Escolar Documentos
Profissional Documentos
Cultura Documentos
FLORIANÓPOLIS
2015
ALEXANDRE SIMON SHYU
FLORIANÓPOLIS
2015
UNIVERSIDADE FEDERAL DE SANTA CATARINA
CURSO DE GRADUAÇÃO EM ENGENHARIA MECÂNICA
FOLHA DE IDENTIFICAÇÃO CATALOGRÁFICA
Este Trabalho de Graduação foi julgado adequado para a obtenção do título de Engenheiro
Mecânico e aprovado em sua forma final pela Comissão examinadora e pelo Curso de
Graduação em Engenharia Mecânica da Universidade Federal de Santa Catarina.
Prof. Carlos Enrique Niño, Dr. Prof. Jonny Carlos da Silva, Dr.
Coordenador do Curso Professor da Disciplina
Comissão Examinadora:
___________________________________
Prof. Júlio César Passos, Dr.
Orientador
___________________________________
Reinaldo Haas, Dr.
___________________________________
Eng.Pedro Alvim de Azevedo Santos, Ms.
AGRADECIMENTOS
De início agradeço a meus pais, Shyu Cheng Hsiung e Eunice Simon por darem todas
as condições e apoio para a conclusão de mais essa etapa em minha vida.
Em segundo lugar agradeço aos meus professores, em especial, ao professor Júlio Cesar
Passos e Reinaldo Hass por terem me possibilitado o aprendizado e desafio nesse tema
abordado.
Em terceira oportunidade agradeço ao Mestre em Engenharia Pedro Alvim e Mestre
Yoshiaki Sakagami por terem me acompanhado nas visitas técnicas e estarem sempre a
disposição para solucianar possíveis dúvidas.
À empresa Tractebel Energia S.A., em especial, ao Eng. Frederico de Freitas Tavares,
pelo suporte ao trabalho realizado e os recursos necessários para que o projeto pudesse ser
realizado.
Aos colegas do grupo da eólica, Vinícius Fuck, Isadora Limas, Virgílio Machado e Theo
Balconi pelo auxílio durante a execução do trabalho.
E por fim aos operadores das usinas eólicas de Pedra do Sal e Beberibe por sempre se
comprometerem a repassar boa parte da gama de dados utilizados nesse trabalho.
"O caminho mais curto é sempre tentar
mais uma vez." Edison, Thomas
RESUMO
O objetivo deste trabalho de conclusão de curso é apresentar os resultados obtidos de
um modelo híbrido que junta WRF e redes neurais artificiais para a previsão de geração eólica
das Usinas Eólicas de Pedra do Sal-PI e Beberibe-CE, Brasil. Esse modelo de previsão conta
com dados de entrada de uma modelagem numérica regional do Weather Research and
Forecasting (WRF). Tais dados de entrada são inseridos em uma rede neural artificial a qual
fornece como dados de saída a geração eólica do parque inteiro, ou para cada turbina eólica do
parque. O modelo fornece uma previsão em um horizonte de 72h e foram realizadas durante os
testes 120 previsões para Pedra do Sal e 80 para Beberibe, com isso obtve-se um erro médio
para esse período. Com os resultados conclui-se um desempenho superior ao modelo usa uma
rede neural por turbina, além disso a inserção de novas variáveis gera uma melhor acuricidade.
Palavras-chave: Previsão Geração eólica. Modelo híbrido. WRF. Redes neurais artificiais.
Parques eólicos nordeste.
ABSTRACT
The goal of this work is to show the results from a hybrid model, which join the WRF
with artificial neural networks to generate a forecast model of wind energy for the wind farms
of Pedra do Sal-PI and Beberibe-CE in Brazil. In this forecast model, data from a numeric
prevision model is added to a system of neural networks, and the system can vary from one
neural network for each turbine or only one neural network for the entire park. The model can
predict 72h ahead and to validate the model, 120 previsions were made for Pedra do Sal and 80
previsions for Beberibe, with this validation a mean error was obtained for the period. The
results obtained with the model that uses one neural nework for each turbine show a better
performance against the model that uses only one neural network for the entire park, beside that
the inclusion of new variavles as an inputs generated better results.
Keywords: Wind power forecast. Hybrid model. WRF. Artificial Neural Netwaork. Northeast
Wind Farms.
LISTA DE FIGURAS
1 INTRODUÇÃO ....................................................................................................................... 2
1.1 APRESENTAÇÃO .......................................................................................................................................2
6 CONCLUSÕES....................................................................................................................... 58
6.1 SUGESTÕES ............................................................................................................................................ 58
REFERÊNCIAS ............................................................................................................................. 59
2
1 INTRODUÇÃO
1.1 APRESENTAÇÃO
Inúmeros países têm buscado montar uma matriz energética com cada vez mais
participação de fontes renováveis de energia, com o objetivo de assegurar um desenvolvimento
sustentável e menos dependentes de energias fósseis. O Brasil, segundo estimativa da ONG
Greenpeace teria capacidade para chegar a ter uma matriz energética com uma participação de
66,5% de fontes renováveis. Ainda de acordo com esse mesmo relatório da ONG Greenpeace,
se levarmos em conta apenas a matriz elétrica, essa participação subiria para 92%. Atualmente,
temos no Brasil a quarta maior produção de energia renovável do mundo, de acordo com o
boletim Ranking Mundial de Energia e Socioeconomia.
Nesse contexto a energia eólica apresentaria no em 5 anos o segundo lugar em questão
de relevância na matriz elétrica com estimativa de potencial de 21,1% em nossa matriz. Com
base nos dados de 2013, o Brasil já detém o 15º lugar de produção eólica mundial.
Com base nisso, a previsão de geração eólica é uma necessidade para que se possa operar
de forma eficiente e econômica o parque eólico, além de fornecer uma base confiável para
comercialização de energia no curto prazo no mercado livre de venda de energia. Por exemplo,
uma boa previsão de curto prazo pode ser usada para gerar uma combinação otimizada entre
energia eólica e outra fonte de energia tal como térmica e hidroelétrica, com isso quando se está
previsto gerar grandes quantidades de energia eólica, pode-se diminuir o uso da energia térmica,
gerando assim uma economia nos custos.
Existem previsões de geração eólica para diferentes escalas de tempo. As previsões de
curtíssimos prazos servem para o controle ativo do próprio aerogerador, existem escalas para
previsões de milissegundos em alguns casos e é comum uso de redes neurais de séries temporais
para esses casos. Na escala de curto prazo é possível encontrar previsões que variam entre 1 a
72 horas, em geral estas previsões servem para otimizar o sistema como citado no parágrafo
anterior, além de fornecer um melhor planejamento da manutenção preventiva e preditiva do
sistema. As previsões de períodos entre 5 e 7 dias já são consideradas de curto-médio prazo e
servem principalmente para venda de energia no mercado livre e definição do preço da mesma.
Por fim, as previsões com horizontes acima de 12 meses são usadas em leilões de energia como
forma de planejamento dos recursos. Piwko et al., (2005)
Por fim, definido o período de previsão, usa-se três tipos de abordagem para a previsão
de geração, que segundo Soman et al. (2010) se dividem em: abordagem física a qual confia
fundamentalmente na previsão numérica do tempo, a abordagem estatística que inclui o modelo
3
1.2 OBJETIVOS
1.3 JUSTIFICATIVA
1.4 LIMITAÇÕES
Uma das limitações foi a falta de um histórico detalhado das manutenções ocorridas
durante o período analisado nos parques eólicos estudados. Isso ocasionou problemas durante
o tratamento e preparação dos dados antes da inserção dos mesmo no modelo de previsão. Caso
houvesse em mãos os planos de manutenção os resultados poderiam ser melhores.
2 FUNDAMENTAÇÃO TEÓRICA
Essa variação temporal em pequena escala pode ser melhor compreendida através de
uma análise de frequência feita por Hoven (1957). Hoven construiu um espectro de velocidade
do vento a partir de um conjunto de dados analisados em diferentes frequências de aquisições
temporais, a figura 2.4 mostra o espectro obtido.
8
Figura 2.4 – Espectro do vento de Brookheaven, Nova Iorque do trabalho feito por
Van der Hoven (1957).
2.1.3 Turbulência
𝜎 (2.1)
𝐼= ̅
𝑉
𝑘 𝑉 𝑘−1 𝑉 𝑘
( )
𝑓 𝑉 = ( )( ) 𝑒𝑥𝑝 [− ( ) ]
𝑐 𝑐 𝑐 (2.2)
Figura 2.5 - Distribuição de Weibull para diferentes valores de fator de forma (k) e (c)
para os municípios de Água Doce e Imbituba.
𝑉
𝑉 𝑘
𝐹 (𝑉 ) = ∫ 𝑓 (𝑉 )𝑑𝑉 = 1 − 𝑒𝑥𝑝 [− ( ) ]
0 𝑐 (2.3)
𝑅 (𝑉 ) = 1 − 𝐹 (𝑉 ) (2.4)
1
𝐸= 𝑚𝑣 2 (2.4)
2
Onde 𝑚 é a massa e 𝑣 é a velocidade.
Podemos considerar que para uma turbina horizontal, o volume de ar que chega ao rotor
é um cilindro no qual a massa contida no mesmo fornecerá a energia extraída na turbina como
podemos ver na figura 2.6. Considerando que existe um fluxo de massa permanente e inserindo
a unidade de massa por segundo na eq. (2.5), obtemos:
1 (2.5)
𝐸̇ = 𝑚̇𝑣 2
2
𝑚̇ = 𝜌𝐴𝑣 (2.6)
Onde temos 𝜌 como densidade do ar, 𝐴 como a área frontal do rotor, 𝑚̇ como o fluxo de
massa e 𝐸̇ como energia por segundo, que equivale a potência.
1 1 (2.7)
𝐸̇ = 𝑃 = 𝜌𝐴𝑣𝑣 2 = 𝜌𝐴𝑣 3
2 2
12
Com base na Eq. (2.7) podemos notar que a velocidade do vento tem um papel
importantíssimo na geração e tem influência ao cubo da potência no resultado final, logo isso
reforça que uma boa previsão de potência deve usar dados de velocidade do vento mais
confiáveis possíveis.
2.1.6 AEROGERADORES
São máquina utilizadas para capturar a energia cinética dos ventos e convertê-la em
energia mecânica rotacional. As turbinas podem ser de eixo vertical e de eixo horizontal,
atrelado a isso as mesmas podem ser instaladas tanto no mar quanto na terra.
As turbinas de eixo vertical conseguem lidar melhor com a ocorrência de turbulência e tende a
ser mais segura e de fácil manutenção. Atualmente, apesar de apresentarem algumas vantagens
as turbinas de eixo vertical não estão presente muito no mercado, resumem-se a pequenos
projetos e causa disso é a sua baixa eficiência.
Turbinas de eixo horizontal é o tipo mais utilizado devido ao seu melhor desempenho
aerodinâmico. Em média essas turbinas possuem rotores com 3 pás e a estabilidade de uma
turbina nessa configuração possibilita a redução dos custos e construção de aerogeradores com
média de 100 metros de altura, sendo alguns capazes de gerarem até 5 MW.
Em geral esses aerogeradores são gerenciados por um sistema chamado SCADA
(Supervisory Control and Data Acquisition), onde obtêm-se em intervalos de 10 minutos todas
as variáveis fornecidas pelo aerogerador, tais como velocidade, geração, temperatura entre
outras. Por meio desse sistema que os dados foram fornecidos para o projeto.
Nos modelos globais de previsão as equações que governam a atmosfera são resolvidas
sobre todo o globo, sem, entretanto, aterem-se às peculiaridades de cada região. Com isso,
previsões meteorológicas de curto e médio alcance de até 16 dias do estado da estratosfera e
troposfera são produzidas. A resolução desses modelos em escala vertical varia de 10 a 30
quilômetros e na escala horizontal de 15 a 50 quilômetros e na superfície é na escala de 500 m
até um 1 quilômetro, da estratosférica.
Produzido pela National Centers for Environmental Prediction (NCEP) esse modelo
global de previsão reúne dezenas de variáveis atmosféricas, do solo e da terra. Nesse conjunto
de dados estão presentes dados de temperaturas, ventos, umidade do solo, concentração de
ozônio na camada atmosférica e nível de precipitação.
Para previsões entre uma e duas semanas a resolução horizontal cai para 70 quilômetros.
Esse modelo é composto por quatro modelos distintos; um atmosférico, um oceânico, um
modelo de terra-solo, e um de gelo presente no mar.
Os modelos de previsão em geral podem fazer uso do modelo NWP ou não, leva-se em
conta principalmente o horizonte de previsão desejado e com isso pesa-se os custos desse
modelo para ver se exitem vantagens em seu uso. Segundo Giebel et al., (2011), modelos de
previsão que usam o NWP já superam as abordagens de uso de série temporal em horizontes de
3 a 6 horas.
Existem três abordagens diferentes para a previsão de curto prazo: uma estatística, uma
física e uma que combina o que há de melhor entre as duas. A abordagem estatística tenta
encontrar uma relação entre algumas variáveis que em geral incluem os resultados do NWP e
dados de vento ou potência que são medidos em tempo real no site. Frequentemente, redes
neurais artificiais e métodos dos mínimos quadrados são usados para esse fim, onde os
parâmetros dos modelos são estimados a partir de dados e ignora-se na maioria dos casos
quaisquer fenômenos físicos.
Na abordagem física, busca-se estimar com maior precisão possível o vento local de
interesse antes do uso de modelos estatísticos de saída e a curva de potência do fabricante para
obter a geração de energia. O terceiro grupo consiste no modelo otimizado que combinam as
duas abordagens onde o modelo físico captura o fluxo de ar na região do parque eólico e faz-se
uso de um sistema avançado estatístico para confirmar esses dados. Na figura 2.7 temos: (1)
Método estatístico usando apenas os dados em tempo real do SCADA como dados de entrada,
ótimo para horizontes de previsão abaixo de 6 horas. (2) Método físico ou estatístico, boa
performance para horizontes acima de 3 horas. (2) + (3) Modelo físico, boa performance para
15
horizontes acima de 3 horas. (1) + (2) Modelo estatístico usando dados de entrada do modelo
NWP. (1)+(2)+(3) Modelo combinando a diferentes abordagens.
Figura 2.7 - As diferentes abordagens de previsão
Na abordagem estatística temos apenas uma etapa que consiste em um bloco estátistico
onde as variáveis de entrada são transformadas diretamente em geração de potência. Nesse
bloco estatístico variáveis de entrada do modelo NWP, tais como velocidade, direção,
temperatura, e variáveis medidas em tempo real em campo são inseridas no modelo. Em geral,
esse bloco contém modelos estatísticos lineares e não lineares podendo eles serem uma total
caixa-preta, por exemplo: uso de redes neurais, ou serem modelos “grey box”, onde limitantes
físicos e outras informações são inseridas primeiramente.
Atualmente, segundo Costa et al., (2008) a maioria dos softwares comerciais em uso
utiliza-se da abordagem que combina modelo físico e estatístico matemático. A grande
vantagem do modelo híbrido é que o mesmo se beneficia da boa precisão dos modelos de séries
estatísticas temporais para curtos horizontes de previsão e também da precisão fornecida pelos
modelos físicos de previsão para horizontes entre 6 a 72 horas.
Grande parte dos modelos atuais de previsão são constituídos por uma parte física –
baseada na previsão meteorológica de mesoescala do tempo, a qual inclui as características
locais do terreno – e uma parte baseada em inteligência computacional (estatística), que consiste
em uma transformação não linear das variáveis meteorológicas e das séries históricas de
geração em potência produzida.
Os modelos puramente baseados em séries temporais apresentam excelentes
desempenhos apenas de 6 a 10 horas. Assim, sem as previsões meteorológicas (físicas) seria
impossível efetuar previsões de geração eólica de qualidade para um horizonte superior.
Monteiro et al., (2009).
Figura 2.10 – Principais etapas da abordagem híbrida.
Segundo Giebel et al., (2011) a maioria dos erros em previsões de geração eólica provêm
dos modelos numéricos de previsão, em geral esses erros classificam-se em erros de level e
erros de fase. O erro de level, por exemplo, pode estimar de forma errada a severidade de uma
tempestade. Já o erro de fase, considerando esse mesmo exemplo, estima errado quando começa
a tempestade e quando a mesma atinge seu pico. Desses erros, o erro de level é o mais fácil de
detectar na série temporal, no entanto o erro de fase é mais difícil de quantificar e causa grande
impacto no erro final. Portanto, é essencial que a previsão eólica seja propriamente analisada,
não apenas para verificar os desempenhos dos métodos escolhidos de maneira adequada, mas
também, para obter uma compreensão mais profunda do comportamento e a incerteza de
previsão. Monteiro et al., (2009).
De acordo com Landeberg et al., (1994) é extremamente importante a avaliação da
performance do modelo através de diferentes variedades de erros, sendo os mais importantes o
RMSE e MAE. Esses erros do modelo de previsão são feitos através da comparação entre a
previsão da geração eólica, em um certo momento, e o valor real mensurado no mesmo
momento. Dessa maneira, a qualidade do modelo de previsão de geração eólica é expressa
através da análise do desvio entre a previsão e o valor real.
O principais erros usados na comparação entre modelos são o bias, MAE, RMSE,
MAPE e coeficiente de correlação 𝑅2 . Além disso, é muito importante separar os erros em dois
grupos, sendo um grupo para dados de treinamento e um segundo grupo para dados de
validação.
O erro básico de previsão observado para um dado tempo 𝑡 + 𝑘 de uma previsão feita
no tempo de origem 𝑡, 𝑒𝑡+𝑘|𝑡 , é definido como a diferença entre o valor da geração efetivamente
medido em 𝑡 + 𝑘, 𝑀𝑡+𝑘 , e o valor da geração em 𝑡 + 𝑘 originalmente prevista em 𝑡,𝑃𝑡+𝑘|𝑡 .
onde:
𝑒𝑡+𝑘|𝑡 é o erro correspondente ao tempo 𝑡 + 𝑘da previsão feita em 𝑡.
𝑀𝑡+𝑘 é a medição de geração no tempo 𝑡 + 𝑘.
19
𝑒𝑡+𝑘|𝑡 1 (2.9)
𝑒𝑡+𝑘|𝑡 = = [𝑀 − 𝑃𝑡+𝑘|𝑡 ]
𝑃𝑖𝑛𝑠𝑡 𝑃𝑖𝑛𝑠𝑡 𝑡+𝑘
Com o erro específico é possível obter o BIAS que corresponde a uma estimativa do
erro de level que é fornecido pelo erro médio ao longo de todo período de avaliação, descrito
tal como a seguinte fórmula.
𝑁 (2.10)
1
𝐵𝐼𝐴𝑆𝑘 = ̅̅̅
𝑒𝑘 = ∑ 𝑒𝑡+𝑘|𝑡
𝑁
𝑡=1
𝑁 (2.11)
1
𝑒𝑘 = ∑ 𝑒𝑡+𝑘|𝑡 2
𝑀𝑆𝐸𝑘 = ̅̅̅
𝑁
𝑡=1
Além do MSE existem mais duas medições básicas que avaliam o erro aleatório: Erro
Absoluto Médio (MAE) e Raiz do Erro Quadrático Médio (RMSE).
𝑁 (2.12)
1
𝑒𝑘 = ∑|𝑒𝑡+𝑘|𝑡 |
𝑀𝐴𝐸𝑘 = ̅̅̅
𝑁
𝑡=1
(2.13)
∑𝑁
𝑡=1 𝑒𝑡+𝑘|𝑡
2
𝑅𝑀𝑆𝐸𝑘 = √𝑀𝑆𝐸𝑘 = √
𝑁
O uso do RMSE implica no uso de uma função de perda quadrática, enquanto o MAE
requer a utilização de uma função linear. Se um determinado método foi treinado para produzir
previsões com mínimo MSE, então o uso do RMSE é mais adequado para a sua avaliação.
Contudo, sempre que não estiver claro o critério do método de previsão, é preferível o uso do
MAE. Monteiro et al. (2009)
Para fins comparativos, assim como foi mostrado para o erro de previsão, 𝑒𝑡+𝑘|𝑡 , o MAE
e o MSE também são normalizados em relação a potência nominal instalada no parque
formando o Erro Absoluto Médio Normalizado, NMAE, e a Raiz do Erro Quadrático Médio
Normalizado, NRMSE.
Os valores de BIAS e MAE estão relacionados diretamente com produção de energia.
No entanto, o RMSE está relacionado com a variância dos erros. Lembrando que o erro RMSE
não tem uma interpretação direta e é extremamente sensível a grandes variações de erros de
previsão se comparado com o MAE. Por isso, é importante sempre levar em conta o MAE junto
com RMSE para obter uma análise fiel se aboradagem de previsão usada têm boa acuricidade.
Outro erro usado pela Spanish Wind Energy Association é o MAPE (Mean Absolute
Percentage Error). Esse erro é usado pelo governo como um índice para que donos de unidades
eólicas que participam do mercado elétrico possam estimar sua previsão de geração eólica. Com
isso, se as estimativas estiverem acima do MAPE estipulado os produtores devem pagar multa.
𝑁
1 𝑒𝑡+𝑘|𝑡
𝑀𝐴𝑃𝐸𝑘 = 100 𝑥 ∑ | | (2.14)
𝑁 𝑀𝑡+𝑘
𝑡=1
21
Segundo Haykin (2008) uma rede neural é um processador que tenta imitar o
comportamento do cérebro, o qual é constituído de unidades de processamento simples e
paralelamente distribuído. Além disso, a mesma tem a capacidade de armazenar conhecimento
experimental e torna-lo disponível para uso futuro, sendo esse conhecimento adquirido através
de sue ambiente por um processo de aprendizagem. Outro aspecto que torna a rede neural
semelhante ao funcionamento do cérebro se deve ao fato de que as forças de conexão entre os
neurônios, conhecidas como pesos sinápticos, são utilizadas para armazenar informações.
Um dos grandes benefícios do uso de redes neurais é a sua habilidade de poder
generalizar. Assim uma rede neural produz saídas adequadas para entradas que não estavam
presentes durante o treinamento. Essa capacidade de generalização e processamento faz com
que as redes neurais resolvam problemas complexo que atualmente são intratáveis.
Outra vantagen das redes neurais é o seu poder de adaptabilidade, ou seja, uma rede
treinada para operar em um ambiente específico pode ser facilmente retreinada para lidar com
pequenas modificações nas condições operativas ambientes.
22
A escolha da função restritiva é particular ao tipo de problema que a rede neural deseja
resolver. Na literatura existem diversas funções, serão abordadas no texto apenas as três
principais funções
A função limear ou função de Heaviside define o vetor de saída do neurôrnio como 0,
se o vetor de entrada da rede (v) é menor que 0; ou 1, se (v) é maior ou igual a zero. Essa função
é muito usada em neurônios que tenham a função de classificação e pecepção de padrões. Tal
neurônio na literatura é referido como modelo de McCulloch-Pitts.
23
A segunda função de ativação é a linear por partes, que estabelece uma relação linear
entre o vetor de entrada da rede (v) e o vetor de saída da rede (v), logo pode ser vista como uma
aproximação de um amplificador não-linear. Um neurônio com esse tipo de função de ativação
não limita numericamente o sinal de saída. Dessa maneira, ele é comumente utilizado na
camada de saída das redes neurais de forma a permitir que o resultado final possa ser qualquer
valor.
Figura 2.13 - Função Transferência linear.
A arquitetura de rede é a maneira pela qual os neurônios estão organizados e essa forma
de estrutura está estritamente ligada com o algoritmo de aprendizagem usado para treinar a rede.
Além disso, a escolha de uma arquitetura, afeta o desempenho da rede, assim como as
aplicações para as quais ela é desejada. Algumas redes permitem que as conexões caminhem
tanto no sentido entrada-saída quanto saída-entrada. Outras permitem que os neurônios da
mesma camada sejam conectados. Nesta seção três diferentes arquiteturas de redes serão
definidas.
Esse tipo de rede é característico a presença de uma ou mais camadas ocultas, cujos nós
computacionais são chamados correspondentemente de neurônios ocultos. O objetivo dos
neurônios ocultos é intervir, de maneira útil, entre a entrada externa e a saída da rede. Com uma
ou mais camadas ocultas, torna-se a rede capaz de extrair características de ordem elevada. Em
um sentido livre, a rede adquire uma perspectiva global apesar da sua conectividade local,
devido ao conjunto extra de conexões sinápticas e da dimensão extra de interações neurais.
Os nós de entrada fornecem o sinal de entrada aos neurônios (nós computacionais) da
segunda camada, cujos sinais de saída são utilizados como sinais de entrada para terceira
camada e assim por diante até o restante da rede. O conjunto de sinais de saída da camada de
saída (última) constitui a resposta global da rede para o padrão de ativação fornecido pelos nós
da fonte da camada de entrada.
26
Figura 2.16 – Rede alimentada adiante com uma camada oculta e uma camada de
saída.
3 METODOLOGIA
O trabalho de conclusão de curso irá analisar dois estudos de caso: um para o parque
eólico de Pedra do Sal, localizado no Piauí e outro para o parque eólico de Beberibe, localizado
no Ceará. Ambos os parques foram visitados 3 vezes durante o ano de 2014, a fim de realizar
coleta de dados e entender melhor o local de pesquisa.
A empresa Tractebel Energia S/A, do grupo GDF SUEZ, proprietária das centrais
eólicas, forneceu os dados de geração média de energia elétrica e velocidade média do vento a
cada 10 minutos para cada aerogerador. Os valores da velocidade média foram obtidos pelo
anemômetro que fica localizado na nacele do aerogerador.
O presente trabalho insere-se no projeto de P&D ANEEL 0403-0020/2011 (UFSC –
IFSC – Tractebel Energia), o qual visa desenvolver um software de previsão eólica.
29
Figura 3.2 que o mesmo está totalmente à beira mar e em frente ao parque existem
apenas pequenas dunas, gerando um terreno com uma orografia de baixa complexidade. O
vento predominante, de acordo com a orientação das dunas, é entre leste a nordeste. Devido a
isso, os aerogeradores do parque estão posicionados na direção noroeste-sudeste a fim de se
produzir com mais eficiência.
O parque eólico de Beberibe está localizado um pouco mais adentro da costa, logo após
as falésias e residências de apenas um pavimento. Se comparado com Pedra do Sal, a orografia
do terreno é um pouco mais complexa. Ambos os parques são grandemente influenciados pelos
fenômenos meteorológicos atuantes próximo ao equador, a exemplo a variação da ZCIT.
32
As turbinas eólicas instaladas no parque foram fabricadas pela empresa Wobben Wind
Power Indústria e Cormércio Ltda, representante da empresa alemã Enercon GmbH no Brasil.
Na tabela 6 temos as respectivas especificações do tipo de turbina utilizado em cada parque.
Os dois parques possuem, uma torre anemométrica de 100m, a qual foi instalada para a
campanha de medição seguindo a norma IEC 61400-12-1. A presença de dois anemômetros
36
sônicos 3D com medições em alta frequência, nos extremos da torre, permite o cálculo de
parâmetros de turbulência com objetivo de correlacionar os perfis de vento medidos pelo
LIDAR para melhor caracterizar o site. É importante frisar que os dados obtidos com esses
instrumentos não foram inseridos no modelo de previsão, mas serviram como base para criar
uma boa fundamentação do comportamento dos ventos no parque.
A Tabela 7 descreve os instrumentos instalados nas torres anemométricas localizadas
nos parques eólicos.
Artipoli (2014), Castellani et al (2014) e Liu (2012) desenvolveram nos seus trabalhos
um modelo híbrido muito semelhante ao apresentado na presente pesquisa e compararam com
modelos puramente estatísticos e puramente físicos. Dentre os modelos analisados, a
metodologia híbrida foi a que apresentou melhores resultados
38
O sistema de modelagem do WRF utiliza como input dados do modelo Global Forecast
System (GFS), captados a cada 12h, que representam as previsões para três dias, com resolução
espacial e temporal de 0,5o (~50km) e 1h, respectivamente. Juntamente com dados de
topografia e rugosidade de terreno, o modelo é executado para um horizonte de 72h, utilizando
um aninhamento de 15x15 km, para simulação de uma série de previsão a cada 10min.É
importante frisar que esse modelo foi apenas utilizado e não elaborado pelo autor. A figura 3.7
ilustra do domínio do WRF utilizado nas simulações.
Fonte:Yoshiaki, 2014
tal estratégia iremos se referir como modelo I. Já para o modelo II utiliza-se apenas uma rede
neural para o parque inteiro e assim apenas uma filtragem de todo o conjunto.
Devido a um problema que ocorreu nos transformadores da usina eólica de Pedra do Sal
em abril de 2014, algumas das turbinas do parque tiveram que ter suas capacidades de produção
diminuidas para 400 KW, com isso para o presente trabalho dividiu-se o período de previsão
em dois para o parque eólico de Pedra do Sal. Isso se deu, pois, a rede neural teve que ser
ajustada para essa nova configuração do parque eólico. Para o parque Eólico de Beberibe foi
feito apenas uma série histórica, pois esse parque não apresentou esse problema dos
transformadores.
Por fim, após treinar e validar a rede neural, simula-se essa rede para novos valores do
resultado da previsão física WRF. O resultado dessa simulação é justamente a previsão de
geração do parque na mesma data e hora dos dados do WRF simulados. Após isso, os resultados
da previsão são incorporados à série histórica de dados, a fim de ampliar o horizonte de
treinamento, logo a rede neural é sempre realimentada ao fim do ciclo.
O fluxograna da Figura 3.8 ilustra todos os procedimentos utilizados, utilizados para o
desenvolvimento da rede neural do presente trabalho.
O modelo estatístico inicia-se com a seleção da série histórica de dados que serão
utilizados no treinamento da rede. Esses dados iniciais consistem nos resultados da previsão
40
física do WRF (velocidade nos 3 eixos, direção do vento, temperatura e umidade em vários
níveis de altura) realizada no passado e os dados de geração eólica temporalmente
sincronizados.
Dentre essa gama de dados existe alguns que não representam de forma fiel o
comportamento real de geração do parque, por exemplo, velocidades de vento acima de 2,5 m/s
e geração nula. Logo, uma uma filtragem cuidadosa e realista dos dados que serão usados no
treinamento se mostra necessário. Após a filtragem dos dados, apenas os dados bons são
inseridos na rede neural, o restante é descartado.
A filtragem constitui em 4 etapas sendo três delas realizadas baseadas mais na
observação do comportamento de determinado aerogerador e uma quarta filtragem realizada a
partir da curva de potência do parque ou aerogerador. Para o modelo I realiza-se uma filtragem
individual para cada aerogerador e para o modelo II usa-se uma única filtragem baseada no
parque inteiro.
Figura 3.9 - Curva de Potência resultante da soma de geração de cada aerogerador,
para o Parque Eólico de Pedra do Sal, as velocidades provêm do anemômetro da nacele do
aerogerador.
Com base na figura acima é possível observar que existem 4 padrões de dados com
falhas nas séries históricas:
a) Dados que seguem diferentes curvas de potência de acordo com o ajuste de potência
ajustado no parque.
b) Dados que seguem a tendência da curva de potência.
c) Dados com baixa geração para altas velocidade de vento, ou dados com geração zero.
d) Dados com geração bem superior que a curva de potência.
41
Os dados (a) demonstram que o aerogerador as vezes é ajustado para uma potência
máxima inferior ao padrão de funcionamento. A gama de dados (c) pode ser justificada pelo
fato de alguns dos aerogeradores estar desligado (em manutenção) ou em processo de
desligamento, pois sua potência gerada é inferior à curva de potência em uma dada velocidade.
Por fim, os dados (d) são também inconsistentes, porque a potência gerada é superior à curva
de potência em uma dada velocidade.
O intuito é deixar para treinamento apenas os dados (b) que seguem o padrão da curva
de potência do parque ou de cada aerogerador, dependendo do modelo usado na previsão. Para
isso realiza-se os procedimentos citados anteriormente. Uma vez eliminados os dados de
geração, elimina-se também os dados do WRF referentes a mesma escala de tempo.
A rede utilizada nos modelos foi a rede de alimentação direta (feedforward) com 15
neurônios de entrada e um número variável de neurônios na camada oculta. Em geral, essa
quantidade de neurônios na camada oculta era baseada em testes de sensibilidade a fim de
observar qual quantidade poderia fornecer resultados otimizados. Observou-se que quantidades
superiores a 5 neurônios levavam mais tempo de processamento e aumentava-se os erros de
previsão, no entanto, a aderência entre as curvas de geração prevista e real melhoravam.
Também se levou em conta que a utilização de muitos neurônios na camada oculta poderia
resultar em uma memorização excessiva da rede e a consequente perda da capacidade de
genrelaização da rede. Em relação ao método de treinamento usou-se o backpropagation pelo
algoritmo de Levenberg-Maquardt por ser um dos padrões para essse tipo de método.
Para os dados de entrada foram usados diferentes níveis de velocidade, direção e
temperatura, como pode ser observado na Tabela 8. No caso de Beberibe uso-se mais, tais como
calor latente, fluxo de calor da superfície, espessura da camada limite atmosférica e u*.
Tabela 8 - Dados de entradas usadas na rede.
Variável do WRF Níveis (m)
Velocidade 35,100,200,300,500
Direção do Vento 35,100,200,300,500
Temperatura 35,100,200,300,500
Total de 15 entradas
42
Com o uso do modelo híbrido foi possível realizar ao total 120 previsões de três dias
cada. Primeiramente, dividiu-se essa totalidade de previsões em dois períodos, pois devido a
queima de um transformador em abril de 2014 houve a necessidade de uma reconfiguração da
potência máxima do parque eólico. Com isso, a divisão de dois períodos em duas redes neurais
diferentes se mostra interessante para que cada rede neural capte as diferentes configurações do
parque nesses dois períodos de tempo.
O primeiro período de previsão compreende 01/08/2013 até 29/03/2014, sendo o mês
de julho de 2013 usado apenas como treinamento estático da rede neural, ou seja, todos os dados
desse mês serviram apenas para treinamento e ajuste da rede. Para o segundo período que
compreende 01/05/2014 até 30/07/2014 foi usado o mês de abril de 2014 inteiro para
treinamento estático da rede, na figura 4.1 é possível observar o fluxograma. Dentro dos
intervalos de previsão tanto do modelo I e II a rede se comportou de forma dinâmica, pois a
cada ciclo de previsão os dados previstos eram inseridos na rede e a mesma sofria uma
realimentação de dados e treinamentos.
Nesse tópico, mostra-se os resultados do modelo I, onde usa-se ao total 20 redes neurais
diferentes, ou seja, uma rede neural por turbina. Após isso consegue-se a geração média do
parque na base temporal de 10 minutos. Para esse primeiro perído realiza-se 80 ciclos de
previsões e os erros podem ser conferidos na tabela abaixo.
De acordo com a figura abaixo conclui-se que a rede apresenta dificuldades em detectar
os picos e vales da previsão, principalmente em casos onde existe um aumento brusco da
geração. Em relação aos erros de fase a rede se mostrou satisfatória uma vez que se obteve uma
boa aderência entre as curvas de geração real e prevista. A figura 4.3 traz um zoom dos pontos
de previsão da figura 4.2 e nela podemos ver de forma evidente, como os picos para geração
acima de 15 MW não são detectados pela rede neural.
Figura 4.2 - Comparação entre a previsão de geração dada pelo modelo híbrido em
verde e a geração real no parque em azul, ambas na base temporal média de 10 minutos.
Figura 4.4 - Erro entre os dados observados e previstos ao longo das previsões e BIAS
normalizado.
Nessa etapa, mostra-se os resultados do modelo II, onde usa-se apenas uma rede neural
para o parque inteiro. Foram realizados 80 ciclos de previsão, sendo cada ciclo composto por 3
dias. Os principais erros encontrados podem ser analisados na tabela abaixo:
46
Tabela 10 - Erros médios para o período de previsão, Modelo II, primeiro período.
MAE (MW) 2,89
NMAE (%) 16,05
RMSE (MW) 3,62
NRMSE (%) 20,13
BIAS (MW) 0,22
NBIAS (%) 1,27
Como pode ser observado o modelo II apresentou erros um pouco maiores se comparado
com o modelo I, provavelmente devido a última semana de dezembro onde o modelo II
apresentou um grande erro de amplitude. Em relação a Figura 4.6 é possível observar que o erro
mais comum aos dois modelos é o erro de amplitude.
Figura 4.6 - Comparação entre a previsão de geração dada pelo modelo híbrido em verde
e a geração real no parque em azul, ambas na base temporal média de 10 minutos.
Figura 4.7 - Erro entre os dados observados e previstos ao longo das previsões e BIAS
normalizado.
47
Foram realizados ao total 30 previsões no modelo híbrido e cada uma com um horizonte
de 72 horas a frente, totalizando 90 dias de previsão. A base temporal usada nas simulações foi
a de 10 minutos, a mesma base temporal que o sistema SCADA fornece de informações de
geração.
A Tabela 11 traz os erros mais importantes para a avaliação das previsões, os quais foi
possível obter um erro quadrático médio normalizado (NRMSE) de 17,39%.
Com base no gráfico da Figura 4.9 é possível ver que a quase totalidade dos erros se
devem ao erro de amplitude, o qual em geral é previsto em menor intensidade do que a realidade
gerada. Por outro lado, é possível concluir que em relação aos erros de fase, a rede neural
apresentou um ótimo desempenho. Em relação a Figura 4.10 conclui-se que as menores
intensidades de erro estão localizadas nos períodos em que o parque gera uma menor quantidade
de energia, ou seja, com ventos de moderado a fraco. Por fim, pela Figura 4.11 conclui-se que
a maior frequência de erros se localiza entre -20% à 20%, significando um resultado satisfatório.
48
Figura 4.9 – Comparação entre a previsão de geração dada pelo modelo híbrido em
verde e a geração real no parque em azul, ambas na base temporal média de 10 minutos.
Figura 4.10 – Erro entre os dados observados e previstos ao longo das previsões e
BIAS normalizado
49
quadrático médio normalizado (NRMSE). Com isso em mente, optou-se por usar 3 neurônios
na camada oculta, a fim de otimizar seu funcionamento.
Figura 4.12 - Comparação entre a previsão de geração dada pelo modelo híbrido em
verde e a geração real no parque em azul, ambas na base temporal média de 10 minutos.
Com base na figura 37 é possível observar que existe um grande erro de fase entre 10/05
a 19/05 e diferente do Modelo I a rede neural não consegue uma boa aderência com a curva de
geração real, gerando mais erros de amplitudades que o Modelo I, principalmente na detecção
dos picos de geração.
51
Figura 4.13 - Erro entre os dados observados e previstos ao longo das previsões e
BIAS normalizado.
Observa-se que o histograma de erros da figura 4.14 apresenta uma maior concentração
de erros entre 10% a 45%, principalmente aos erros de amplitudes citados anteriormente.
5 RESULTADOS BEBERIBE
Com o uso do modelo híbrido foi possível realizar ao total 80 previsões de três dias cada.
O período de previsão compreende 01/08/2013 até 29/03/2014, sendo o mês de julho de 2013
usado apenas como treinamento estático da rede neural, ou seja, todos os dados desse mês
serviram apenas para treinamento e ajuste da rede. Dentro dos intervalos de previsão tanto do
modelo I e II a rede se comportou de forma dinâmica, pois a cada ciclo de previsão os dados
previstos eram inseridos na rede e a mesma sofria uma realimentação de dados e treinamentos.
52
Para Beberibe usou-se uma rodada de teste mais refinado do WRF, além do uso de novas
variáveis, as quais são citadas na tabela abaixo. A inclusão de tais variáveis contribuiu na média
para a melhora do NMRSE do sistema em comparação ao não uso de tais variáveis.
Figura 5.1 - Comparação entre a previsão de geração dada pelo modelo híbrido em
verde e a geração real no parque em azul, ambas na base temporal média de 10 minutos.
Figura 5.2 - Erro entre os dados observados e previstos ao longo das previsões e BIAS
normalizado.
Como pode ser observado na Tabela 17 o modelo II apresentou erros maiores que o
modelo I, tal como ocorreu nas outras rodadas de testes. Novamente, é possível observar que a
rede detecta mal os picos e vales entre dezembro e março de acordo com a Figura 5.5. Além de
apresentar enormes erros de amplitudes pontuais o que afeta consideravelmente os erros totais
de previsão de acordo com a Figura 5.6. O histograma da Figura 5.7 reforça o argumento que a
previsão prevista acaba sendo maior que a real.
55
Figura 5.4 - Comparação entre a previsão de geração dada pelo modelo híbrido em
verde e a geração real no parque em azul, ambas na base temporal média de 10 minutos.
Período entre agosto e setembro.
Figura 5.5 - Comparação entre a previsão de geração dada pelo modelo híbrido em
verde e a geração real no parque em azul, ambas na base temporal média de 10 minutos.
56
Figura 5.6 - Erro entre os dados observados e previstos ao longo das previsões e BIAS
normalizado.
5.3 DISCUSSÃO
A tabela abaixo traz os resultados finais para os modelos I e II tanto para Pedra do Sal e
Beberibe, os quais foram mostrados anteriormente.
Tabela 18 – Comparação dos erros em relação aos modelos I e II
Local Modelo Período MAE NMAE RMSE NRMSE BIAS NBIAS
(MW) (%) (MW) (%) (MW) (%)
I Primeiro 2,88 15,98 3,57 19,84 0,25 1,44
I Segundo 2,53 14,07 3,13 17,39 0,51 2,86
Pedra do I Média 2,70 15,02 3,35 18,61 0,38 2,15
Sal II Primeiro 2,89 16,05 3,62 20,13 0,22 1,27
II Segundo 2,88 16,03 3,64 20,22 1,13 6,29
II Média 2,88 16,04 3,63 20,17 0,67 3,78
Beberibe I Primeiro 3,89 14,97 4,91 18,88 -0,22 -0,87
II Primeiro 4,10 15,80 5,22 20,10 -0,25 -0,97
Na tabela acima é possível comparar os diferentes modelos usados nas previsões e seus
respectivos erros. A conclusão que se obtem através dessa tabela é que o modelo I, onde se
realiza a previsão por cada turbina e depois chega-se a previsão do parque, oferece um erro
menor que o modelo II, no qual apenas a previsão final do parque é realizada. Os resultados
poderiam ser ainda melhores se fosse considerado o histórico de manutenções preventivas
realizados durante o período, no entanto, a grande limitação do desse trabalho foi não deter em
mãos o cronograma de manutenções planejadas realizadas nos períodos de análise.
O desempenho melhor do modelo I em relação ao modelo II se deve ao fato de que para
cada turbina existe uma rede neural única. Isso faz com que a rede possa se ajustar melhor as
variáveis e características de cada turbina no parque. Por exemplo, uma turbina que sofra o
efeito esteira funcionará de forma bem diferente de uma sem esse efeito de forma expressiva.
Outro ponto positivo que somente o modelo I oferece, é a possibilidade de se programar uma
manutenção preventiva levando em conta as informações das turbinas que irão gerar mais ou
menos energia durante o período de programação da manutenção. Com isso, gera-se uma
otimização do tempo de parada versus produção para o caso de manutenção dos aerogeradores.
Em relação a literatura, segundo Monteiro et al. (2009) os típicos erros de previsão para
um horizonte de 48 horas situam se entre 15% a 20% para NMAE e 19% a 27% para o NRMSE.
Para horizontes de 72 horas, de acordo com Artipoli et al. (2014) os erros NRMSE de quatro
58
unidades eólicas ficaram entre 17% a 24%. O melhor resultado achado na literatura através do
trabalho de Liu (2012) fornece um erro MAE variando de 7,87 a 9,90 e o NRMSE entre 9,40%
a 13,61% para 12 ciclos de previsão de 72 horas.
Por fim, como observado na Tabela 14, a insersão de variáveis tais como fluxo de calor
da superfície, espessura da camada atmosférica, fluxo de calor latente e u*, fornecem uma
redução do NMRSE em 0,96%. Isso se deve ao fato que com tais informações a rede consegue
captar de forma melhor a camada limite atmosférica, a rugosidade do terreno e por fim o período
do dia em análise.
59
6 CONCLUSÕES
6.1 SUGESTÕES
REFERÊNCIAS
ARTIPOLI, G.; DURANTE, F.DEWI GmWI Italy: Physical Modeling in Wind Energy
Forecasting. Número 44, fevereiro 2014.
A. Costa et al. Renewable and Sustainable Energy: A review on the young history of the wind power
short-term prediction. 1725–1744 2008.
BURTON, Tony et al. Wind Energy Handbook. Chichester: Wiley, 2001. 617 p.
CASTELLANI, Francesco et al. Energy Procedia: Wind energy forecast in complex sites with a
hybrid neural network and CFD based method. V. 45, p.188-197 2014.
DAMAS, Leonardo Balvedi. Análise da geração e aplicação do método MCP em dois parques
eólicos em operação no Brasil. 2013. Dissertação (Mestrado em Engenharia Mecânica) – Programa
de Pós-Graduação em Engenharia Mecânica. Universidade Federal de Santa Catarina. Florianópolis,
2013.
DALMAZ, Alessandro. Estudo do potencial eólico e previsão dos ventos para geração de
eletricidade em Santa Catarina. 2007. Dissertação (Mestrado em Engenharia Mecânica) –
Programa de Pós-Graduação em Engenharia Mecânica. Universidade Federal de Santa Catarina.
Florianópolis, 2007.
GIEBEL, G. et al. State-of-the-art on methods and software tools for short-term prediction of wind
energy production. In: European wind energy conference & exhibition (EWEC), Madrid, Espanha,
2003.
GIORGI, Maria et al. Applied Energy: Error analysis of short term wind power prediction models
V. 88, p.1298-1311 2011.
Hoven, I. V. Power spectrum of horizontal wind speed in the frequency range from 0.0007 to 900
cycles per hour. American Meteorological Society. 1957
HAGAN, T. Martin; DEMUTH, B. Howard; BEALE, Mark. Neural Network Design. 1995.
JAIN, Pramod et al. Wind Energy Engineering. New York: Mc Graw Hill, 2011. 32 p.
LI, Gong et al. Applied Energy: On comparing three artificial neural networks for wind speed
forecasting V. 87, p.2313-2320 2010.
LIU, Z.; GAO, W.; WAN, Y. H.; MULJADI, E. NREL: Wind power plant prediction by using
neural networks. Raleigh. Carolina do Norte, Setembro, 2012.
MONTEIRO, C.; BESSA, R.; MIRANDA, V.; WANG, J.; CONZELMANN, G. Wind Power
Forecasting: State-of-the-Art 2009. Novembro 2009.
MEHMET, Bilgili et al. Renewable Energy: Application of artificial neural networks for the wind
speed prediction of target satation using reference stations data. V. 32, p.2350-2360 2007.
National Center for Atmospheric Research. (26 de 01 de 2015). www.wrf-model.org. Fonte: The
Wather Research & Forecasting Model: http://www.wrf-model.org/index.php
SALCEDO-SANZ, Sancho et al. Renewable Energy: Hybridizing the fifth generation mesoscale
model with artificial neural networks for short-term wind speed prediction. V. 34, p.1451-1457
2009.
TAMBKE, J et al. Wind Energy: Forecasting offshore wind speeds above the North Sea. 3-16 2005.