ENERGIA
Permanent URI for this community
Browse
Browsing ENERGIA by advisor "Couto, A."
Now showing 1 - 2 of 2
Results Per Page
Sort Options
- Desenvolvimento de metodologias de agregação de turbinas/centrais eólicasPublication . Correia, Miguel Pereira B. Durão; Estanqueiro, Ana; Couto, A.RESUMO: A integração de energia eólica em larga escala tem criado diversos desafios aos operadores dos sistemas electroprodutores e aos seus produtores, devido ao seu carácter estocástico. Desta forma, têm sido desenvolvidas várias medidas e conceitos para permitir aumentar o valor, tanto ao nível técnico como ao nível financeiro, da produção de energia a partir desta fonte de energia renovável variável no tempo. Neste âmbito, surge o conceito de agregação de turbinas (ou parques eólicos) que visa a definição de uma estratégia agregadora de despacho, dentro de uma determinada área de controlo, como forma de mitigar alguns dos impactos da energia eólica aproveitando a variabilidade espácio-temporal do seu recurso primário – o vento. Assim, e como reportado por vários autores, a aplicação de metodologias de agregação poderá reduzir as flutuações de produção de energia eólica, através do efeito estatístico de alisamento, e, colateralmente, melhorar a previsão de produção eólica, na vertente operacional, e reduzir os custos associados às penalizações impostas aos produtores num ambiente de mercado, na vertente financeira. Nesta dissertação, é analisado um caso de estudo real, constituído por 99 turbinas distribuídas por 7 parques eólicos, para os anos de 2009, 2010 e 2011. Neste caso, são aplicadas diversas metodologias de agregação de carácter estatístico – Single Unit Representation, Self Organizing Map e K-Medoids - e probabilístico – Probabilistic Clustering - e analisados alguns parâmetros estatísticos relevantes no setor, tais como a percentagem de capacidade por classes de produção ou o gradiente horário de produção. De seguida, é aplicada uma técnica de previsão eólica de curto prazo, com um horizonte temporal de seis horas, que permite avaliar, para todas as metodologias de agregação, os desvios obtidos face à comparação com a produção eólica real e a redução dos custos associados às penalizações pagas pelos produtores, no contexto do Mercado Ibérico de Eletricidade (MIBEL). Assim, o principal objetivo deste trabalho é a identificação da metodologia de agregação que permita reduzir os erros na previsão da produção eólica e, consequentemente, possibilite uma estratégia agregadora de despacho com maiores benefícios para os produtores eólicos em ambiente de mercado, com a redução dos custos operacionais do sistema. Com este trabalho, as conclusões retiradas permitem demonstrar a importância e vantagem da aplicação das metodologias de agregação no funcionamento do sistema electroprodutor ou dentro de uma região de controlo. Quando comparados com os resultados do cenário de participação desagregada (i.e. cenário atual), assiste-se a uma melhoria dos parâmetros técnicos e financeiros analisados para os parques eólicos pertencentes ao caso de estudo, quando estrategicamente agregados.
- Previsão de curto prazo do consumo de energiaPublication . Duarte, Sérgio M. da Conceição; Estanqueiro, Ana; Couto, A.RESUMO: O combate às alterações climáticas, bem como a redução da dependência energética externa passam pela instalação e exploração em larga escala de novas fontes energética renováveis, endógenas e não poluentes. Contudo, a introdução destas fontes no sistema electroprodutor (SE), com caráter estocástico, confere um nível de incerteza adicional no equilíbrio do mesmo. Neste equilíbrio, é fulcral atuar não só no lado da geração, mas igualmente no lado da procura, em oposição à perspetiva tradicional da gestão dos SEs, em que predomina o paradigma que a oferta deve estar sempre preparada para seguir o consumo, i.e., satisfazer totalmente, a procura, cujo comportamento é, tipicamente, considerado incontrolável e inelástico. Uma das formas mais consensuais para permitir esta mudança, assenta no conceito de gestão do consumo (Demand Side Management), que tem por objetivo flexibilizar o consumo, de modo a que este se adapte a uma produção variável no tempo ou em situações de constrangimento ou de estímulos tarifários. No entanto é necessário ter uma boa previsão do mesmo, de forma a solicitar atempadamente esta resposta do lado do consumo. Com a necessidade de previsões fidedignas como pano de fundo, na presente dissertação é proposta a implementação e comparação de vários modelos, de previsão a curto prazo (24h), utilizando três métodos diferentes, sendo estes posteriormente comparados com um método de referência (baseline). A baseline utilizada consiste numa regressão linear simples, utilizando o consumo de energia elétrica verificado no instante t-24horas como variável independente. Os três métodos utilizados foram a Regressão Linear Multivariada (MLR), k-vizinhos mais próximos (KNN) e uma Rede Neuronal Artificial (ANN). Recorrendo a uma técnica estatística de agrupamento de dados (k-medoids), é ainda feita uma identificação dos perfis diários de consumo presentes na série temporal em análise, a identificar padrões diários, semanais e sazonais. Estes métodos foram aplicados à série de consumo habitacional para Portugal, BTN C, disponibilizada publicamente pela REN, utilizando os valores registados de 2014 a 2018 (inclusive). No problema em estudo a Rede Neuronal Artificial foi identificada como o melhor método. Foram obtidos MAPE de 5,6%, 4,3% e 4,2% e RMSE de 13,4MW, 11,7MW e 10,7MW para a MLR, KNN e ANN, respetivamente. Comparativamente, a baseline conseguiu um MAPE de 7,8% e um RMSE de 19,3 MW. Num nível mais granular, foram analisados em detalhe os desvios na previsão e identificadas as horas de maior consumo como as mais problemáticas de prever. O mesmo também se verificou ao nível dos meses do ano, onde os meses mais frios demonstraram ser os mais problemáticos, não só pelo o nível de intensidade do valor mas devido à variabilidade que existe nestes meses. Ao nível diário, os dias de transição de regime (sábado e segunda-feira) e o domingo apresentaram erros consideravelmente mais elevados relativamente aos restantes dias da semana. Com este trabalho, as conclusões retiradas permitem demonstrar a importância e a vantagem da aplicação das metodologias de i) agregação para compreender e caracterizar os diferentes perfis de consumo de energia elétrica e ii) previsão a curto prazo do consumo de energia elétrica com recurso ao método de aprendizagem automática, nomeadamente, Redes Neuronais Artificiais.