Usinas virtuais equivalentes representativas de múltiplos sistemas fotovoltaicos distribuídos em Florianópolis

Abstract

A geração solar fotovoltaica no Brasil, assim como no resto do mundo, tem observado um crescimento considerável nos últimos anos, principalmente no que diz respeito à Micro e Mini Geração Distribuída, que constitui a maior parcela da geração solar fotovoltaica do país. Visto que a geração distribuída tem um impacto direto no perfil de carga dos consumidores, o objetivo deste estudo é apresentar metodologias para avaliar o desempenho e estimar a geração de usinas virtuais equivalentes representativas de múltiplos sistemas fotovoltaicos distribuídos, conectados à rede elétrica e localizados de forma descentralizada em uma região. Para tal, foram utilizados dados meteorológicos provenientes de estações automáticas do Instituto Nacional de Meteorologia, e dados de geração provenientes de unidades consumidoras contempladas com sistemas fotovoltaicas no âmbito do Projeto ?Bônus Fotovoltaico? do Programa de Eficiência Energética da Celesc. O fator de capacidade da usina virtual equivalente foi estimado a partir de variáveis meteorológicas através de cálculo teórico e de um modelo de aprendizado de máquina. Os resultados mostraram que os fatores de capacidade médios diários medidos mínimo e máximo foram de 10,47% (maio) e 20,66% (dezembro), os fatores de capacidade médios diários teóricos de 9,64% (maio) e 18,32% (dezembro) e os fatores de capacidade médios diários estimados pelo modelo de aprendizado de máquina mínimo e máximo foram de 11,74% (maio) e 21,53% (dezembro). As médias anuais do fator de capacidade médio diário foram 15,34% (medido), 14,15% (teórico) e 16,43% (modelo de aprendizado de máquina). Avaliando as estimativas em relação aos valores medidos, a estimativa pelo modelo de aprendizado de máquina apresentou coeficiente de correlação R², Raiz do Erro Quadrático Médio e Erro Médio Absoluto (88,64%, 8,90% e 6,62% respectivamente) melhores que na estimativa teórica (87,23%, 9,41% e 6,69% respectivamente). Adicionalmente, a estimativa pelo modelo de aprendizado de máquina apresentou desempenho melhor que a estimativa teórica em quase todos os meses do ano analisado, se mostrando sutilmente inferior nos meses de janeiro e novembro em todas as métricas, e nos meses de dezembro e setembro em relação ao coeficiente R² e ao Erro Médio Absoluto, respectivamente. No entanto, as diferenças nestes meses se mostraram relativamente pequenas. O uso de ferramentas baseadas em aprendizado de máquina pode contribuir para o planejamento da operação de curto, médio e longo prazo, no contexto da estimativa da geração fotovoltaica, visto que a estimativa teórica aparenta subestimar a geração da Micro e Mini Geração Distribuída fotovoltaica.

Abstract: In Brazil, similar to the rest of the world, photovoltaic solar generation has experienced considerable growth in recent years, particularly regarding Micro and Mini Distributed Generation, which constitutes the largest share of the country's photovoltaic solar generation. Given that distributed generation has a direct impact on consumers' load profiles, the objective of this study is to present methodologies for assessing performance and estimating the generation of equivalent virtual power plants, representative of multiple distributed photovoltaic systems connected to the electrical grid and located in a decentralized manner within a given region. To achieve this, meteorological data from automatic stations of the National Institute of Meteorology and generation data from consumer units equipped with photovoltaic systems under the \"Bônus Fotovoltaico\" Project of Celesc's Energy Efficiency Program were utilized. The capacity factor of the equivalent virtual power plant was estimated from meteorological variables through theoretical calculation and a machine learning model. The results indicated that the measured minimum and maximum daily average capacity factors were 10.47% (May) and 20.66% (December), while the theoretical daily average capacity factors were 9.64% (May) and 18.32% (December). The daily average capacity factors estimated by the machine learning model had minimum and maximum values of 11.74% (May) and 21.53% (December). The annual averages of the daily mean capacity factors were 15.34% (measured), 14.15% (theoretical), and 16.43% (machine learning model). When evaluating the estimates against the measured values, the machine learning model's estimate exhibited better correlation coefficient R², Root Mean Square Error, and Mean Absolute Error (88.64%, 8.90%, and 6.62%, respectively) compared to the theoretical estimate (87.23%, 9.41%, and 6.69%, respectively). Additionally, the machine learning model's estimates outperformed the theoretical estimates in nearly all months of the analyzed year, being slightly inferior only in January and November across all metrics, and in December and September concerning the R² coefficient and Mean Absolute Error, respectively. However, the differences during these months were relatively minor. The use of machine learning-based tools can contribute to the planning of short, medium, and long-term operations in the context of photovoltaic generation estimation, as the theoretical estimate appears to underestimate the generation of Micro and Mini Distributed Photovoltaic Generation.