Estimação de Erros de Previsão Eólica do Sistema Interligado Nacional com Modelo Periódico Multivariável e Autorregressivo

Abstract

No contexto da transição energética, muitas nações ao redor do mundo estão investindo na integração de fontes de energia renováveis, tais como a eólica e a solar, com o intuito de reduzir as emissões de gás de efeito estufa. Um dos problemas associados à estas fontes é a natureza intermitente e o grau significativo de incerteza. Neste contexto, o operador do sistema deve considerar adequadamente estas incertezas para planejar a operação, mantendo a segurança do sistema elétrico. Uma estratégia amplamente utilizada pelos operadores de sistemas elétricos é empregar previsões de geração. Contudo, no planejamento da operação para o dia seguinte não é possível obter previsões perfeitas da geração de renováveis. Neste contexto, este trabalho tem o objetivo de propor um modelo capaz de gerar cenários a partir das previsões de geração eólica empregados pelo Operador Nacional do Sistema Elétrico (ONS) no programa de despacho de curtíssimo prazo DESSEM. Para tanto, uma metodologia baseada no modelo Autorregressivo Periódico (PAR) com matriz de carga nos resíduos é proposta. Para parametrizar este modelo é necessário utilizar os dados de previsão de geração dos arquivos de entrada do DESSEM e os dados de geração observada do histórico fornecidos pelo ONS. A ideia é gerar desvios de geração eólica a partir do uso de uma série temporal de previsão de geração escolhida pelo usuário. Por sua vez, o modelo é responsável por replicar as propriedades estatísticas observadas nos dados de treinamento na série escolhida pelo usuário. A qualidade do modelo parametrizado é verificada por meio de duas etapas de validação. A primeira consiste em usar uma curva de previsão de geração retirada da base de dados de treinamento, enquanto a segunda consiste em usar uma curva de previsão externa. De modo geral, os resultados mostram que o modelo é capaz de gerar cenários de desvios coerentes que reduzem os erros de previsão de geração eólica. Neste sentido, o modelo pode ser empregado para quantificar as incertezas de fonte eólica, tornando a operação do sistema mais segura. Destacase que a metodologia proposta pode ser aplicada para reduzir as incertezas em outros contextos tais como a de geração solar e das afluências hidrológicas.

In the context of the energy transition, many nations worldwide are investing in integrating renewable energy sources, such as wind and solar, into their electricity mix to reduce greenhouse gas emissions. One of the challenges associated with these sources is their intermittency and their significant degree of uncertainty. Therefore, system operators have to deal with these uncertainties to plan the operation while maintaining the security of the electrical power system. One of the solutions widely used by power system operators is forecast the power generated. Nonetheless, it is impossible to obtain perfect forecasts regarding power generation from renewable sources for the dayahead horizon. This work proposes a model capable of generating forecast deviation scenarios from the wind generation forecasts employed by ONS in the shortterm unit commitment model called DESSEM. To achieve this goal, a methodology based on the Periodic Autoregressive Model (PAR) with load matrix in the residuals is proposed. The model is parametrized by using the generation forecast data from the input files of the DESSEM model and the observed wind power generation data from the history provided by ONS. The idea of the model is to generate wind generation deviations from a wind generation forecast series chosen by the user. Then, the model applies the statistical properties observed in the training data in the time series chosen by the user. The quality of the model is verified through two validation steps. In the first step, the model is validated using a wind generation forecast series chosen from the training database. In the second step, a time series unknown to the model is used. The results show that the model could generate coherent forecast deviation scenarios that reduce wind generation forecast errors. In this sense, the model can be employed to quantify wind source uncertainties, making the system operation safer. The proposed methodology can also reduce uncertainties in other cases, such as solar generation and hydrological inflows.