Search

Os benefícios econômicos e ambientais da geração de energia elétrica pelo vento fizeram com que a energia eólica se tornasse uma das fontes mais promissoras para a geração de energia elétrica no Brasil. No entanto, a incerteza associada aos dados do vento, matéria-prima desta fonte de geração, geralmente não pode ser desprezada. Assim, os dados devem ser avaliados com precisão para reduzir efetivamente os riscos da geração eólica nas operações do sistema de energia, portanto motiva o desenvolvimento de técnicas de previsão que tiram proveito de medições quase em tempo real, coletadas de instrumentos distribuídos geograficamente. Nessa abordagem, são comparados métodos de previsão, baseados em redes neurais artificiais e modelos autorregressivos lineares visando o horizonte de curtíssimo prazo. Uma nova abordagem está sendo proposta neste trabalho, um modelo autorregressivo linear e uma rede neural artificial para a previsão probabilística da amplitude do vento no período de curtíssimo prazo. A abordagem do conjunto proposto foi extensivamente avaliada, usando dados reais de cinco estações anemométricas instaladas na região metropolitana de Curitiba. Os resultados demonstram que as incertezas nos dados do vento podem ser previstas de forma confiável e que um desempenho competitivo é obtido. The economic and environmental benefits of wind power generation made wind energy one of the most promising sources for electric power generation in Brazil. However, the uncertainty associated with wind data, the source of this generation, generally cannot be overlooked. Thus, the data must be accurately evaluated to effectively reduce the risks of wind generation in energy system operations, therefore it motivates the development of forecasting techniques that take advantage of measurements in almost real time, collected from geographically distributed instruments. In this approach, forecasting methods, based on artificial neural networks and linear autoregressive models are compared, aiming at the very short term horizon. A new approach is being proposed in this work, a linear autoregressive model and an artificial neural network for the probabilistic forecast of wind speed in the very short term. The proposed set approach was extensively evaluated, using real data from five anemometric stations installed in the metropolitan region of Curitiba. The results demonstrate that the uncertainties in the wind data can be reliably predicted and that a competitive performance is obtained.

Tendo em vista que a demanda energética está em constante crescimento, torna-se necessário suprir a falta de geração através da expansão da matriz energética por meio de fontes sustentáveis. A utilização do Sol como fonte sustentável é uma opção que vem sendo escolhida por diversos países, inclusive o Brasil. Para extrair a energia elétrica através dos raios solares são utilizados, por exemplo, os sistemas fotovoltaicos (FV). À medida em que há um aumento das instalações de sistemas FV, também cresce o número de sistemas conectados à rede, e em consequência, tem-se, por exemplo, um aumento na instabilidade da rede, uma complexidade do despacho de energia elétrica, entre outros fatores. Para minimizar estes problemas, é possível desenvolver modelos matemáticos para representar e analisar um sistema e que seja capaz de simular problemas eventuais. Neste contexto, este trabalho tem o objetivo de modelar empiricamente um arranjo FV de forma a representá-lo de maneira dinâmica. O arranjo FV é composto por um conjunto de módulos FV, o qual é responsável pela geração de energia elétrica do sistema e, por isso, torna-se um componente fundamental do sistema FV. Além disso, o arranjo FV está exposto às condições climáticas que podem comprometer a sua geração de energia elétrica. Sendo assim, desenvolver um modelo que represente a geração FV é uma opção quando se deseja ter uma análise detalhada do sistema. Para desenvolver um modelo dinâmico da geração FV, é utilizada a Identificação de Sistemas através da modelagem caixa-preta. A Identificação caixa-preta se resume em observar a dinâmica do sistema através da medição e análise de correlação dos sinais de entrada e saída do sistema. Para este trabalho, serão considerados como sinais de entrada a irradiância e a temperatura do módulo, e como sinal de saída, a potência de corrente continua. Como estrutura do modelo, são desenvolvidos representações de modelos lineares e não lineares. Diante do estado da arte, a modelagem FV é normalmente desenvolvida por modelos baseados em diodo. Neste cenário, para comparar com os modelos propostos, os modelos de diodo único e duplo foram também desenvolvidos. Os resultados mostram que no melhor cenário a modelagem dinâmica proposta apresentou um Erro Quadrático Médio Normalizado e Erro Percentual Absoluto Médio de 0,8737 e 0,1446, respectivamente, contra 0,6962 e 0,3448, respectivamente dos modelos de diodo. Concluindo que, para esta aplicação, o modelo via caixa-preta apresentou resultados mais precisos que os modelos de diodo, o que torna a Identificação de Sistemas uma alternativa para a modelagem de sistemas FV. In view of the growth of energy demand, it becomes a necessity to expand the power grid though renewable energy sources. The solar energy as a renewable source is an option choosen by some countries including Brazil. In order to extract eletrict energy thought sunlights, photovoltaic systems (PV) are often used. As the number of PV systems installations increases, the number of systems connected on grid also grows. In this context, there is a raise of the instability of the grid, a higher complexity on energy dispatch, and others factors. In order to minimize these problems, it is possible to develop mathematical models to represent and analyze a system and to be able to simulate eventual issues. In this context, the goal of this work is to empirically model a PV panel in order to represent the system dynamically. The PV panel is composed by a set of PV module, in which is responsible to produce the power electricity and, thus, it becomes a fundamental component of the PV system. In addition, the PV panel is exposed to the climate environment and it may compromise the power generation. To develop a dynamic model in the PV generation, the system identification black box modelling is used. The black box model consists in observe the systems dynamic though measuring the input and output signals of the system. In this work, the irradiance and temperature of PV module are considered the input signals and the power is the output signal. By this model structure, linear and non linear models are developed. Based on the state of art, the PV modelling is normally developed by diode models. In this scenario, to compare the proposed models, single diode and double diode models are also developed. Results shown that in the best case the dynamic model presented a NRMSE and MAPE of 0.8737 and 0.1446, respectively, against of 0.6962 and 0.3448, respectively, of the diode models. Concluding that, in this application, the black box model presented better results. Which makes the system identification an alternative to modelling the PV panel.