Modelo meteorológico-estocástico para previsão da geração de energia eólica

Abstract

Resumo: O presente trabalho propõe um método para a previsão da geração de energia eólica, no horizonte de curtíssimo e curto prazo, até 72 h à frente, a cada 10 minutos. O método consiste em uma combinação da previsão determinística do vento, realizada por um modelo numérico de previsão de tempo, com modelos estocásticos, para reduzir do erro da previsão. Após a correção, o vento é convertido em potência elétrica. O modelo numérico de previsão de tempo selecionado é o BRAMS (Brazilian Developments on the Regional Atmospheric Modelling System), mantido e desenvolvido pelo INPE/CPTEC (Instituto Nacional de Pesquisas Espaciais/Centro de Previsão de Tempo e Estudos Climáticos). O modelo estocástico de atualização de estado, o filtro de Kalman, empregado com o objetivo de se assimilar as observações em tempo real para redução da magnitude dos erros na previsão de vento e geração eólica. A assimilação do vento e geração observados atualiza os estados de um modelo dinâmico produzido pelas previsões de vento do modelo BRAMS. O modelo dinâmico foi formulado com funções polinomiais, cujos coeficientes foram estimados pelas análises de regressão aplicadas às previsões de vento do BRAMS. A energia eólica é calculada de duas formas distintas: interpolação da curva de potência do aerogerador e equações de regressão. O modelo estocástico é complementado com uma segunda implementação do filtro de Kalman para previsão da energia eólica. O modelo meteorológico-estocástico é validado com medições de vento e geração da usina eólio-elétrica (UEE) de Palmas (PR) e de vento de uma torre anemométrica localizada no município de São Bento do Norte (RN). A aplicação de um modelo de previsão da geração eólica para um país de dimensões continentais como o Brasil requer a sua avaliação de desempenho para regiões com diferentes características de variabilidade diurna e sazonal do regime de ventos. Finalmente, o método proposto poderá ser empregado para qualquer parque eólico localizado no Brasil. Palavras-chave: Energia eólica, Modelos de previsão de tempo, Filtro de Kalman, Aerogerador, Curva de potência.

Abstract: This work proposes a method for wind power forecasting, for very short and short-term, up to 72 hours ahead, at each 10 minutes. The method consists of a combination of deterministic wind forecasting, performed by a numerical weather prediction model, with stochastic models, to reduce the forecast error. After this correction, wind is converted in electric power. The numerical weather prediction model selected is BRAMS (Brazilian Developments on the Regional Atmospheric Modeling on System), maintained and developed by INPE/CPTEC (National Institute for Space Research/Center for Weather Forecasting and Climate Studies). The stochastic model for state update is the Kalman filter, applied to assimilate the observations in real-time to reduce wind prediction errors magnitude and, consequently, wind generation. Wind assimilation and observed generation updates the states of a dynamic model produced by wind forecasts of BRAMS. The dynamic model was formulated with polynomial functions, whose coefficients were estimated by regression analysis applied to BRAMS wind forecasts. Wind power and energy are calculated in two ways: interpolation of the wind turbine power curve and regression equations. The stochastic model is complemented with a second implementation of the Kalman filter to wind power forecast. The weather-stochastic model is validated with wind and generation measurements of Palmas wind farm (PR) and wind measurements of mast located in São Bento do Norte (RN). Applying a wind power forecasting method for a country of continental dimensions like Brazil requires its performance evaluation in regions of different characteristics of diurnal and seasonal variability of the wind regime. Finally, the proposed method can be used for any wind farm located in Brazil. Keywords: Wind power, Numerical atmospheric models, Kalman filter, Wind turbine, Power curve.