GERAÇÃO DE CENÁRIOS SINTÉTICOS DE PRODUÇÃO EÓLICA DE CURTO PRAZO A PARTIR DE UM ENSEMBLE DE PREVISÕES HORÁRIAS OU SEMI-HORÁRIAS DE VELOCIDADE DOS VENTOS

José Francisco Moreira Pessanha, Albert Cordeiro Geber de Melo, Maria Elvira Piñeiro Maceira, Victor Andrade de Almeida

Resumo


DOI: 10.12957/cadest.2021.64439

 

Propõe-se uma metodologia para geração de cenários sintéticos de velocidade do vento e de produção eólica obtidos a partir das previsões horárias ou semi-horárias de velocidade do vento, e.g., disponibilizadas no sistema Sintegre do Operador Nacional do Sistema Elétrico. Assume-se que em cada hora do horizonte de estudo as previsões de velocidade do vento sejam realizações de uma distribuição de Weibull. A geração dos cenários de velocidade de vento é realizada por meio de simulações das distribuições de Weibull em cada hora do horizonte, ajustadas por modelos aditivos generalizados para localização, escala e forma (GAMLSS), mas preservando as autocorrelações horárias por meio da transformação de Nataf. Por fim, curvas de potência transformam os cenários de velocidade do vento em cenários de produção eólica. Aplicada a dois parques eólicos do sistema elétrico brasileiro, a metodologia proposta mostrou-se efetiva e promissora para ser empregada nos demais parques.

  

Texto completo:

PDF

Referências


ALESSANDRINI, S.; SPERATI, S.; PINSON, P. The influence of the new ECMWF Ensemble Prediction System resolution on wind power forecast accuracy and uncertainty estimation, Advances in Science & Research, v. 8, p. 143-147, 2012.

ANDRADE, V.A.; PESSANHA, J.F.M.; MELO, A.C.G.; MACEIRA, M.E.P. Modelagem da Relação entre Velocidade de Vento e Produção Eólica no Modelo NEWAVE, Anais LIII Simpósio Brasileiro de Pesquisa Operacional, João Pessoa, PB, Novembro 2021.

BOTTERUD, A.; WANG, J.; BESSA, R.J.; KEKO, H.; MIRANDA, V. Risk Management and Optimal Bidding for a Wind Power Producer, In: IEEE POWER & ENERGY SOCIETY GENERAL MEETING, 2010, Minneapolis.

DER KIUREGHIAN, A.; LIU, P.L. Structural reliability under incomplete probability information. Journal of Engineering Mechanics, v. 112, n. 1, p. 85-104, January 1986.

DING, Y. Data science for wind energy. CRC Press, 2020.

DUBINSKY, A.; ELPERIN, T. A method for calculating a load curve using average values of load over time intervals. Electrical Power & Energy Systems, v. 19, n. 6, p. 393-395, 1997.

EUROPEAN CENTRE FOR MEDIUM-RANGE WEATHER FORECASTS. #1 global ECMWF weather forecast. Disponível em: https://windy.app/features/ecmwf-weather-forecast-model.html. Acesso em: 25 dez. 2021.

FIGUEROA, S.N.; BONATTI, J.P.; KUBOTA, P.Y.; GRELL, G.A.; MORRISON, H.; BARROS, S.R.; et al. The Brazilian global atmospheric model (BAM): performance for tropical rainfall forecasting and sensitivity to convective scheme and horizontal resolution. Weather and Forecasting, v. 31, n. 5, p. 1547-1572, 2016.

LAZIĆ, L.; PEJANOVIĆ, G.; ŽIVKOVIĆ, M. Wind forecasts for wind power generation using Eta model, Renewable Energy, v. 35, p. 1236-1243, 2010.

MACEIRA, M.E.P.; PENNA, D.D.J.;, DINIZ, A.L.; PINTO, R.J.; MELO, A.C.G.; VASCONCELLOS, C.V.; CRUZ, C.B. Twenty Years of Application of Stochastic Dual Dynamic Programming in Official and Agent Studies in Brazil – Main Features and Improvements on the NEWAVE Model, Anais 20th Power System Computation Conference – PSCC 2018, Dublin, Ireland, 2018.

MACEIRA, M.E.P.; MELO, A.C.G.; PESSANHA, J.F.M.; CRUZ, C.B.; ALMEIDA, V.A.; JUSTINO, T.C. Uma abordagem para a representação das incertezas da fonte de geração eólica no modelo Newave. Cadernos do IME-Série Estatística, Universidade do Estado do Rio de Janeiro, v. 48, p. 1-36, 2020.

MELO, A.C.G.; MACEIRA, M.E.P.; PESSANHA, J.F.M. Ajuste de distribuições Weibull tri-paramétricas com elevadas assimetrias na geração de velocidades mensais de ventos correlacionadas com vazões na Programação Dinâmica Dual Estocástica. Cadernos do IME-Série Estatística, Universidade do Estado do Rio de Janeiro, v. 49, p. 35-65, 2020.

MINISTÉRIO DE MINAS E ENERGIA - MME; EMPRESA DE PESQUISA ENERGÉTICA - EPE. Plano Decenal de Expansão de Energia 2029, 2020. Disponível em: https://www.epe.gov.br/sites-pt/publicacoes-dados-abertos/publicacoes/Documents/PDE%202029.pdf. Acesso em: 25 dez. 2021.

OLIVEIRA FILHO, R.A.; CARVALHO, V.S.B.; REBOITA, M.S. Evaluation of the use of GFS analysis data for energy management over Minas Gerais State (Brazil), Atmósfera, [S. l.], 2021. Disponível em: https://www.revistascca.unam.mx/atm/index.php/atm/article/view/52916. Acesso em: 25 dez. 2021.

OPERADOR NACIONAL DO SISTEMA ELÉTRICO – ONS. Desenvolvimento metodológico para previsão da geração de fonte eólica, Dezembro, 2018. Disponível em: http://antigo.mme.gov.br/c/document_library/get_file?uuid=6d2de11a-5f04-039c-508f-1acc5. Acesso em: 14 nov. 2021.

PESSANHA, J.F.M.; MELO, A.C.G.; BESSA, R.J.G.S.B.; ALMEIDA, V.A. Uma metodologia para geração de cenários de produção eólica compatíveis com as correlações espaciais entre os regimes de ventos, In: SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA, 25., 2019, Belo Horizonte.

PESSANHA, J.F.M.; MELO, A.C.G.; ALMEIDA, V.A. Impact of Wind Speed Correlations on Probabilistic Power Flow by using the Nataf Transformation, Anais IEEE Probabilistic Methods Applied do Power Systems, Boise, Idaho, USA, 24-28 June, 2018.

R CORE TEAM. The R project for statistical computing. 2019. Disponível em: https://www.r-project.org. Acesso em: 21 out. 2021.

RIGBY, R.A; STASINOPULOS, M.D.; HELLER, G.Z.; BASTIANI, F. Distributions for Modeling Location, Scale, and Shape: Using GAMLSS in R, CRC Press, 2020.

SANSIGOLO, C.A. Distribuição de probabilidade de velocidade e potência do vento. Revista Brasileira de Meteorologia, v.20, n. 2, p. 207-214, 2005.

SANTOS, T.N.; DINIZ, A.L.; SABOIA, C.H.; CABRAL, R.N.; CERQUEIRA, L.F. Hourly pricing and day-ahead dispatch setting in Brazil: the DESSEM model. In: POWER SYSTEMS COMPUTATION CONFERENCE, 21, 2020, Porto.

STAFFELL, I.; PFENNINGER, S. Using Bias-Corrected Reanalysis to Simulate Current and Future Wind Power Output. Energy, v. 114, n. 1, p. 1224-1239, November 2016.

STASINOPOULOS, D.M.; RIGBY, R.A. Generalized Additive Models for Location Scale and Shape (GAMLSS) in R. Journal of Statistical Software, v. 23, n.7, p. 1-46, December 2007.

STASINOPOULOS, D.M.; RIGBY, R.A.; HELLER, G.Z.; VOUDOURIS, V.; BASTIANI, F. Flexible Regression and Smoothing: Using GAMLSS in R, CRC Press, 2017.

WEIBULL, W. A Statistical Distribution Function of Wide Applicability, Journal of Applied Mechanics, September, 1951.

WOOD, S.N. Generalized Additive Models: An introduction with R. Chapman & Hall/CRC, 2006.




DOI: https://doi.org/10.12957/cadest.2021.64439

Apontamentos

  • Não há apontamentos.


ISSN on-line: 2317-4536 / ISSN impresso: 1413-9022

DOI do periódico: dx.doi.org/10.12957/cadest


Licença Creative Commons Este revista está licenciada com uma Licença Creative Commons - Atribuição-NãoComercial 4.0 Internacional.