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

Detalhes bibliográficos
Autor(a) principal: Matos, Rodrigo Aparício Cardoso de
Data de Publicação: 2014
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10451/11060
Resumo: Tese de mestrado integrado em Engenharia da Energia e Ambiente, apresentada à Universidade de Lisboa, através da Faculdade de Ciências, 2014
id RCAP_1d166e257391027a7eda17f1a5a4022b
oai_identifier_str oai:repositorio.ul.pt:10451/11060
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Melhoramento de previsão de potência eólica a curto prazo com recurso a técnicas de assimilação de dadosPrevisão de potência eólicaFiltro KalmanPrevisão por regressão estatísticaB. I. trackingModelos de tratamento de dadosCombinação estatística de previsõesTeses de mestrado - 2014Tese de mestrado integrado em Engenharia da Energia e Ambiente, apresentada à Universidade de Lisboa, através da Faculdade de Ciências, 2014Esta 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.This thesis presents an online statistical model that uses resfreshment of data using a SCADA (Supervisory Control and Data Acquisition) system. The developed model is a combination of MOS (Model Output Statistics) and EMOS (Ensemble Model Output Statistics). The data used was collected from 1/1/2011 to 31/12/2011 and from 1/2/2012 to 30/4/2012. The algoritm uses data of persistence and power predicted for mainland Portugal. To obtain data of wind power prediction REN (Redes Energéticas Nacionais) uses data from NWP (Numerical Weather Prediction) models, SCADA data, downscaling model and upscaling model. The algoritm developed is a three step combination procedure that was developed to reduce the error of wind power prediction for mainland Portugal. The first step, is composed by MOS model. The MOS model uses a combination of moving average, Pearson coeffcient of correlation, adaptive bias prediction to reduce the error of the initial data. The second step is the first step of EMOS model, in this step a wide range of wind power predictions is determined. This is accomplished using a combination of methods: stepwise linear regression, simple and multiple linear regression and Kalman Filter as well as varying the models calibration period. The third step is the last step of EMOS model. The third step uses MIX model a variation of B.I. Tracking (Best Intersection point Tracking) method to aggregate the varius models used by the second step to produce a final prediction optimal for every time-step. The algorithm generated a final prediction that was compared with REN's final prediction for an independent time series. The developed algoritm obtained an improvement value over REN model for the time horizon: 00-06 hours, of 20.03% for NMAE (Normalized Mean Absolut Error), of 24.93% for NRMSE (Normalized Root Mean Square Error), of 24,54% for NSDE (Normalized Standard Deviation Error); 06-12 hours, of 29.03% for NMAE, of 31.03% for NMRSE, of 27.05% for NSDE; 12-18 hours, of 32.95% for NMAE, of 34.26% for NMRSE, of 31.57% for NSDE; 18-24 hours, of 17.71% for NMAE, of 18.96% for NMRSE, of 17.05% for NSDE.Pires, Carlos, 1963-Pestana, Rui José Oliveira NóbregaRepositório da Universidade de LisboaMatos, Rodrigo Aparício Cardoso de2014-05-29T14:27:17Z20142014-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10451/11060TID:201291690porinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-11-08T15:56:57Zoai:repositorio.ul.pt:10451/11060Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:34:51.428211Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Melhoramento de previsão de potência eólica a curto prazo com recurso a técnicas de assimilação de dados
title Melhoramento de previsão de potência eólica a curto prazo com recurso a técnicas de assimilação de dados
spellingShingle Melhoramento de previsão de potência eólica a curto prazo com recurso a técnicas de assimilação de dados
Matos, Rodrigo Aparício Cardoso de
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
title_short Melhoramento de previsão de potência eólica a curto prazo com recurso a técnicas de assimilação de dados
title_full Melhoramento de previsão de potência eólica a curto prazo com recurso a técnicas de assimilação de dados
title_fullStr Melhoramento de previsão de potência eólica a curto prazo com recurso a técnicas de assimilação de dados
title_full_unstemmed Melhoramento de previsão de potência eólica a curto prazo com recurso a técnicas de assimilação de dados
title_sort Melhoramento de previsão de potência eólica a curto prazo com recurso a técnicas de assimilação de dados
author Matos, Rodrigo Aparício Cardoso de
author_facet Matos, Rodrigo Aparício Cardoso de
author_role author
dc.contributor.none.fl_str_mv Pires, Carlos, 1963-
Pestana, Rui José Oliveira Nóbrega
Repositório da Universidade de Lisboa
dc.contributor.author.fl_str_mv Matos, Rodrigo Aparício Cardoso de
dc.subject.por.fl_str_mv 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
topic 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
description Tese de mestrado integrado em Engenharia da Energia e Ambiente, apresentada à Universidade de Lisboa, através da Faculdade de Ciências, 2014
publishDate 2014
dc.date.none.fl_str_mv 2014-05-29T14:27:17Z
2014
2014-01-01T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10451/11060
TID:201291690
url http://hdl.handle.net/10451/11060
identifier_str_mv TID:201291690
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799134244519280640

Registros relacionados