Machine learning aplicado à previsão de geração de energia eólica com diferentes modelos de previsão numérica do tempo

Detalhes bibliográficos
Autor(a) principal: Farias, João Gabriel de
Data de Publicação: 2020
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/220412
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Mecânica, Florianópolis, 2020.
id UFSC_a497924eb8fde26d3b9c92e85a8bf701
oai_identifier_str oai:repositorio.ufsc.br:123456789/220412
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Universidade Federal de Santa CatarinaFarias, João Gabriel dePassos, Júlio CésarHaas, Reinaldo2021-02-26T14:50:24Z2021-02-26T14:50:24Z2020371037https://repositorio.ufsc.br/handle/123456789/220412Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Mecânica, Florianópolis, 2020.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 numérico 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 foram 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 %.Abstract: An important factor in wind energy is its intermittency, as wind has this characteristic. This together with the high participation of wind energy in the National Interconnected System (SIN) makes this energy source important in the planning of energy dispatch by the National System Operator (ONS). This institution requires the wind power forecast from wind farm owners. In addition, wind power forecasting is useful for wind farm operation and maintenance (O&M) planning, which makes better use of this energy source and reduces losses - which is very important in the highly competitive renewable energy market. The present project aimed to predict wind power generation 144 hours ahead with time resolution of 10 minutes using machine learning and different numerical weather prediction models for two wind farms. The Ventos do Sertão wind farm (SER), in the Morrinhos Wind Complex in the Northeast, and the Aura Mirim II wind farm (MIR-2), in the Santa Vitória do Palmar Wind Complex in the South, both with 30 MW of installed capacity. Two wind farms with distinct characteristics in different regions. Three methods were used to predict wind farm generation: the first employed the wind speed closest to the hub height from a numerical weather prediction model and the wind turbine power curve; the second used the predicted wind speed by the artificial neural networks and the wind turbine power curve; and the third predicted the average equivalent wind turbine, which is the average of wind turbines operating in the wind farm, directly from artificial neural networks. The input data to the methods that have neural networks were the variables from the numerical weather prediction models. The wind farm power output was obtained from the multiplication of the forecast by the number of wind turbines able to work in the case of the method employing the equivalent wind turbine, whereas for the methods that employ wind turbine power curve only the wind turbines in operation had their power summed to obtain the wind farm power output. The numerical weather prediction models used were the Global Forecast System (GFS), the Global Deterministic Forecast System (GDPS) and the Weather Research and Forecasting (WRF), where the first two are global models and the last one is a mesoscale model. It was expected that schemes with WRF mesoscale model would achieve the best results in direct comparison with global models, however, it did not happen. Another important fact is that the machine learning methods and variables from more than one numerical weather prediction model were able to predict more accurately compared to methods that had only one model. The NRMSE of the wind power forecast for the SER wind farm was around 21 % and for the MIR-2 wind farm it was around 22 %.172 p.| il., gráfs.porEngenharia mecânicaEnergia eólicaAprendizado do computadorRedes neurais (Computação)Machine learning aplicado à previsão de geração de energia eólica com diferentes modelos de previsão numérica do tempoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccessORIGINALPEMC2086-D.pdfPEMC2086-D.pdfapplication/pdf14928226https://repositorio.ufsc.br/bitstream/123456789/220412/-1/PEMC2086-D.pdffd2e3da998914346fa6c93e872676bfaMD5-1123456789/2204122021-02-26 11:50:24.271oai:repositorio.ufsc.br:123456789/220412Repositório de PublicaçõesPUBhttp://150.162.242.35/oai/requestopendoar:23732021-02-26T14:50:24Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Machine learning aplicado à previsão de geração de energia eólica com diferentes modelos de previsão numérica do tempo
title Machine learning aplicado à previsão de geração de energia eólica com diferentes modelos de previsão numérica do tempo
spellingShingle Machine learning aplicado à previsão de geração de energia eólica com diferentes modelos de previsão numérica do tempo
Farias, João Gabriel de
Engenharia mecânica
Energia eólica
Aprendizado do computador
Redes neurais (Computação)
title_short Machine learning aplicado à previsão de geração de energia eólica com diferentes modelos de previsão numérica do tempo
title_full Machine learning aplicado à previsão de geração de energia eólica com diferentes modelos de previsão numérica do tempo
title_fullStr Machine learning aplicado à previsão de geração de energia eólica com diferentes modelos de previsão numérica do tempo
title_full_unstemmed Machine learning aplicado à previsão de geração de energia eólica com diferentes modelos de previsão numérica do tempo
title_sort Machine learning aplicado à previsão de geração de energia eólica com diferentes modelos de previsão numérica do tempo
author Farias, João Gabriel de
author_facet Farias, João Gabriel de
author_role author
dc.contributor.none.fl_str_mv Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Farias, João Gabriel de
dc.contributor.advisor1.fl_str_mv Passos, Júlio César
dc.contributor.advisor-co1.fl_str_mv Haas, Reinaldo
contributor_str_mv Passos, Júlio César
Haas, Reinaldo
dc.subject.classification.none.fl_str_mv Engenharia mecânica
Energia eólica
Aprendizado do computador
Redes neurais (Computação)
topic Engenharia mecânica
Energia eólica
Aprendizado do computador
Redes neurais (Computação)
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Mecânica, Florianópolis, 2020.
publishDate 2020
dc.date.issued.fl_str_mv 2020
dc.date.accessioned.fl_str_mv 2021-02-26T14:50:24Z
dc.date.available.fl_str_mv 2021-02-26T14:50:24Z
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 https://repositorio.ufsc.br/handle/123456789/220412
dc.identifier.other.none.fl_str_mv 371037
identifier_str_mv 371037
url https://repositorio.ufsc.br/handle/123456789/220412
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 172 p.| il., gráfs.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
bitstream.url.fl_str_mv https://repositorio.ufsc.br/bitstream/123456789/220412/-1/PEMC2086-D.pdf
bitstream.checksum.fl_str_mv fd2e3da998914346fa6c93e872676bfa
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1766805443965878272

Registros relacionados