornecidos pelo European Centre for Medium-Range Weather
Forecasts (ECMWF). O modelo executado pela ECMWF fornece previses da radiao solar e
parmetros das nvens para um horizonte de at 3 dias. Estas previses tm uma resoluo
temporal de 3 horas e uma resoluo espacial de 25 km x 25 km.

Figura 3.13 Modelo de previso local de um sistema fotovoltaico, adaptado de [41].

A Figura 3.13 exemplifica o modelo utilizado para a previso da produo fotovoltaica a


partir de previses fornecidas pela ECMWF, em cada etapa, so especificadas informaes
adicionais relativamente aos sistemas FV.

45
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Num primeiro instante, as previses dos modelos NWP fornecidos pelo ECMWF so
refinadas atravs de um modelo MOS (Model Output Statistics). Desta forma, as previses,
que at ento tinham uma resoluo temporal de 3 horas, so transformada em previses
para uma escala horria a nvel local. Aps este processo, as previses da irradincia no plano
horizontal so convertidas para o plano dos painis, atravs do conhecimento da sua
localizao e orientao. Finalmente, a partir das previses da irradincia no plano inclinado,
das caractersticas do parque fotovoltaico e da aplicao de um modelo de simulao FV,
possvel prever a produo eltrica. Os resultados obtidos por este modelo para um perodo
de seis dias so ilustrados na Figura 3.14.

Figura 3.14 Desempenho do modelo de previso para um local especifico, para 6 dias de Maio
de 2007 [41].

Neste artigo realizada uma anlise detalhada da preciso das previses da produo FV
para um conjunto de 11 sistemas FV.

Para sistemas individuais, a anlise do desempenho resultou num rRMSE=49% (valor


relativo da raiz do erro mdio quadrtico) para o ms de Abril, onde a maior parte dos dias
foram nublados. Para Julho, para os dias com cu limpo, obteve-se um erro inferior,
rRMSE=30%.

Esta anlise foi ainda complementada com a avaliao das previses da irradincia no
plano inclinado para local do sistema FV, e uma anlise das previses da irradincia no plano
horizontal para as estaes meteorolgicas localizadas na mesma regio. Os erros de previso
da produo FV esto intimamente relacionados com os erros da previso da irradincia
inclinada, pelo que os seus valores so semelhantes. A qualidade das previses da irradiao
horizontal com um rRMSE=44% para Abril e um rRMSE=28% para Julho, ligeiramente melhor
que a qualidade das previses realizadas da irradincia no plano inclinado. Os erros de
previso so amplificados pela converso da irradincia para o plano inclinado.

Pela anlise conjunta dos 11 sistemas FV o erro foi reduzido para rRMSE=39% em Abril e
para rRMSE=22% em Julho.

46
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Captulo 4

Construo do modelo de previso

4.1 - Introduo
Vrios modelos utilizados na previso do recurso solar foram propostos no captulo
anterior. Uns recorrem s previses dos modelos de previso numricos das variveis
meteorolgicas como dados de entrada, de modo a preverem a produo solar, outros
simplesmente utilizam mtodos de regresso para a previso do mesmo. A presente
dissertao tem como objetivo o desenvolvimento de um modelo de previso que permita
antever a produo solar para um curto prazo de tempo.

Este captulo explica, os processos utilizados na construo dos modelos de previso da


produo de uma central fotovoltaica. Para alm da descrio do modelo, sero estudadas e
justificadas a importncia das diferentes variveis utilizadas para alimentar as vrias etapas
desta metodologia.

Quando avaliamos o desempenho dos modelos de previso a utilizao de um modelo de


referncia bastante til, especialmente quando se comparam resultados de diferentes
estudos. Um modelo de previso desenvolvido e utilizado como modelo de referncia. A
avaliao do desempenho dos modelos inspirada na estrutura sugerida em [40]. Estes
mtodos de avaliao podem ser aplicados diretamente s previses da energia solar.

4.2 - Caso de estudo


A central FV utilizada como caso de estudo, fica situada em Villares del Saz (Cuenca),
Espanha. constituda por 19440 mdulos FV monocristalinos de 175 W, perfazendo uma
potncia instalada de 3406 kW. Os mdulos esto montados sobre uma estrutura fixa,
orientados para Sul com um ngulo de 34 de inclinao.

47
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Figura 4.1 - Parque FV em estudo, Villares de Saz.

4.3 - Tipos de dados utilizados nos modelos de previso


Os sistemas de previso desenvolvidos so baseados em modelos fsicos e no
desenvolvimento de modelos estatsticos (regressivos). Na construo dos modelos
utilizaram-se dois tipos de dados:

dados NWP (previses meteorolgicas para a localizao do parque FV);


dados histricos da produo horria do parque FV.

Os dados NWP foram fornecidos pelo grupo de investigao da Faculdade de Cincias da


Universidade de Lisboa e foram obtidos a partir do modelo de mesoscala WRF para um
perodo desde 01-01-2008 at 30-09-2011. As previses foram efetuadas duas vezes por dia
(00:00 horas UTC e 12:00 horas UTC) para um horizonte temporal de 72 horas. As variveis
meteorolgicas previstas pelo modelo so as seguintes:

Shortwave (radiao no comprimento de onda curta) superfcie (SW);


Longwave (radiao no comprimento de onda longa) superfcie (LW);
Temperatura ambiente aos 2 metros (T2);
Componente U do vento aos 10 metros (U10);
Componente V do vento aos 10 metros (V10);
Intensidade do vento (WSPD);
Direo do vento (WDIR).

Os dados histricos da produo horria medida foram fornecidos pela Novenergia II,
empresa proprietria pela central FV analisada, para um perodo desde 08-06-2010 at
02-11-2011. Infelizmente no foram fornecidos dados relativamente ao ms de Janeiro de
2011.

importante salientar que, o software utilizado para o desenvolvimento e teste dos


modelos de previso foi, excetuando raras excees, o MATLAB R2009b.

48
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

4.3.1 - Sincronizao dos dados


A fim de utilizar dados na mesma referncia de tempo, todos foram transferidos para o
tempo UTC (Coordinated Universal Time). Os dados NWP j se encontram em UTC, pelo que
no necessrio fazer qualquer alterao. Nos dados histricos da produo, como foram
registados hora espanhola, necessrio fazer 2 alteraes para transferir a hora para UTC:

CEST (Central European Summer Time) para CET (Central European Time). No
perodo de Vero o relgio adiantado 1 hora e por isso nessa ocasio utilizada
a hora em CEST. Para sincronizar a hora neste perodo, subtrada 1 hora hora
local entre 28-03-2010 01:00 UTC e 31-10-2010 01:00 UTC, e entre 27-03-2011
01:00 UTC e 30-10-2011 01:00 UTC.
CET para UTC. subtrada 1 hora hora local.

4.3.2 - Estandardizao
Os dados de entrada dos modelos de aprendizagem automtica foram estandardizados, ou
seja, as variveis com escalas diferentes so expressas numa determinada gama de valores,
neste caso entre [-1;1]. Concretamente, neste trabalho adotou-se como mtodo de
estandardizao de dados o Mtodo Min-Max, pois segundo [42] este um dos melhores
mtodos para esse efeito. O mtodo utilizado para a estandardizao dos valores denomina-
se Min-Mx. Esta tcnica aplicada uma vez que so conhecidos os valores mximos e
mnimos das variveis. Sendo e os valores mnimos e mximos do conjunto de dados
, os valores estandardizados na escala [ ; ] so obtidos atravs da seguinte
expresso.


(4.1)

O processo inverso, que transforma a escala das variveis estandardizadas na escala real
designado por destandardizao, sendo expresso pela seguinte equao:


(4.2)

Nos dados histricos da produo horria medida, de modo a assegurar que todas as
previses da produo so positivas, foi aplicada uma transformao srie de dados. Como
podemos ver no artigo escrito por Bremnes [43], utilizada uma transformao nos dados da
produo que coloca os seus valores entre [ e ]. A transformao utilizada pode ser vista
na equao (4.3).

( ) (4.3)

Depois de obtidas as previses, necessrio voltar a aplicar uma nova transformao


srie de valores previstos, de forma a obtermos a produo na mesma escala em que foi
fornecida. Para tal utiliza-se a equao (4.4):

49
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

( ) (4.4)

4.4 - Estrutura dos modelos de previso da produo da


central FV
O modelo global de previso da produo da central FV, como j foi dito na seco
anterior, baseado na utilizao de modelos fsicos e no desenvolvimento de modelos
estatsticos (ver Figura 4.2), onde as vrias coloraes (vermelho, verde e laranja)
representam os sistemas de previso desenvolvidos.

Na Figura 4.2 pode-se ver a estrutura de cada modelo desenvolvido. Cada um destes
modelos ser comparado com um modelo de referncia, de forma a analisar a sua
performance. Na implementao da previso da produo global utilizam-se modelos de
aprendizagem computacional (Redes Neuronais e Support Vector Machines) bem como
modelos estatsticos. Os modelos de previso desenvolvidos apresentam previses horrias
para um horizonte temporal de 72 horas.

Histrico de dados
Dados NWP
de produo

Support vector Modelos


Rede Neuronal
machine Estatsticos
RN
(SVM) ARMA

Previso da Previso da Previso da


Potncia para Potncia para Potncia para
72h 72h 72h

Rede Neuronal

Previso horria da
Potncia FV
Horizonte temporal de
72 horas

Figura 4.2 Estrutura dos modelos desenvolvidos.

50
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

4.5 - Modelo de referncia


Para comparar o desempenho dos modelos de previso desenvolvidos necessrio um
modelo que sirva de referncia. Um modelo de referncia tambm pode ser utilizado para
comparar o desempenho de modelos desenvolvidos em diferentes estudos. Inicialmente o
modelo utilizado na presente dissertao a persistncia pura, que apesar da sua
simplicidade, este modelo difcil de superar pelo menos nos primeiros instantes do
horizonte temporal (2 a 4 horas).

Como foi descrito na seco 3.4.1, a previso a partir do modelo da persistncia pura
consiste em assumir que a produo FV no sofre alteraes nos instantes futuros, ou seja, o
valor da produo prevista toma o mesmo valor que no instante anterior previso como
pode ser visto na equao 3.29.

Embora este modelo seja muito utilizado como referncia na previso da produo elica,
no pode ser diretamente aplicado previso solar. Neste tipo de previses a persistncia
pura apresenta uma forte limitao: durante o perodo da noite no existe radiao solar,
logo no haver produo eltrica a partir dos sistemas FV. Portanto, se efetuarmos uma
previso em (12:00 horas UTC) atravs do modelo da persistncia, este lanar
previses da produo iguais produo do instante anterior, ou seja, assume que nas
prximas 72 horas a potncia eltrica ser igual a . fcil de entender que esta
suposio est completamente errada pois sabe-se que no pode haver produo eltrica FV
durante a noite.

Foi necessrio adotar outro modelo de referncia, tendo-se optado pelo modelo
paramtrico de estimativa da radiao solar para condies cu limpo descrito no captulo 3,
ao qual se denominou de persistncia geomtrica.

Considerando a localizao geogrfica e as caractersticas tcnicas do parque fotovoltaico


em estudo, o modelo da persistncia geomtrica desenvolvido recorrendo s equaes do
modelo de previso da radiao solar em condies de cu limpo descritas na seco 3.2.5,
permitindo desta forma estimar a radiao solar no plano inclinado. Esta metodologia
consiste na determinao das seguintes variveis:

Declinao solar ();


ngulo solar ();
Elevao solar ();
Distncia zenital ();
Azimute solar ();
Inclinao do painel ();
Azimute da superfcie inclinada ();
Angulo de incidncia solar ();
Radiao solar extraterrestre ();
Massa de ar ();
Radiao global no plano inclinado ().

A Figura 4.3, ilustra a evoluo diria da irradiao solar no plano inclinado dos mdulos
da central FV, ao longo do ano 2011.

51
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Figura 4.3 Irradincia no plano inclinado, durante o ano de 2011.

Concludos os clculos referentes irradiao solar, esta pode ento ser convertida em
potncia eltrica. A funo utilizada para a converso, foi a seguinte.



Onde:

a potncia eltrica do mdulo FV;


corresponde irradincia global;
* corresponde irradincia global nas condies STC (1000 W/m2);
* a potncia do painel para as condies STC.

3500

3000

2500
Potncia [kW]

2000

1500

1000

500

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71
Horizonte (h)
Potncia prevista pelo modelo persistncia pura Potncia prevista pelo modelo persistncia geomtrica

Figura 4.4 Produo prevista atravs do modelo da persistncia pura e persistncia geomtrica, no
instante =12.

52
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Como podemos ver pela Figura 4.4 e Figura 4.3, o modelo da persistncia geomtrica
afirma que apenas haver produo eltrica nas horas em que existe radiao solar. Por outro
lado, o modelo da persistncia pura assume que a produo eltrica ser igual a 2533,8 kW
durante as prximas 72 horas. Sendo assim, daqui para a frente o modelo de referncia
utilizado ser o modelo da persistncia geomtrica, pois este que melhor se ajusta s
condies reais.

Na Figura 4.5 e Figura 4.6, podemos ver dois exemplos da aplicabilidade do modelo
persistncia geomtrica.

3500

3000

2500
Potncia [kW]

2000

1500

1000

500

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Horizonte (h)
Potncia Medida Potncia Prevista

Figura 4.5 Comparao da produo prevista e da produo medida para o dia 21 de Julho de 2010.

2500

2000
Potncia [kW]

1500

1000

500

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Horizonte (h)
Potncia Medida Potncia Prevista

Figura 4.6 - Comparao da produo prevista e da produo medida para o dia 21 de Dezembro de
2010.

Como se pode verificar atravs da Figura 4.5 e Figura 4.6, para um tpico dia de Vero,
em que se verificam condies de cu limpo, o modelo da persistncia geomtrica apresenta
uma boa aproximao entre a produo prevista e a produo real. No entanto, para um dia
tpico de Inverno, claramente afetado pela presena de nebulosidade, a aproximao do
modelo da persistncia geomtrica bastante deficiente.

53
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

4.6 - Modelos estatsticos


Como foi referido no captulo 3, a previso da produo a injetar na rede utilizando
mtodos quantitativos pode ser efetuada atravs de vrios modelos de regresso. A utilizao
de cada modelo depende basicamente do comportamento da srie temporal que se deseja
analisar. Os mtodos de sries temporais so baseados na suposio de que os dados possuem
uma estrutura interna, como a autocorrelao, tendncia ou variao sazonal. Estes mtodos
so capazes de detetar e explorar essa estrutura.

De forma a analisar corretamente uma srie de dados, a sua visualizao grfica muito
importante.

O primeiro passo reside na seleo do modelo. A seleo consiste em especificar a


estrutura adequada (AR, MA, ARMA ou ARIMA), bem como a ordem do modelo. Por vezes a
identificao do modelo feita atravs dos grficos da autocorrelao (ACF) e autocorrelao
parcial (PACF). Outras vezes a identificao efetuada atravs de um processo iterativo, que
consiste em experimentar diversas estruturas e ordens at se encontrar a melhor
configurao.

A funo de autocorrelao (ACF) definida como a correlao entre uma srie e ela
mesma, atrasada de passos ou lags.

A Figura 4.7 e a Figura 4.8 mostram a srie de produo medida do parque fotovoltaico
em estudo. As retas horizontais azuis identificadas no grfico da Figura 4.7 e da Figura 4.8
representam limites de um intervalo de confiana de 95%.

Figura 4.7 Grfico de Autocorrelao (ACF) da srie da produo eltrica medida.

54
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Figura 4.8 Grfico de Autocorrelao Parcial (PACF) da srie da produo eltrica medida.

As anlises da autocorrelao (Figura 4.7) e autocorrelao parcial (Figura 4.8) mostram


uma predominncia da sazonalidade diria sobre as demais. Nota-se uma maior correlao
com os termos atrasados (lags) de at 24 horas (diria), um pouco em torno dos de 48, das 72
e 168 horas (semanal). Devido presena de sazonalidade, esta componente necessita de ser
modelada para se obter um modelo mais fidedigno. Para tal, recorre-se a um ARIMA sazonal,
tambm conhecidos como SARIMA(p,d,q)x(P,D,Q)s, sendo s o perodo correspondente
sazonalidade. Para o caso estudado s igual a 24 horas.

Tendo em conta todos estes aspetos, pode-se iniciar o processo de estimativa das ordens
do SARIMA. Para tal recorreu-se ao software R, que estima automaticamente qual o melhor
modelo para a srie em anlise. O SARIMA(4,1,4)x(8,0,5)24 foi o modelo selecionado.

Uma vez que o MATLAB R2009b no est devidamente otimizado para operar com modelos
SARIMA, foi necessrio transformar o modelo SARIMA num ARMA. A funo utilizada para a
converso descrita na equao (4.5):

(4.5)

O modelo resultante foi um ARMA(197,124). No entanto, como este modelo ainda apresenta
um elevado grau de complexidade, foi necessrio recorrer a modelos mais simples. Foram
selecionados trs novos modelos:

SARIMA(4,1,4)x(1,0,1)24, correspondente a um ARMA(29,28);


SARIMA(4,1,0)x(7,0,0)24, correspondente a um ARMA(173,0), ou seja, um AR(173);
SARIMA(4,1,0)x(1,0,0)24, correspondente a um ARMA(29,0), ou seja, um AR(29);

55
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

4.6.1 - ARMA
Um modelo ARMA, apresenta caractersticas simultaneamente de um processo AR e de um
processo MA. Este modelo caracterizado pelos seus valores passados e pelos erros
aleatrios correntes e passados. Conforme mostrado no captulo 3, um modelo ARMA pode ser
representado pela equao (3.10).

Uma vez selecionada a estrutura do modelo, bem como as suas ordens, o prximo passo
consiste em estimar os respetivos coeficientes deste modelo. Os coeficientes do processo AR
podem ser estimados atravs do mtodo dos mnimos quadrados. A estimao dos parmetros
do processo MA necessita normalmente de um mtodo de iterao mais complexo.

Na prtica, estimar os coeficientes bastante mais simples, j que estes podem ser
calculados atravs de um programa computacional. Utilizando a funo ARMAX disponvel no
MATLAB R2009b, possvel calcular os coeficientes p (coeficientes do AR) e q (coeficientes
do MA) do modelo ARMA. Estes coeficientes, e a respetiva funo do modelo ARMA, podem ser
vistos no Anexo A.1.

importante salientar, que para este modelo os coeficientes foram estimados para a srie
de dados da produo no transformada, ou seja, no foi aplicada a transformao descrita
pela equao (4.3). Por este motivo, as previses da potncia por vezes apresentavam valores
negativos, pelo que, sempre que tal se verificou a potncia foi alterada para zero.

Se os coeficientes fossem estimados para a srie transformada, na prtica, estes pouco ou


nada se diferenciariam dos calculados. A desvantagem de se utilizar a srie no transformada
prende-se ao facto de o modelo ARMA desenvolvido no ser aplicvel a outras centrais
solares, sendo exclusivo da central em estudo.

4.6.2 - AR
Como foi descrito no captulo 3, se a observao gerada pela mdia ponderada das
primeiras observaes anteriores da varivel, acrescida de um erro aleatrio t, ento ela
pode ser modelada por um processo AR(p). Este tipo de modelo pode ser representado pela
equao (3.7).

Uma vez mais, com o auxlio da funo ARMAX existente no MATLAB R2009b, possvel
calcular os coeficientes p dos modelos AR. Os coeficientes, e a respetiva funo dos modelos
AR podem ser vistos no Anexo A.2 e A.3.

Ao contrrio do modelo ARMA, os coeficientes do modelo AR(29) e AR(173), foram estimados


para a srie de dados da produo transformada.

4.7 - Modelos de aprendizagem automtica


A RN uma vertente da inteligncia artificial e apresenta-se, na atualidade, como uma
ferramenta muito poderosa e frequentemente utilizada em aplicaes que requerem
inteligncia artificial.

A grande desvantagem deste tipo de modelos consiste na necessidade de se dispor de um


grande conjunto de dados para efetuar o processo de aprendizagem. Outra desvantagem est

56
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

relacionada com o esforo computacional necessrio no processo de treino, caso estes


modelos sejam compostos por um elevado nmero de entradas. No entanto, apesar do
processo de treino ser lento, o processo de previso muito rpido, constituindo esta uma
condio primordial num sistema de previso.

4.7.1 - Rede neuronal


As RN so constitudas por uma camada de entrada, uma ou mais camadas escondidas e
uma camada de sada. Estas podem apresentar na sua constituio vrios neurnios que se
encontram distribudos na ou nas camadas escondidas.

Nesta dissertao as RN sero desenvolvidas em duas fases:

1 fase, as RN utilizam apenas as variveis meteorolgicas previstas pelo modelo


NWP como conjunto de entrada. Esta fase tem como objetivo encontrar as
variveis explicativas, ou seja, as que mais influncia tm no valor da
produo FV;
2 fase, sero adicionadas outras variveis ao conjunto de entrada, na expectativa
de melhorar a performance da rede neuronal.

4.7.1.a - Arquitetura do modelo RN

A Figura 4.9 apresenta, de uma forma geral, a arquitetura dos modelos de previso a
partir das RN. Este modelo caraterizado por realizar previses da potncia eltrica atravs
de dados de previses meteorolgicas previstas pelo modelo NWP, juntamente com a possvel
adio de variveis que possam ser relevantes.

Previses
Variveis
Meteorolgicas
adicionais
NWP

Rede
Neuronal

Potncia
prevista

Figura 4.9 Arquitetura do modelo de previso a partir das RN.

As RN desenvolvidas so do tipo feedforward, isto , funcionam de forma progressiva e


sem realimentao (sem informao adicional acerca dos processos posteriores). As RN so
treinadas por retropropagao (backpropagation), que o mtodo de aprendizagem
supervisionada mais utilizado. Este mtodo de treino consiste em apresentar-se rede um
determinado exemplo, verificando-se a sada da rede. Esta sada ento comparada sada
esperada, obtendo-se assim um erro. Calcula-se o gradiente desse erro em relao aos valores

57
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

sinpticos da camada de sada, obtendo-se assim o erro da sada da penltima camada,


propagando para trs o erro (origem do nome backpropagation) por todas as camadas de
conexes. A seguir apresenta-se mais um exemplo (pode ser o mesmo repetido) e continua-se
o processo at que o erro seja menor que uma tolerncia predefinida. Este tipo de treino
baseia-se num algoritmo que generaliza a aplicao do mtodo dos mnimos quadrados RN.
O algoritmo utilizado o de Levenberg-Marquardt (LM) que uma aproximao ao mtodo de
Newton; este algoritmo caracterizado por ser mais eficiente que o ltimo, no entanto
tambm exige maior poder computacional [44, 45].

Configurar a estrutura das RN consiste em definir o nmero de camadas escondidas, assim


como o nmero de neurnios dessas camadas. Segundo o teorema de Kolmogorovs
Superposition [46], a utilizao de uma s camada escondida suficiente. As camadas de
entrada e de sada vo apresentar um nmero de neurnios igual ao nmero de variveis de
entrada e de sada, respetivamente. Para a camada escondida no existe uma metodologia
que defina um nmero ideal, embora um nmero excessivo possa provocar overfitting,
Kolmogorov [46] defende que, se a camada intermdia for constituda por 2+1 neurnios,
onde o nmero de variveis de entrada, ento a RN pode aproximar qualquer funo
contnua do tipo [ ] .

A funo de ativao dos neurnios utilizada Tan-Sigmoid Transfer Function, e dada


pela expresso:

(4.6)

4.7.1.b - 1 Fase

Nesta primeira fase foi necessrio escolher dentro das variveis meteorolgicas previstas
pelo modelo NWP quais as variveis explicativas. Para isso, cada uma das variveis foi inserida
individualmente na camada de entrada da RN, com o objetivo de verificar quais as que
tinham um maior coeficiente de correlao (). Como nesta fase apenas se queria selecionar
as variveis mais relevantes, apenas se utilizou os dados NWP com previses efetuadas s
00:00 UTC.

O conjunto de dados inserido na RN foi de 1 ano (10-06-2010 at 10-06-2011), dividido


internamente em 70% para treino, 15% para validao e 15% para teste.

Tabela 4.1 Correlao das variveis NWP.

SW LW T2 U10 V10 WSPD WDIR

R 0,574 0,014 0,150 0,135 0,232 0,109 0,255

Como podemos verificar na Tabela 4.1, de todas as variveis NWP a que apresenta menor
correlao LW, ou seja, a varivel menos influente no valor da produo eltrica. Como
seria de esperar, SW (radiao no comprimento de onda curta superfcie) que de facto a
radiao global incidente, a varivel com maior coeficiente de correlao.

58
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

De seguida, e uma vez que U10 e V10 no so nada mais do que a decomposio do vetor
WSPD nas componente e , foram criados dois arranjos distintos em que a camada de
entrada era constituda por apenas variveis relacionadas com o vento, com o objetivo de
verificar qual dos dois seria o melhor.

No primeiro arranjo as variveis utilizadas no conjunto de entrada foram U10, V10 e


WDIR, sendo que no outro arranjo o conjunto de entrada era constitudo por WSPD e WDIR.
Em ambos os casos a produo eltrica a sada desejada. Mais uma vez, recorreu-se ao
coeficiente de correlao, para encontrar a melhor combinao.

Tabela 4.2 Seleo das variveis relacionadas com o vento.

U10, V10 e WDIR WSPD e WDIR

R 0,354 0,337

Analisando a Tabela 4.2 conclui-se que o arranjo das variveis U10, V10 e WDIR apresenta
um desempenho superior ao arranjo constitudo por WSPD e WDIR. Sendo assim, WSPD,
imagem de LW, tambm ser descartada.

Finalizada a seleo das variveis explicativas, foi criada uma tabela de verdade com o
intuito de encontrar o conjunto de entrada ideal. Para a construo da tabela de verdade,
numa primeira instncia, as variveis comeam por ser testadas duas a duas, de seguida so
testadas trs a trs, etc., at obtermos a combinao perfeita. Como nesta etapa apenas se
pretende encontrar o melhor arranjo de variveis, mais uma vez s foram utilizados os dados
NWP com as previses efetuadas s 00:00 UTC. O conjunto de dados inserido o j
considerado anteriormente (10-06-2010 at 10-06-2011).

59
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Tabela 4.3 Tabela de verdade das variveis relevantes.

SW T2 U10 V10 WDIR R MSE

1 1 0 0 0 0,599 4,73x107

1 0 1 0 0 0,622 4,96x107

1 0 0 1 0 0,611 4,75x107

1 0 0 0 1 0,627 4,88x107

0 1 1 0 0 0,164 7,51x107

0 1 0 1 0 0,275 7,02x107

0 1 0 0 1 0,324 6,91x107

0 0 1 1 0 0,352 6,68x107

0 0 1 0 1 0,340 6,75x107

0 0 0 1 1 0,302 6,97x107

1 1 1 0 0 0,605 4,82x107

1 1 0 1 0 0,627 4,69x107

1 1 0 0 1 0,619 4,63x107

1 0 1 1 0 0,608 4,72x107

1 0 1 0 1 0,637 4,71x107

1 0 0 1 1 0,630 4,54x107

0 1 1 1 0 0,342 6,76x107

0 1 1 0 1 0,327 6,85x107

0 1 0 1 1 0,365 6,62x107

0 0 1 1 1 0,349 6,64x107

1 1 1 1 0 0,628 4,47x107

1 1 1 0 1 0,638 4,77x107

1 1 0 1 1 0,624 4,73x107

1 0 1 1 1 0,638 4,58x107

0 1 1 1 1 0,372 6,77x107

1 1 1 1 1 0,636 4,54x107

Como podemos constatar atravs da Tabela 4.3, existem dois arranjos de variveis que
obtiveram o mesmo valor de (SW, T2, U10 e WDIR) e (SW, U10, V10 e WDIR). No entanto,
como o segundo arranjo tem um (erro mdio quadrtico) inferior, este seria a melhor
escolha.

Contudo, esperava-se que o arranjo que inclui todas as variveis (SW, T2, U10, V10 e
WDIR) tivesse um desempenho melhor que os restantes, mas como se pode verificar na Tabela
4.3 este obteve um ligeiramente inferior ao arranjo descrito no pargrafo anterior. No

60
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

entanto, como o seu inferior ao do melhor arranjo, optou-se por utilizar o


conjunto que engloba todas as variveis.

de salientar que os valores de so muito elevados, devido ao facto de, nesta etapa,
os dados do conjunto de entrada ainda no se encontrarem estandardizados. No Anexo C.1
apresentam-se as imagens do valor de correspondentes aos trs melhores arranjos, e os
respetivos .

4.7.1.c - 2 Fase

Concluda a seleo das variveis explicativas presentes nos dados NWP, nesta fase sero
adicionadas ao conjunto de entrada novas variveis consideradas relevantes, com o intuito de
melhorar a performance da RN.

Inicialmente adicionou-se o horizonte temporal das previses, ou seja, de 1 a 72 horas. O


valor de pode ser visto na Tabela 4.4. Nesta etapa tambm sero comparados os conjuntos
de dados NWP com as previses efetuadas s 00:00 UTC e 12:00 UTC.

Tabela 4.4 Anlise da adio do horizonte temporal.

Previses NWP Previses NWP


s 00:00 UTC s 12:00 UTC

SW T2 U10 V10 WDIR H72 R MSE R MSE

1 1 1 1 1 0 0,927 0,0112 0,930 0,0114

1 1 1 1 1 1 0,932 0,0122 0,936 0,0110

Como se pode verificar atravs da anlise do primeiro arranjo de variveis da Tabela 4.4,
e do ltimo arranjo da Tabela 4.3, a estandardizao das variveis de entrada melhora e
muito a performance da RN, obtendo-se um aumento de sensivelmente 30% do valor do em
relao ao conjunto de entrada no estandardizado. A adio do horizonte temporal tambm
melhora, embora muito pouco, o desempenho da RN, obtendo um aumento na performance
de aproximadamente 0,5% em comparativamente ao conjunto de entrada anterior. Tambm
se pode constatar, que os dados NWP com as previses s 12:00 UTC permitem um
desempenho superior comparativamente s previses 00:00 UTC. Por este motivo, todas as
alteraes que possam vir a ser efetuadas estrutura das RN, sero apenas comparadas com
os dados NWP s 12:00 UTC. No entanto, na avaliao dos modelos finais os dados NWP s
00:00 UTC tambm so considerados.

Para o desenvolvimento da prxima etapa necessrio compreender que a produo


horria modelada como sendo a soma de duas componentes. A primeira componente
determinstica, representando a tendncia, ciclo anual e os efeitos de diferentes ciclos de
dias. A segunda componente estocstica.

Como se pode ver, por exemplo na Figura 4.4, a produo eltrica diria extremamente
dependente do ciclo dirio. Este ciclo repete-se ao longo do ano dando assim origem a uma
evoluo harmnica. Sendo assim, o ciclo anual pode ser modelado como uma soma de senos
e co-senos, semelhana de uma srie de Fourier [47].

61
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

(4.7)

Onde:

e so os coeficientes do harmnico que, no caso dos modelos de


aprendizagem automtica, so estimados internamente;
corresponde ao ndice do harmnio;
representa a frequncia. Como a radiao solar, e consequentemente a
produo eltrica, se repete de 24 em 24 horas, .

De forma a eliminar o ciclo diurno, o horizonte temporal foi ento decomposto com
base numa srie de Fourier. De modo a encontrar-se os ndices dos harmnicos mais
relevantes, foram adicionadas ao conjunto de entrada da RN as componentes em seno e
co-seno de para os diversos ndices testados. Portanto, o conjunto de entrada ser
constitudo por SW, T2, U10, V10, WDIR, Hcos_k e Hsen_k, onde o ndice do harmnico
utilizado.

O desempenho de cada ndice pode ser visto na Tabela 4.5.

Tabela 4.5 Desempenho dos diferentes ndices do harmnico.

k R MSE

1 0,949 0,0085

2 0,946 0,0095

3 0,933 0,0112

4 0,931 0,0105

Constata-se que apenas houve melhoria do modelo para os dois primeiros valores de ,
tendo para =1 o modelo com melhor desempenho. Tambm se pode verificar que, medida
que aumentamos o ndice do harmnico, h um declnio na performance do modelo, sendo
que no faria muito sentido continuar a testar mais ndices.

Como se obteve uma melhoria no desempenho para dois ndices diferentes, optou-se por
testar se o modelo teria melhor desempenho com apenas as componentes seno e co-seno para
=1, ou com a juno das componentes para =1 e =2.

Tabela 4.6 - Desempenho das componentes do ciclo dirio para =1 vs =1 + =2.

SW T2 U10 V10 WDIR Hsen_1 Hcos_1 Hsen_2 Hcos_2 R MSE

1 1 1 1 1 1 1 0 0 0,949 0,0085

1 1 1 1 1 1 1 1 1 0,953 0,0080

62
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Atravs da Tabela 4.6 pode-se verificar que a juno das componentes seno e co-seno dos
dois harmnicos conduz a um desempenho ligeiramente superior comparativamente ao
modelo com a utilizao de apenas o harmnico para =1.

Um pouco semelhana da etapa anterior, a varivel WDIR tambm ser decomposta.


Como esta varivel fornecida em graus, variando de 0 a 360, a RN no capaz de assimilar
que a direo do vento aos 0 igual direo 360. Por isso, sentiu-se a necessidade de
testar o desempenho da RN, caso se efetuasse a sua decomposio em coordenadas
cartesianas. Para tal multiplica-se WDIR por: ( )e ( ).

Tabela 4.7 Desempenho do modelo, antes e depois da decomposio da direo do vento.

SW T2 U10 V10 WDIR WDIRcos WDIRsen Hcos_1 Hsen_1 Hcos_2 Hsen_2 R MSE
1 1 1 1 1 0 0 1 1 1 1 0,953 0,0080

1 1 1 1 0 1 1 1 1 1 1 0,956 0,0088

Como se pode verificar pela anlise da Tabela 4.7, apesar de no ser uma diferena muito
significativa, h um aumento no desempenho do novo modelo. No Anexo C.1 apresentam-se as
imagens dos testes efetuados nesta fase.

A Figura 4.10 d uma imagem da estrutura final do modelo de previso RN.

SW T2 V10 U10 WDIR Hcos_1 Hsen_1 Hcos_2 Hsen_2

WDIRcos WDIRsen

REDE
NEURONAL

Potncia
Elctrica

Figura 4.10 Estrutura das redes neuronais desenvolvidas.

Importa salientar que foram utilizadas duas redes neuronais, com as mesmas
caractersticas, uma para a previso da potncia eltrica a partir dos dados NWP s 12:00 UTC
(RN12) e outra para os dados NWP s 00:00 UTC (RN00). Cada rede constituda por uma
camada de entrada, uma camada intermdia e uma camada de sada. As redes tm 10
entradas e 1 sada cada. A camada intermdia constituda por 21 neurnios e a funo de
ativao utilizada a tangente sigmide.

63
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

4.7.2 - Support Vector Machines


Uma vez que o MATLAB R2009a no possui funes nativas para desenvolver modelos SVR,
recorreu-se a uma biblioteca externa (LIBSVM A Library for Support Vector Machines)
bastante capaz e com provas dadas a este nvel. Os parmetros utilizados no modelo com
melhor desempenho foram os seguintes:

O tipo de funo kernel utilizada foi a radial basis, );


;
C =10000, este parmetro representa a perda (cost);
= 0,001, que corresponde tolerncia do critrio de paragem;

Dentro dos parmetros descritos anteriormente, os que afetam mais o desempenho do


modelo so e . De forma a avaliar quais sero os valores ideais, foi necessrio a
implementao de um ciclo que percorre alternadamente uma determinada gama de valores
para e . A gama utilizada para ambos os parmetros foi:

Para o mesmo conjunto de treino das RN, e com a mesma distribuio dos dados com 70%
para treino, 15% para validao e os outros 15% para teste, obtiveram-se os seguintes
resultados:

Tabela 4.8 Desempenho do modelo SVR.

R MSE
SVR 0,91 0,0092

semelhana do que foi feito nas RN, tambm foram desenvolvidos dois SVM com as
mesmas caractersticas, um para a previso da produo eltrica a partir dos dados NWP s
12:00 UTC (SVM12) e outro para os dados NWP s 00:00 UTC (SVM00).

64
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Captulo 5

Resultados

5.1 - Introduo
Uma vez desenvolvidos os vrios modelos, neste captulo so apresentados os resultados
relativamente aplicao dos mesmos na resoluo de problemas reais.

Como se pde ler na seco 4.5, a persistncia geomtrica apresenta-se como o modelo
de referncia com melhor desempenho. A essncia deste captulo ser avaliar o desempenho
dos modelos desenvolvidos, sendo que, alm de comparados com o modelo de referncia,
tambm sero comparados entre si. Para efetuar o diagnstico do desempenho dos modelos
de previso pode-se recorrer a diversos indicadores estatsticos, vulgarmente apelidados de
indicadores de erro.

Neste captulo so ainda apresentadas e analisadas as previses efetuadas atravs de um


modelo final que tem como entradas os resultados das previses dos modelos que
apresentaram um melhor desempenho.

5.2 - Mtodos para a avaliao do desempenho dos modelos


Como se pode ver na seco 3.4.2, existem vrias vertentes de anlise de erro, no
havendo um consenso generalizado acerca dos critrios de erro a utilizar. No entanto, de uma
forma genrica, o erro que um sistema de previso pode cometer na previso para um
determinado instante dado pela diferena entre o valor previsto e o valor medido.

O mtodo utilizado para avaliao do erro dos modelos propostos foi o . Neste
mtodo, o erro sofre uma transformao relativamente ao erro proposto na sub-seco
3.3.2.a, a qual consiste simplesmente em passar o erro para a forma percentual. O
(Normalize Mean Absolute Percentage Error) caraterizado pela seguinte equao (5.1):


| |
(5.1)

65
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Onde:

corresponde ao valor da potncia eltrica medida num determinado instante;


corresponde ao valor da potncia prevista para o mesmo instante;
o comprimento da srie prevista;
o valor mximo da produo para o conjunto de dados em anlise. Este
valor , geralmente, prximo da potncia instalada no parque FV.

Alm do ser utilizado tambm um mtodo adicional de comparao dos modelos


analisados. Este mtodo foi descrito na sub-seco 3.3.2.b, e tem como objetivo quantificar o
ganho na utilizao de um determinado modelo, em detrimento do modelo de referncia.


(5.2)

Onde:

corresponde ao do modelo de referncia;


corresponde ao do modelo que se pretende avaliar.

5.3 - Desempenho dos modelos


Por forma a obter uma boa avaliao do desempenho dos modelos desenvolvidos
anteriormente, estes sero testados para dois perodos distintos: Inverno e Vero.

Como se viu no captulo 3, existem modelos que necessitam de treino prvio (RN e SVM).
Por este motivo foi necessrio dividir o conjunto de dados em dois sub-conjuntos distintos:

O subconjunto de treino contem os dados das previses efetuadas pelo modelo


NWP e as variveis consideradas relevantes como conjunto de entrada, e os dados
histricos da produo como alvo. Uma vez que se pretende analisar dois perodos
diferentes, tambm necessrio criar dois conjuntos de treino distintos. Para o
perodo de Vero o intervalo de treino compreendido entre 13-06-2010 e 13-06-
2011, enquanto que para o perodo de Inverno o intervalo de treino ser de
13-06-2010 at 31-10-2010 e de 01-02-2011 at 13-06-2011;

O conjunto de teste constitudo apenas pelas previses dos modelos NWP e as


variveis consideradas relevantes, pois o que se pretende que estes modelos
simulem a previso da potncia eltrica apenas com base nos primeiros. Para o
perodo de Vero o conjunto de teste ser de trs meses (21-06-2011 at
21-09-2011). Para o perodo de Inverno, uma vez que no foram fornecidos dados
relativamente ao ms de Janeiro, optou-se por considerar como perodo de teste
de Inverno de 01-11-2010 at 28-02-2011.

Para os modelos que no necessitam de ser treinados previamente, os perodos de teste


sero os mesmo que os anteriores. Sendo assim, o perodo de avaliao do erro corresponde

66
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

sempre a um horizonte de trs meses com discretizao horria. Na Tabela 5.1, apresenta-se
a anlise do e do Improvement para todos os modelos desenvolvidos.

Tabela 5.1 Comparao e anlise do erro de previso para os diversos modelos desenvolvidos.

Teste para o perodo de Inverno Teste para o perodo de Vero


[Novembro, Dezembro e Fevereiro] [21 de Junho at 21 de Setembro]

Modelos NMAPE [%] Imp. [%] NMAPE [%] Imp. [%]

Persistncia
8,85 ---- 7,05 ----
Geomtrica

AR(29) 7,44 15,92 5,14 27,09

AR(173) 7,61 14,02 3,84 45,55

ARMA(29,28) 8,76 1,00 4,47 36,58

RN12 6,75 23,73 5,38 23,64

RN00 7,01 20,78 5,82 17,35

SVM12 8,46 4,35 5,04 28,47

SVM00 8,65 2,22 6,94 1,49

Verifica-se, da anlise da Tabela 5.1, que para o perodo de Inverno os modelos que
apresentam melhor desempenho so as RN. Era expectvel que fossem estas, uma vez que,
devido sua capacidade de aprendizagem e pelo facto de serem auxiliadas pelas previses
meteorolgicas, as RN so mais eficazes a prever a possvel presena de nuvens, efetuando
assim previses mais precisas. Tambm de salientar o melhor desempenho da RN12
comparativamente RN00, demonstrando que as previses do modelo NWP para as 12:00 UTC
so efetivamente mais precisas que as previses efetuadas para as 00:00 UTC. Quando
interrogado relativamente a esta concluso, o grupo de investigao da Universidade de
Lisboa disse que na prtica, no deveria haver diferenas entre as previses dos dois modelos.
No entanto, tambm afirmaram que quando se efetuam as previses meteorolgicas s
12:00 UTC, normalmente existe uma maior quantidade de observaes processadas pelo
modelo mesoescala, pelo que possvel que estas previses sejam mais precisas.

Devido sua capacidade de aprendizagem, era esperado que os modelos SVM


apresentassem um desempenho idntico s RN, no entanto isso no se verificou. De facto,
para o perodo de Inverno, estes modelos, a par do ARMA(29,28), so de todos os modelos
desenvolvidos os que apresentam pior desempenho. A fraca performance poder ser explicada
pelo facto de que os parmetros encontrados no seu desenvolvimento, talvez no fossem os
mais adequados, ou estes modelos simplesmente no possuam um mtodo de treino to eficaz
como os das RN.

Como do conhecimento geral, no perodo de Inverno as condies meteorolgicas so


mais instveis, podendo variar bastante entre dois dias consecutivos. Uma vez que os modelos
regressivos apenas se baseiam em dados do passado, revelam uma performance inferior
comparativamente aos modelos das RN. Na Figura 5.1, pode-se ver a representao grfica da
comparao da potncia medida e prevista para todos os modelos desenvolvidos para um dia
tpico de Inverno.

67
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

3000 3000

2500 2500

2000 2000
Potncia [kW]

Potncia [kW]
1500 1500

1000 1000

500 500

0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Horizonte (h) Horizonte (h)
Potncia Medida Potncia prevista RN12 Potncia Medida Potncia prevista RN00

3000 3000

2500 2500

2000 2000
Potncia [kW]

Potncia [kW]
1500 1500

1000 1000

500 500

0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Horizonte (h) Horizonte (h)


Potncia Medida Potncia prevista SVM12 Potncia Medida Potncia prevista SVM00

3000 3000

2500 2500

2000 2000
Potncia [kW]

Potncia [kW]

1500 1500

1000 1000

500 500

0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Horizonte (h) Horizonte (h)
Potncia Medida Potncia prevista AR29 Potncia Medida Potncia prevista AR173

3000

2500

2000
Potncia [kW]

1500

1000

500

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Horizonte (h)
Potncia Medida Potncia prevista ARMA29_28

Figura 5.1 Comparao entre a potncia medida e a potncia prevista para todos os modelos
desenvolvidos, para o caso de estudo do dia 21 de Dezembro de 2010.

Para o perodo de Vero, verifica-se que todos os modelos obtiveram um desempenho


superior comparativamente ao de Inverno. Como neste perodo as variaes meteorolgicas
so menos acentuadas, os modelos AR(173) e ARMA(29,28) demonstraram ser as melhores
alternativas para efetuar previses da potncia.

68
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

No caso do modelo SVM, o SVM00 obteve mais uma vez um desempenho insatisfatrio. Por
outro lado, o SVM12 conseguiu obter um bom desempenho chegando a ser superior aos
modelos RN. Apesar das RN apresentarem um desempenho inferior ao dos modelos estatsticos
para o perodo de Vero, ao considerar ambos os perodos analisados, as RN so os modelos
que menores oscilaes apresentam.

3000 3000

2500 2500

2000 2000
Potncia [kW]

Potncia [kW]
1500 1500

1000 1000

500 500

0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Horizonte (h) Horizonte (h)
Potncia Medida Potncia prevista RN12 Potncia Medida Potncia prevista RN00

3000 3500

3000
2500

2500
2000
Potncia [kW]

Potncia [kW]

2000
1500
1500

1000
1000

500
500

0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Horizonte (h) Horizonte (h)
Potncia Medida Potncia prevista SVM12 Potncia Medida Potncia prevista SVM00

3000 3000

2500 2500

2000 2000
Potncia [kW]

Potncia [kW]

1500 1500

1000 1000

500 500

0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Horizonte (h) Horizonte (h)
Potncia Medida Potncia prevista AR29 Potncia Medida Potncia prevista AR173

3000

2500

2000
Potncia [kW]

1500

1000

500

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Horizonte (h)
Potncia Medida Potncia prevista ARMA29_28

Figura 5.2 Comparao entre a potncia medida e a potncia prevista para todos os modelos
desenvolvidos, para o caso de estudo do dia 7 de Agosto de 2011.

69
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Na Figura 5.2 pode ver-se a comparao da potncia medida com a prevista, para todos os
modelos desenvolvidos, para um dia tpico de Vero. Todos os modelos conseguem, de certa
forma, seguir os valores reais da potncia. Existem, naturalmente, desvios relativamente aos
valores reais; no entanto, os valores previstos esto relativamente prximos dos mesmos.
Apesar de haver dias em que os valores previstos so mais prximos dos reais, optou-se por
representar este dia pelo seguinte motivo: como se pode ver no primeiro grfico da Figura
5.2, o modelo RN12 consegue, de certa forma, prever que existir uma queda na potncia
eltrica. Este aspeto muito importante, pois o operador da rede eltrica, sabendo de
antemo que existir uma quebra, pode compensar a potncia injetada atravs da ativao
de outras fontes de energia, evitando assim a introduo de flutuaes na mesma. Portanto,
independentemente da altura do ano analisada, as redes neuronais demonstram que so
ferramentas poderosas, revelando-se, dentro dos modelos desenvolvidos, como a melhor
alternativa para a previso da potncia eltrica.

5.3.1 - Modelos de assimilao


Concluda a anlise do desempenho dos modelos desenvolvidos, procedeu-se criao de
uma rede neuronal, RN_AR, que tem como objetivo verificar se a juno dos modelos RN12 e
de um modelo baseado num AR(173), conduz a uma melhoria do desempenho. Para tal, a
RN_AR utiliza como conjunto de entrada os dados utilizados na construo do modelo RN12 e
os 173 valores anteriores da produo medida. Os coeficientes do modelo AR(173) so
modelizados pela RN que durante o processo de treino obtm intrinsecamente os valores dos
coeficientes autorregressivos. O perodo de teste considerado para a avaliao deste modelo
foi o de Vero, coincidindo com o utilizado na seco anterior.

Tabela 5.2 Desempenho de RN_AR.

Teste para o perodo de Inverno Teste para o perodo de Vero


[Novembro, Dezembro e Fevereiro] [21 de Junho at 21 de Setembro]

Modelos NMAPE [%] Imp. [%] NMAPE [%] Imp. [%]

Persistncia
8,85 ---- 7,05 ----
Geomtrica

AR(173) 7,61 14,02 3,84 45,55

RN12 6,75 23,73 5,38 23,64

RN_AR 6,52 26,27 5,14 27,09

Pela anlise da Tabela 5.2 verifica-se que, apesar do desempenho de RN_AR ainda ser
inferior ao modelo AR(173) para o perodo de Vero, no Inverno houve de facto uma melhoria
comparativamente ao modelo RN12 e AR(173), pelo que a juno de modelos se apresenta
como uma melhoria de desempenho.

Sendo assim, procedeu-se criao de duas redes neuronais, RN1 e RN2, que tm como
objetivo assimilar os resultados obtidos atravs dos modelos anteriores. O conjunto de
entrada constitudo pelas previses efetuadas atravs dos modelos anteriores e o ms de
cada previso. Uma vez que tanto as RN como os SVM apresentaram melhor desempenho com

70
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

as previses meteorolgicas do modelo NWP para as 12:00 UTC, optou-se por no considerar
nesta etapa os modelos RN00 e SVM00.

Para a criao da RN1 foi necessrio, numa primeira fase, efetuar a previso da potncia
atravs dos diferentes modelos desenvolvidos para um perodo de 1 ano (13-06-2010 at
13 06-2011). Estas previses, juntamente com o ms de cada uma delas, foram utilizadas no
treino da RN1 como conjunto de entrada, e utilizou como alvo os dados histricos da potncia
medida para o mesmo perodo. A RN2 foi criada e treinada de forma idntica RN1, com os
perodos de treino de 13-06-2010 at 31-10-2010 e de 01-02-2011 at 13-06-2011.

Aps a criao de RN1 e RN2 foi necessrio testar a performance das mesmas. Para RN1 o
perodo de teste utilizado foi de trs meses (21-06-2011 at 21-09-2011), sendo que o
conjunto de entrada foi, uma vez mais, o ms de cada previso e as previses efetuadas pelos
modelos anteriores para o mesmo perodo. Para RN2 o perodo de teste considerado foi de
01-11-2010 at 28-02-2011, o conjunto de entrada foi novamente o ms de cada previso e as
previses efetuadas para este mesmo perodo.

O desempenho da redes novamente dado pelo em relao persistncia


geomtrica, pois desta forma possvel compar-lo com o dos modelos desenvolvidos
anteriormente. Para alm disso, tambm ser avaliado o improvement de RN1 e RN2 em
relao aos modelos utilizados na sua criao.

Na Tabela 5.3 pode ver-se o desempenho de RN1 e RN2 para diferentes configuraes dos
modelos utilizados.

Tabela 5.3 Desempenho de RN1 e RN2.

RN1 (Vero) RN2 (Inverno)


Modelos utilizados NMAPE [%] Imp. [%] NMAPE [%] Imp. [%]
RN12 26,39 5,48
AR(29) 22,95 14,52
AR(173) 3,96 -3,12 6,38 16,43
ARMA(29,28) 11,41 27,40
Persistncia geomtrica 42,84 29,83
RN12 25,09 8,00
AR(29) 4,03 21,60 6,21 16,53
AR(173) -4,95 18,40
ARMA(29,28) 9,84 29,11
SVM12 15,67 24,94
RN12 21,00 5,93
AR(29) 4,25 17,32 6,35 14,85
AR(173) -10,68 16,56
ARMA(29,28) 4,92 27,51
Persistncia geomtrica 42,84 29,38
SVM12 20,04 26,12
RN12 25,09 7,41
AR(29) 4,03 21,60 6,25 15,99
AR(173) -4,95 17,87
ARMA(29,28) 9,84 28,65

Constata-se que, para o perodo de Vero, a primeira configurao de modelos (RN12,


AR(29), AR(173) e ARMA(29,28)) foi a que obteve o melhor desempenho, apresentado um

71
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

de 3,96%. Nesta configurao, a RN1 apresenta um improvement bastante significativo em


relao a praticamente todos os modelos, com exceo do AR(173), para o qual se obteve um
improvement negativo. No entanto a RN1 apresenta uma melhoria bastante significativa de
desempenho comparativamente aos modelos anteriores.

Para o perodo de Inverno verifica-se que a segunda configurao de modelos


(Persistncia geomtrica, RN12, AR(29), AR(173) e ARMA(29,28)) foi a que obteve melhor
desempenho, resultando num de 6,21%. Ao contrrio do perodo de Vero, onde o
improvement em relao ao AR(173) negativo, para o perodo de Inverno todas as
configuraes testadas apresentam um improvement positivo.

Como se pode verificar pela Figura 5.3, os valores da potncia previstos pela RN1,
independentemente da configurao de modelos que utiliza, conseguem aproximar-se
bastante dos valores reais. Sendo assim, o ponto crtico para escolha da melhor configurao
de modelos reside, sem dvida alguma, no desempenho da RN2 para o perodo de Inverno.

3000

2500

2000
Potncia [kW]

1500

1000

500

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71
Horizonte (h)
Potncia medida Potncia prevista configurao 1 Potncia prevista configurao 2
Potncia prevista configurao 3 Potncia prevista configurao 4

Figura 5.3 Desempenho de RN1, para as diferentes configuraes de modelos, para um horizonte de
previso de 72 horas. A previso foi realizada dia 7 de Agosto de 2011 s 12:00h.

Pela anlise da Figura 5.4 verifica-se que, para um dia tpico de Inverno, existe uma maior
discrepncia entre os valores das previses e os valores medidos da potncia. Como se viu
anteriormente, a configurao 2 foi a que obteve melhor desempenho para o perodo de
Inverno e, se analisarmos com ateno a Figura 5.4, pode-se constatar que esta parece ser a
nica que passadas 48 horas consegue aproximar-se do ponto de produo mximo medido.

Assim sendo, pode-se concluir que a segunda configurao de modelos (Persistncia


geomtrica, RN12, AR(29), AR(173) e ARMA(29,28)), tendo em conta ambos os perodos analisados,
de facto a melhor escolha para efetuar previses da potncia eltrica.

72
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

3000

2500

2000
Potncia [kW]

1500

1000

500

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71

Horizonte (h)
Potncia medida Potncia prevista configurao 1 Potncia prevista configurao 2
Potncia prevista configurao 3 Potncia prevista configurao 4

Figura 5.4 - Desempenho de RN2, para as diferentes configuraes de modelos, para um horizonte de
previso de 72 horas. A previso foi realizada dia 4 de Fevereiro de 2011 s 12:00h.

Na Figura 5.5 e na Figura 5.6, pode-se ver a comparao dos valores da potncia previstos
pela RN1 e RN2 com os valores medidos. Nestas figuras tambm se pode observar a evoluo
das previses efetuadas atravs dos modelos que deram origem a RN1 e RN2. Desta forma,
tem-se uma visualizao do ganho que RN1 e RN2 apresentam em relao aos modelos
anteriores.

3500

3000

2500
Potncia [kW]

2000

1500

1000

500

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71
Horizonte (h)
Potncia medida Potncia prevista configurao 2 Persistncia geomtrica
RN12 AR29 AR173
ARMA29_28

Figura 5.5 Desempenho de RN1 com a configurao 2 e dos diferentes modelos que lhe deram origem,
para um horizonte de previso de 72 horas. Previso efetuada dia 7 de Agosto de 2011 s 12:00h.

73
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

3000

2500

2000
Potncia [kW]

1500

1000

500

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71
Horizonte (h)
Potncia medida Potncia prevista configurao 2 Persistncia geomtrica
RN12 AR29 AR173
ARMA29_28

Figura 5.6 - Desempenho de RN2 com a configurao 2 e dos diferentes modelos que lhe deram origem,
para um horizonte de previso de 72 horas. Previso efetuada dia 4 de Fevereiro de 2011 s 12:00h.

Numa anlise geral, percetvel que atravs do modelo de previso da produo a curto
prazo (RN1 e RN2), os valores das previses seguem a evoluo da potncia do parque FV.
Como era esperado, as previses efetuadas so bastante mais precisas em dias de cu limpo,
apresentando um bom desempenho para estes dias. Para dias nublados o modelo revela
alguma dificuldade em efetuar previses precisas, pelo que o seu desempenho inferior.
Apesar de tudo, para os dias fortemente afetados por nebulosidade sempre melhor ter
alguma previso do que no ter nenhuma.

74
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Captulo 6

Concluses e trabalhos futuros

6.1 - Concluses
Apesar de, atualmente, a produo de energia eltrica a partir de sistemas FV representar
uma pequena parte da energia total produzida, o recurso a este tipo de sistemas est em
claro crescimento, impulsionado pelas medidas energticas impostas pela Comunidade
Europeia e pelas diversas vantagens que estes sistemas apresentam. Portanto, se at agora a
variabilidade destes recursos, e consequentemente, a produo eltrica, tinha pouco ou
praticamente nenhum impacto na rede eltrica, no futuro, com o aumento da penetrao dos
sistemas FV, a natureza intermitente da gerao de energia poder ser problemtica, sendo
susceptvel de introduzir flutuaes na rede eltrica. A previso da sua produo assume,
pois, importncia crescente.

Relativamente ao objetivo desta dissertao, foi construda e apresentada uma


metodologia para a previso a curto prazo da produo eltrica de parques fotovoltaicos. De
seguida, enumeram-se a principais concluses obtidas.

Numa primeira fase foram desenvolvidos e analisados os vrios modelos individuais. No


que diz respeito aos modelos estatsticos, foi possvel concluir que, para o perodo de Vero,
foram estes que apresentaram os melhores resultados, com especial destaque para o AR(173), o
melhor de entre todos. Para o perodo de Inverno, estes modelos revelam maiores
dificuldades em efetuar previses precisas, uma vez que so claramente influenciados pelas
fortes alteraes do tempo que se fazem sentir nessa poca do ano. Ainda assim, as previses
efetuadas apresentam um erro mdio absoluto menor comparativamente persistncia
geomtrica.

Os modelos de aprendizagem automtica efetuam as previses recorrendo aos dados


histricos da produo do parque FV e a previses meteorolgicas efetuadas por um modelo
NWP. Numa primeira instncia, e recorrendo anlise dos modelos RN e SVM desenvolvidos,
verificou-se que os que utilizam os dados das previses meteorolgicas efetuadas pelo modelo
NWP ao meio dia revelaram um desempenho superior comparativamente aos modelos
equivalentes que utilizam os dados NWP da meia-noite. No que concerne ao modelo RN,
verificou-se que este , em termos globais de todos os modelos desenvolvidos na primeira
fase o que apresenta melhor desempenho, ou seja, independentemente da poca analisada,

75
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

este modelo apresentou sempre bons resultados, no havendo grande discrepncia entre o
desempenho para o perodo de Vero e Inverno.

Relativamente aos modelos SVM, concluiu-se que, para o caso analisado nesta dissertao
no so uma ferramenta to poderosa como as RN. Analisando o seu desempenho, ficou
patente que, principalmente para o perodo de Inverno, o processo de aprendizagem no
to eficaz como processo das RN.

Na segunda fase da metodologia, foram modelizadas duas redes neuronais com o objetivo
de assimilar o resultado obtido atravs dos modelos desenvolvidos na fase anterior. Foram
testadas diferentes configuraes de modelos como conjunto de entrada, com o intuito de
encontrar o melhor desempenho possvel, para diferentes pocas do ano. Da anlise conjunta
das diferentes pocas, a configurao com melhor desempenho a que utiliza como conjunto
de entrada os modelos da persistncia geomtrica, RN12, AR (29), AR(173) e ARMA(29,28). Este
modelo revelou um improvement bastante considervel em relao a praticamente todos os
modelos que lhe do origem, sendo capaz de efetuar previses com maior exatido, pelo que,
a deciso de culminar vrios modelos em um s revelou-se acertada.

Em suma, a metodologia final para a previso da potncia FV pode ser dividida em trs
etapas distintas. A primeira etapa consiste na previso da irradiao solar para dias de cu
limpo e a sua transformao em potncia eltrica. Na segunda etapa, atravs dos dados
histricos da produo do parque FV e com base nas previses meteorolgicas efetuadas pelo
modelo NWP, possvel prever a potncia atravs dos modelos RN12, AR(29), AR(173) e
ARMA(29,28). Por fim, na terceira etapa, as previses efetuadas na etapa 1 e 2 juntamente com
a indicao do ms correspondente a cada previso, so utilizadas como conjunto de entrada
numa RN final que simula as verdadeiras previses da potncia.

Tendo em conta os objetivos definidos para a dissertao, pode considerar-se que estes
foram cumpridos. Foi desenvolvido um modelo de previso, pronto a ser implementado
reduzindo o impacto da intermitncia da produo FV nos sistemas eltricos onde so
integrados.

6.2 - Trabalhos futuros


Como trabalhos futuros apresentam-se algumas sugestes:

Na disponibilidade de uma maior quantidade de dados histricos da produo,


seria interessante averiguar se possvel melhorar ainda mais o desempenho dos
modelos de aprendizagem automtica, nomeadamente das redes neuronais;
Estudar a possvel implementao de outros modelos inteligentes, como por
exemplo o ANFIS (Adaptive Neural Fuzzy Inference Systems);
Avaliar se a desagregao das previses em horizontes de 24 horas, melhorar a
performance do modelo final;
Analisar a eventual influncia de diferentes perodos de treino;
Estudar a aplicao de um filtro de Kalman;
Efetuar previses em eventos extremos;
Incorporar nos modelos a informao registado no local.

76
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Referncias

1. Azadeh, A., A. Maghsoudi, and S. Sohrabkhani, An integrated artificial neural


networks approach for predicting global radiation. Energy Conversion and
Management, 2009. 50(6): p. 1497-1505.
2. Walker, S., K.W. Hipel, and T. Inohara. Strategic analysis of the Kyoto Protocol. in
Systems, Man and Cybernetics, 2007. ISIC. IEEE International Conference on. 2007.
3. MEID, RE.NEW.ABLE a inspirar Portugal, Plano Nova Energias ENE2020, 2010.
4. DGEG - Estatisticas rpidas - Outubro de 2011 - http://www.dgge.pt/.
5. GREENPRO, ENERGIA FOTOVOLTAICA manual sobre tecnologias, projecto e instalao
2004.
6. ri, M., et al., Potential of solar electricity generation in the European Union
member states and candidate countries. Solar Energy, 2007. 81(10): p. 1295-1305.
7. EPIA, Global market outlook for photovoltaics until 2015, 2011.
8. REN (Rede Elctrica Nacional), Estatisticas dirias 2011, data de entrada
(21/06/2011) - http://www.centrodeinformacao.ren.pt/PT/InformacaoExploracao/Pa
ginas/EstatisticaDiariaDiagrama.aspx.
9. Rodrigues, C.N., Centrais solares fotovoltaicas ligadas rede eltrica, 2008: Lisboa.
10. Woyte, A., et al., Voltage fluctuations on distribution level introduced by
photovoltaic systems. Energy Conversion, IEEE Transactions on, 2006. 21(1): p. 202-
209.
11. Goetzberger, A. and V.U. Hoffmann, Photovoltaic Solar Energy Generation2005:
Springer.
12. Collares Pereira, M., Fotovoltaico de Alta Concentrao, uma nova tecnologia solar
com excelente potencial em Portugal, 2010.
13. Hankins, M., Stand-Alone Solar Electric Systems. The Earthscan Expert Handbook for
Planning, Design and Instalation, ed. F. JACKSON2010, London, Washington DC:
Earthscan.
14. Himalaya, C.S.P. Guia da Energia Solar. [cited 2011 12-01-2012]; Available from:
http://www.cienciaviva.pt/rede/energia/himalaya2005/home/indice.asp.
15. e2p. Energias endgenas de Portugal. 2011; Available from: http://e2p.inegi.up.pt/.
16. Renovveis na hora, Informaes, microproduo. 2011; Available from:
http://www.renovaveisnahora.pt/web/srm.
17. Girodo, M., E. Lorenz, and D. Heinemann, Solar irradiance forecasting for the
management of solar energy systems. 2006.
18. Bacher, P., Short-term Solar Power Forecasting, in Informatics and Mathematical
Modeling2008, Technical University of Denmark: Denmark.
19. Makridakis, S., S.C. Wheelwright, and R.J. Hyndman, Forecasting: methods and
applications, ed. J.W. Sons1998 New York.

77
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

20. Lorenz, E., et al., Short-term forecasting of solar radiation: a statistical approach
using satellite data. Solar Energy, 1999. 67(1-3): p. 139-150.
21. Hammer, A., et al., Solar energy assessment using remote sensing technologies.
2002.
22. Charney, J.G., Numerical integration of the barotropic vorticity equation. 1950. 2.
23. Yuan-Kang, W. and H. Jing-Shan. A literature review of wind forecasting technology
in the world. in Power Tech, 2007 IEEE Lausanne. 2007.
24. Soteris A, K., Applications of artificial neural-networks for energy systems. Applied
Energy, 2000. 67(1-2): p. 17-35.
25. Cardoso, M.M., SIMULAO DE MODELOS GARCH PARA SERIES TEMPORAIS
UNIVARIADAS DE DEMANDA DE ENERGIA ELTRICA PARA CONZUMIDORES LIVRES EM
REGIME DE CURTO PRAZO, in Engenharia de Produo2005, Uiversidade Federal de
Itajub: Itajub.
26. Guarnieri, R.A., et al., Previses de Radiao Solar Utilizando Modelo de Mesoescala -
Refinamento com Redes Neurais, in 1 CBENS - 1 Congresso Brasileiro de Energia
Solar2007.
27. Aggarwal, R. and Y. Song, Artificial neural networks in power systems. I. General
introduction to neural computing. Power Engineering Journal, 1997. 11(3): p. 129-
134.
28. Sfetsos, A. and A.H. Coonick, Univariate and multivariate forecasting of hourly solar
radiation with artificial intelligence techniques. Solar Energy, 2000. 68(2): p. 169-
178.
29. Pellegrini, F.R. and F.S. Fogliatto, Passos para Implementao de Sistemas de
Previso de Demanda - Tcnicas e Estudo de Caso. Revista PRODUO, 2001. 11.
30. Moreno-Munoz, A., et al. Short term forecasting of solar radiation. in Industrial
Electronics, 2008. ISIE 2008. IEEE International Symposium on. 2008.
31. BOX, G.E.P. and G.M. JENKINS, Time Series Analysis: Forecasting and Control1976.
32. Hegedus, S. and A. Luque, Handbook of Photovoltaic Science and Engineering2003:
John Wiley & Sons, Ltd.
33. Kalogirou, S., Solar energy engineering: processes and systems, ed. 12009: Elsevier.
34. Radosavljevi, J. and A. orevi, DEFINING OF THE INTENSITY OF SOLAR RADIATION
ON HORIZONTAL AND OBLIQUE SURFACES ON EARTH. 2001. 2: p. 77-86.
35. Honsberg, C. and S. Bowden. PVCDROM. 2011; Available from:
http://pveducation.org/pvcdrom/properties-of-sunlight/air-mass.
36. PVPS, Performance Prediction of Grid-Connected Photovoltaic Systems Using Remote
Sensing, in International Energy Agency2008.
37. Rahman, M.H. and S. Yamashiro, Novel Distributed Power Generating System of PV-
ECaSS Using Solar Energy Estimation. Energy Conversion, IEEE Transactions on, 2007.
22(2): p. 358-367.
38. Yona, A., et al. Application of Neural Network to One-Day-Ahead 24 hours Generating
Power Forecasting for Photovoltaic System. in Intelligent Systems Applications to
Power Systems, 2007. ISAP 2007. International Conference on. 2007.
39. Fuentes, M., et al., Application and validation of algebraic methods to predict the
behaviour of crystalline silicon PV modules in Mediterranean climates. Solar Energy,
2007. 81(11): p. 1396-1408.
40. Madsen, H., et al., A Protocol For Standardizing The Performance Evaluation Of
Short-Term Wind Power Prediction Models. Wind Engineering, 2006. 29.

78
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

41. Lorenz, E., et al., Irradiance Forecasting for the Power Prediction of Grid-Connected
Photovoltaic Systems. Selected Topics in Applied Earth Observations and Remote
Sensing, IEEE Journal of, 2009. 2(1): p. 2-10.
42. Shalabi, L.A., Z. Shaaban, and B. Kasasbeh, Data Mining: A Preprocessing Engine.
Journal of Computer Science, 2006. 2.
43. Bremnes, J.B., Probabilistic Wind Power Forecasts Using Local Quantile Regression.
Wind Energy, 2004. 7: p. 47-54.
44. Hagan, M.T. and M.B. Menhaj, Training feedforward networks with the Marquardt
algorithm. Neural Networks, IEEE Transactions on, 1994. 5(6): p. 989-993.
45. Barreto, J.M., Introduo s Redes Neurais Artificiais, in Departamento de
Informtica e Estatstica2002, Laboratrio de Conexionismo e Ciencias
CognitivasUFSC.
46. de Figueiredo, R., Implications and applications of Kolmogorov's superposition
theorem. Automatic Control, IEEE Transactions on, 1980. 25(6): p. 1227-1231.
47. Soares, L.J. and M.C. Medeiros, Modeling and forecasting short-term electricity load:
A comparison of methods with an application to Brazilian data. International Journal
of Forecasting, 2008. 24(4): p. 630-644.
48. Basak, D., S. Pal, and D.C. Patranabis, Support Vector Regression. Neural Information
Processing Letters and Reviews, 2007. 11.
49. Beltrami, M., G.V. Loch, and A.C.L. Silva, COMPARAO DAS TCNICAS DE SUPPORT
VECTOR REGRESSION E REDES NEURAIS NA PRECIFICAO DE OPES. 2009.

79
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Anexos

Anexo A

A.1 - Equao ARMA(29,28)




(A.1)


A.2 - Equao AR(29)





(A.2)



81
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

A.3 - Equao AR(173)






















(A.3)




















82
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Anexo B

83
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

B.1 - Previses efetuadas pela RN1, para o ms de Agosto


Potncia prevista por RN1

Potncia prevista por RN1


Potncia medida

Potncia medida
Horizonte

Horizonte
3000

500
2500

2000

1500

1000

3000

2500

2000

1500

1000

500

Potncia [kW] Potncia [kW]

84
3000 Potncia medida

Potncia prevista por RN1

2500

2000

1500

Potncia [kW]
1000

500

Horizonte
Desenvolvimento de uma metodologia e ferramentas

3000 Potncia medida

Potncia prevista por RN1

2500
para a previso da produo eltrica de parques fotovoltaicos

2000

1500

Potncia [kW]
1000

500

Horizonte

85
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

B.2 - Previses efetuadas pela RN2, ms de Dezembro

Potncia prevista por RN2

Potncia prevista por RN2


Potncia medida

Potncia medida

Horizonte
Horizonte
500
3000

2500

2000

1500

1000

3500

500
3000

2500

2000

1500

1000

Potncia [kW] Potncia [kW]

86
3500
Potncia medida

3000 Potncia prevista por RN2

2500

2000

1500

Potncia [kW]
1000

500

Horizonte
Desenvolvimento de uma metodologia e ferramentas

3500
Potncia medida
para a previso da produo eltrica de parques fotovoltaicos

3000 Potncia prevista por RN2

2500

2000

1500

Potncia [kW]
1000

500

Horizonte

87
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Anexo C

C.1 - Resultados do processo de seleo de variveis

Figura C.1 - Desempenho da configurao (SW, T2, U10 e WDIR) dos dados NWP 00:00 UTC.

Figura C.2 Desempenho da configurao (SW, U10, V10 e WDIR) dos dados NWP 00:00 UTC.

89
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Figura C.3 Desempenho da configurao (SW, T2, U10, V10 e WDIR) dos dados NWP 00:00 UTC.

Figura C.4 Desempenho da configurao (SW, T2, U10, V10 e WDIR) dos dados NWP 00:00 UTC, dados
estandardizados.

90
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Figura C.5 Desempenho da configurao (SW, T2, U10, V10, WDIR e H72) dos dados NWP 00:00 UTC.

Figura C.6 - Desempenho da configurao (SW, T2, U10, V10 e WDIR) dos dados NWP 12:00 UTC.

91
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Figura C.7 - Desempenho da configurao (SW, T2, U10, V10, WDIR e H72) dos dados NWP 12:00 UTC.

Figura C.8 Desempenho do modelo com a adio das componentes do ciclo dirio, para =1.

92
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Figura C.9 - Desempenho do modelo com a adio das componentes do ciclo dirio, para =2.

Figura C.10 - Desempenho do modelo com a adio das componentes do ciclo dirio, para =3.

93
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Figura C.11 - Desempenho do modelo com a adio das componentes do ciclo dirio, para =4.

Figura C.12 Desempenho do modelo com a adio das componentes do ciclo dirio, para =1 + =2.

94
Desenvolvimento de uma metodologia e ferramentas
para a previso da produo eltrica de parques fotovoltaicos

Figura C.13 Desempenho do modelo aps a decomposio da direo do vento.

95