Previsão de curto tempo da produção eólica nacional

Detalhes bibliográficos
Autor(a) principal: Santos, João Cravinho
Data de Publicação: 2021
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10400.9/3724
Resumo: Tese de Mestrado Integrado em Engenharia da Energia e do Ambiente, 2021, Universidade de Lisboa, Faculdade de Ciências
id RCAP_c60723769102ebc2305eadcca73d936e
oai_identifier_str oai:repositorio.lneg.pt:10400.9/3724
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Previsão de curto tempo da produção eólica nacionalPrevisão produção eólicaAprendizagem automáticaRedes neuronais artificiaisWind power forecastMachine learningArtificial neural networksTese de Mestrado Integrado em Engenharia da Energia e do Ambiente, 2021, Universidade de Lisboa, Faculdade de CiênciasRESUMO: De acordo com as metas estabelecidas para 2050 cerca de 32% da energia elétrica produzida e consumida, a nível europeu, terá de provir de fontes de energias renováveis. Nesse sentido é expectável que no futuro a penetração de fontes de energia renovável nos sistemas electroprodutores aumente. Para permitir que essa crescente penetração renovável ocorra sem prejuízos para a manutenção da qualidade de serviço e robustez do sistema electroprodutor é necessário desenvolver ferramentas e instrumentos que permitam essa mesma integração e que auxiliem a gestão de todo o sistema. Esta dissertação debruça-se sobre uma das fontes renováveis com maior expressividade no mix energético português, a energia eólica. Atualmente para auxiliar na gestão do sistema electroprodutor ferramentas de previsão de produção desempenham um papel preponderante. O valor destas ferramentas será ainda mais relevante no futuro onde é esperada uma elevada penetração eólica nos sistemas elétricos tendencialmente 100% baseados em energias renováveis. Assim sendo a presente dissertação tem como foco a aplicação e estudo da fiabilidade de metodologias de previsão de produção eólica de curto horizonte temporal (6 horas) para Portugal continental. Foram desenvolvidas, implementadas e analisadas duas metodologias de previsão de produção eólica distintas: o algoritmo dos k-vizinhos mais próximos e as redes neuronais artificiais. Foi também estudada a otimização de alguns dos parâmetros mais relevantes de cada uma das metodologias e o impacto dessa otimização na eficácia das previsões de produção eólica. Estas metodologias foram comparadas a uma abordagem de persistência que é utilizada neste trabalho como referência (benchmark) Para auxiliar neste processo de otimização procedeu-se a análise do erro médio quadrático, viés e correlação e implementou-se uma medida para análise da capacidade de sobre ou sub estimação das variações da produção em seis horas. Verificou-se que, das metodologias de previsão de produção eólica em estudo, a que apresenta melhor desempenho nas métricas analisadas foi a metodologia baseada em redes neuronais artificiais. Esta destaca-se pelo facto de conseguir identificar relações não lineares nos dados, característica que não está presente nas restantes metodologias de previsão implementadas. Face à metodologia de referência, as previsões obtidas através da metodologia das redes neuronais artificiais permitiram uma diminuição do erro médio quadrático em 15,27%. Já no caso da configuração mais adequada da metodologia dos k-vizinhos mais próximos a diminuição foi de 10.8%. A otimização das metodologias de previsão implementadas provou ser complexa, contudo demonstrou ser um passo extremamente relevante para identificar melhorias significativas na eficácia das previsões.ABSTRACT: According to the established goals to the horizon of 2050, about 32% of the total electric energy produced and consumed, in the European Union, should be provided from renewable energy sources. It is therefore expected that in the future, these technologies will play an increasing role in the energy production sector. Hence it is important to develop tools that allow the increasing renewable energy sources penetration and, at the same time, guarantee the safety, robustness, quality, and management of each power system. This dissertation delves in wind production, one of the most expressive renewable energy sources in the Portuguese energetic mix. To help the present and future scenario of high wind penetration forecasting systems will play a crucial role in the management of the energy production system. Thus, the present dissertation focuses on studying the effectiveness of wind power production forecasting methodologies to a short time horizon (6 hours) using the (continental) Portuguese national aggregated time series. Two distinct methodologies were implemented and analyzed: k-nearest neighbors’ and artificial neural network. This dissertation focused, as well, in the optimization of key parameters for each of the methodologies and the impact in the forecast effectiveness resulted from the optimization. The focused methodologies were then compared against a benchmark forecasting methodology: the persistence. For the optimization and effectiveness of forecasting different error metrics were studied: bias, error, root mean squared error and an attempt to interpret the ability, of each methodology, to under or overestimate the forecasts. It was found that, the one who generates more effective forecasts is the artificial neural network methodology. This one stands out mainly due to its non-linear nature and enabling to identify and solve non-linear connections in the data, which is not possible to achieve with the other methodologies implemented in this dissertation. Compared to the benchmark forecasting methodology, the forecasts obtained with the artificial neural networks were able to decrease the root mean squared error in 15,27%. In the case of the most effective configuration of the k-nearest neighbor methodology, a decrease, of the same error metric, of 10.8% was identified. The optimization of the forecasting methodologies has proven to be a difficult process, but nonetheless very relevant and important step to achieve better wind power forecasts.Estanqueiro, AnaCouto, AntónioRepositório do LNEGSantos, João Cravinho2022-01-25T12:55:42Z2021-01-01T00:00:00Z2021-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10400.9/3724porSantos, João Caravinho - Previsão de curto tempo da produção eólica nacional. Lisboa: Universidade de Lisboa, Faculdade de Ciências, 2021, 88 pp.info: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:RCAAP2022-09-06T12:29:28Zoai:repositorio.lneg.pt:10400.9/3724Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T15:36:56.394920Repositório 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 Previsão de curto tempo da produção eólica nacional
title Previsão de curto tempo da produção eólica nacional
spellingShingle Previsão de curto tempo da produção eólica nacional
Santos, João Cravinho
Previsão produção eólica
Aprendizagem automática
Redes neuronais artificiais
Wind power forecast
Machine learning
Artificial neural networks
title_short Previsão de curto tempo da produção eólica nacional
title_full Previsão de curto tempo da produção eólica nacional
title_fullStr Previsão de curto tempo da produção eólica nacional
title_full_unstemmed Previsão de curto tempo da produção eólica nacional
title_sort Previsão de curto tempo da produção eólica nacional
author Santos, João Cravinho
author_facet Santos, João Cravinho
author_role author
dc.contributor.none.fl_str_mv Estanqueiro, Ana
Couto, António
Repositório do LNEG
dc.contributor.author.fl_str_mv Santos, João Cravinho
dc.subject.por.fl_str_mv Previsão produção eólica
Aprendizagem automática
Redes neuronais artificiais
Wind power forecast
Machine learning
Artificial neural networks
topic Previsão produção eólica
Aprendizagem automática
Redes neuronais artificiais
Wind power forecast
Machine learning
Artificial neural networks
description Tese de Mestrado Integrado em Engenharia da Energia e do Ambiente, 2021, Universidade de Lisboa, Faculdade de Ciências
publishDate 2021
dc.date.none.fl_str_mv 2021-01-01T00:00:00Z
2021-01-01T00:00:00Z
2022-01-25T12:55:42Z
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/10400.9/3724
url http://hdl.handle.net/10400.9/3724
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv Santos, João Caravinho - Previsão de curto tempo da produção eólica nacional. Lisboa: Universidade de Lisboa, Faculdade de Ciências, 2021, 88 pp.
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_ 1799130235961081856

Registros relacionados