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

Abstract

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 %.