O estudante João Gabriel de Farias, orientado pelo Prof. Júlio César Passos, Ph.D. e coorientado pelo Prof. Reinaldo Haas, Dr., defenderá sua dissertação na próxima terça-feira (18/02) às 9h no Auditório do Polo (Bloco A/EMC). A defesa é vinculada ao Programa de Pós-Graduação em Engenharia Mecânica. O auditório tem capacidade para cerca de 80 pessoas.
Banca:
Prof. Júlio César Passos, Ph.D. (Orientador/Presidente)
Prof. Mauro Augusto da Rosa, Ph.D. (EEL/UFSC)
Prof. Renato Ramos da Silva, Ph.D (FSC/UFSC)
Prof. João Carlos Espíndola Ferreira, Ph.D.
Título: “Machine learning aplicado à previsão de geração de energia eólica com diferentes modelos de previsão numérica do tempo”
Resumo:
Uma característica da energia eólica, inerente ao regime dos ventos, é a sua intermitência. Isto em conjunto com a elevada participação da energia eólica no Sistema Interligado Nacional (SIN) faz esta fonte de energia ser importante no planejamento do despacho energético pelo Operador Nacional do Sistema (ONS). Este requer a previsão de geração dos agentes geradores eólicos. Além disso, a previsão de geração é útil para o planejamento da Operação e Manutenção (O&M) do parque eólico, o que acarreta melhor aproveitamento desta fonte de energia e reduz as perdas – o que é muito importante no mercado altamente competitivo da energia renovável. O presente projeto teve por objetivo prever a geração de energia eólica no horizonte de 144 horas e resolução temporal de 10 minutos por meio de machine learning e diferentes modelos de previsão numérica do tempo para dois parques eólicos. O parque Ventos do Sertão (SER), no Complexo Eólico de Morrinhos no Nordeste, e o parque de Aura Mirim II (MIR-2), no Complexo Eólico de Santa Vitória do Palmar no Sul, ambos com 30 MW de capacidade instalada. Dois parques com características distintas em regiões distintas. Três métodos foram utilizados para a previsão de geração do parque eólico: o primeiro empregou a velocidade do vento mais próxima da altura do cubo proveniente de um modelo de previsão numérica do tempo e a curva de potência do aerogerador; o segundo utilizou a velocidade do vento prevista por meio de redes neurais artificiais e a curva de potência do aerogerador; e o terceiro previu o aerogerador equivalente médio, que é a média dos aerogeradores em funcionamento no parque, diretamente com redes neurais artificiais. Os dados de entrada dos métodos com redes neurais eram as variáveis dos modelos de previsão do tempo. A geração do parque foi obtida pela multiplicação da previsão com o número de aerogeradores aptos a funcionar naquele instante para o método que previa o aerogerador equivalente, enquanto que para o método com curva de potência apenas os aerogeradores em funcionamento tinham sua potência somada para a obtenção da geração do parque. Os modelos de previsão do tempo utilizados foram o Global Forecast System (GFS), Global Deterministic Forecast System (GDPS) e Weather Research and Forecasting (WRF), sendo os dois primeiros modelos globais e o último um modelo de mesoescala. A princípio, esperava-se que os métodos com o modelo de mesoescala WRF alcançariam os melhores resultados na comparação direta com os modelos globais, entretanto, isto não ocorreu. Outro fato importante é que os métodos com machine learning e variáveis provenientes de mais de um modelo de previsão do tempo conseguiram prever com maior acurácia na comparação com os métodos que possuíam apenas um modelo. O NRMSE da previsão de geração para o parque SER ficou em torno de 21 % e para o parque MIR-2 ficou em torno de 22 %.
Palavras-chave: Previsão de Geração Eólica; Machine Learning; Redes Neurais Artificiais; Modelos Numéricos de Previsão do Tempo; Multi-Modelos.