Publicação
Previsão de curto tempo da produção eólica nacional
| Resumo: | De acordo com as metas estabelecidas para 2050 cerca de 32% da energia elétrica produzida e consumida, a nível europeu, terá de provir de fontes de energias renováveis. Nesse sentido é expectável que no futuro a penetração de fontes de energia renovável nos sistemas electroprodutores aumente. Para permitir que essa crescente penetração renovável ocorra sem prejuízos para a manutenção da qualidade de serviço e robustez do sistema electroprodutor é necessário desenvolver ferramentas e instrumentos que permitam essa mesma integração e que auxiliem a gestão de todo o sistema. Esta dissertação debruça-se sobre uma das fontes renováveis com maior expressividade no mix energético português, a energia eólica. Atualmente para auxiliar na gestão do sistema electroprodutor ferramentas de previsão de produção desempenham um papel preponderante. O valor destas ferramentas será ainda mais relevante no futuro onde é esperada uma elevada penetração eólica nos sistemas elétricos tendencialmente 100% baseados em energias renováveis. Assim sendo a presente dissertação tem como foco a aplicação e estudo da fiabilidade de metodologias de previsão de produção eólica de curto horizonte temporal (6 horas) para Portugal continental. Foram desenvolvidas, implementadas e analisadas duas metodologias de previsão de produção eólica distintas: o algoritmo dos k-vizinhos mais próximos e as redes neuronais artificiais. Foi também estudada a otimização de alguns dos parâmetros mais relevantes de cada uma das metodologias e o impacto dessa otimização na eficácia das previsões de produção eólica. Estas metodologias foram comparadas a uma abordagem de persistência que é utilizada neste trabalho como referência (benchmark) Para auxiliar neste processo de otimização procedeu-se a análise do erro médio quadrático, viés e correlação e implementou-se uma medida para análise da capacidade de sobre ou sub estimação das variações da produção em seis horas. Verificou-se que, das metodologias de previsão de produção eólica em estudo, a que apresenta melhor desempenho nas métricas analisadas foi a metodologia baseada em redes neuronais artificiais. Esta destaca-se pelo facto de conseguir identificar relações não lineares nos dados, característica que não está presente nas restantes metodologias de previsão implementadas. Face à metodologia de referência, as previsões obtidas através da metodologia das redes neuronais artificiais permitiram uma diminuição do erro médio quadrático em 15,27%. Já no caso da configuração mais adequada da metodologia dos k-vizinhos mais próximos a diminuição foi de 10.8%. A otimização das metodologias de previsão implementadas provou ser complexa, contudo demonstrou ser um passo extremamente relevante para identificar melhorias significativas na eficácia das previsões. |
|---|---|
| Autores principais: | Santos, João Cravinho |
| Assunto: | Previsão produção eólica Aprendizagem automática k-vizinhos mais próximos Redes neuronais artificiais Teses de mestrado - 2021 |
| Ano: | 2021 |
| 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 |
| Resumo: | De acordo com as metas estabelecidas para 2050 cerca de 32% da energia elétrica produzida e consumida, a nível europeu, terá de provir de fontes de energias renováveis. Nesse sentido é expectável que no futuro a penetração de fontes de energia renovável nos sistemas electroprodutores aumente. Para permitir que essa crescente penetração renovável ocorra sem prejuízos para a manutenção da qualidade de serviço e robustez do sistema electroprodutor é necessário desenvolver ferramentas e instrumentos que permitam essa mesma integração e que auxiliem a gestão de todo o sistema. Esta dissertação debruça-se sobre uma das fontes renováveis com maior expressividade no mix energético português, a energia eólica. Atualmente para auxiliar na gestão do sistema electroprodutor ferramentas de previsão de produção desempenham um papel preponderante. O valor destas ferramentas será ainda mais relevante no futuro onde é esperada uma elevada penetração eólica nos sistemas elétricos tendencialmente 100% baseados em energias renováveis. Assim sendo a presente dissertação tem como foco a aplicação e estudo da fiabilidade de metodologias de previsão de produção eólica de curto horizonte temporal (6 horas) para Portugal continental. Foram desenvolvidas, implementadas e analisadas duas metodologias de previsão de produção eólica distintas: o algoritmo dos k-vizinhos mais próximos e as redes neuronais artificiais. Foi também estudada a otimização de alguns dos parâmetros mais relevantes de cada uma das metodologias e o impacto dessa otimização na eficácia das previsões de produção eólica. Estas metodologias foram comparadas a uma abordagem de persistência que é utilizada neste trabalho como referência (benchmark) Para auxiliar neste processo de otimização procedeu-se a análise do erro médio quadrático, viés e correlação e implementou-se uma medida para análise da capacidade de sobre ou sub estimação das variações da produção em seis horas. Verificou-se que, das metodologias de previsão de produção eólica em estudo, a que apresenta melhor desempenho nas métricas analisadas foi a metodologia baseada em redes neuronais artificiais. Esta destaca-se pelo facto de conseguir identificar relações não lineares nos dados, característica que não está presente nas restantes metodologias de previsão implementadas. Face à metodologia de referência, as previsões obtidas através da metodologia das redes neuronais artificiais permitiram uma diminuição do erro médio quadrático em 15,27%. Já no caso da configuração mais adequada da metodologia dos k-vizinhos mais próximos a diminuição foi de 10.8%. A otimização das metodologias de previsão implementadas provou ser complexa, contudo demonstrou ser um passo extremamente relevante para identificar melhorias significativas na eficácia das previsões. |
|---|