Estimativa da produção de energia de um parque eólico por meio de modelo estocástico
Autor(a) principal: | |
---|---|
Data de Publicação: | 2019 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/198559 |
Resumo: | Todos os envolvidos no planejamento de um parque eólico precisam garantir, com um certo nível de certeza, quanta energia este poderá gerar. Investidores precisam avaliar o risco associado ao financiamento da construção do parque em relação a um retorno futuro. Produtores precisam garantir um determinado nível de produção de energia com base em acordos mensais com compradores. Operadores de subestações, por outro lado, precisam ter uma estimativa da produção em resolução horária de modo a evitar perdas elétricas e para que possam atender adequadamente a demanda por energia a qual sabe-se que varia ao longo do dia de maneira previsível e conhecida a partir de dados históricos de consumo por uma dada região. Atualmente existem metodologias bem estabelecidas na indústria para a estimativa do recurso eólico de longo prazo e da geração de energia de longo prazo, geralmente para um horizonte de 20 anos. Elas se baseiam no fato de que, a longo prazo, a distribuição de probabilidade da velocidade do vento aproxima-se de uma distribuição de Weibull (MENcíK, 2016) a qual é então convertida em uma distribuição de probabilidade de energia por meio de uma curva de potência de uma determinada turbina. Essa distribuição de densidade de probabilidade é a mais difundida na análise de dados de vento (P, 2003), tendo sido utilizada para estimar tanto o recurso eólico (AN., 2003) quanto a produção de energia (M HOOSHMAND R-A; A-H, 2015). O sucesso das metodologias supracitadas é explicado pelo fato de que um longo período de dados é utilizado para produzir uma previsão de extensão temporal similar. Isso tem o efeito de remover flutuações que são observados entre diferentes períodos. Com tantos dados disponíveis, uma distribuição pode ser adequadamente ajustada, a qual fidedignamente representa a verdadeira distribuição de velocidade do vento. Existe uma vasta quantidade de trabalhos comerciais que confirmam essa hipótese. Além disso, para a distribuição de extremos de velocidade, existem resultados teóricos que corroboram o uso da distribuição de Weibull. É o caso do teorema de Fisher-Tippett-Gnedenko (BASRAK, 2011) o qual afirma que a distribuição de máximos de uma série temporal converge para uma entre três classes gerais de distribuições: a de Fréchet, a de Gumbel ou a distribuição de Weibull. No entanto, há uma crescente necessidade de obter-se previsões em escalas de tempo cada vez menores: em meses, dias e horas. Quando a produção de energia prevista não corresponde a energia efetivamente gerada, as partes envolvidas perdem dinheiro. Até mesmo no caso em que mais energia do que o esperado seja gerada, a subestação que receberá essa energia pode não estar preparada para o excesso. Um passo inicial na tentativa de encontrar um equilíbrio na cadeia de produção e distribuição de energia eólica consiste em primeiramente prever com um certo grau de confiança a velocidade do vento futura, dado que essa é a variável que é a maior responsável pela incerteza na produção de energia. Este trabalho propõe o uso de modelos autorregressivos, em particular modelos GARCH, de modo a produzir previsões confiáveis em um horizonte de horas até meses. |
id |
UFRGS-2_09383f5b224ee86602f96aaccfb45f5b |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/198559 |
network_acronym_str |
UFRGS-2 |
network_name_str |
Repositório Institucional da UFRGS |
repository_id_str |
|
spelling |
Friggo, Diogo Daniel PandaCunha, Carlo Requiao da2019-08-29T02:34:56Z2019http://hdl.handle.net/10183/198559001100135Todos os envolvidos no planejamento de um parque eólico precisam garantir, com um certo nível de certeza, quanta energia este poderá gerar. Investidores precisam avaliar o risco associado ao financiamento da construção do parque em relação a um retorno futuro. Produtores precisam garantir um determinado nível de produção de energia com base em acordos mensais com compradores. Operadores de subestações, por outro lado, precisam ter uma estimativa da produção em resolução horária de modo a evitar perdas elétricas e para que possam atender adequadamente a demanda por energia a qual sabe-se que varia ao longo do dia de maneira previsível e conhecida a partir de dados históricos de consumo por uma dada região. Atualmente existem metodologias bem estabelecidas na indústria para a estimativa do recurso eólico de longo prazo e da geração de energia de longo prazo, geralmente para um horizonte de 20 anos. Elas se baseiam no fato de que, a longo prazo, a distribuição de probabilidade da velocidade do vento aproxima-se de uma distribuição de Weibull (MENcíK, 2016) a qual é então convertida em uma distribuição de probabilidade de energia por meio de uma curva de potência de uma determinada turbina. Essa distribuição de densidade de probabilidade é a mais difundida na análise de dados de vento (P, 2003), tendo sido utilizada para estimar tanto o recurso eólico (AN., 2003) quanto a produção de energia (M HOOSHMAND R-A; A-H, 2015). O sucesso das metodologias supracitadas é explicado pelo fato de que um longo período de dados é utilizado para produzir uma previsão de extensão temporal similar. Isso tem o efeito de remover flutuações que são observados entre diferentes períodos. Com tantos dados disponíveis, uma distribuição pode ser adequadamente ajustada, a qual fidedignamente representa a verdadeira distribuição de velocidade do vento. Existe uma vasta quantidade de trabalhos comerciais que confirmam essa hipótese. Além disso, para a distribuição de extremos de velocidade, existem resultados teóricos que corroboram o uso da distribuição de Weibull. É o caso do teorema de Fisher-Tippett-Gnedenko (BASRAK, 2011) o qual afirma que a distribuição de máximos de uma série temporal converge para uma entre três classes gerais de distribuições: a de Fréchet, a de Gumbel ou a distribuição de Weibull. No entanto, há uma crescente necessidade de obter-se previsões em escalas de tempo cada vez menores: em meses, dias e horas. Quando a produção de energia prevista não corresponde a energia efetivamente gerada, as partes envolvidas perdem dinheiro. Até mesmo no caso em que mais energia do que o esperado seja gerada, a subestação que receberá essa energia pode não estar preparada para o excesso. Um passo inicial na tentativa de encontrar um equilíbrio na cadeia de produção e distribuição de energia eólica consiste em primeiramente prever com um certo grau de confiança a velocidade do vento futura, dado que essa é a variável que é a maior responsável pela incerteza na produção de energia. Este trabalho propõe o uso de modelos autorregressivos, em particular modelos GARCH, de modo a produzir previsões confiáveis em um horizonte de horas até meses.Every stakeholder of a windfarm must ensure, within a specified confidence level, how much energy that windfarm may generate. Investors must balance the risk that goes along with financing such a project and the expected return of investment. Developers are held accountable to a certain level of energy production that is previously agreed upon, usually on a monthly basis, but also yearly. Grid operators on the other hand demand an hourly estimate of production so that they can match offer to demand with minimal losses due to circuit inadequacy. Energy demand follows a quite predictable pattern that may be easily anticipated based on past data. That is much less so the case for energy offer which, besides coming from a variety of sources, also brings along a lot of complexities, some of which are discussed on this text for the case of energy derived from wind. Nowadays there are well-established methodologies in the field of wind energy forecasting. Usually the time horizon involved is of 20 years. These methodologies rest on the assumption that a long-tailed Weibull distribution (MENcíK, 2016) may always be fit to long-term wind speed. This distribution is considered representative of 20 years into the future and is then converted into energy (M HOOSHMAND R-A; A-H, 2015) by mapping it through a power curve specific to a manufacturer’s turbine model. Its widespread use is justified by the vast amount of commercial work done on the hyphotesis that a Weibull distribution best describes long-term wind speed (AN., 2003). The success of the aforementioned metholodogies may be explained by the fact that a very long period of data is used to achieve a similarly long forecast. This has the effect of averaging out fluctuations observed from one period to the next. With so much data available a distribution fit may be found which reliably represents the true wind speed distribution. There are a plethora of commercial work that support this view. Furthermore, for the case of a distribution of extrema, there are theoretical results which validate such deliberate use of the Weibull distribution: Fisher-Tippett-Gnedenko’s theorem states that a distribution of extrema from a timeseries converges to one of three broad classes of distribution: that of Fréchet, of Gumbel or of Weibull (BASRAK, 2011). Despite the accomplishments of standard methodologies, there’s a growing need to bring the forecast horizon ever closer to the present. Whenever the forecast energy production doesn’t match the realized one, stakeholders lose money. Even if more energy than expected is produced money may nevertheless be lost because, for instance, the target substation may not be able to handle the excess energy. An initial step into finding the optimal balance in this wind energy chain is to first confidently predict future wind speed since this is the variable that is mostly responsible for the uncertainty in energy production. This work pursues the use of autoregressive models, particularly of GARCH models, in order to achieve reliable forecasts with a time horizon of the order of hours to months.application/pdfporEnergia eólicaPrevisao de series temporaisVentosWind energyTime-series forecastingAutoregressive modelsEstimativa da produção de energia de um parque eólico por meio de modelo estocásticoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisUniversidade Federal do Rio Grande do SulInstituto de FísicaPorto Alegre, BR-RS2019Engenharia Físicagraduaçãoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001100135.pdf.txt001100135.pdf.txtExtracted Texttext/plain76925http://www.lume.ufrgs.br/bitstream/10183/198559/2/001100135.pdf.txt698af24fbbbbf032c16c9135e8b549fcMD52ORIGINAL001100135.pdfTexto completoapplication/pdf11556286http://www.lume.ufrgs.br/bitstream/10183/198559/1/001100135.pdf7e0ec28b07ca9b0dc542e5cec7eac877MD5110183/1985592019-08-30 02:35:00.715215oai:www.lume.ufrgs.br:10183/198559Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2019-08-30T05:35Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Estimativa da produção de energia de um parque eólico por meio de modelo estocástico |
title |
Estimativa da produção de energia de um parque eólico por meio de modelo estocástico |
spellingShingle |
Estimativa da produção de energia de um parque eólico por meio de modelo estocástico Friggo, Diogo Daniel Panda Energia eólica Previsao de series temporais Ventos Wind energy Time-series forecasting Autoregressive models |
title_short |
Estimativa da produção de energia de um parque eólico por meio de modelo estocástico |
title_full |
Estimativa da produção de energia de um parque eólico por meio de modelo estocástico |
title_fullStr |
Estimativa da produção de energia de um parque eólico por meio de modelo estocástico |
title_full_unstemmed |
Estimativa da produção de energia de um parque eólico por meio de modelo estocástico |
title_sort |
Estimativa da produção de energia de um parque eólico por meio de modelo estocástico |
author |
Friggo, Diogo Daniel Panda |
author_facet |
Friggo, Diogo Daniel Panda |
author_role |
author |
dc.contributor.author.fl_str_mv |
Friggo, Diogo Daniel Panda |
dc.contributor.advisor1.fl_str_mv |
Cunha, Carlo Requiao da |
contributor_str_mv |
Cunha, Carlo Requiao da |
dc.subject.por.fl_str_mv |
Energia eólica Previsao de series temporais Ventos |
topic |
Energia eólica Previsao de series temporais Ventos Wind energy Time-series forecasting Autoregressive models |
dc.subject.eng.fl_str_mv |
Wind energy Time-series forecasting Autoregressive models |
description |
Todos os envolvidos no planejamento de um parque eólico precisam garantir, com um certo nível de certeza, quanta energia este poderá gerar. Investidores precisam avaliar o risco associado ao financiamento da construção do parque em relação a um retorno futuro. Produtores precisam garantir um determinado nível de produção de energia com base em acordos mensais com compradores. Operadores de subestações, por outro lado, precisam ter uma estimativa da produção em resolução horária de modo a evitar perdas elétricas e para que possam atender adequadamente a demanda por energia a qual sabe-se que varia ao longo do dia de maneira previsível e conhecida a partir de dados históricos de consumo por uma dada região. Atualmente existem metodologias bem estabelecidas na indústria para a estimativa do recurso eólico de longo prazo e da geração de energia de longo prazo, geralmente para um horizonte de 20 anos. Elas se baseiam no fato de que, a longo prazo, a distribuição de probabilidade da velocidade do vento aproxima-se de uma distribuição de Weibull (MENcíK, 2016) a qual é então convertida em uma distribuição de probabilidade de energia por meio de uma curva de potência de uma determinada turbina. Essa distribuição de densidade de probabilidade é a mais difundida na análise de dados de vento (P, 2003), tendo sido utilizada para estimar tanto o recurso eólico (AN., 2003) quanto a produção de energia (M HOOSHMAND R-A; A-H, 2015). O sucesso das metodologias supracitadas é explicado pelo fato de que um longo período de dados é utilizado para produzir uma previsão de extensão temporal similar. Isso tem o efeito de remover flutuações que são observados entre diferentes períodos. Com tantos dados disponíveis, uma distribuição pode ser adequadamente ajustada, a qual fidedignamente representa a verdadeira distribuição de velocidade do vento. Existe uma vasta quantidade de trabalhos comerciais que confirmam essa hipótese. Além disso, para a distribuição de extremos de velocidade, existem resultados teóricos que corroboram o uso da distribuição de Weibull. É o caso do teorema de Fisher-Tippett-Gnedenko (BASRAK, 2011) o qual afirma que a distribuição de máximos de uma série temporal converge para uma entre três classes gerais de distribuições: a de Fréchet, a de Gumbel ou a distribuição de Weibull. No entanto, há uma crescente necessidade de obter-se previsões em escalas de tempo cada vez menores: em meses, dias e horas. Quando a produção de energia prevista não corresponde a energia efetivamente gerada, as partes envolvidas perdem dinheiro. Até mesmo no caso em que mais energia do que o esperado seja gerada, a subestação que receberá essa energia pode não estar preparada para o excesso. Um passo inicial na tentativa de encontrar um equilíbrio na cadeia de produção e distribuição de energia eólica consiste em primeiramente prever com um certo grau de confiança a velocidade do vento futura, dado que essa é a variável que é a maior responsável pela incerteza na produção de energia. Este trabalho propõe o uso de modelos autorregressivos, em particular modelos GARCH, de modo a produzir previsões confiáveis em um horizonte de horas até meses. |
publishDate |
2019 |
dc.date.accessioned.fl_str_mv |
2019-08-29T02:34:56Z |
dc.date.issued.fl_str_mv |
2019 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10183/198559 |
dc.identifier.nrb.pt_BR.fl_str_mv |
001100135 |
url |
http://hdl.handle.net/10183/198559 |
identifier_str_mv |
001100135 |
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 Institucional da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Repositório Institucional da UFRGS |
collection |
Repositório Institucional da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/198559/2/001100135.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/198559/1/001100135.pdf |
bitstream.checksum.fl_str_mv |
698af24fbbbbf032c16c9135e8b549fc 7e0ec28b07ca9b0dc542e5cec7eac877 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
|
_version_ |
1801224579600875520 |