Publicação

Melhoramento de previsão de potência eólica a curto prazo com recurso a técnicas de assimilação de dados

Detalhes bibliográficos
Resumo:	Esta dissertação apresenta um modelo de tratamento estatístico online com recurso a actualização de dados SCADA (Supervisory Control and Data Acquisition) composto por um módulo MOS (Model Output Statistics) e um módulo EMOS (Ensemble Model Output Statistics). Os dados utilizados pertencem ao período de 1/1/2011 a 31/12/2011 e de 1/2/2012 a 30/4/2012. O algoritmo recorre a dados de persistência e a dados de potência eólica prevista para Portugal continental. Estes foram cedidos pela REN (Redes Energéticas Nacionais), sendo calculados com recurso a modelos numéricos de previsão do tempo, dados de SCADA, modelos de conversão de potência um módulo de downscaling e um módulo de upscaling. O algoritmo desenvolvido é composto por três fases distintas tendo como objectivo melhorar as previsões de potência eólica. A primeira fase corresponde ao módulo MOS. É neste módulo que se reduz o erro associado às várias previsões de base de forma individual com recurso aos métodos coeficiente de correlação de Pearson, média móvel e previsão adaptativa do viés. A segunda fase corresponde á primeira fase do módulo EMOS. É nesta fase que é efectuado um espectro de previsões. Isto é efectuado utilizando diferentes métodos, entre os quais regressões linear simples e múltipla, filtro de Kalman, regressão linear passo a passo, e distintos períodos de calibração. A terceira fase é a última fase do módulo EMOS, nesta fase é escolhido o melhor modelo para um determinado time-step, sendo isto efectuado com recurso ao modelo MIX uma variação do método B.I. Tracking (Best Intersection point Tracking). O modelo desenvolvido foi comparado ao modelo REN num período independente tendo obtido melhorias para os horizontes temporais: 00-06 horas, 20.03% para NMAE (Normalized Mean Absolut Error), de 24.93% para NRMSE (Normalized Root Mean Square Error), de 24,54% para NSDE (Normalized Standard Deviation Error); 06-12 horas, 29.03% para NMAE, de 31.03% para NMRSE, de 27.05% para NSDE; 12-18 horas, 32.95% para NMAE, de 34.26% para NMRSE, de 31.57% para NSDE; 18-24 horas, 17.71% para NMAE, de 18.96% para NMRSE, de 17.05% para NSDE.
Autores principais:	Matos, Rodrigo Aparício Cardoso de
Assunto:	Previsão de potência eólica Filtro Kalman Previsão por regressão estatística B. I. tracking Modelos de tratamento de dados Combinação estatística de previsões Teses de mestrado - 2014
Ano:	2014
País:	Portugal
Tipo de documento:	dissertação de mestrado
Tipo de acesso:	acesso aberto
Instituição associada:	Universidade de Lisboa
Idioma:	português
Origem:	Repositório da Universidade de Lisboa

Descrição
Resumo:	Esta dissertação apresenta um modelo de tratamento estatístico online com recurso a actualização de dados SCADA (Supervisory Control and Data Acquisition) composto por um módulo MOS (Model Output Statistics) e um módulo EMOS (Ensemble Model Output Statistics). Os dados utilizados pertencem ao período de 1/1/2011 a 31/12/2011 e de 1/2/2012 a 30/4/2012. O algoritmo recorre a dados de persistência e a dados de potência eólica prevista para Portugal continental. Estes foram cedidos pela REN (Redes Energéticas Nacionais), sendo calculados com recurso a modelos numéricos de previsão do tempo, dados de SCADA, modelos de conversão de potência um módulo de downscaling e um módulo de upscaling. O algoritmo desenvolvido é composto por três fases distintas tendo como objectivo melhorar as previsões de potência eólica. A primeira fase corresponde ao módulo MOS. É neste módulo que se reduz o erro associado às várias previsões de base de forma individual com recurso aos métodos coeficiente de correlação de Pearson, média móvel e previsão adaptativa do viés. A segunda fase corresponde á primeira fase do módulo EMOS. É nesta fase que é efectuado um espectro de previsões. Isto é efectuado utilizando diferentes métodos, entre os quais regressões linear simples e múltipla, filtro de Kalman, regressão linear passo a passo, e distintos períodos de calibração. A terceira fase é a última fase do módulo EMOS, nesta fase é escolhido o melhor modelo para um determinado time-step, sendo isto efectuado com recurso ao modelo MIX uma variação do método B.I. Tracking (Best Intersection point Tracking). O modelo desenvolvido foi comparado ao modelo REN num período independente tendo obtido melhorias para os horizontes temporais: 00-06 horas, 20.03% para NMAE (Normalized Mean Absolut Error), de 24.93% para NRMSE (Normalized Root Mean Square Error), de 24,54% para NSDE (Normalized Standard Deviation Error); 06-12 horas, 29.03% para NMAE, de 31.03% para NMRSE, de 27.05% para NSDE; 12-18 horas, 32.95% para NMAE, de 34.26% para NMRSE, de 31.57% para NSDE; 18-24 horas, 17.71% para NMAE, de 18.96% para NMRSE, de 17.05% para NSDE.