Melhoramento de previsão de potência eólica a curto prazo com recurso a técnicas de assimilação de dados
Autor(a) principal: | |
---|---|
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 |