Previsão de vento baseado em técnicas de Data Mining
Contribuinte(s) |
Azevedo, Filipe Vale, Zita |
---|---|
Data(s) |
09/10/2013
09/10/2013
2010
|
Resumo |
Mestrado em Engenharia Electrotécnica – Sistemas Eléctricos de Energia Os problemas ambientais como a poluição e os altos preços dos combustíveis têm impulsionado o desenvolvimento de energias alternativas. A energia eólica é uma das energias que tem revelado um maior desenvolvimento na Europa nos últimos anos, sendo, normalmente, hoje uma das energias alternativas mais implementadas. Portugal ocupa o sexto lugar no ranking europeu e o nono mundial com uma potência cumulativa de 2,2% do total, numa Tabela liderada pelos Estados Unidos com 22,3%. Apesar do crescimento nacional da produção de energia eólica, a capacidade de armazenar e gerir esse recurso é extremamente difícil, dada a sua natureza intermitente. A capacidade para gerir a integração da geração eólica na rede eléctrica, depende principalmente da previsão da velocidade do vento. Os modelos de previsão da velocidade do vento incluem duas fases: a primeira refere-se à previsão das diferentes variáveis meteorológicas no local considerado (i.e. parque eólico) e a segunda reporta-se à modelização da previsão da velocidade do vento. O erro da previsão meteorológica, e o erro de modelização do processo de conversão contribuem para reduzir a precisão das previsões da velocidade do vento. O nível de precisão é muito variável e depende de diversos factores tais como o horizonte de previsão, as condições meteorológicas, etc. Neste trabalho desenvolveram-se modelos e metodologias utilizando a ferramenta computacional – Clementine – baseada em redes neuronais artificiais MLP (Multilayer Perceptron), para a previsão do vento com um horizonte temporal de 24 horas. O principal objectivo é identificar o melhor modelo e a melhor técnica de abordagem do problema. O modelo referido utiliza dados reais provenientes do parque eólico São João de Cariri - Brasil situado a uma altitude de 486 m. A base de dados contém os valores mínimos, médios e máximos horários da velocidade, temperatura e direcção do vento do período 2006 a 2008. Os dados do período 2006 a 2007 foram utilizados para treinar a rede, e os de 2008 para a testar. Os modelos foram avaliados com base no cálculo do erro médio absoluto percentual (MAPE). Perante os resultados numéricos obtidos para os diferentes casos de estudo, conclui-se que o desempenho da ferramenta computacional Clementine1 permitiu obter não só uma boa exactidão na previsão do vento, mas também um tempo de computação da ordem dos 3 minutos. Environmental problems such as pollution and the high prices of fuels have propelled the development of alternative energies. Wind energy is one of the energies that have revealed a greater development in Europe over the recent years, being one of the most established alternative energies nowadays. Portugal occupies the sixth and ninth place in European and world rankings, respectively, having a cumulative power of 2,2% in a chart led by the U.S with 22,3%. Despite the national growth of wind power production, the ability to store and manage this resource is extremely difficult given its intermittent nature and volatility. The ability to manage the integration of wind generation in the power grid depends mainly on the prediction of wind power, a task that has proved challenging. Forecasting models include two phases: the first refers to the prediction of different meteorological variables considered in a given location (i.e., a specific wind farm) and the second relates to the forecast models of wind speed. The lack of accuracy in weather forecast and in the conversion process model contribute to a lesser accuracy in wind generation predictions – wind speed and energy production. The precision level is highly variable and depends on various factors such as the time horizon forecast, the weather, etc. The present thesis has developed several models using the computational tool Clementine - based on artificial neural networks MLP (Multilayer Perceptron) -, to predict the wind with a time horizon of 24 hours. The main objective is to identify the most suitable and robust model and the best approach to the problem. Data were collected in the wind park of St. João Cariri, Brazil, located at an altitude of 486 m. The database collected contains the minimum, average and maximum hourly rates of wind speed, temperature and direction in the time span between 2006 and 2008. Importantly, the period between 2006 and 2007 was used to train the network, whereas the year 2008 was used in the testing phase. The models were evaluated based on calculating the mean absolute percentage error (MAPE). Given the numerical results for different case studies, we conclude that the performance of the computational tool Clementine2 has enabled not only accurate wind forecasts but also a computing time of about 3 minutes. |
Identificador | |
Idioma(s) |
por |
Publicador |
Instituto Politécnico do Porto. Instituto Superior de Engenharia do Porto |
Direitos |
openAccess |
Palavras-Chave | #Previsão eólica #Redes neuronais #Ferramenta Clementine #Stream |
Tipo |
masterThesis |