Publicação

Previsão da produção eólica do ponto de vista do operador da rede de distribuição

Detalhes bibliográficos
Resumo:	O crescimento da energia eólica acentuou-se desde o inicio do seculo XXI, sendo que nos últimos anos tem-se verificado o aumento da potência instalada na ordem das dezenas de GW por ano. Durante o ano de 2016, segundo a GWEC (Global Wind Energy Council), foram instalados cerca de 54 GW, perfazendo uma potência instalada total a nível mundial de aproximadamente 487 GW, representado um crescimento da capacidade instalada em 12,6%. O fato de a energia produzida através do vento ser renovável, limpa e sem emissão de poluentes levou a que muitos países investissem na construção de centrais eólicas com potências instaladas que variam das centenas de kW a centenas de MW. Portugal é um dos países com maior percentagem de penetração eólica na rede elétrica atingindo uma percentagem próxima dos 20%. Uma vez que a penetração da energia eólica em Portugal apresenta um peso considerável, torna-se fundamental que exista uma previsão precisa da produção desta energia. O recurso primário das centrais eólicas é intrinsecamente variável, e, portanto, apresentam flutuabilidade na sua produção, tendo pouca ou nenhuma capacidade de regulação. A previsão de produção de energia eólica apresenta-se como uma solução que permitirá o contínuo crescimento da potência eólica instalada aumentando a percentagem de injeção de energia eólica no mix energético. A previsão num horizonte temporal de 1 a 72 horas permite uma melhor integração da produção eólica na rede elétrica. Quanto melhor for a previsão, maior liberdade haverá para o crescimento da energia eólica, direcionando o sistema energético para uma produção/consumo de energia maioritariamente proveniente de fontes renováveis. O objetivo desta dissertação é o estudo da previsão da produção de energia eólica de um determinado parque eólico através da aplicação das Redes Neuronais Artificiais. Desenvolveu-se uma rede NARX com 4 camadas: 1 camada de entrada que recebe 9 variáveis de entrada, dos quais 5 são previsões meteorológicas (velocidade do vento, direção do vento, pressão atmosférica, temperatura do ar e densidade do ar) e 4 são variáveis endógenas que dizem respeito à potência anterior ao instante que se pretende prever; 2 camadas ocultas com 9 e 7 neurónios, respetivamente; 1 camada de saída que devolve uma variável de saída que corresponde à previsão da produção de energia eólica. Efetuou-se previsões até 72h à frente e avaliou-se a qualidade da rede neuronal com o EMA (Erro Médio Absoluto). O erro médio total das previsões foi de 7084.39 kW. Existem várias possibilidades e razões para um erro de previsão tão elevado: as variáveis de entrada podem não representar as condições do local de estudo; não se conhece o erro associado às previsões meteorológicas; a rede neuronal pode não ter aprendido da melhor forma a partir do conjunto de dados de treino.
Autores principais:	Sousa, José Carlos Moniz
Assunto:	Previsão da Energia Eólica Redes Neuronais Artificias Energia Eólica Teses de mestrado - 2019
Ano:	2019
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:	O crescimento da energia eólica acentuou-se desde o inicio do seculo XXI, sendo que nos últimos anos tem-se verificado o aumento da potência instalada na ordem das dezenas de GW por ano. Durante o ano de 2016, segundo a GWEC (Global Wind Energy Council), foram instalados cerca de 54 GW, perfazendo uma potência instalada total a nível mundial de aproximadamente 487 GW, representado um crescimento da capacidade instalada em 12,6%. O fato de a energia produzida através do vento ser renovável, limpa e sem emissão de poluentes levou a que muitos países investissem na construção de centrais eólicas com potências instaladas que variam das centenas de kW a centenas de MW. Portugal é um dos países com maior percentagem de penetração eólica na rede elétrica atingindo uma percentagem próxima dos 20%. Uma vez que a penetração da energia eólica em Portugal apresenta um peso considerável, torna-se fundamental que exista uma previsão precisa da produção desta energia. O recurso primário das centrais eólicas é intrinsecamente variável, e, portanto, apresentam flutuabilidade na sua produção, tendo pouca ou nenhuma capacidade de regulação. A previsão de produção de energia eólica apresenta-se como uma solução que permitirá o contínuo crescimento da potência eólica instalada aumentando a percentagem de injeção de energia eólica no mix energético. A previsão num horizonte temporal de 1 a 72 horas permite uma melhor integração da produção eólica na rede elétrica. Quanto melhor for a previsão, maior liberdade haverá para o crescimento da energia eólica, direcionando o sistema energético para uma produção/consumo de energia maioritariamente proveniente de fontes renováveis. O objetivo desta dissertação é o estudo da previsão da produção de energia eólica de um determinado parque eólico através da aplicação das Redes Neuronais Artificiais. Desenvolveu-se uma rede NARX com 4 camadas: 1 camada de entrada que recebe 9 variáveis de entrada, dos quais 5 são previsões meteorológicas (velocidade do vento, direção do vento, pressão atmosférica, temperatura do ar e densidade do ar) e 4 são variáveis endógenas que dizem respeito à potência anterior ao instante que se pretende prever; 2 camadas ocultas com 9 e 7 neurónios, respetivamente; 1 camada de saída que devolve uma variável de saída que corresponde à previsão da produção de energia eólica. Efetuou-se previsões até 72h à frente e avaliou-se a qualidade da rede neuronal com o EMA (Erro Médio Absoluto). O erro médio total das previsões foi de 7084.39 kW. Existem várias possibilidades e razões para um erro de previsão tão elevado: as variáveis de entrada podem não representar as condições do local de estudo; não se conhece o erro associado às previsões meteorológicas; a rede neuronal pode não ter aprendido da melhor forma a partir do conjunto de dados de treino.