1.INTRODUÇÃOA geração de energia elétrica por fonte eólica desponta como uma das principais fontessubstitutas às tradicionais formas de se gerar energia elétrica, altamente poluidorase/ou impactantes ao meio ambiente. A Fig. 1 ilustra a elevada taxa de crescimento dacapacidade instalada mundial entre 1996 e 2012, que tem crescido mais de 20% aoano [1]. No Brasil [2], a geração eólica deverá aumentar a sua participação na matrizenergética de 1,5% (12/2012) para 9,5% (12/2022) .

Fig.1 – Evolução da capacidade instalada de geração eólica no mundo [1]

A introdução de energia eólica em grande escala na matriz energética Brasileira causaenormes desafios aos agentes da operação do sistema elétrico e do mercado deenergia. Os agentes da operação devem gerenciar a incerteza da geração eólicaquando estabelecem a programação diária do despacho. Quanto ao mercado deenergia, a energia eólica interfere na formação dos preços, bem como nas liquidaçõesdas diferenças e na formação das reservas operativas.

A transferência de energia entre as diferentes regiões também causam impactos natransmissão, devendo-se analisar os impactos da geração eólica: (1) nos fluxos depotência entre os subsistemas, (2) no desempenho do sistema elétrico regional e (3) nodesempenho do Sistema Interligado Nacional (SIN).

O objetivo deste trabalho é produzir um sistema de Previsão da Geração de EnergiaEólica (PGEE) que: (1) use um modelo probabilístico de persistência do vento paraservir de referência para avaliação das previsões resultantes de modelos maiscomplexos; (2) tenha potencial para incorporação aos modelos de otimização dodespacho hidrotérmico do Sistema Interligado Nacional (SIN); (3) aumente a segurançado SIN, através da previsão mais precisa das injeções de potência oriundas da fonteeólica, permitindo melhor alocação da reserva operativa; (4) reduza os custos demanutenção preventiva e corretiva, aproveitando os períodos de menor intensidade devento.

O local de estudo e dados de vento e geração são da Usina Eólio-Elétrica de Palmas,localizada no terceiro planalto do Paraná. É composta por cinco aerogeradores EnerconE-40, com potência nominal de 500 kW, 44 metros de altura (eixo do rotor) e rotor de 40m de diâmetro.

2. METODOLOGIAO modelo selecionado é probabilístico, multivariado, que usa as propriedades depersistência e sazonalidade do vento e geração para a previsão da geração comhorizonte de até 9 horas. Os dados observados de vento e geração são assimilados emtempo real para atualização da previsão com o uso do Filtro de Kalman. Ascaracterísticas dinâmicas dos processos que dão origem ao vento e geração sãodistintas, então o Filtro de Kalman é implementado em duas fases: (1) assimilação dodado de vento observado para atualização da previsão do vento e (2) assimilação dageração medida para atualização da previsão da geração em função do vento previstoe da curva de potência do aerogerador. A Fig. 2 [3] ilustra o aumento da precisão daprevisão do vento, com o uso do Filtro de Kalman, comparando com o vento observadoe previsto pelo modelo dinâmico.

Fig . 2 – Comparação das previsões de vento pelo modelo dinâmico e pelo Filtro de Kalman com o vento observado [3]

3. RESULTADOSA análise dos dados de vento e geração, com resolução de 10 minutos, foi feita para operíodo de 01/01/2008 a 31/12/2011. Os dados de 2008-2010 foram usados para odesenvolvimento do modelo e de 2011 para a sua validação. A Fig. 3 ilustra ohistograma e distribuição acumulada do vento medido a 44 m, acima do solo, emPalmas (PR).

Fig. 3 – Histograma e distribuição acumulada do vento na altura do aerogeradorem Palmas (PR)

Pelas características da curva de potência do aerogerador e da distribuiçãodo vento observou-se que: (1) V<3,5 ms-1: ocorrem em 10% do tempo, nãohavendo geração; (2) 3,5<V<12 ms-1: ocorrem em 85% do tempo, sendo quea potência varia com o cubo da velocidade do vento; (3) 12<V<15 ms-1:ocorre em 2,5% do tempo, onde o expoente da relação entre potência evento varia entre 3 e 0; (4) 15<V<25 ms-1: ocorre em 0,5% do tempo, comgeração na potência nominal; (5) V>25 ms-1: sem registro na série histórica,sendo a velocidade limite para desligamento do aerogerador.

A análise de autocorrelação dos dados de velocidade dos ventos indicou queo modelo probabilístico deve ser limitado ao horizonte de previsão de seishoras.

O painel (a) da Fig. 4 ilustra a relação linear entre vento e potência para omodelo probabilístico univariado, com horizonte de previsão de uma hora. Opainel (b) ilustra as previsões de vento para o dia 12/07/2011.

Fig. 4 – (a) Modelo univariado para previsão do vento horário em Palmas (PR); (b) Validação das previsões de vento com horizontes de 1h, 3h e 6h para 12/07/2011

4. CONCLUSÕESNeste trabalho foram desenvolvidos modelo probabilísticos univariados e multivariadospara a previsão de curtíssimo prazo do vento. Esses modelos de persistência sãoconsiderados os mais simples, mas os índices de acerto de suas previsões servem dereferência para a avaliação de modelos mais complexos (também desenvolvidos naUFPR). O horizonte de previsão dos modelos probabilísticos ficou limitado a seis horas.O filtro de Kalman está em fase de implantação para a atualização da previsão do ventoe da geração.

[1] REN 21 STEERING COMMITTEE. Renewables 2013, Global Status Report. 2013.

[2] MME. Plano Decenal de Expansão de Energia 2022 .Ministério de Minas e Energia e Empresa de Pesquisas Energéticas, 2013. Disponível em: http://www.epe.gov.br/pdee/forms/epeestudo.aspx

[3] Stathopoulus, C., Kaperoni, A., Galanis, G., Kallos, G., 2013. Wind Power Prediction Base on Numerical and Statistical Models. Journal of Wind Engineering and Industrial Aerodynamics 112(2013) 25-38.

PREVISÃO PROBABILÍSTICA

DE GERAÇÃO EÓLICA

Autores: Paulo H. Soares, Alexandre K. Guetter

(a) (b)