Previsão de Produção de Centrais Solares a Muito Curto Prazo · neuronais para emular a...
Transcript of Previsão de Produção de Centrais Solares a Muito Curto Prazo · neuronais para emular a...
i
Faculdade de Engenharia da Universidade do Porto
Previsão de Produção de Centrais Solares a Muito Curto Prazo
Bruno António de Oliveira Santos
Dissertação realizada no âmbito do Mestrado Integrado em Engenharia Electrotécnica e de Computadores
Major Energia
Orientador: Prof. Dr. Cláudio Monteiro
Julho de 2010
iii
Resumo
A integração em grande escala de fontes de energia renovável intermitentes nos sistemas
eléctricos existentes será um dos grandes desafios dos próximos anos. Ao contrário das
centrais convencionais, a produção de energia eólica ou solar variam de acordo com a
disponibilidade do recurso eólico ou solar. No caso da radiação solar que atinge a superfície
terrestre, esta varia principalmente devido à presença de nuvens na atmosfera, tendo uma
grande influência na produção de energia eléctrica a partir das tecnologias solares. Dado o
carácter intermitente da produção de uma central solar, será necessário o desenvolvimento
de ferramentas que permitam a integração bem sucedida destas centrais na rede eléctrica.
Nesta dissertação é desenvolvida uma metodologia de previsão da produção a muito curto
prazo de uma central fotovoltaica. Esta ferramenta permitirá apoiar o operador do sistema na
tomada de decisões com vista a atenuar o impacto negativo das variações rápidas da
produção das centrais solares. O modelo proposto no presente trabalho recorre a redes
neuronais para emular a evolução temporal da radiação solar na superfície terrestre. Para tal,
tem em conta a informação da presença de nuvens na atmosfera a nível local, extraídas de
imagens do céu, obtidas a partir do solo por intermédio de sistemas de baixo custo.
As previsões realizadas pelo modelo construído revelaram uma melhoria significativa face
à persistência.
Palavras-chave: Energias renováveis, intermitência do recurso, previsão de produção de
centrais solares, redes neuronais.
v
Abstract
Large-scale integration of intermittent renewable energy sources in actual electric
systems will be one of the greatest challenges for the incoming years. Unlike conventional
power plants, solar power or wind power varies with the solar or wind resource availability.
In the case of solar radiation reaching Earth's surface, it varies mainly due to the presence of
clouds in the atmosphere, having a great influence on the production of electrical energy in
solar systems. Given the intermittent nature of the solar power plant production it will be
require the development of tools that allow the successful integration of these plants into
the electricity grid.
In this work, a methodology for very short term production forecasting of a photovoltaic
power plant is presented. This tool will be able to aid the system operator to take decisions
in order to mitigate the negative impact of rapid variations in the production of solar power
plants. The model proposed in this work uses neural networks to emulate the temporal
evolution of the solar radiation at Earth's surface. To accomplish it, the model takes into
account the onsite information about the presence of clouds in the atmosphere, extracted
from sky images, obtained from the ground using low cost systems.
The forecasting results produced by the constructed model showed a substantial
improvement against persistence.
Keywords: Renewable energies, resource intermittency, solar power plants production
forecasting, neural networks.
vii
Agradecimentos
Gostaria de aproveitar o presente momento para agradecer a todos aqueles que, em
diversas ocasiões e por diferentes motivos me acompanharam e motivaram durante todo este
percurso académico. Agradeço…
Ao Professor Doutor Cláudio Monteiro, meu orientador, não só pela sua disponibilidade,
mas também a sua presença nos momentos mais difíceis e palavras de apoio e amizade.
Aos meus colegas e amigos de curso, por todas as horas que passamos a trabalhar e por
todos os obstáculos que vencemos juntos durante os últimos anos. Vocês sabem quem são.
Aos meus tios-avós, tios e primos, especialmente o João, por tornar fácil tudo aquilo que
por vezes parecia complicado.
Aos meus pais e irmãos pelo facto de nunca terem duvidado das minhas capacidades. Sem
vocês nada disto era possível.
Por fim, mas não menos especial, agradeço à minha namorada Lília, por todo o amor,
carinho e compreensão demonstrada durante a realização do curso. Este trabalho é para Ti…
Um agradecimento sincero a todos vós…
xi
Índice
Resumo ...........................................................................................iii
Abstract ............................................................................................v
Agradecimentos ................................................................................ vii
Índice .............................................................................................. xi
Lista de Figuras ............................................................................... xiii
Lista de Tabelas .............................................................................. xvii
Abreviaturas e Símbolos ..................................................................... xix
Capítulo 1 ........................................................................................ 1
Introdução ....................................................................................................... 1
1.1 - Enquadramento Geral ............................................................................... 1 1.2 - Motivação e Objectivos da Dissertação .......................................................... 5 1.3 - Estrutura da Dissertação............................................................................ 6 1.4 - Clarificação dos termos usados na Dissertação ................................................. 6 1.5 - Dados utilizados na Dissertação ................................................................... 7
Capítulo 2 ........................................................................................ 9
Estado da Arte .................................................................................................. 9
2.1 - Introdução ............................................................................................. 9 2.2 - Tecnologias de conversão de energia solar ..................................................... 9
2.2.1 - Tecnologia solar térmica .................................................................. 10 2.2.1.a - Tecnologia de torre solar .......................................................... 11 2.2.1.b - Tecnologia disco parabólico ....................................................... 11 2.2.1.c - Tecnologia cilindro-parabólica .................................................... 12 2.2.2 - Tecnologia fotovoltaica ................................................................... 13 2.2.2.a - Tecnologia solar de concentração fotovoltaica ................................ 14 2.2.3 - Estudo comparativo entre as diferentes tecnologias de conversão solar......... 14 2.2.4 - Importância da radiação solar para as diferentes tecnologias de conversão solar .......................................................................................................... 16
2.3 - Previsão da radiação solar ....................................................................... 17 2.3.1 - Modelos de regressão e auto-regressivos ............................................... 18 2.3.2 - Redes neuronais artificiais ................................................................ 20 2.3.2.a - Operação executada pelos neurónios ............................................ 20 2.3.2.b - Topologia das redes neuronais artificiais ....................................... 21
xii
2.3.2.c - Processos de aprendizagem ....................................................... 22 2.3.3 - Aplicação de redes neuronais na previsão da radiação solar ....................... 22 2.3.3.a - Previsão da radiação solar utilizando imagens do céu e redes neuronais . 23 2.3.4 - Previsão da radiação solar utilizando imagens obtidas por satélite ............... 24 2.3.5 - Metodologia para simulação da irradiância solar em dias de céu limpo .......... 26 2.3.5.a - Distância entre o Sol e a Terra ................................................... 26 2.3.5.b - Posição solar relativamente ao plano horizontal .............................. 27 2.3.5.c - Posição solar relativamente ao plano inclinado ............................... 29 2.3.5.d - Radiação solar terrestre ........................................................... 29
2.4 - Cálculo da produção de uma central fotovoltaica ........................................... 30 2.5 - Modelo para a previsão da produção de centrais PV ........................................ 32
Capítulo 3 ....................................................................................... 35
Construção do Modelo de Previsão ....................................................................... 35
3.1 - Introdução .......................................................................................... 35 3.2 - Descrição do modelo proposto .................................................................. 35
3.2.1 - Fase 1......................................................................................... 36 3.2.1.a - Cálculo da Radiação Global ajustada para condição de céu limpo ......... 36 3.2.1.b - Cálculo da componente directa e difusa para condição de céu limpo ..... 38 3.2.1.c - Tratamento das imagens ........................................................... 40 3.2.1.d - Previsão dos índices de nebulosidade ........................................... 45 3.2.1.e - Previsão da componente directa e difusa da radiação solar ................ 49 3.2.1.f - Previsão da radiação global ....................................................... 51 3.2.2 - Fase 2......................................................................................... 51 3.2.2.a - Dados meteorológicos .............................................................. 52 3.2.2.b - Previsão da produção de uma central fotovoltaica ........................... 54
3.3 - Aplicabilidade do modelo de previsão desenvolvido ........................................ 56
Capítulo 4 ....................................................................................... 59
Teste do Modelo ............................................................................................. 59
4.1 - Introdução .......................................................................................... 59 4.2 - Método para avaliação e comparação do desempenho dos modelos ..................... 59 4.3 - Avaliação e comparação do desempenho dos diferentes modelos ........................ 60
4.3.1.a - Teste da Fase 1 ...................................................................... 60 4.3.1.b - Previsão da radiação global para um horizonte de 10 minutos ............. 60 4.3.1.c - Previsão da radiação global para um horizonte de 20 minutos ............. 62 4.3.1.d - Previsão da radiação global para um horizonte de 30 minutos ............. 63 4.3.1.e - Análise da fonte de erro ........................................................... 64 4.3.1.f - Síntese dos resultados da fase 1 .................................................. 66 4.3.2 - Teste da Fase 2 ............................................................................. 66
Capítulo 5 ....................................................................................... 71
Conclusões e Futuros Desenvolvimentos ................................................................. 71
5.1 - Conclusões .......................................................................................... 71 5.2 - Dificuldades e Futuros Desenvolvimentos ..................................................... 72
Referências ..................................................................................... 73
xiii
Lista de Figuras
Figura 1.1 - a) Evolução anual da potência PV acumulada instalada a nível mundial desde 2000 a 2009; b) Evolução anual da potência PV instalada mundialmente entre 2000 e 2009, adaptado de [4] .................................................................................. 2
Figura 1.2 - Diagrama de cargas da rede eléctrica portuguesa, no dia 28 de Julho de 2009 [6] .......................................................................................................... 2
Figura 1.3 - Potência entregue à rede eléctrica portuguesa pelas centrais hidroeléctricas e fotovoltaicas, no dia 28 de Julho de 2009, adaptado de [6] .................................... 3
Figura 1.4 – Produção renovável e consumo no ano de 2009 ........................................... 4
Figura 1.5- Total Sky Imager e exemplo de uma imagem característica obtida por este equipamento ............................................................................................. 7
Figura 1.6 - Central fotovoltaica em estudo .............................................................. 8
Figura 2.1 – Aproveitamento da energia solar .......................................................... 10
Figura 2.2 – Central solar térmica do tipo torre solar (Fonte: NREL) ............................... 11
Figura 2.3 – Central solar térmica do tipo disco parabólico (Fonte:NREL) ........................ 12
Figura 2.4 - Central solar térmica do tipo cilindro-parabólica (Fonte: NREL) .................... 13
Figura 2.5 - Radiação solar incidente nos diferentes sistemas estudados [21] ................... 15
Figura 2.6 - Produção diária dos diferentes sistemas estudados [21] .............................. 15
Figura 2.7 – Comparação entre a produção de uma central solar termoeléctrica e uma central PV para um dia nublado [22]. A curva a azul representa a produção de CSP e a curva a vermelho representa a produção da central PV. .................................... 16
Figura 2.8 - Gráficos de ACF e PACF da série [26] .................................................. 19
Figura 2.9 - Evolução dos valores previstos e medidos da irradiância solar para 3 dias [26] ... 19
Figura 2.10 - Diagrama simplificado de uma rede neuronal do tipo feedforward [27] .......... 20
Figura 2.11 - Diagrama esquemático de um neurónio [29] ........................................... 21
Figura 2.12 - Função de activação tangente sigmoide [30] .......................................... 21
xiv
Figura 2.13 - Comparação entre os valores medidos e estimados de radiação global diária para o conjunto de teste [32] ....................................................................... 22
Figura 2.14 - Metodologia proposta para a previsão da radiação solar descrito em [36] ....... 24
Figura 2.15 – Metodologia utilizada pelos satélites para a previsão da radiação solar terrestre, adaptado de [39] ......................................................................... 25
Figura 2.16 - Metodologia utilizada para a previsão da distribuição das nuvens, adaptado de [38] .................................................................................................. 25
Figura 2.17 - Orbita da Terra em torno do Sol, adaptado de [40] .................................. 26
Figura 2.18 - Variação da declinação solar ao longo do ano, adaptado de [40] .................. 27
Figura 2.19 - Ângulos que definem a posição solar [42] .............................................. 28
Figura 2.20 - Ângulo de incidência dos raios solares no plano inclinado [41] ..................... 29
Figura 2.21 - Trajectória dos raios solares na atmosfera [45] ....................................... 30
Figura 2.22 – Modelo de previsão horária da produção de um sistema fotovoltaico, adaptado de [47] ...................................................................................... 32
Figura 2.23 – Performance do modelo de previsão descrito em [47], para 7 dias do mês de Abril ..................................................................................................... 33
Figura 3.1 - Constituição do modelo de previsão desenvolvido na dissertação ................... 36
Figura 3.2 - Evolução temporal da radiação global medida e radiação global calculada através do modelo de céu limpo ................................................................... 37
Figura 3.3 - Relação entre os valores de radiação global medidos e valores de radiação global calculados ...................................................................................... 37
Figura 3.4 - Evolução temporal da radiação global medida e radiação global ajustada ........ 38
Figura 3.5 - Evolução temporal da radiação global medida e radiação global ajustada ........ 39
Figura 3.6 - Evolução temporal da radiação directa e difusa medida e radiação directa e difusa estimada para dias de céu claro ........................................................... 40
Figura 3.7 - Rotinas realizadas para o processamento das imagens obtidas pelo TSI ........... 41
Figura 3.8 – Exemplos de pontos a ser tratados pela rotina de eliminação de ruído ............ 42
Figura 3.9 - Tratamento da área ocupado pelo braço da máquina ................................. 42
Figura 3.10 - Tratamento da área ocupado pelo faixa móvel que protege a máquina .......... 43
Figura 3.11 - Imagem original e imagem monocromática sem ruído ............................... 44
Figura 3.12 - Imagem classificada ........................................................................ 44
Figura 3.13 - Imagem classificada e separada por sectores .......................................... 45
Figura 3.14 – Algoritmo para previsão do desenvolvimento das nuvens ........................... 46
xv
Figura 3.15 – Animação representativa e explicativa da detecção do vector que optimiza a correlação cruzada .................................................................................... 46
Figura 3.16 – Algoritmo evolucionário utilizado na optimização do problema .................... 47
Figura 3.17 – Sequência de imagens do céu obtidas a partir do solo ............................... 48
Figura 3.18 – Resultado obtido pelo algoritmo de processamento de imagem e detecção de movimento ............................................................................................. 48
Figura 3.19 - Metodologia utilizada para a previsão das percentagens de céu limpo nos instantes futuros ...................................................................................... 48
Figura 3.20 - a) Evolução temporal da radiação global, directa e difusa medida para 5 dias do conjunto de dados disponíveis; b) Percentagem total do céu ocupada por nuvens para os mesmos instantes (valores médios de 10 minutos) .................................... 50
Figura 3.21 - a) Variação da curva I-V característica de um painel fotovoltaico com a variação da radiação incidente; b) Variação da curva P-V com a variação da radiação incidente no módulo [48] ............................................................................ 52
Figura 3.22 - Relação entre a radiação solar e a produção da central. Os pontos a vermelho reflectem a relação a partir das 14 horas para 3 dias do mês de Maio ......... 53
Figura 3.23 - a) Variação da curva I-V característica de um painel fotovoltaico com a variação da temperatura do módulo; b) Variação da curva P-V com a variação da temperatura do módulo fotovoltaico [48] ........................................................ 53
Figura 3.24 - Evolução temporal da eficiência da central, da radiação global no plano da central a temperatura ambiente e a produção da central para 3 diferentes dias do mês de Maio ............................................................................................ 54
Figura 3.25 - Primeiro modelo a ser testado: Rede neuronal A ..................................... 55
Figura 3.26 - Rede neuronal B para previsão da potência fotovoltaica ............................ 55
Figura 3.27 - Rede neuronal C para previsão da potência fotovoltaica ............................ 55
Figura 3.28 – Simulação no ajuste do ponto de operação de um sistema PV ..................... 56
Figura 3.29 – Exemplo de funcionamento do modelo de previsão em conjunto com o sistema de armazenamento ......................................................................... 57
Figura 4.1 - Previsão a muito curto prazo (10 minutos), realizada pelo modelo desenvolvido na dissertação ......................................................................... 61
Figura 4.2 - Relação entre os valores medidos e os valores previstos da radiação global para um horizonte de 10 minutos .................................................................. 61
Figura 4.3 - Previsão a muito curto prazo (20 minutos), realizada pelo modelo desenvolvido na dissertação ......................................................................... 62
Figura 4.4 - Relação entre os valores medidos e os valores previstos da radiação global para um horizonte de 20 minutos .................................................................. 63
Figura 4.5 - Previsão a muito curto prazo (30 minutos), realizada pelo modelo desenvolvido na dissertação ......................................................................... 63
xvi
Figura 4.6 - Evolução temporal dos valores medidos e valores estimados da componente difusa .................................................................................................... 64
Figura 4.7 - Evolução temporal dos valores medidos e valores estimados da componente directa .................................................................................................. 65
Figura 4.8 - Evolução temporal dos valores medidos e valores estimados da radiação global .................................................................................................... 65
Figura 4.9 – Performance dos diferentes modelos de previsão para diferentes horizontes de previsão ............................................................................................. 66
Figura 4.10 - Desempenho dos modelos A, B e C para os diferentes dias do conjunto de teste ..................................................................................................... 67
Figura 4.11 - Produção medida e produção estimada pelo modelo C, para o dia 22 de Março de 2009 ......................................................................................... 68
Figura 4.12 - Produção medida e produção estimada pelo modelo C, para o dia 6 de Maio de 2009 ................................................................................................. 68
Figura 4.13 - Produção medida e produção estimada pelo modelo C, para o dia 27 de Novembro de 2009 .................................................................................... 69
Figura 4.14 - Produção medida e produção estimada pelo modelo C, para o dia 18 de Agosto de 2009 ........................................................................................ 69
Figura 4.15 - Relação entre os valores medidos e os valores estimados pela Rede neuronal C .......................................................................................................... 70
xvii
Lista de Tabelas
Tabela 2.1 - Relação entre as diversas tecnologias de conversão energia solar apresentadas e as componentes da radiação solar de que dependem, adaptado de [8] ........................................................................................................ 17
Tabela 3.1 – Correlação entre a variabilidade da radiação solar e as percentagens de céu limpo da imagem ...................................................................................... 51
xix
Abreviaturas e Símbolos
Lista de abreviaturas (ordenadas por ordem alfabética)
ACF Autocorrelation Function
AM Air Mass
AR Autoregressive
ARM Atmospheric Radiation Measurement
CPV Concentrated Photovoltaic
CSP Concentrated Solar Power
ECMWF European Center for Midrange Weather Forecast
EPIA European Photovoltaic Industry Association
PV Fotovoltaica
MLP Multi Layer Perceptron
MOS Model Output Statistics
MPPT Maximum Power Point Tracking
NWP Numerical Weather Prediction
NREL National Renewable Energy Laboratory
NOCT Nominal Operating Cell Temperature
PACF Partial Autocorrelation Function
PRE Produção em Regime Especial
RNA Rede Neuronal Artificial
SEE Sistema Eléctrico de Energia
SPSS Statistical Package for the Social Sciences
SRML UO University of Oregon Solar Radiation Monitoring Laboratory
STC Standard Test Conditions
TSI Total Sky Imager
UA Unidade Astronómica
Lista de símbolos
Elevação Solar
xx
Inclinação do plano
Azimute Solar
Factor de correcção de excentricidade
η Eficiência
δ Declinação solar
θ Distância zenital
Ф Latitude geográfica
Transmissibilidade da atmosfera para condição de céu limpo
Transmissibilidade da atmosfera para condição de céu nublado
Ângulo horário solar
Coeficiente de variação da potência em função da temperatura
A Área
B Componente directa da radiação solar
Componente directa da radiação solar para condições de céu limpo
D Componente difusa da radiação solar
Componente difusa da radiação solar para condições de céu limpo
Dia do ano
Fracção da central em funcionamento
G Irradiância solar global
Irradiância solar global, no instante t-1
Irradiância solar global, no instante t-24
Irradiância solar global para condições de céu limpo
H Hora do dia
Irradiância extraterrestre
Constante solar
K Índice de claridade
n Número de entradas da RNA
Metro quadrado
r Distância entre o Sol e a Terra
Distância média entre o Sol e a Terra
P Potência
PCLi|t-1 Percentagem de céu limpo no sector i no instante t-1, sendo t o instante da
previsão
PCLc|t+h Percentagem de céu limpo no centro da imagem no instante t+h
PCLf|t Percentagem de céu limpo em todo a imagem no instante t
Temperatura ambiente
W Watt
WS Velocidade do vento
Capítulo 1
Introdução
A crescente aposta em fontes de energia renovável, justificam a realização de estudos
sobre o impacto da integração destas nos sistemas eléctricos de energia (SEE) existentes. No
futuro, a energia solar, juntamente com a energia eólica irão desempenhar um papel
importante no fornecimento de energia eléctrica. No entanto, o carácter intermitente da
energia eléctrica produzida a partir de centrais eólicas e solares motiva o desenvolvimento de
ferramentas fiáveis, para uma integração bem sucedida destas centrais na rede eléctrica.
Neste capítulo introdutório, para além da exposição do problema abordado e o contexto
em que se insere, serão apresentados os principais objectivos e a estrutura desta dissertação.
1.1 - Enquadramento Geral
Actualmente, os combustíveis fósseis são a principal fonte de energia eléctrica em todo o
mundo [1]. O lento desenvolvimento das fontes de energia renovável deveu-se, em parte, ao
baixo custo e à abundante oferta dos combustíveis fósseis. No entanto, a partir dos anos 70, o
preço de alguns tipos de combustíveis fósseis têm flutuado bastante, tornando-se altamente
dependente da situação política internacional. Esta situação, juntamente com os problemas
de poluição ambiental, conduziu à necessidade de se desenvolver tecnologias eficientes
associadas às energias renováveis, economicamente viáveis e não poluentes [2]. Para além de
diminuir a emissão de gases poluentes para a atmosfera por parte das centrais convencionais,
a utilização de energias renováveis permite preservar as reservas dos recursos fósseis
existentes, para que possam ser utilizadas pelas gerações futuras, no fornecimento de
electricidade [3].
Depois de um forte investimento em energia eólica, nos últimos anos tem-se assistido a
uma crescente aposta na energia solar, nomeadamente fotovoltaica (PV):
2 Introdução
Figura 1.1 - a) Evolução anual da potência PV acumulada instalada a nível mundial desde 2000 a 2009; b) Evolução anual da potência PV instalada mundialmente entre 2000 e 2009, adaptado de [4]
Na Figura 1.1, é apresentada a evolução anual da potência PV instalada a nível mundial
desde 2000 até 2009. Em 2009, a potência fotovoltaica instalada em todo mundo aproximava-
se dos 22,8 GW, sendo que, a União Europeia contava com mais de 15,8 GW de potência
fotovoltaica instalada, um aumento de cerca de 5,4 GW face ao ano de 2008. De todos os
países Europeus a Alemanha é o que possui uma maior potência instalada com cerca de 9,8
GW [5]. Fora da Europa, o Japão apresenta-se como o maior mercado, com aproximadamente
2,6 GW instalados. Apesar de apresentar uma excelente localização para o aproveitamento do
recurso solar para a produção de energia fotovoltaica, a potência instalada em Portugal tem
crescido de forma lenta quando comparada com outros países.
Tendo em conta o diagrama de cargas nacional (Figura 1.2) para um dia típico da estação
de Verão, neste caso, dia 28 de Julho de 2009, verifica-se que a maior parte da energia
eléctrica é obtida através da queima de combustíveis fósseis e a partir das centrais
hidroeléctricas de albufeira e fio de água. As fontes de energia integradas na PRE têm uma
percentagem significativa no fornecimento de energia eléctrica para satisfazer o consumo:
Figura 1.2 - Diagrama de cargas da rede eléctrica portuguesa, no dia 28 de Julho de 2009 [6]
Enquadramento Geral 3
As centrais térmicas mais económicas asseguram a produção de base do diagrama de
cargas, funcionando de forma contínua. No entanto, as centrais térmicas com turbinas a gás
de arranque rápido, tanto são utilizadas na produção de base como nas horas de cheia e horas
de ponta. As fontes de energia integradas na PRE, onde se incluem as centrais fotovoltaicas,
colaboram também para a produção de base, uma vez que estas centrais não são
despacháveis sendo dependentes da disponibilidade do recurso solar. Já as centrais
hidroeléctricas, dada a sua velocidade de entrada e saída de serviço, centram a sua produção
nas horas de cheias e pontas mas, em alturas de maior pluviosidade, estas centrais,
especialmente as de fio de água, podem produzir energia de forma contínua, contribuindo
também para a produção de base juntamente com as centrais térmicas e as centrais da PRE
[7].
No gráfico da Figura 1.3 é representada a potência produzida pelas centrais
hidroeléctricas e centrais fotovoltaicas, no dia 28 de Julho de 2009:
Figura 1.3 - Potência entregue à rede eléctrica portuguesa pelas centrais hidroeléctricas e fotovoltaicas, no dia 28 de Julho de 2009, adaptado de [6]
Segundo as previsões da EPIA (European Photovoltaic Industry Association), num cenário
favorável, a potência PV instalada em Portugal poderá chegar a 1GW em 2014 [4]. Esta
potência prevista corresponde a um valor 10 vezes superior à potência instalada em 2009. Se
por hipótese, se verificasse uma potência instalada PV de 1 GW em 2009, a produção
proveniente das centrais fotovoltaicos no dia 28 de Julho de 2009 corresponderia
aproximadamente a 500 MW (assumindo um aumento da produção na mesma proporção que o
aumento da potência instalada). Como a energia produzida pelas centrais fotovoltaicas ocorre
praticamente na sua totalidade nas horas de cheias e pontas, esta situação iria permitir uma
diminuição da produção por parte das centrais hidroeléctricas, reflectindo-se a longo prazo
num aumento da água armazenada nas albufeiras, sendo uma grande vantagem para a gestão
do sistema eléctrico, especialmente em anos secos de Verão [7].
No gráfico da Figura 1.4 são apresentados os valores mensais suavizados de produção e
consumo nacional durante o ano de 2009. Analisando esse gráfico verifica-se a que a produção
de energia a partir de centrais hídricas e eólicas é superior nos meses de Inverno, tendo
valores mais baixos paras as estações mais quentes. No caso das centrais fotovoltaicas,
verifica-se o contrário, ou seja, a sua produção é maior nos meses do ano em que os valores
de radiação solar são maiores. O aumento da potência instalada de centrais solares
fotovoltaicas ou até mesmo centrais solares de concentração será importante para
complementar a produção das restantes renováveis nas alturas do ano em que esta é menor.
4 Introdução
Figura 1.4 – Produção renovável e consumo no ano de 2009
No entanto, existem limitações técnicas que impedem a alta penetração destas fontes de
energia renovável nas infra-estruturas actuais do SEE, mesmo quando existe um bom
potencial para o aproveitamento do recurso solar, como é o caso de Portugal. A energia
eléctrica produzida por algumas tecnologias de energia renovável, como por exemplo as
centrais solares, é caracterizada por ser intermitente, essencialmente devido ao
sombreamento provocado pela presença de nuvens. Embora, actualmente, a intermitência
não seja um problema grave, pois as fontes de energia solar representam uma pequena
parcela da produção de energia total, no futuro, um aumento da penetração de grandes
centrais solares numa rede eléctrica local é susceptível de introduzir novos problemas
técnicos, tais como flutuações de tensão, degradação da qualidade da energia eléctrica e até
mesmo problemas de estabilidade. Desta forma, para uma integração bem sucedida da
energia de origem solar na rede eléctrica, torna-se indispensável o desenvolvimento de
medidas eficazes para superar estes desafios técnicos e controlar a variabilidade com
diferentes níveis de penetração PV.
Os efeitos da intermitência na produção das centrais solares podem ser suavizados
recorrendo às seguintes estratégias [8]:
1. Diversificação e complementaridade
Os efeitos da intermitência do recurso solar podem ser atenuados através da
diversificação das fontes de produção de energia eléctrica. Por exemplo, a combinação da
variabilidade da energia eólica com a variabilidade da produção solar, em Portugal,
possibilitam uma maior suavização da intermitência do que qualquer recurso por si só. A
instalação de várias centrais solares numa área ampla, em vez de uma única grande central
solar, permitirá reduzir, também, a intermitência da produção. Outras soluções, como é o
caso de algumas centrais solares térmicas (CSP), passam por converter a central num sistema
híbrido que utiliza combustíveis fosseis, tornando a energia despachável em períodos do dia
nublados em que a energia solar não está disponível.
2. Sistemas de armazenamento
Algumas tecnologias de CSP oferecem a possibilidade de lidar com os efeitos da
intermitência característica do recurso solar, armazenando o calor gerado, na forma de um
Motivação e Objectivos da Dissertação 5
fluído aquecido em grandes tanques durante algumas horas, sendo portanto possível gerar
energia durante a noite ou em períodos do dia nublados [9]. O aumento de água armazenada
nas albufeiras, devido à penetração de centrais PV na rede eléctrica, poderá ser utilizado
para equilibrar as quebras da produção PV devido à variabilidade do recurso solar. Nos
últimos anos, têm sido realizados desenvolvimentos na área dos super condensadores
permitindo que estes tenham maiores capacidades, podendo vir a tornarem-se apropriados
para o armazenamento de energia. O mesmo acontece com as flywheels, estas têm a
capacidade de fornecer energia (acumulada sobre a forma de energia cinética), muito
rapidamente, atingindo potências elevadas [10], possibilitando assim a atenuação do impacto
das flutuações rápidas de produção.
3. Previsão
Os geradores e operadores de rede podem antever a intermitência do recurso solar
através do desenvolvimento e utilização de modelos de previsão. Em dias nublados, existem
num espaço de uma hora, variações importantes de radiação solar. Estas variações não devem
ser desprezadas, uma vez que terão influência sobre a geração de uma central solar.
Actualmente, existem modelos de previsão de produção fotovoltaica que utilizam, como
entrada, condições atmosféricas previstas por modelos de previsão numérica (NWP). Os
modelos de previsão numérica utilizam as condições meteorológicas actuais como entrada de
modelos matemáticos para prever as condições atmosféricas para um horizonte que pode
variar desde as 3 horas até alguns dias, não produzindo portanto, resultados para horizontes
inferiores a 30 minutos, isto é, a muito curto prazo. O mesmo se passa com os modelos que
utilizam imagens de satélite, que realizam previsões da radiação solar para um horizonte que
pode varia entre os 30 minutos e as 6 horas. A necessidade de se desenvolver uma ferramenta
de previsão a muito curto prazo da produção das centrais solares tem sido alvo de vários
estudos nos últimos anos, e será útil para a tomada de decisões para a diminuição dos efeitos
da variabilidade da produção no SEE, neste caso a partir do sol.
1.2 - Motivação e Objectivos da Dissertação
Os principais objectivos da política energética da União Europeia consistem em reduzir a
emissão dos gases responsáveis pelo efeito de estufa, aumentar a eficiência energética e
promover a utilização de energias renováveis, de tal forma que o seu peso no “mix
energético” alcance os 20% até 2020. O cumprimento destes objectivos será um verdadeiro
desafio nos dias em que as nuvens provoquem sombreamentos sobre as centrais solares ou nos
dias em que o vento for insuficiente para a produção de energia eólica.
Ultrapassar as barreiras técnicas resultantes da alta penetração de energia solar na rede
eléctrica será um desafio da próxima década. Dada a forte dependência da produção das
centrais solares da radiação solar, torna-se importante o desenvolvimento de ferramentas que
possibilitem a previsão da intermitência da radiação solar com boa precisão, o que permitirá
apostar mais em fontes de energia alternativa, reduzindo assim, a energia produzida a partir
de combustíveis fósseis, para além de trazer outros benefícios anteriormente enunciados.
Com o conhecimento antecipado de mudanças nas condições meteorológicas, através da
utilização de modelos de previsão sofisticados, o operador do sistema poderá saber quando
ocorrerão quebras de produção de uma central solar e preparar a entrada em serviço de outra
fonte de energia eléctrica para compensar a energia solar perdida. Este procedimento
6 Introdução
reduzirá o impacto da flutuação da produção solar, o que facilita a integração destas centrais
na rede eléctrica.
A realização desta dissertação tem como principal objectivo o desenvolvimento de um
modelo de previsão da produção de uma central solar a muito curto prazo, isto é, para
horizontes inferiores as 30 minutos. O modelo deverá prever a radiação solar, tendo em conta
o impacto da presença de nuvens, através da observação de imagens do céu. Após a
realização da previsão, será ainda necessário converter a radiação prevista em valores
adequados de produção solar. Para além disso, serão apresentados estudos e modelos
desenvolvidos nos últimos anos, com o objectivo de prever tanto a radiação solar como a
produção de uma central solar, que permitiram obter informações importantes na construção
do modelo de previsão aqui proposto.
1.3 - Estrutura da Dissertação
A presente dissertação é constituída por cinco capítulos, sendo este o capítulo
introdutório ao problema que se pretender resolver.
O capítulo 2 é inteiramente dedicado ao estado da arte relativo aos sistemas actuais de
conversão de energia solar em energia eléctrica, bem como, aos modelos de previsão
desenvolvidos até ao presente, associados ao recurso solar e às centrais solares, com
diferentes horizontes temporais. O objectivo é apresentar de forma sucinta, mas clara, como
funcionam as diferentes tecnologias de conversão de energia solar e mostrar de que forma
estas dependem da radiação solar. Isto é realizado com o intuito de dar ao leitor uma visão
geral de como o problema da previsão pode ser resolvido.
No terceiro capítulo serão descritos todas as etapas realizadas para a construção do
modelo e efectuados estudos das variáveis com interesse para a realização da previsão. Para
além disso, serão justificadas todas as decisões tomadas durante a construção da
metodologia.
No capítulo 4 desta dissertação, através da análise do erro de previsão, será testado o
desempenho da metodologia construída na resolução de problemas reais.
As principais conclusões obtidas nesta dissertação são apresentadas no capítulo 5. Neste
mesmo capítulo, são discutidas as dificuldades encontradas durante a realização desta
dissertação e apresentadas ideias para trabalhos futuros.
1.4 - Clarificação dos termos usados na Dissertação
Serve a presente secção para explicar alguns termos técnicos utilizados ao longo da
dissertação, de forma a esclarecer o significado dos mesmos.
O termo irradiância solar refere-se à potência solar incidente numa superfície por unidade
de área.
A radiação global consiste na soma de duas componentes: directa e difusa. A componente
directa representa os raios solares incidentes na superfície terrestre directamente a partir do
Sol. A componente difusa da radiação global, representa a radiação procedente de todo o céu
visível que é dispersa pela atmosfera, excluindo os raios directos provenientes do disco solar.
O termo muito curto prazo corresponde a horizontes inferiores a 30 minutos.
Dados utilizados na Dissertação 7
As condições de teste padrão (STC) referem-se uma radiação incidente de 1000 W/m2 para
uma temperatura ambiente de 25 °C.
1.5 - Dados utilizados na Dissertação
As imagens utilizadas neste projecto são obtidas a partir da base de dados da ARM
(Atmospheric Radiation Measurement), disponível em [11]. Juntamente com as fotografias,
esta organização disponibiliza dados medidos da componente directa e difusa da radiação
solar. A informação utilizada é proveniente de uma estação meteorológica, localizada em
Southern Great Plains, nos Estados Unidos da América. As fotografias são obtidas por um
sistema automático de aquisição de imagens, designado por Total Sky Imager (TSI), que, como
se pode ver na Figura 1.5, permite a visualização da distribuição das nuvens no céu em
tempo-real. Este equipamento, é utilizando em algumas das metodologias de previsão da
radiação solar, que serão apresentadas no capítulo 2.
Figura 1.5- Total Sky Imager e exemplo de uma imagem característica obtida por este equipamento
O TSI é constituído por uma máquina fotográfica voltada para um espelho convexo. Dada a
forma do espelho, este sistema captura a disposição das nuvens de todo o céu visível a partir
do ponto onde o TSI está localizado. No espelho existe uma fita que, à medida que este roda,
mantém o sol oculto, protegendo a objectiva da câmara fotográfica dos raios solares
reflectidos no espelho. Esta ferramenta captura imagens a cores, em intervalos de tempo
definido pelo utilizador, neste caso 1 minuto, e armazena os dados em formato JPEG. No
âmbito desta dissertação serão utilizados valores de radiação solar médios de 10 minutos.
Os dados de produção da central solar utilizados neste estudo, encontram-se disponíveis
em [12]. A base de dados é disponibilizada pela SRML UO (University of Oregon Solar
Radiation Monitoring Laboratory), e contém dados meteorológicos, bem como, valores de
produção de diversas centrais fotovoltaicas, localizadas nos Estados Unidos da América. O
sistema de aquisição de dados captura valores de irradiância solar, a temperatura ambiente,
a velocidade do vento e a produção da central PV, sendo estes valores registados e guardados
a cada 5 minutos.
A central fotovoltaica em estudo (Figura 1.6), é constituída por 64 painéis solares
policristalinos de 270W, ASE 300 DG-50. Esta instalação fotovoltaica encontra-se ligada à rede
8 Introdução
através do inversor Trace PV 15208 de 15 kW, estando o gerador orientado para Sul com um
ângulo de 15o de inclinação.
Figura 1.6 - Central fotovoltaica em estudo
Esta central fotovoltaica encontra-se localizada na cidade de Ashland, no estado
americano de Oregon.
Capítulo 2
Estado da Arte
2.1 - Introdução
A previsão da radiação solar na superfície da Terra é um problema complexo e de grande
importância para a gestão das centrais solares. Devido ao forte impacto causado pela
nebulosidade sobre a radiação solar, torna-se indispensável o conhecimento da presença de
nuvens para a realização deste tipo de previsões [13].
A potência produzida por uma central solar, por exemplo fotovoltaica, está fortemente
relacionada, de forma praticamente linear, com a irradiância global incidente no local onde o
sistema fotovoltaico está instalado. Deste modo, as dificuldades encontradas para a previsão
da produção das centrais fotovoltaicas são essencialmente as mesmas da previsão da
irradiância global [14]. Actualmente, para além de modelos de regressão simples, os modelos
auto-regressivos AR e redes neuronais são utilizados para realizar este tipo de previsões.
Este capítulo tem como principal objectivo apresentar as tecnologias actuais de conversão
de energia solar em energia eléctrica, bem como, apresentar algumas metodologias
desenvolvidas para a previsão da radiação solar, que permitam antever a produção de energia
eléctrica nas centrais solares, com diferentes horizontes temporais.
2.2 - Tecnologias de conversão de energia solar
A energia proveniente do Sol pode ser convertida em energia útil através de uma
variedade de tecnologias que se dividem em duas categorias (Figura 2.1): térmica e
fotovoltaica. As tecnologias solares térmicas convertem a energia solar em calor, que pode
ser directamente utilizado para aquecimento de águas, ou convertido em energia mecânica e
posteriormente em energia eléctrica através do uso de turbinas a vapor. As tecnologias
fotolvoltaicas convertem a radiação solar directamente em electricidade, através do efeito
fotovoltaico.
10 Estado da Arte
Figura 2.1 – Aproveitamento da energia solar
A energia solar térmica pode ser aproveitada de forma passiva ou de forma activa. O
aproveitamento térmico passivo é efectuado recorrendo a técnicas construtivas e de
concepção de habitações que permitem a penetração ou absorção da radiação solar
reduzindo-se as necessidades de iluminação e aquecimento dos prédios. Já o aproveitamento
activo é realizado através da utilização de sistemas constituídos por colectores ou
concentradores solares permitindo a produção de calor e energia eléctrica.
2.2.1 - Tecnologia solar térmica
O aproveitamento da energia térmica proveniente do Sol para o aquecimento de fluidos é
feito recorrendo a colectores ou a concentradores solares. Os colectores solares são
essencialmente utilizados em aplicações residenciais e comerciais para o aquecimento de
água a temperaturas relativamente baixas. Nestes sistemas a radiação solar é absorvida
ficando retida na cobertura de vidro do colector sobre a forma de calor, aquecendo a água
contida nos canos de uma serpentina. A água é transferida para o reservatório térmico devido
às correntes de convecção formadas pelo seu aquecimento. Por sua vez, a utilização de
concentradores solares destinam-se a aplicações que requerem temperaturas mais elevadas,
como a produção de vapor. Neste último caso, pode-se gerar energia eléctrica através de um
processo termodinâmico [15].
A tecnologia CSP concentram a radiação solar utilizando espelhos, o que permite a uma
utilização mais eficiente da luz solar. Para se produzir electricidade a partir da energia solar
térmica é necessário um concentrador, um receptor, um sistema de transporte, um sistema
armazenamento (opcional) e um sistema para converter calor em energia eléctrica. Estas
tecnologias de concentração são dotadas de um sistema de seguimento de forma a
acompanhar a posição solar, uma vez que este tipo de central requer a utilização da
componente directa da radiação solar. O receptor do sistema tem a função de converter a luz
concentrada em calor, e transferir esse calor para um fluído que é utilizado num ciclo
termodinâmico, análogo ao que é utilizado nas centrais convencionais para converter a
energia térmica em energia eléctrica. Algumas destas centrais termoeléctricas solares
oferecem a possibilidade de lidar com a intermitência característica do recurso solar,
armazenando o calor gerado na forma de um líquido aquecido em grandes tanques durante
algumas horas, sendo portanto, possível gerar energia durante a noite ou em períodos do dia
nublados. No entanto, o uso de sistemas de armazenamento acarreta custos adicionais e
apresenta perdas de calor [9]. Outra solução passa por converter a central solar num sistema
Energia Solar
Térmica
Passiva Activa
Fotovoltaica
Tecnologias de conversão de energia solar 11
híbrido que utiliza combustíveis fosseis, normalmente gás natural, tornando a energia
despachável em períodos em que a energia solar não está disponível.
As três tecnologias de concentração solar térmica mais promissoras são:
Tecnologia de torre solar;
Tecnologia disco parabólico;
Tecnologia cilindro-parabólica;
2.2.1.a - Tecnologia de torre solar
Um sistema de torre solar, também chamado de receptor central, é constituído por um
conjunto de espelhos denominados de heliostatos dotados com um sistema de seguimento
solar de dois eixos, que redireccionam os raios solares para um receptor central. O receptor
encontra-se localizado no topo de uma torre de forma a minimizar os sombreamentos sobre
este, como se pode ver na Figura 2.2:
Figura 2.2 – Central solar térmica do tipo torre solar (Fonte: NREL)
O receptor converte a energia radiante em energia térmica transferindo o calor para um
fluído que pode ser água ou sais fundidos. O fluído pode ser, opcionalmente, armazenado
podendo ser usado de forma a atenuar as flutuações na disponibilidade do recurso solar.
Quando é necessária a produção de energia eléctrica, o fluído é bombeado para um
sistema de geração de vapor que produz vapor para um sistema convencional turbina/gerador
eléctrico. Do gerador o fluido é retornado para um tanque frio onde é armazenado, podendo
ser posteriormente reaquecido no receptor [16].
2.2.1.b - Tecnologia disco parabólico
Os sistemas do tipo disco parabólico convertem a energia térmica proveniente da radiação
solar em energia mecânica e depois em energia eléctrica. Como se constata na Figura 2.3,
estes sistemas são compostos por concentradores solares e uma unidade de conversão de
energia. Os concentradores possuem uma superfície espelhada e têm a forma de discos
parabólicos que concentram a componente directa da radiação num receptor, também
designado por foco, com o objectivo de alcançar as temperaturas necessárias para converter
12 Estado da Arte
calor em trabalho. O sistema de concentração possui um sistema de seguimento solar de dois
eixos que aponta para o sol de forma permanente e contínua.
O receptor solar, que converte a energia solar em calor, contém um fluido, normalmente
hidrogénio, que serve de meio de transferência de calor. O hidrogénio aquecido impulsiona
um motor/gerador Stirling. O motor/gerador utiliza o calor proveniente do receptor para
mover os pistões que o constituem e produzir energia mecânica. O trabalho mecânico na
forma de rotação do motor é utilizado para accionar um gerador e produzir energia eléctrica
[17].
Figura 2.3 – Central solar térmica do tipo disco parabólico (Fonte:NREL)
A modularidade destas centrais solares térmicas permite que estas sejam instaladas
individualmente para aplicações remotas, ou agrupadas e conectadas a redes de baixa
potência. Actualmente, o armazenamento térmico não é considerado uma opção viável para
este tipo de centrais.
2.2.1.c - Tecnologia cilindro-parabólica
Neste tipo de central (Figura 2.4) o concentrador tem a forma de uma calha cilíndrica e é
dotado de um sistema de seguimento solar de apenas um eixo. Um campo solar é composto
por várias filas em paralelo de concentradores solares alinhados sobre o eixo norte-sul, que
acompanham o Sol de Este para Oeste garantindo que o Sol é continuamente reflectido no
receptor solar.
Tecnologias de conversão de energia solar 13
Figura 2.4 - Central solar térmica do tipo cilindro-parabólica (Fonte: NREL)
O receptor solar é um tubo de vidro que contém um fluido que é aquecido à medida que
circula através do receptor. O fluido quente é bombeado para um conjunto de permutadores
de calor onde é produzido vapor que irá passar por um ciclo termodinâmico para a produção
de electricidade, à semelhança do que acontece nas centrais de torre. Posteriormente, o
vapor que passou na turbina é condensado podendo ser reutilizado para a produção de vapor
[17].
2.2.2 - Tecnologia fotovoltaica
A conversão directa da radiação solar em energia eléctrica é feita recorrendo a células
fotovoltaicas. Estas células são compostas por elementos semicondutores, como o silício.
Como o cristal de silício puro não possuí electrões livres, este é dopado com outros
elementos. Da dopagem do silício com fósforo obtém-se um material com electrões livres
(camada tipo n). Dopando-se o silício com boro obtém-se um material com falta de electrões,
ou seja, com cargas positivas livres (camada do tipo p). Cada célula fotovoltaica é constituída
por uma camada fina de material do tipo n e outra com uma maior espessura de material do
tipo p. Ao juntar-se estas duas camadas os electrões livres da camada do tipo n ocupam os
espaços vazios (lacunas) da camada do tipo p.
Quando a luz solar atinge a célula fotovoltaica, os fotões são absorvidos pelos electrões
fornecendo energia suficiente para quebrar as ligações dos electrões. Os electrões libertados
são conduzidos através do campo eléctrico para a camada n. As lacunas assim criadas seguem
na direcção contrária, ou seja, para a camada do tipo p. Ao ligar-se a camada n à camada do
tipo p com um condutor completar-se-á um circuito eléctrico, permitindo que os electrões
fluam para a camada p, criando uma corrente eléctrica. Este fluxo de electrões manter-se-á
enquanto a luz incidir na célula. A intensidade da corrente eléctrica variará da mesma forma
que a luz solar incidente varia [18].
As células fotovoltaicas podem ser compostas por silício monocristalino, silício
policristalino ou silício amorfo. Dadas as características do silício monocristalino, cristal
único, esta tecnologia permite obter células com maiores eficiências, no entanto, o seu
processo de fabrico é mais caro. As células policristalinas são mais baratas, mas, atingem
eficiências mais baixas, quando comparadas com a tecnologia anterior. No caso do silício
amorfo, o cristal não tem uma forma regular, sendo o fabrico de células ainda mais barata,
mas com a desvantagem de se obter eficiências ainda mais baixas [19].
Os painéis fotovoltaicos são comercialmente viáveis para a produção de energia eléctrica
em pequenas instalações. A sua utilização é particularmente vantajosa em regiões remotas de
difícil acesso a redes de transmissão de energia em grande escala. Isto pode ser efectuado
14 Estado da Arte
usando painéis solares fotovoltaicos fixos ou controlados por um sistema de seguimento solar
ou, ainda, usando sistemas de concentração óptica para concentrar a radiação solar numa
área muito menor reduzindo a quantidade de material fotovoltaico.
2.2.2.a - Tecnologia solar de concentração fotovoltaica
As centrais solares fotovoltaicas de concentração (CPV) geram energia eléctrica da mesma
forma que a tecnologia fotovoltaica convencional. A diferença nas tecnologias reside na
adição de um sistema óptico que concentra uma grande quantidade de luz solar numa célula
fotovoltaica. A substituição das células fotovoltaica, de maior custo, por sistemas ópticos de
concentração, de menor custo, é realizada com o objectivo de reduzir os custos da produção
de energia eléctrica [20]. Embora o CPV tenha uma maior eficiência quando comparado com
os sistemas fotovoltaicos tradicionais, os sistemas de concentração requerem apenas a
componente directa da radiação solar. Desta forma, como os sistemas fotovoltaicos
tradicionais utilizam tanto a componente directa como a difusa da radiação solar, continuam
a ser uma boa opção para ser instalado em zonas onde existem frequentemente condições de
céu nublado. Ao contrário dos sistemas de concentração, o PV tradicional não necessita de um
sistema de seguimento solar.
Actualmente, existem dois tipos de sistemas de concentração fotovoltaica: sistemas de
refracção que utilizam lentes e sistemas de reflexão que utilizam um ou mais espelhos. No
entanto, independentemente do sistema óptico escolhido, o objectivo é concentrar a luz
solar num painel PV para produzir mais energia a partir de menos material fotovoltaico.
Relativamente aos sistemas de armazenamento, as baterias actuais são ainda sistemas
ineficientes e bastante caros.
2.2.3 - Estudo comparativo entre as diferentes tecnologias de conversão solar
Na apresentação realizada por Collares Pereira, em [21], é efectuado um estudo
comparativo da produção proveniente das diferentes tecnologias fotovoltaicas. As tecnologias
comparadas são:
Painéis PV monocristalinos fixos;
Painéis PV monocristalinos dotados de um sistema de seguimento de 2 eixos;
CPV dotado com o mesmo sistema de seguimento.
A produção diária destes 3 sistemas estudados foi monitorizada para os primeiros seis dias
do mês de Agosto com diferentes condições climatéricas:
Tecnologias de conversão de energia solar 15
Figura 2.5 - Radiação solar incidente nos diferentes sistemas estudados [21]
Do gráfico da Figura 2.5, podemos verificar que no primeiro dia, a radiação solar
incidente em todos os sistemas de conversão de energia é altamente afectada pela presença
de nuvens. Nesta situação, os geradores PV convencionais têm uma maior produção de
energia (Figura 2.6), uma vez que estes sistemas aproveitam a componente difusa da radiação
solar, que é maior em dias nublados do que em dias de céu limpo. De entre os sistemas
convencionais, o que possui sistema de seguimento solar consegue produzir mais energia ao
longo do dia. Para dias com estas características, o sistema de concentração, apesar de ter
maiores eficiências, produz menos energia, pois a componente directa da radiação solar é
baixa para dias nublados.
Figura 2.6 - Produção diária dos diferentes sistemas estudados [21]
Para dias em que se verificam condições de céu limpo, como é o caso do dia 3 de Agosto,
o CPV, como seria de se esperar, consegue produzir mais energia diária, quando comparado
16 Estado da Arte
com os sistemas tradicionais. Este estudo comparativo reflecte a alta dependência das
tecnologias fotovoltaicas de concentração da componente directa incidente no plano do
painel do sistema.
Uma comparação entre a variabilidade a muito curto prazo da produção de uma central
solar termoeléctrica com a produção de uma central PV é realizada em [22]. A comparação é
efectuada entre duas centrais distanciadas de 50 km entre si. A Figura 2.7 mostra que a
produção proveniente da tecnologia CSP, mesmo sem qualquer sistema de armazenamento,
tem uma menor variabilidade do que o PV tradicional, para dias nublados:
Figura 2.7 – Comparação entre a produção de uma central solar termoeléctrica e uma central PV para um dia nublado [22]. A curva a azul representa a produção de CSP e a curva a vermelho representa a produção da central PV.
Esta situação demonstra que, a muito curto prazo, as variações rápidas do recurso solar
não se reflectem na produção da tecnologia de concentração CSP de forma tão acentuada,
como se verifica com os sistemas convencionais PV. Isto acontece, porque a temperatura do
fluido que constitui o ciclo termodinâmico, não varia repentinamente, continuando a produzir
vapor para accionar a turbina acoplado ao alternador, mesmo em períodos de céu nublado.
2.2.4 - Importância da radiação solar para as diferentes tecnologias de
conversão solar
As diferentes tecnologias que fazem o aproveitamento da energia solar para a produção
de energia eléctrica são influenciadas pela natureza do recurso, nomeadamente, pelas
diferentes componentes da radiação solar e sua variabilidade. A Tabela 2.1 foi construída com
o intuito de relacionar as diferentes tecnologias solares com as diferentes componentes da
radiação solar de que dependem:
Previsão da radiação solar 17
Tabela 2.1 - Relação entre as diversas tecnologias de conversão energia solar apresentadas e as componentes da radiação solar de que dependem, adaptado de [8]
Como podemos concluir, pela análise da Tabela 2.1, a tecnologia PV convencional
depende da radiação global, no entanto, as tecnologias de concentração CSP e CPV são
dependentes da componente directa da radiação solar. E se algumas tecnologias CSP lidam
com intermitência através da utilização de sistemas de armazenamento, a intermitência da
produção PV e do CPV poderá ser controlada através da utilização de sistemas de previsão não
só da radiação global, mas também da componente directa da radiação solar.
2.3 - Previsão da radiação solar
Nos últimos anos, a produção de energia eléctrica a partir de fontes de energia renovável
tem surgido no mercado devido a razões económicas e ambientais. No entanto, existem
limitações técnicas que impedem a penetração deste tipo de centrais nas infra-estruturas
actuais do sistema eléctrico, sendo a variabilidade da produção o principal desafio da sua
integração. Ao contrário das centrais convencionais, salvo eventuais falhas técnicas, que são
despacháveis, a energia produzida a partir de tecnologias de conversão solar são dependentes
das condições meteorológicas.
Como analisado no capítulo introdutório, a diversificação das fontes de energia bem como
a utilização de sistemas de armazenamento de energia podem tornar-se uma solução viável
na prestação de serviços de apoio aos sistemas solares, oferecendo a possibilidade de lidar
com a intermitência do recurso solar atenuando o seu impacto e facilitando a sua integração
no sistema eléctrico. No entanto, a ferramenta abordada nesta dissertação, para a resolução
deste problema, é a previsão do comportamento do recurso solar.
Tipo de recurso Tecnologias de conversão
Componente da Radiação Solar
Descrição Exemplo Produto
Radiação Directa Principal componente da radiação
solar, recebida directamente a partir do Sol
Solar Térmico de Concentração (CSP)
Electricidade, Calor
Fotovoltaico de Concentração (CPV)
Electricidade
Radiação Difusa
Componente da radiação procedente de todo o céu visível, excluindo o disco
solar, e originada pelos raios não directos e dispersos pela atmosfera
Clarabóia (abertura no alto das edifícios,
destinada a permitir a entrada de luz)
Luz
Radiação Global no Plano
Horizontal
Radiação que resulta da soma da radiação directa e difusa, incidente
numa superfície horizontal
Aquecimento Solar Passivo
Calor
Radiação Global no Plano Inclinado
Radiação Global incidente numa superfície inclinada ou superfície com
seguimento solar
Painel Solar Fotovoltaico (PV)
Electricidade
Painel Solar Térmico Aquecimento
de águas
18 Estado da Arte
Existem diversos modelos matemáticos que permitem simular a radiação solar que atinge
a superfície terrestre. No entanto, para se realizar previsões, deve-se ter em conta os
processos que ocorrem quando a radiação solar interage com a atmosfera. Entre os factores
que atenuam a radiação solar a presença das nuvens é o mais relevante. A atenuação
provocada pelas nuvens é um processo de natureza estocástica, o que torna a sua previsão
uma tarefa complexa. Nos últimos anos, têm sido realizados vários trabalhos com a finalidade
de prever a radiação solar na superfície terrestre. O objectivo neste subtema é apresentar
uma visão geral das técnicas utilizadas para modelizar e prever a radiação solar,
nomeadamente a utilização de inteligência artificial.
2.3.1 - Modelos de regressão e auto-regressivos
Para a previsão da radiação solar podem ser utilizados modelos simples [23], é o caso do
modelo de regressão com coeficientes que variam ao longo do tempo. Segundo o autor, a
utilização de logaritmos neste modelo reduz de forma significativa o erro de previsão em
pontos de transição entre o nascer e o pôr-do-sol. Para situações de valor nulo de radiação,
estes são convertidos em logaritmos adicionando-se uma constante positiva de baixo valor.
Sendo a radiação solar, a regressão para a previsão hora a hora toma a seguinte forma:
onde representa o coeficiente que varia com o tempo e é o resíduo que segue uma
distribuição de probabilidade P de média nula e variância . Neste modelo considera-se que
existe auto-regressividade de primeira ordem, ou seja, o valor da radiação na hora anterior
tem significado para o cálculo da radiação na hora seguinte. O padrão diurno da radiação
solar é captado pela inserção de um atraso de 24 horas na expressão da radiação.
Em [24], é feito uma referência ao modelo de previsão da irradiância global, desenvolvido
por Chowdhury e Rahman. Neste modelo, a irradiância global é dividida numa componente de
céu limpo e outra componente de céu nublado:
sendo a irradiância global e a irradiância global para dia de céu limpo. A componente
representa a transmissibilidade das nuvens que é modelizada por um processo estocástico
utilizando modelos auto-regressivos. Para dias de céu limpo, a irradiância global é calculada
pela expressão 2.3:
onde é a irradiância extraterrestre e é a transmissibilidade da atmosfera em dias de céu
limpo. Segundo os autores, o modelo desenvolvido é bastante preciso, excepto em situações
transitórias causadas pela passagem de nuvens provocando sombreamentos [25].
No artigo intitulado de “Short term forecasting of solar radiation” [26], é proposto um
modelo auto-regressivo AR para a previsão da radiação solar a curto prazo. Os modelos AR são
Previsão da radiação solar 19
modelos matemáticos que expressam uma série temporal como uma função linear dos valores
observados no passado.
De forma a separar os efeitos climáticos dos efeitos da sazonalidade da radiação solar, os
autores calculam o índice de claridade garantindo a estacionariedade da série. Esta
variável adimensional induz a aleatoriedade causada pela presença de nuvens e outros gases e
é obtida pela relação 2.4:
Da análise do gráfico da Figura 2.8 de autocorrelação ACF da série , os autores chegam
à conclusão que o modelo AR é apropriado para realizar a previsão. A ordem do modelo é
retirada do gráfico PACF. Neste caso, foi considerado um modelo AR de ordem 4.
Figura 2.8 - Gráficos de ACF e PACF da série , adaptado de [26]
No gráfico da Figura 2.9 são apresentados os resultados obtidos por esta metodologia na
previsão da radiação solar para três dias com diferentes características. A curva a tracejado
representa os valores medidos e a curva azul representa os valores obtidos pelo modelo.
Figura 2.9 - Evolução dos valores previstos e medidos da irradiância solar para 3 dias [26]
20 Estado da Arte
2.3.2 - Redes neuronais artificiais
Nos últimos anos, o interesse na utilização de redes neuronais para a realização da
previsão tem aumentado, essencialmente devido à sua capacidade de imitar a inteligência
natural, aprendendo a partir da experiência, ou seja, aprendem uma relação entre as
variáveis de entrada e de saída estudando a informação guardada. Por isso, as redes
neuronais artificiais (RNA) são mecanismos computacionais que tentam emular o processo de
aprendizagem do cérebro humano. Estas oferecem uma forma alternativa para resolver
problemas complexos, podendo aprender a partir de exemplos, são capazes de lidar com
dados ruidosos e incompletos, lidam com problemas não lineares e uma vez treinadas podem
realizar previsões e generalizações instantaneamente [27].
As RNA integram unidades básicas de processamento interligadas, os neurónios, que
geralmente são conectados através de canais de comunicação que estão associados a um
determinado peso. Estas são constituídas por uma camada de entrada, camada escondida e
uma camada de saída. Como se pode verificar na Figura 2.10, as RNA podem ser constituídas
por uma ou por várias camadas escondidas:
Figura 2.10 - Diagrama simplificado de uma rede neuronal do tipo feedforward [27]
Os problemas são resolvidos por um processo designado de treino ou aprendizagem. No
processo de treino, cada neurónio calcula uma soma ponderada de todos os seus sinais de
entrada, executa uma operação não linear através de uma função de activação e, por fim,
produz um resultado designado por saída.
2.3.2.a - Operação executada pelos neurónios
Uma rede neuronal é constituída por um grande número de unidades interligadas
denominadas por neurónios. O neurónio é um elemento básico que funciona como um
processador que recebe sinais de entrada enviados por outros neurónios. As entradas são
combinadas para gerar sinais de saída através de uma função de activação, projectando as
saídas para outros neurónios ao longo das conexões conhecidas por pesos. Os pesos são usados
para excitar ou inibir o sinal comunicado ao neurónio [28].
Na Figura 2.11 é apresentado um diagrama esquemático de um neurónio artificial:
Previsão da radiação solar 21
Figura 2.11 - Diagrama esquemático de um neurónio [29]
Cada neurónio de índice x da camada k recebe um estímulo dos neurónios da camada
anterior p que é multiplicado por um peso . Todas a entradas ponderadas são somadas
e, é gerado um sinal de saída através de uma função de activação f, que pode ser linear ou
não linear:
O sinal de saída irá, por sua vez, activar neurónios da camada seguinte [29].
Nas redes neuronais, a função de activação é utilizada para modular os sinais de entrada e
fornecer uma resposta de saída. Esta função vai limitar a amplitude do sinal de saída a um
intervalo que geralmente varia entre . Existem várias funções de activação
amplamente utilizadas para treino da RNA, como por exemplo: em degrau, linear e sigmóide.
A função de activação utilizada na metodologia desenvolvida nesta dissertação é uma função
variante da sigmóide, a tangente sigmoide:
Figura 2.12 - Função de activação tangente sigmoide [30]
2.3.2.b - Topologia das redes neuronais artificiais
Quanto à sua topologia, as redes neuronais podem ser do tipo feedback (recorrentes) ou
feedforward (unidireccionais). No âmbito desta dissertação, serão utilizadas redes do tipo
feedforward. As redes unidireccionais funcionam de forma progressiva, não existindo
informação acerca dos processos a jusante, ou seja, a informação é projectada a partir da
camada de entrada até à camada de saída [31]. O contrário verifica-se nas redes com
realimentação, ou seja, do tipo feedback. A rede neuronal MLP (Multi Layer Perceptron),
representada na Figura 2.10, é um exemplo do tipo de redes feedforward. Esta é
caracterizada por ter uma ou mais camadas ocultas.
22 Estado da Arte
2.3.2.c - Processos de aprendizagem
O processo de aprendizagem, ou treino, das redes neuronais pode ser supervisionado ou
não supervisionado. Na aprendizagem supervisionada a rede neuronal aprende a partir dos
dados históricos de entrada e os dados correspondentes de saída, ou seja, a rede descobre
uma relação entre os dados de entrada e os dados de saída. O algoritmo mais utilizado para o
treino supervisionado é designado por back propagation, ou retropropagação do erro [30]. De
uma forma geral, este algoritmo compara a saída obtida pela rede neuronal com o valor da
saída desejado, calculando o erro. Se o valor erro for superior a uma determinada tolerância,
é propagado para trás, alterando os pesos até se obter uma saída aceitável.
Na aprendizagem não supervisionada não existem exemplos para a aprendizagem de uma
relação entre a entrada e saída, pois não são conhecidos os dados de saída. Este tipo de
aprendizagem não é explorado nesta dissertação.
2.3.3 - Aplicação de redes neuronais na previsão da radiação solar
O trabalho desenvolvido e apresentado no artigo [32] tem por objectivo prever a radiação
solar global diária utilizando como entradas de uma rede neuronal, dados meteorológicos.
Para treino da rede neuronal, foram utilizados dados de 1399 dias e para o teste do modelo
desenvolvido foram usados dados de 235 dias. Neste trabalho são comparados e testados 3
diferentes modelos baseados em redes neuronais. O modelo que demonstrou o melhor
desempenho na previsão da radiação solar utiliza como entradas a temperatura média diária
do ar, humidade relativa, número de horas de luz solar e duração do dia. Os resultados
obtidos são demonstrados no gráfico da Figura 2.13:
Figura 2.13 - Comparação entre os valores medidos e estimados de radiação global diária para o conjunto de teste [32]
Os resultados da previsão demonstram um bom desempenho do modelo estudado e
proposto pelo autor, realçando as excelentes capacidades das RNA na resolução de problemas
complexos de previsão.
Previsão da radiação solar 23
2.3.3.a - Previsão da radiação solar utilizando imagens do céu e redes
neuronais
A utilização fotografias do céu captadas a partir do solo, de forma usar essa informação
para prever a radiação solar a nível local não é uma ideia recente. Nesta secção do capítulo
2, serão apresentados metodologias que utilizam equipamentos de baixo custo para obter
imagens do céu, numa tentativa de realizar previsões a muito curto prazo da radiação solar
que atinge a superfície da Terra.
Na metodologia descrita no artigo [33], são utilizadas redes neuronais para a previsão a
muito curto prazo da radiação solar. No modelo desenvolvido, para além da informação da
evolução da radiação solar no passado, são usados índices de nebulosidade, como entrada de
uma rede neuronal. Estes índices de nebulosidade são obtidos a partir de fotografias do céu
tiradas por um equipamento designado por TSI. A introdução destes índices de nebulosidade é
realizada com o intuito de melhorar os modelos de previsão da radiação solar, desenvolvidos
em 2004 pelos mesmos autores no artigo [34], uma vez que esses modelos não conseguiam
captar a dinâmica causada pela presença de nuvens. No entanto, é concluído que existe ainda
um erro significativo na estimativa do índice de nebulosidade, limitando a precisão do modelo
na previsão da radiação solar.
O trabalho desenvolvido em [35], tem como principal objectivo estimar a produção de
centrais fotovoltaicas. Para isso, o autor primeiramente estima a radiação solar utilizando
imagens do céu obtidas pelo TSI. Depois de recolhidas, as imagens são processadas
classificando cada pixel da imagem como sendo de céu limpo ou pertencente a diferentes
classes de nuvens, consoante a sua densidade. Através desta informação e recorrendo a redes
neuronais artificias, são estimados os valores de irradiância solar. Após este procedimento, os
valores do recurso solar são convertidos em produção de energia eléctrica fotovoltaica
através de um modelo paramétrico.
Embora permita uma modelização do impacto da nebulosidade sobre a radiação solar com
bastante precisão, o modelo desenvolvido, não realiza previsões, uma vez que esta
metodologia necessita de valores medidos da nebulosidade no próprio instante em que se
pretende estimar a produção PV. Assim, é proposto pelo autor, como trabalho futuro, a
construção de uma metodologia que permita simular a dinâmica das nuvens, de forma a
conseguir-se prever o impacto desta sobre a radiação permitindo realizar desta forma, uma
previsão da radiação solar a muito curto prazo. Outro aspecto interessante proposto a ser
investigado é a aplicação de redes neuronais, na construção de uma metodologia que permita
converter a radiação solar em produção de energia eléctrica.
Em [36], é feita a descrição de um modelo que permite a previsão da radiação solar na
superfície da Terra para um horizonte temporal que varia de alguns minutos até uma hora.
Para se realizar esta previsão são aplicados métodos computacionais simples sobre imagens do
céu, de forma a apurar a direcção e velocidade do movimento das nuvens. Essas imagens, são
obtidas a partir do solo, através de um sistema semelhante ao TSI, e que utiliza uma câmara
fotográfica de baixo custo.
Após o processo de classificação das imagens, que permite diferenciar regiões de céu
limpo de regiões com nuvens, é utilizado um algoritmo conhecido por “Fast Optical Flow”
descrito com detalhe no artigo [37]. Este algoritmo irá permitir obter o sentido e a
intensidade do vector de deslocamento das nuvens, através de uma sequência de duas
imagens consecutivas verificadas no passado. Assim, conhecendo-se o comportamento futuro
das nuvens é possível prever o impacto destas sobre a radiação solar.
24 Estado da Arte
Outro factor que influencia a radiação solar extraterrestre é a presença de vapores de
água e aerossóis na atmosfera. Através do quociente entre a radiação medida na superfície da
terra e a radiação extraterrestre calculada pelo modelo de céu limpo é estimada a
atenuação. Esta informação será utilizada para treinar uma rede neuronal que irá permitir
prever a atenuação nos instantes futuros. No fluxograma da Figura 2.14 estão esquematizados
todos os processos necessários para a realização da previsão:
Figura 2.14 - Metodologia proposta para a previsão da radiação solar descrito em [36]
Com isto, verifica-se que começa a existir um interesse cada vez maior na previsão da
radiação solar a muito curto prazo utilizando imagens do céu obtidas por sistemas mais
económicos que os satélites.
2.3.4 - Previsão da radiação solar utilizando imagens obtidas por satélite
No que diz respeito a previsões com um horizonte temporal que varia dos 30 minutos até
6 horas, os dados obtidos a partir dos satélites são uma fonte de informação com grande
qualidade devido à sua boa resolução temporal e espacial [38]. Neste tipo de previsões
considera-se que existe uma relação linear entre o índice de nebulosidade, n, calculado e a
transmissibilidade da atmosfera. A irradiância global na Terra, é então calculada combinando
a transmissibilidade da atmosfera com o modelo de cálculo da radiação solar para condições
de céu limpo, como se pode ver na Figura 2.15:
Previsão da radiação solar 25
Figura 2.15 – Metodologia utilizada pelos satélites para a previsão da radiação solar terrestre, adaptado de [39]
No fluxograma da Figura 2.15 as variáveis ρ e e utilizadas no cálculo de n,
representam a reflectividade medida na imagem prevista, a reflectividade do solo e a
reflectividade da nuvem, respectivamente.
Para escalas de tempo muito reduzidas assume-se que as alterações na estrutura das
nuvens são provocadas essencialmente pelo seu movimento. Assim, o algoritmo de previsão
opera sobre imagens de nuvens, sendo independente do padrão diurno da irradiância solar.
Para prever a distribuição futura das nuvens são utilizadas duas imagens consecutivas, como
podemos ver no esquema apresentado na Figura 2.16.
Figura 2.16 - Metodologia utilizada para a previsão da distribuição das nuvens, adaptado de [38]
26 Estado da Arte
Através de uma sequência de duas imagens consecutivas obtidas a partir do satélite é
possível determinar um conjunto de vectores de deslocamento que dão informação acerca da
direcção e velocidade com que as nuvens se deslocam. O campo de vectores determinados
será posteriormente aplicado à imagem mais recente, extrapolando o movimento das nuvens,
permitindo estimar uma possível futura distribuição das mesmas no céu. Finalmente, após a
obtenção da nova imagem, é aplicado um filtro para suavizar a imagem, permitindo a
determinação da irradiância global em cada ponto da imagem criada.
No entanto, os satélites apresentam algumas limitações como, por exemplo, o elevado
custo e a elevada duração de tempo na aquisição de duas imagens consecutivas o que não
permite efectuar previsões a muito curto prazo, ou seja, para horizontes temporais inferiores
a 30 minutos. Para além disso, a utilização de imagens de satélite não é a mais apropriada
quando se pretende realizar uma previsão a nível local.
2.3.5 - Metodologia para simulação da irradiância solar em dias de céu limpo
O conhecimento da intensidade da radiação solar que chega à superfície da Terra é de
extrema importância para a aquisição de informações confiáveis para o projecto, operação e
gestão de tecnologias solares. Com base em factores como a posição solar, a distância entre o
Sol e a Terra, a inclinação da superfície receptora ou a atenuação provocada pela atmosfera
foram desenvolvidos modelos matemáticos que permitem estimar a radiação solar que atinge
a superfície terrestre.
2.3.5.a - Distância entre o Sol e a Terra
A quantidade e a intensidade da radiação solar que atinge a superfície da Terra depende
da distância entre a Terra e o Sol. Como podemos ver na Figura 2.17, a Terra gira em torno
do Sol numa órbita elíptica:
Figura 2.17 - Orbita da Terra em torno do Sol, adaptado de [40]
A distância, r, entre o Sol e a Terra varia entre os 1,47 × 108 km e os 1,52 × 108 km e pode
ser calculada pela relação 2.6:
Previsão da radiação solar 27
onde é o número de dias contados a partir do início do ano e é igual a 1,496 × 108 km e
representa a distância média do Sol à Terra. A constante é também normalmente
designada como uma unidade astronómica (1 UA). Para a maioria das aplicações de
engenharia, é utilizada uma expressão mais simples chamada de factor de correcção de
excentricidade, em UA [41]:
2.3.5.b - Posição solar relativamente ao plano horizontal
A Terra gira a uma velocidade praticamente constante em torno do seu eixo. Este eixo
está inclinado de 23,45o em relação ao plano da elíptica, sendo que essa inclinação
permanece constante enquanto a Terra orbita em torno do Sol, como podemos ver na Figura
2.18. Esta inclinação é responsável pelo sol atingir maiores alturas no céu no Verão que no
Inverno.
O ângulo entre o plano equatorial e a linha recta traçada entre o centro da Terra e do
centro do sol é designado por declinação solar δ (Figura 2.18), apesar de este variar ao longo
do ano pode ser considerado aproximadamente constante ao longo de cada dia.
Figura 2.18 - Variação da declinação solar ao longo do ano, adaptado de [40]
A declinação solar δ pode ser determinada através da expressão 2.7 [40]:
Para se descrever a posição do Sol em relação a uma superfície horizontal na Terra, são
definidos outros ângulos como a elevação solar α, o azimute solar ψ e a distância zenital θ.
Estes ângulos são mostrados na Figura 2.19:
28 Estado da Arte
Figura 2.19 - Ângulos que definem a posição solar [42]
O zénite é a direcção vertical sobre o plano horizontal. A distância zenital é o ângulo
entre o zénite e a direcção dos raios provenientes do Sol. Esta pode ser relacionada com a
elevação solar através da expressão 2.8 [43]:
A elevação solar é o ângulo entre o plano horizontal e a direcção dos raios provenientes
do sol. O azimute solar é o ângulo formado entre a direcção Sul e a projecção da linha Sol-
Terra sobre o plano horizontal. A elevação solar e o azimute solar podem ser calculados
respectivamente, através das equações 2.9, 2.10, 2.11:
e
No entanto para valores de o azimute solar será dado por:
onde é a latitude geográfica do local e é o ângulo horário solar. O ângulo horário solar
varia de 15o por cada hora e será nulo ao meio-dia (12 horas) de cada dia e é considerado
negativo no período da manhã e positivo no período da tarde, como podemos ver na
expressão 2.12:
Previsão da radiação solar 29
2.3.5.c - Posição solar relativamente ao plano inclinado
Na maior parte das aplicações práticas é requerida a posição do sol em relação a um
plano inclinado. A posição de uma superfície (Figura 2.20) pode, em geral, ser descrita pela
sua inclinação β (o ângulo formado com a horizontal) e azimute α da superfície inclinada
(ângulo entre o sul geográfico e a projecção da normal do plano inclinado no plano
horizontal):
Figura 2.20 - Ângulo de incidência dos raios solares no plano inclinado [41]
O ângulo de incidência solar entre os raios do sol e a normal à superfície pode ser
calculada por [43]:
No caso da superfície inclinada estar orientada a Sul geográfico, α = 0, simplificando a
equação 2.13, para:
2.3.5.d - Radiação solar terrestre
A radiação solar na superfície da atmosfera é designada por radiação extraterrestre. A
variação da radiação solar extraterrestre deve-se essencialmente à variação da distância
entre o Sol e a Terra ao longo do ano como indicado na equação 2.15 [44]:
30 Estado da Arte
sendo a constante solar.
Nota: Dados da Organização Meteorológica Mundial dão um valor médio de 1367 W/m2
para a constante Solar.
Em dias de céu limpo, ao atravessar a atmosfera terrestre, a intensidade da radiação solar
é reduzida devido à dispersão e absorção provocada pelos gases existentes na atmosfera. A
radiação solar que chega à superfície da Terra e designada por radiação terrestre.
Figura 2.21 - Trajectória dos raios solares na atmosfera [45]
O máximo de radiação que atinge a superfície terrestre ocorre quando o sol está sobre a
posição de zénite. Nesta situação, representada na Figura 2.21, a luz do sol percorre o
caminho mais curto através da atmosfera.
Supondo uma atmosfera homogénea, esta extensão de caminho pode ser aproximada por
[40]:
Este caminho, por meio do qual a radiação solar passa até chegar à superfície da Terra é
geralmente chamado de massa de ar (AM). Para dias em que se verifique céu limpo, a
radiação global no plano horizontal pode ser obtida pela aproximação 2.17 [41]:
2.4 - Cálculo da produção de uma central fotovoltaica
Durante a realização da dissertação foram identificados diferentes modelos que permitem
o cálculo da produção de uma central fotovoltaica. Assim, este subtema foi escrito com a
Cálculo da produção de uma central fotovoltaica 31
finalidade de apresentar alguns métodos, com diferentes graus de complexidade, para o
cálculo da produção de uma central PV, desenvolvidos até à data. O desempenho de um
sistema PV conectado à rede eléctrica resulta da performance dos diferentes componentes
que o constituem, que por sua vez, são afectados por factores climáticos. Os modelos
desenvolvidos, têm em conta a importância dos diferentes efeitos climáticos.
Uma das metodologias de cálculo mais simples identificada, apenas tem em conta o efeito
da irradiância sobre o sistema PV. A potência produzida pela central, neste modelo, pode ser
calculada através da expressão 2.18 [39]:
onde A é a área total do gerador PV, f representa a fracção da central em funcionamento e G
é a irradiância global incidente no plano dos painéis PV da central. Os parâmetros e ,
representam a eficiência do módulos PV e a eficiência do inversor respectivamente. A única
vantagem deste modelo é a sua simplicidade, o que permite estimar, de uma forma rápida, o
potencial de um sistema fotovoltaico a ser construído num dado local.
Existem modelos mais complexos, como é o caso do modelo a seguir apresentado. Este
modelo consiste numa regressão, que combina a radiação solar no plano do gerador , a
temperatura ambiente e a velocidade do vento WS, para o cálculo da produção P de uma
central solar PV [39]:
Os parâmetros a, b, c e d do modelo são determinados pelo método dos mínimos
quadrados. O procedimento de simulação requer primeiro a calibração do modelo para o
sistema em estudo, a fim de se obter as constantes que melhor emulam o comportamento do
sistema PV. Apesar de envolver um maior número de parâmetros, este modelo é também
caracterizado pela sua simplicidade. A sua maior desvantagem consiste na necessidade de se
obter uma grande quantidade de dados de produção para se caracterizar o sistema em
estudo.
No artigo [46], são apresentados e comparados diferentes modelos, para o cálculo da
potência gerada por um painel PV. Um dos modelos apenas tem como entrada a irradiância
global no plano do painel e utiliza a expressão 2.20:
Nesta expressão, P representa a potência gerada pelo painel, G é a irradiancia global no
plano inclinado, é a irradiância em condições STC e é a potência máxima do painel
para as condições STC. Para uma central PV constituído por n painéis, a sua produção é
calculada multiplicando a equação 2.20 por n. Este, juntamente com o primeiro modelo
apresentado, são os modelos mais simples de cálculo da produção PV, apresentando
resultados mais grosseiros, uma vez que apenas têm em conta os efeitos da radiação solar.
Ao contrário do modelo anteriormente apresentado, o modelo de Osterwald [46], tem em
conta a influência da temperatura da célula, no cálculo da potência produzida pelo painel PV:
32 Estado da Arte
onde γ representa o parâmetro percentual que traduz a variação da potência devido à
variação da temperatura da célula. Este parâmetro é normalmente fornecido pelos
fabricantes. A variável , representa a temperatura da célula que pode ser obtida através da
temperatura ambiente:
Na expressão 2.22, NOCT representa a temperatura que a célula atinge em condições de
circuito aberto, a uma temperatura ambiente de 20°C, coeficiente AM de 1,5, condições de
irradiância de 800 W/m2 e velocidades de vento inferiores a 1 m/s.
Uma outra dificuldade apresentada por estes modelos, é a necessidade de se conhecer a
irradiância global solar no plano do painel. Esta pode obtida a partir da irradiancia global
solar no plano horizontal, à custa de cálculos complexos.
2.5 - Modelo para a previsão da produção de centrais PV
Algumas metodologias de previsão da produção de uma central fotovoltaica, fazem uso de
modelos de previsão numéricos (NWP). Os modelos NWP fazem a previsão das condições
climatéricas para as próximas horas ou dias, utilizando as condições meteorológicas actuais
como entradas de modelos matemáticos que simulam o comportamento da atmosfera.
O modelo de previsão descrito em [47], é um exemplo de um modelo que utiliza previsões
de radiação solar para 3 dias provenientes de modelos NWP fornecidas pela ECMWF (European
Center for Midrange Weather Forecast):
Figura 2.22 – Modelo de previsão horária da produção de um sistema fotovoltaico, adaptado de [47]
Modelo para a previsão da produção de centrais PV 33
Na Figura 2.22 é apresentado o esquema de previsão da produção solar fotovoltaica, e em
cada etapa, são especificadas as informações necessárias acerca dos sistemas PV. As previsões
da radiação solar fornecidas pela ECMWF, têm uma resolução temporal de 3 horas e uma
resolução espacial de 25km x 25km. Conhecendo-se a localização do sistema PV e recorrendo
a modelos MOS (Model Output Statistics) é possível refinar as previsões provenientes do
modelo NWP para uma escala horária a nível local.
Após este procedimento, a irradiância global horizontal prevista é convertida para o plano
do painel, através do conhecimento da sua localização e orientação. Esta informação
juntamente com as características da central PV irá permitir prever a produção PV. Os
resultados obtidos por este modelo são representados na Figura 2.23:
Figura 2.23 – Performance do modelo de previsão descrito em [47], para 7 dias do mês de Abril
Embora, o modelo tenha um bom desempenho na previsão da potência produzida por
único sistema fotovoltaico para dias de céu limpo, para dias de céu nublado ocorrem desvios
consideráveis na previsão. A qualidade da previsão foi testada tanto para sistemas individuais
e para grupos de sistemas fotovoltaicos. Os resultados da previsão foram melhores, quando
realizada para grupos de sistemas fotovoltaicos.
Capítulo 3
Construção do Modelo de Previsão
3.1 - Introdução
O conhecimento da radiação solar incidente na superfície terrestre é de extrema
importância para a gestão do SEE, uma vez que a produção das centrais solares dependem da
radiação solar disponível. Alguns modelos, que utilizam imagens do céu obtidas a partir de
solo ou a partir do espaço, foram propostos para a previsão do recurso solar. A presente
dissertação tem como objectivo o desenvolvimento de um modelo de previsão que permita
antever a evolução temporal da radiação solar a muito curto prazo, tendo em conta a
presença de nuvens, resultante da observação de imagens. Para além da previsão do recurso
solar, será necessário criar um modelo capaz de converter a radiação prevista em produção
solar. Ao contrário de algumas metodologias, o modelo desenvolvido nesta dissertação,
permite a previsão da componente directa e difusa da radiação solar tanto para dias de céu
limpo como para dias nublados.
Neste capítulo serão descritos, de forma clara e objectiva, todos os processos utilizados
na construção do modelo de previsão da produção de uma central solar, neste caso
fotovoltaica. Para além da descrição do modelo, serão estudadas e justificadas a importância
das diferentes variáveis utilizadas para alimentar as diferentes etapas desta metodologia.
3.2 - Descrição do modelo proposto
A metodologia desenvolvida ao longo desta dissertação foi estruturada em 2 fases
distintas. Na primeira fase irá ser prevista a radiação global, bem como, as suas componentes
no local onde o sistema de aquisição de imagens está instalado. Na segunda fase da
metodologia, é proposto um modelo, baseado em RNA, que tem por objectivo converter os
valores de radiação solar, previstas na primeira fase, num valor adequado de potência
fornecida por uma instalação fotovoltaica a cada 5 minutos, tendo em conta a influência de
outros factores climatéricos.
Para uma melhor compreensão do modelo de previsão desenvolvido, é apresentado um
fluxograma explicativo dos processos que o constituem, na Figura 3.1:
36 Construção do Modelo de Previsão
Figura 3.1 - Constituição do modelo de previsão desenvolvido na dissertação
3.2.1 - Fase 1
A primeira fase do modelo de previsão é constituída pelas seguintes etapas:
Cálculo da Radiação Global ajustada para condição de céu limpo;
Cálculo da componente directa e difusa para condição de céu limpo;
Tratamento das imagens;
Previsão dos índices de nebulosidade;
Previsão da componente directa e difusa da radiação solar;
Previsão da Radiação Global.
3.2.1.a - Cálculo da Radiação Global ajustada para condição de céu limpo
A metodologia de previsão inicia-se com o cálculo da radiação global na superfície da
Terra, recorrendo à expressão 2.17 descrita no capítulo 2, que permite a simulação da
irradiância solar terrestre em dias de céu limpo, ou seja, não tendo em conta a atenuação
provocada pela presença de nuvens.
Tendo como exemplo um dos dias do conjunto de dados históricos, verifica-se um ligeiro
desajuste entre o valor calculado e o valor medido de radiação solar, na Figura 3.2:
Descrição do modelo proposto 37
Figura 3.2 - Evolução temporal da radiação global medida e radiação global calculada através do modelo de céu limpo
Com o objectivo de ajustar a curva calculada à curva medida nos instantes em que se
verifica condição de céu limpo, são removidos todos os pontos em que ocorrem quebras na
curva medida da radiação solar, obtendo-se a relação entre os valores medidos e os
calculados de radiação, representado na Figura 3.3:
Figura 3.3 - Relação entre os valores de radiação global medidos e valores de radiação global calculados. Os pontos a vermelho representam os pontos que foram eliminados.
Com o apoio do software SPSS (Statistical Package for the Social Sciences), eliminam-se os
pontos que se encontram fora da linha de tendência da relação entre os valores medidos e
calculados de radiação, ou seja, retiraram-se da relação todas as medições em que se
0
200
400
600
800
1000
1200
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76
Rad
iaçã
o G
lob
al (
W/m
2)
Tempo (min) x 10
Radiação Global medida Radiação Global Calculada
0
200
400
600
800
1000
0 200 400 600 800 1000
Rad
iaçã
o s
ola
r m
ed
ida
(W/m
2 )
Radiação solar calculada (W/m2)
Relação entre radiação medida e calculada
38 Construção do Modelo de Previsão
verificava condições de céu nublado. Os pontos representados a vermelho no gráfico da Figura
3.3, representam os pontos que foram eliminados.
Recorrendo às funções disponibilizadas pelo Excel, verifica-se a existência de uma relação
praticamente linear entre os valores medidos e os calculados. Desta forma, é feito um ajuste
na expressão de cálculo da radiação, calculando-se uma nova variável a qual denominamos de
radiação global ajustada, G’:
Os parâmetros a e b da expressão 3.1 são calculados através de um método semelhante ao
método dos mínimos quadrados. O método dos mínimos quadrados é um técnica de
optimização matemática que irá procurar os valores dos parâmetros a e b, minimizando a
soma do quadrado das diferenças entre a curva ajustada e os dados medidos. Neste caso, a
função S, a minimizar, corresponde ao somatório do valor absoluto da diferença entre o valor
da curva ajustada e o valor medido, para n pontos:
Como está representado na Figura 3.4, esta optimização, permitiu efectuar uma
estimativa da radiação solar global, caso se verificasse condições de céu limpo:
Figura 3.4 - Evolução temporal da radiação global medida e radiação global ajustada
3.2.1.b - Cálculo da componente directa e difusa para condição de céu
limpo
Para além da previsão da radiação global, um dos objectivos desta dissertação é a
previsão da componente directa e difusa da radiação solar. Assim, procurou-se a existência de
0
200
400
600
800
1000
1200
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76
Rad
iaçã
o G
lob
al (
W/m
2 )
Tempo (min) x 10
Radiação Global medida Radiação Global Calculada
Descrição do modelo proposto 39
uma relação entre os valores da radiação calculado, G, e os valores da componente directa,
B, da radiação:
Figura 3.5 - Evolução temporal da radiação directa medida e radiação global calculada. Os pontos a vermelho representam os pontos que foram eliminados.
Da análise do gráfico da Figura 3.5, verifica-se que para condições de céu limpo existe
uma relação também linear entre o valor da radiação global calculado e o valor medido da
radiação directa. Actuando da mesma forma que no subtema anterior, é efectuado um ajuste
na expressão de cálculo da radiação global de forma a poder estimar-se a componente da
radiação directa em função de G, para condição de céu limpo:
onde corresponde à radiação directa para dias claros. Os parâmetros c e d são
encontrados da mesma forma que os parâmetros a e b foram estimados, minimizando-se a
função S:
Por fim, é efectuada a estimativa da componente difusa da radiação. Sabendo que, a
radiação global é a soma algébrica da componente directa e difusa da radiação, a
componente difusa para condições de dia claro é aproximada pela equação 3.5:
onde corresponde à radiação difusa para dias de céu limpo. O resultado desta etapa é
representado no gráfico da Figura 3.6:
0
200
400
600
800
1000
0 200 400 600 800 1000
Rad
iaçã
o D
irec
ta m
dei
da
(W/m
2)
Radiação Global calculada (W/m2)
Relação entre radiação directa medida e radiação global calculada
40 Construção do Modelo de Previsão
Figura 3.6 - Evolução temporal da radiação directa e difusa medida e radiação directa e difusa estimada para dias de céu claro
Este procedimento foi repetido para todos os dias do conjunto de treino da rede neuronal
utilizada para a previsão. Nos dias em que se realizam as previsões, os parâmetros que
ajustam as equações matemáticas da metodologia de céu limpo, são determinados
minimizando o somatório dos erros absolutos para todo o conjunto de treino. Os valores
estimados serão utilizados como entradas de uma rede neuronal, tendo como objectivo
melhorar as previsões da radiação em situações que se verifique céu limpo.
3.2.1.c - Tratamento das imagens
Após a estimativa das diferentes componentes da radiação solar, para condições de céu
limpo, será iniciado um processo baseado no processamento de imagens do céu, que permitirá
extrair informação acerca do índice de céu limpo verificado nos instantes em que os valores
da radiação são medidos. O tratamento de imagens foi efectuado com o apoio das funções
disponibilizadas pelo Matlab. Nesta metodologia, optou-se apenas por distinguir céu limpo da
presença de nuvens. Esta simplificação surge com o intuído de limitar o número de entradas
da rede neuronal que permitirá prever as condições atmosféricas nos instantes em que se
pretende realizar a previsão da radiação solar. No diagrama da Figura 3.7, é demonstrada a
metodologia desenvolvida para o tratamento das fotografias obtidas pelo TSI:
0
200
400
600
800
1000
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76
Rad
iaçã
o (
W/m
2)
Tempo (min) x 10
Radiação Directa medida Radiação Difusa medida
Radiação Directa estimada Radiação Difusa estimada
Descrição do modelo proposto 41
Figura 3.7 - Rotinas realizadas para o processamento das imagens obtidas pelo TSI
Como referido anteriormente, o sistema de aquisição de imagens, consiste num
equipamento que permite obter informação acerca da nebulosidade. As fotografias são
adquiridas em intervalos de 1 minuto, sendo necessário recorrer a um conjunto de
transformações da mesma, de forma a extrair a informação acerca da presença ou não de
nuvens no céu. Para tal, é necessário efectuar os seguintes passos:
1. Eliminação do ruído;
2. Classificação da imagem;
3. Divisão da imagem por sectores;
1. Eliminação do ruído
As imagens obtidas pelo TSI possuem zonas que não têm qualquer tipo de informação
acerca das condições atmosféricas. Assim, esta primeira rotina do algoritmo de
processamento das imagens é importante para remover todo o ruído, ou seja, todos os pontos
da imagem que não têm interesse para a realização da previsão.
Para se eliminar o ruído exterior ao espelho convexo do TSI são percorridos todos os pixéis
de cada imagem.
42 Construção do Modelo de Previsão
r
C (xc,yc)
r
d1
P1 (x1,y1)
P2 (x2,y2)
d2
RuídoCéu
Figura 3.8 – Exemplo de pontos a ser tratados pela rotina de eliminação de ruído
A Figura 3.8 caracteriza uma fotografia captada pelo TSI. O ponto C, com as coordenadas
(xc,yc), representa o ponto central do espelho do sistema de aquisição de imagens. Os pontos
P1 e P2 com as coordenadas (x1,y1) e (x2,y2), correspondem a dois pixéis da imagem que irão
ser tratados pelo algoritmo. Para classificar o pixel, como ruído ou não, calcula-se a distância
do pixel em estudo ao centro do espelho, d:
Caso a distância d seja superior ao raio r do espelho, como é o caso do pixel P2, o pixel é
classificado como ruído e toma a cor preta.
Outro tipo de ruído a eliminar, é o braço de suporte da máquina fotográfica, representado
na Figura 3.9:
rr
P2 (x2,y2)
RuídoCéu
C
Pixel Tratado
h
Figura 3.9 - Tratamento da área ocupado pelo braço da máquina
Sendo h a largura do braço, todos os pixéis, cuja ordenada varia entre e
e o valor da abcissa esteja entre ( +r) e , tomam também a cor preta.
Descrição do modelo proposto 43
Por fim, é necessário também classificar como ruído a faixa negra que acompanha a
posição solar e que protege a objectiva da máquina fotográfica dos raios solares que são
reflectidos no espelho:
P2 (x2,y2)
RuídoCéu
r
Pixel Tratado
r
S(xs,ys)
rl
e
=π
Figura 3.10 - Tratamento da área ocupado pelo faixa móvel que protege a máquina
O procedimento nesta situação, é semelhante ao efectuado anteriormente ao braço de
suporte da máquina, mas, neste caso, a faixa não está fixa, sendo necessário recorrer a um
conjunto de coordenadas auxiliares. Então, conhecendo-se o azimute , calcula-se:
A variável i varia de -e/2 a e/2, sendo que, a variável e, corresponde à largura da faixa
móvel. Para cada ponto da largura da faixa é percorrido o comprimento da mesma:
A variável j varia de (r-l) a r. Os pixéis com as coordenadas tomam a cor preta
ficando a imagem livre de qualquer tipo de ruído.
2. Classificação da imagem
Após a eliminação do ruído, procedeu-se à classificação de cada pixel na área de interesse
da imagem. O objectivo neste ponto, é identificar e diferenciar na imagem, as zonas nubladas
de zonas onde se verifica céu limpo. Para isto, foi utilizado um método tirando partido das
funções disponibilizadas pelo Matlab. Primeiramente, a imagem a cores é convertida numa
imagem monocromática através da utilização da função “rbg2gray”:
44 Construção do Modelo de Previsão
Figura 3.11 - Imagem original e imagem monocromática sem ruído
Como podemos ver na Figura 3.11, a imagem monocromática tem tons mais escuros em
pixéis onde se verificam condições de céu limpo. Os pixéis com tons mais claros indicam a
presença de nuvem. Após alguns testes, verificou-se que a melhor classificação da imagem
ocorre quando:
O pixel é classificado de céu limpo se a intensidade do azul do pixel for, no
mínimo, superior a 1,22 vezes o nível de cinzento do correspondente pixel da
imagem monocromática. Desta forma, o pixel classificado irá ter cor azul;
O pixel é classificado como pertencente a uma nuvem, caso não se verifique a
condição anterior, tomando a cor branca.
Como resultado deste processo é obtida a imagem classificada da Figura 3.12:
Figura 3.12 - Imagem classificada
Descrição do modelo proposto 45
3. Divisão da imagem por sectores
Para finalizar toda esta metodologia que permite o tratamento da fotografia, procede-se
à divisão da imagem classificada em diferentes sectores:
Figura 3.13 - Imagem classificada e separada por sectores
A informação a extrair, de cada imagem, consiste na contabilização das percentagens de
pixéis azuis e pixéis brancos:
em cada um dos 25 sectores ( , o índice i representa o número do sector da
imagem;
na imagem total ( ;
na zona central da imagem ( , que engloba os sectores dentro do quadrado
vermelho da Figura 3.13.
A divisão da imagem classificada em sectores, foi efectuada com o intuito de utilizar esta
informação como entrada de uma rede neuronal, para que esta consiga captar como variam
os índices de céu limpo através da informação de dois instantes consecutivos. A divisão da
imagem classificada em apenas 25 sectores, foi realizada com o objectivo de reduzir de forma
significativa a dimensão do conjunto de variáveis de entrada da rede neuronal. Assim, são
utilizadas as informações fundamentais de uma sequência de dois instante consecutivos como
entrada da RNA, sendo o resultado da rede também as informações essenciais a serem
previstas nos instantes futuros.
3.2.1.d - Previsão dos índices de nebulosidade
A previsão dos índices de nebulosidade é uma etapa de grande importância, uma vez que
a radiação solar é altamente dependente da atenuação provocada pela presença de nuvens na
atmosfera. Assumindo que a muito curto prazo, a mudança da estrutura de uma nuvem é
provocada principalmente pelo seu movimento, a primeira abordagem para a resolução deste
problema, passou pelo desenvolvimento de um algoritmo que actuava sobre 2 imagens
consecutivas do céu, de forma a recriar uma terceira imagem futura. Isto é efectuado à
semelhança do que é feito pelas previsões a partir de imagens de satélite. De uma forma
simples, o algoritmo desenvolvido é constituído pelas etapas da Figura 3.14:
46 Construção do Modelo de Previsão
Figura 3.14 – Algoritmo para previsão do desenvolvimento das nuvens
Após a detecção do vector de direcção e velocidade com que as nuvens se deslocam, este
é somado à imagem do céu mais recente, extrapolando o movimento das nuvens, e portanto
prevendo a futura distribuição das nuvens no instante t+1.
O algoritmo desenvolvido baseia-se numa optimização. Esta, consiste em somar vectores
aleatórios à imagem do instante t-1 provocando deslocamentos nas nuvens. Após este
procedimento, a imagem recriada e a imagem do instante t são convertidas numa matriz de
dados auxiliares. Os elementos destas matrizes tomam o valor 0 quando existe uma nuvem e 1
quando não existe nuvem. De seguida, é calculada a correlação cruzada entre as duas
matrizes, guardando-se o vector que maximiza a esta função. Este vector, que maximiza a
correlação cruzada corresponde ao vector deslocamento que será somado à imagem do
instante t, para extrapolar o movimento da nuvem e portanto recriar a imagem do instante
t+1.
Figura 3.15 – Animação representativa e explicativa da detecção do vector que optimiza a correlação cruzada
As imagens 1 e 2 da Figura 3.15 representam uma sequência de imagens do céu. A
terceira imagem corresponde à sobreposição das duas imagens anteriores. Como se pode
verificar, existe um vector que explica o movimento da nuvem. A última imagem (4),
corresponde à posição da nuvem extrapolada a partir da soma do vector à imagem mais
Descrição do modelo proposto 47
recente. Esta metodologia assenta no pressuposto que a forma da nuvem não varia muito ao
longo do tempo e se desloca com velocidade constante e sempre na mesma direcção.
Matematicamente, este método consiste em encontrar o vector que maximiza a função r,
correspondente à correlação cruzada:
onde A e B representam, as matrizes auxiliares resultantes da metodologia anteriormente
explicada e e são a média de A e B respectivamente.
No entanto, por vezes, a procura do vector pode tornar-se um processo complexo e
demorado. Por forma, a diminuir o tempo do processo de busca, recorreu-se a um algoritmo
evolucionário, cujas rotinas são apresentadas no fluxograma da Figura 3.16:
Figura 3.16 – Algoritmo evolucionário utilizado na optimização do problema
A aplicação da programação evolucionária à optimização faz-se criando um conjunto de
possíveis soluções de forma aleatória, constituindo uma população, em que cada solução
corresponde a um indivíduo, neste caso um vector, ao qual está associado uma correlação
cruzada.
A rotina de duplicação clona as soluções, às quais serão aplicadas mutações originando
novas soluções. Para os novos vectores encontrados será calculada a correlação cruzada entre
a imagem recriada a partir do instante t-1 e a imagem do instante t. Posteriormente serão
escolhidos os vectores solução que maximizam a correlação cruzada. Este processo é repetido
até ser atingido o número máximo de iterações, resultando o vector de deslocamento que se
procura.
Este algoritmo foi testado no conjunto de imagens da Figura 3.17, que representam uma
sequência de imagens do céu obtidas com intervalo de 30 segundos:
48 Construção do Modelo de Previsão
Figura 3.17 – Sequência de imagens do céu obtidas a partir do solo
O modelo é alimentado pelas duas primeiras imagens, e após o seu processamento é
detectada a direcção e a velocidade com que as nuvens se deslocam. O resultado é
demonstrado na Figura 3.18:
Figura 3.18 – Resultado obtido pelo algoritmo de processamento de imagem e detecção de movimento
Embora o algoritmo tenha demonstrado uma boa performance na detecção do movimento
das nuvens, quando aplicado às imagens características obtidas pelo TSI, não atinge os
melhores resultados. Esta situação deve-se à distorção na forma e movimento das nuvens, que
o espelho convexo introduz nas imagens, o que contraria os pressupostos deste modelo. A
juntar-se ao problema da distorção, a existência das faixas pretas nas fotografias é outro
factor que inviabiliza a utilização deste método na previsão.
Desta forma, dada a complexidade do problema, sentiu-se a necessidade de se
desenvolver uma abordagem completamente diferente, recorrendo a RNA, para descrever a
evolução temporal das nuvens ao longo do tempo. Após o processamento das imagens, a
informação da percentagem de céu limpo de dois instantes consecutivos, e , é
usada como entrada de uma rede neuronal com o intuito de prever a informação acerca da
percentagem de céu limpo nos instantes futuros, ou seja, ( e ( . Este
procedimento está esquematizado na Figura 3.19:
Figura 3.19 - Metodologia utilizada para a previsão das percentagens de céu limpo nos instantes futuros
Descrição do modelo proposto 49
Na etapa anterior, a imagem classificada foi dividida em 25 sectores. No entanto, os
sectores 1, 5, 21 e 25 possuem uma percentagem relativamente pequena de informação
relevante para a realização da previsão, daí apenas se utilizarem 21 sectores para a previsão.
As redes neuronais são ferramentas atractivas para a resolução deste tipo de problemas
devido à sua capacidade de aprendizagem a partir de exemplos do passado, construindo uma
relação entre os dados de entrada e os de saída sem a derivação de uma equação
matemática.
Estrutura da rede neuronal
Para a realização da previsão será utilizada uma rede neuronal do tipo MLP, constituído
por uma camada de entrada, uma camada intermédia e uma camada de saída. A rede terá 42
entradas e 2 saídas. A camada intermédia é constituída por 2n+1 neurónios, onde n
representa o número de entradas da rede. A função de activação utilizada é a tangente
sigmóide.
Os dados de entrada e saída da rede neuronal foram estandardizados, ou seja, as variáveis
com escalas diferentes são expressas numa determinada gama de valores, neste caso entre [-
1;1]. O método utilizado para a normalização dos valores denomina-se min-máx. Esta técnica
é aplicada uma vez que são conhecidos os valores máximos e mínimos das variáveis. Sendo
e os valores mínimos e máximos do conjunto de dados x, os valores
estandardizados na escala [ ; ] são obtidos através da seguinte expressão:
Após a realização das simulações, os dados de saída da rede neuronal são reconvertidos
para a escala real (destandardização) através da expressão 3.13:
3.2.1.e - Previsão da componente directa e difusa da radiação solar
Nesta etapa da metodologia, recorre-se a redes neuronais para a realização da previsão
das duas componentes da radiação solar. Após a determinação da informação relativa às
percentagens do céu ocupado por nuvens e estimativa das componentes da radiação solar
para condições de céu limpo, efectuados nas etapas anteriores do modelo, nesta etapa irá
proceder-se à combinação destas informações. Ao combinar estes dois modelos, espera-se
atingir previsões mais precisas da radiação solar. É importante referir que neste estudo serão
utilizados valores médios de 10 minutos tanto da radiação como dos valores de céu limpo
medidos pelo algoritmo de processamento de imagens.
Nos gráficos da Figura 3.20, são apresentadas a evolução temporal das curvas medidas da
radiação solar global no plano horizontal e as suas componentes para 5 dias com diferentes
condições climatéricas. Para os mesmos dias, são apresentadas as percentagens de céu
nublado calculadas pelo algoritmo de processamento de imagens.
50 Construção do Modelo de Previsão
Figura 3.20 - a) Evolução temporal da radiação global, directa e difusa medida para 5 dias do conjunto de dados disponíveis; b) Percentagem total do céu ocupada por nuvens para os mesmos instantes (valores médios de 10 minutos)
De uma forma geral, nos dias, ou partes do dia em que a nebulosidade tem percentagens
baixas, as curvas da radiação têm evoluções semelhantes às calculadas para condições de céu
limpo. Para os dias, ou partes do dia, onde existe uma maior nebulosidade verificam-se
quebras nos valores medidos de radiação global e directa. Como seria de esperar a
componente difusa da radiação aumenta com a presença de nuvens.
Com o intuito de estudar a relação entre os índices de céu limpo obtidos pelo
processamento das imagens, com a variabilidade dos valores medidos da componente directa
e da componente difusa são adoptados os seguintes passos:
1. Separação da sazonalidade da variabilidade dos valores de radiação, directa e difusa,
causada pela presença de nuvens, através das seguintes expressões:
onde B e D representam a radiação directa e difusa medida respectivamente e Bcs e Dcs
representam as curvas das componentes da radiação calculadas para dias de céu limpo. As
variáveis b e d representam o índice de variabilidade dos valores de radiação medidos da
componente directa e difusa respectivamente.
2. Cálculo das correlações entre as séries b e d, calculadas no ponto 1, com os índices
e , obtidos a partir do processamento das imagens. O valor calculado da correlação
mostra a força e a direcção da relação linear entre duas variáveis. Portanto, este estudo
tem com objectivo saber se as variações sentidas pelos valores medidos da radiação são
acompanhadas por variações nas percentagens de céu limpo:
Descrição do modelo proposto 51
Tabela 3.1 – Correlação entre a variabilidade da radiação solar e as percentagens de céu limpo da imagem
A correlação positiva entre os índices de céu limpo e a variabilidade da radiação directa
indica que as duas variáveis variam no mesmo sentido, e o valor próximo de 1 revela que a
correlação é elevada. A correlação negativa verificada entre a variabilidade da radiação
difusa e as percentagens de céu limpo, indica que as duas variáveis variam em direcções
opostas.
Assim, para a previsão da componente difusa da radiação solar serão utilizadas como
entrada de uma RNA:
A percentagem de céu limpo prevista em toda a imagem, ;
A percentagem de céu limpo prevista na zona central da imagem, ;
Estimativa da componente difusa para condição de céu limpo, Dcs;
Azimute solar;
Elevação solar.
Já para a previsão da componente directa da radiação solar serão utilizadas como entrada
da rede:
A percentagem de céu limpo prevista em toda a imagem, ;
A percentagem de céu limpo prevista na zona central da imagem, ;
Estimativa da componente directa para condição de céu limpo, Bcs;
Azimute solar;
Elevação solar.
Estrutura das redes neuronais
Importa referir que foram utilizadas 2 redes neuronais, com as mesmas características,
uma para a previsão da componente difusa e outra para a previsão da componente directa.
Cada rede neuronal é do tipo MLP, constituída por uma camada de entrada, uma camada
intermédia e uma camada de saída. As redes têm 5 entradas e 1 saída cada. A camada
intermédia é constituída por 11 neurónios. A função de activação utilizada é a tangente
sigmóide e os valores das variáveis foram estandardizados pelo método min-máx.
3.2.1.f - Previsão da radiação global
Para finalizar a primeira fase desta metodologia, é efectuado o cálculo da radiação solar
global. Esta é obtida simplesmente pela soma algébrica das componentes, directa e difusa,
previstas anteriormente pela rede neuronal.
3.2.2 - Fase 2
Para uma efectiva previsão da produção de uma central solar, torna-se necessário
compreender de que forma, a produção da central solar depende da radiação solar. No caso
dos sistemas fotovoltaicos, a sua produção é caracterizada por variar de forma praticamente
%
b 0,90 0,87
d -0,68 -0,70
52 Construção do Modelo de Previsão
linear com a radiação solar incidente no seu plano. Desta forma, a segunda fase do modelo de
previsão tem como principal objectivo converter os dados previstos na fase 1, em valores de
produção de uma central fotovoltaica. Para isso, é necessário estudar o desempenho do
gerador fotovoltaico sob diferentes condições de operação. Esta fase é constituída pelas
seguintes etapas:
Dados Meteorológicos;
Previsão da Produção de uma central fotovoltaica.
3.2.2.a - Dados meteorológicos
As características eléctricas de um painel fotovoltaico são directamente influenciadas por
dois factores climáticos:
1. Radiação solar
A intensidade da corrente eléctrica produzida por uma central fotovoltaica varia com a
luz solar incidente nos seus painéis. Confere-se na Figura 3.21 que, para uma temperatura
constante, quando aumenta a radiação incidente no painel a corrente eléctrica de curto-
circuito também aumenta, alterando o ponto na curva característica a que ocorre a potência
máxima, que resulta do produto da corrente com a tensão:
Figura 3.21 - a) Variação da curva I-V característica de um painel fotovoltaico com a variação da radiação incidente; b) Variação da curva P-V com a variação da radiação incidente no módulo [48]
Das curvas do gráfico da Figura 3.21, é possível também verificar um ligeiro aumento da
tensão de circuito aberto, devido ao aumento da irradiância solar.
Relacionando a produção da central em estudo com a radiação solar, verifica-se que a
relação é praticamente linear, como seria de esperar, no entanto, para a segunda parte do
dia há uma ligeira diminuição da eficiência da central:
Descrição do modelo proposto 53
Figura 3.22 - Relação entre a radiação solar e a produção da central. Os pontos a vermelho reflectem a relação a partir das 14 horas para 3 dias do mês de Maio
Na relação da Figura 3.22, é visível que, para valores iguais de radiação solar existem
valores diferentes de produção. Como iremos comprovar mais a frente, esta diminuição da
eficiência deve-se essencialmente ao aumento da temperatura das células fotovoltaicas com
o decorrer do dia.
2. Temperatura das células fotovoltaicas que constituem o painel fotovoltaico.
A temperatura dos painéis solares fotovoltaicos varia essencialmente com a irradiância
solar, a temperatura ambiente e a velocidade do vento. Alguns factores, como por exemplo, a
forma como os painéis são montados poderão condicionar a temperatura de operação das
células fotovoltaicas, caso não exista uma constante circulação do ar envolvente. Com o
aumento da temperatura dos módulos, para um valor de irradiância incidente no painel
constante, a tensão de circuito aberto diminui, alterando o ponto na curva característica a
que ocorre a potência máxima (Figura 3.23):
Figura 3.23 - a) Variação da curva I-V característica de um painel fotovoltaico com a variação da temperatura do módulo; b) Variação da curva P-V com a variação da temperatura do módulo fotovoltaico [48]
0
2000
4000
6000
8000
10000
12000
14000
0 200 400 600 800 1000
Pro
du
ção
(W
)
Radiação Global incidente (W/m2)
Relação entre Produção e Radiação Global
54 Construção do Modelo de Previsão
Relacionando os dados medidos da central fotovoltaica em estudo, analisou-se a variação
da eficiência da central com os valores de temperatura ambiente e radiação global no plano
dos painéis da central, Figura 3.24:
Figura 3.24 - Evolução temporal da eficiência da central, da radiação global no plano da central a temperatura ambiente e a produção da central para 3 diferentes dias do mês de Maio
A eficiência da central é calculada através da expressão [7]:
Onde representa a potência máxima produzida pela central, imposta pelo MPPT, A é a
área ocupada pela central e é a radiação global incidente no plano dos painéis PV.
A eficiência dos painéis, varia ao longo do dia essencialmente em função da temperatura
e da irradiância solar. Como seria de esperar, verifica-se que os maiores valores da eficiência
dos painéis ocorrem nas primeiras horas do dia, atendendo aos valores mais baixos da
temperatura ambiente. Esta situação é representada nos gráficos da Figura 3.22 e Figura
3.24, onde para os mesmos valores de radiação solar, são obtidos diferentes valores de
produção e portanto, diferentes valores de eficiência da central. Conclui-se que, a diminuição
da eficiência está relacionada com o aumento da temperatura ambiente, que por conseguinte
aumenta a temperatura do módulo fotovoltaico.
3.2.2.b - Previsão da produção de uma central fotovoltaica
Finalizada a primeira fase da metodologia de previsão, é necessário proceder-se à
conversão dos valores de radiação previstos em valores de produção de centrais solares. A
metodologia aqui proposta recorre a inteligência artificial, que tira partido dos valores de
produção históricos para estimar a produção de uma central fotovoltaica específica. O
objectivo é modelizar a produção de uma central fotovoltaica conectada à rede, tendo em
conta os factores que influenciam a mesma, e que foram estudados na etapa anterior.
0
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
0,1
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
Efic
iên
cia
η
P/P
max
Te
mp
/Tm
ax
Horas
Temperatura Radiação Global no plano da central Produção Eficiência
Aplicabilidade do modelo de previsão desenvolvido 55
Os dados de entrada utilizados para treinar a rede neuronal, são portanto:
A irradiância solar. Numa aplicação normal desta metodologia, a radiância solar de
entrada deveria ser a prevista na fase 1, no entanto, pelo facto de não existir
nenhuma central junto do sistema de aquisição de fotografias, o modelo aqui
proposto será testado num local diferente de onde é efectuada a primeira fase;
A temperatura ambiente, devido à influência estudada que esta tem sobre a
eficiência da central;
Figura 3.25 - Primeiro modelo a ser testado: Rede neuronal A
A rede neuronal A é do tipo MLP, e é constituída por uma camada de entrada, uma
camada intermédia e uma camada de saída. A camada intermédia é constituída por 5
neurónios, sendo a tangente sigmóide, a função de activação utilizada. Os valores das
variáveis foram estandardizados pelo método min-máx.
No entanto, serão testados mais 2 modelos que incluem como entrada:
A velocidade do vento, de forma a perceber se esta variável tem influência na
temperatura dos módulos da central e por conseguinte na eficiência da conversão da
central:
Figura 3.26 - Rede neuronal B para previsão da potência fotovoltaica
A hora do dia. Esta variável foi introduzida devido à existência de árvores em torno da
central (Figura 1.6), que podem criar sombras sistemáticas ao longo dos dias que
comprometam a produção da central:
Figura 3.27 - Rede neuronal C para previsão da potência fotovoltaica
56 Construção do Modelo de Previsão
As características da rede neuronal B e C diferem da rede A, apenas no número de
entradas e neurónios na camada intermédia. Nestes casos, as redes têm 3 entrada e 7
neurónios na camada intermédia cada.
3.3 - Aplicabilidade do modelo de previsão desenvolvido
O modelo desenvolvido de previsão permitirá antever, com um determinado tempo de
antecedência, a ocorrência de variações do recurso solar e portanto da produção de uma
central PV. Esta informação poderá ser utilizada para se realizar um ajuste no ponto de
operação do sistema fotovoltaico.
Na Figura 3.28 é dado um exemplo ilustrativo de como actuará o sistema. No instante T-h
é prevista a quebra de produção que vai ocorrer no instante T, ocorrendo um ajuste no ponto
de operação da central PV, não estando a produzir a potência máxima, levando a uma
diminuição da energia solar injectada na rede (curva vermelha). No instante T em que foi
previsto ocorrer a descida da produção, a penetração da energia solar é menor, minimizando
o impacto da variação da produção. Pela análise da figura, é notória a vantagem do uso de
um sistema deste tipo, pois permite atenuar a variabilidade da produção, no entanto tem
como grande desvantagem o desperdício da energia solar. Após este fenómeno transitório, o
sistema volta a operar à potência máxima.
Figura 3.28 – Simulação no ajuste do ponto de operação de um sistema PV
O modelo desenvolvido, pode também ser implementado no controlador de um sistema de
armazenamento. A utilização da previsão a muito curto prazo em conjunto com um sistema
de armazenamento é realizada não só com o objectivo de suavizar as variações bruscas da
produção de uma central solar, mas também aproveitar toda a energia solar disponível
O modelo desenvolvido de previsão permitirá antever, com um determinado tempo de
antecedência, a ocorrência de variações do recurso solar e portanto da produção de uma
central PV. Esta informação será utilizada para accionar o controlador do sistema de
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Pro
du
ção
cen
tral
so
lar
Tempo
Produção solar Produção injectada na rede
TT-h
Ajuste no ponto de operação
Ponto de produção máximo
Aplicabilidade do modelo de previsão desenvolvido 57
armazenamento, que dará ordem para armazenar uma percentagem da energia solar,
reduzindo a energia solar injectada na rede e portanto, a penetração desta na mesma. A
energia desviada que irá ser armazenada, poderá ser maior ou menor consoante o valor da
variação da produção da central solar prevista pelo modelo. Quando a quebra da produção
prevista ocorrer efectivamente, será dada ordem de descarregamento do sistema de
armazenamento. Este procedimento, representado na Figura 3.29, irá permitir suavizar as
variações da produção das centrais, reduzindo portanto o impacto negativo destas variações
no SEE.
Figura 3.29 – Exemplo de funcionamento do modelo de previsão em conjunto com o sistema de armazenamento
Na Figura 3.29 é dado um exemplo ilustrativo de como actuará o sistema. No instante T-h
é prevista a quebra de produção que vai ocorrer no instante T, dando-se o inicio do
carregamento do sistema de armazenamento, levando a uma diminuição da energia solar
injectada na rede (curva vermelha). No instante T em que foi previsto ocorrer a descida da
produção, o sistema de armazenamento para de carregar dando inicio à injecção de energia
na rede. Pela análise da figura, conclui-se que o uso de um sistema deste tipo, é mais
vantajoso que um simples ajuste no ponto de operação da central, pois para além de atenuar
a variabilidade da produção, não há desperdício da energia solar.
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Pro
du
ção
cen
tral
so
lar
Tempo
Armazenamento Produção solar Produção injectada na rede
T-h T
Armazenamento
Injecção da energia armazenada
Capítulo 4
Teste do Modelo
4.1 - Introdução
Desenvolvido o modelo para a previsão da produção de centrais solares, será importante
testar o seu desempenho e a sua robustez na resolução de problemas reais, através da análise
do erro da previsão realizada. Assim, neste capítulo, serão postas à prova as capacidades do
modelo criado.
Os resultados das previsões da radiação solar, realizadas na primeira fase do modelo,
serão comparadas com os resultados de outros modelos, nomeadamente, a persistência e o
modelo paramétrico de estimativa da radiação solar para condições céu limpo, descrito no
capítulo 2. A persistência consiste em assumir que a radiação solar não sofre alterações nos
instantes futuros, ou seja, o valor da radiação solar previsto toma o mesmo valor que no
instante anterior à previsão. Este modelo será utilizado como método de referência, para
comparação com o modelo desenvolvido de forma a analisar o seu desempenho e sua
validade.
As previsões da radiação solar, (Fase 1), são realizadas para um horizonte de curto prazo,
ou seja, para 10, 20 e 30 minutos.
Para finalizar este capítulo, os valores de produção, resultado da transformação da
radiação solar, serão analisados comparando os erros entre os 3 modelos aqui propostos, de
forma a auferir qual dos modelos tem melhor performance.
4.2 - Método para avaliação e comparação do desempenho dos
modelos
O desempenho dos modelos comparados e testados serão avaliados com base no seguinte
teste estatístico:
MAPE (Erro médio absoluto percentual). Este indicador é apenas um dos vários
indicadores existentes e que podem ser encontrados em [49]. O MAPE consiste num
erro medido percentualmente. Para isso, divide-se a média do valor absoluto do erro
60 Teste do Modelo
pelo valor médio da série a ser analisada. Este é calculado através da seguinte
expressão:
Sendo n o número de dados da série em análise, o valor medido no instante t, o valor
previsto para o instante t e corresponde ao valor médio do conjunto de dados em
análise.
4.3 - Avaliação e comparação do desempenho dos diferentes
modelos
Como dito anteriormente, as fotografias captadas pelo TSI não correspondem ao local
onde se encontra a operar a central fotovoltaica em estudo. Desta forma, procedeu-se à
validação do modelo por partes, testando primeiro a fase 1 e posteriormente a fase 2. Por
uma questão de simplicidade e organização, primeiramente, serão apresentados os resultados
da primeira fase da metodologia, ou seja, os valores de radiação prevista. De seguida, serão
apresentados os resultados da aplicação da segunda fase desta metodologia.
4.3.1.a - Teste da Fase 1
As fotografias obtidas pelo TSI juntamente com os dados de radiação medidos são
referentes a 29 dias do mês de Junho de 2009. Para testar o modelo, dividiu-se o conjunto de
dados em dois conjuntos:
Conjunto de treino para construção do modelo e treino da rede neuronal. Este
conjunto será constituído por dados de radiação solar, posição solar e percentagens
de céu não encoberto por nuvens referentes a 27 dias;
Conjunto de teste para o diagnóstico da primeira parte do modelo proposto. Este
conjunto é constituído por dados de 2 dias. Foi escolhido um dia altamente afectado
pela presença de nuvens e um dia praticamente de céu limpo. A escolha de um
conjunto de teste com dias que experimentam diferentes condições atmosféricas foi
feita propositadamente, de forma a analisar a resposta do modelo a diferentes
situações.
4.3.1.b - Previsão da radiação global para um horizonte de 10 minutos
Para testar a performance do modelo desenvolvido, realizou-se uma previsão para um
horizonte de 10 minutos:
Avaliação e comparação do desempenho dos diferentes modelos 61
Figura 4.1 - Previsão a muito curto prazo (10 minutos), realizada pelo modelo desenvolvido na dissertação
No primeiro dia da previsão a radiação solar varia bastante, essencialmente devido à
presença de nuvens. Já para o segundo dia, não se verifica grandes atenuações da radiação
solar. A linha a vermelho representa os valores de radiação medidos, a área a azul claro é o
resultado da previsão. De uma forma geral, o modelo revelou um bom desempenho,
mostrando que a fusão da informação acerca das condições atmosféricas com o modelo
paramétrico de céu limpo é benéfica para a realização da previsão. O desvio absoluto entre
os valores medidos e os valores previstos é baixo, à excepção nas situações transitórias devido
à presença de nuvens, onde se denota um aumento deste desvio. Esta situação era esperada,
uma vez que a atenuação provocada pela nebulosidade sobre a radiação é um processo
complexo de se prever. No entanto, analisando o erro MAPE da aplicação deste modelo,
verifica-se que este é de 5,99%, um valor relativamente baixo quando comparado com o erro
da persistência (8,11%) ou com o erro do modelo de céu limpo (14,78%), que não tem em
conta a atenuação provocada pelas nuvens.
A Figura 4.2 relaciona os valores de irradiância solar previstos com os valores medidos:
Figura 4.2 - Relação entre os valores medidos e os valores previstos da radiação global para um horizonte de 10 minutos
0
200
400
600
800
1000Ir
rad
iân
cia
(W/m
2 )
Minutos x 10
Global Estimada Desvio absoluto Global Medida
0
200
400
600
800
1000
0 200 400 600 800 1000
Irra
diâ
nci
a p
revi
sta
(W/m
2 )
Irradiância medida (W/m2)
Céu nublado Céu limpo Desvio absoluto
62 Teste do Modelo
Para o dia de céu limpo existe uma relação essencialmente linear, fruto da excelente
performance do modelo para estes dias. Já para o dia de céu nublado, como já tínhamos
concluído anteriormente, existe uma maior dispersão dos valores, no entanto, essa dispersão
encontra-se dentro de limites aceitáveis, dada a complexidade do problema.
4.3.1.c - Previsão da radiação global para um horizonte de 20 minutos
Após a análise da previsão para um horizonte de 10 minutos, é feita uma previsão para os
próximos 20 minutos, obtendo-se o resultado representado na Figura 4.3:
Figura 4.3 - Previsão a muito curto prazo (20 minutos), realizada pelo modelo desenvolvido na dissertação
O aumento do horizonte de previsão levou de facto a um aumento do erro médio da
previsão para 6,35%. Podemos verificar, comparando os gráficos da Figura 4.1e Figura 4.3,
que a qualidade da previsão degrada-se somente no primeiro dia do conjunto de teste, no
entanto, mesmo com o aumento do horizonte de previsão, o resultado mostra que os valores
previstos conseguem acompanhar a tendência dos valores medidos. Já o erro obtido pela
persistência aumentou significativamente para 10,75%, o que confirma a ideia de que a
performance da previsão realizada pela persistência se degrada rapidamente, uma vez que
esta se limita a copiar os valores medidos no passado.
O gráfico da Figura 4.4 relaciona os valores de irradiância solar previstos com os valores
medidos. A performance da previsão para o dia claro manteve-se, no entanto para o primeiro
dia o valor dos desvios absolutos aumentou:
0
200
400
600
800
1000
Irra
diâ
nci
a (W
/m2)
Minutos x 10
Global Estimada Desvio absoluto Global Medida
Avaliação e comparação do desempenho dos diferentes modelos 63
Figura 4.4 - Relação entre os valores medidos e os valores previstos da radiação global para um horizonte de 20 minutos
Nesta situação, o desvio máximo atinge aproximadamente os 350 W/m2.
4.3.1.d - Previsão da radiação global para um horizonte de 30 minutos
Por fim, é realizada uma previsão para os próximos 30 minutos, obtendo-se o seguinte
resultado:
Figura 4.5 - Previsão a muito curto prazo (30 minutos), realizada pelo modelo desenvolvido na dissertação
Mais uma vez, como seria de esperar, com o aumento do horizonte de previsão, aumentou
o erro médio para 7,22%. O modelo consegue captar a presença de nuvens, no entanto a
0
200
400
600
800
1000
0 200 400 600 800 1000
Irra
diâ
nci
a p
revi
sta
(W/m
2)
Irradiância medida (W/m2)
Céu nublado Céu pouco nublado Desvio absoluto
0
200
400
600
800
1000
Irra
diâ
nci
a p
revi
sta
(W/m
2
Minutos x 10
Global Estimada Desvio absoluto Global Medida
64 Teste do Modelo
previsão acarreta bastantes erros uma vez que o seu impacto sobre a radiação não é
modelizado da melhor forma. Mesmo assim, o erro médio continua a ser significativamente
menor que o erro obtido pela persistência que aumentou para 15,14%, ultrapassando mesmo o
erro considerando o modelo de céu limpo de 14,78%.
4.3.1.e - Análise da fonte de erro
Assumindo-se uma previsão das condições atmosféricas perfeita, ou seja, utilizando dados
medidos em vez de dados previstos de e , foi testado o desempenho da rede
neuronal que cruza o modelo de céu limpo com a informação acerca da nebulosidade. Como
descrito no capítulo 3, a radiação solar global surge da soma algébrica das componentes
directa e difusa. O gráfico da Figura 4.6 compara a componente difusa estimada pelo modelo
com os valores reais medidos:
Figura 4.6 - Evolução temporal dos valores medidos e valores estimados da componente difusa
A alimentação do modelo com valores medidos de percentagem de céu limpo permite
estimar a componente difusa com um erro de 5,77%. A Figura 4.6 demonstra uma boa
performance do modelo da evolução temporal da curva estimada com a curva medida,
modelizando de forma razoável o impacto da nebulosidade sobre a radiação solar, neste caso
a componente difusa. O mesmo acontece na Figura 4.7, com a componente directa da
radiação:
0
100
200
300
400
500
600
Irra
dia
nci
a (W
/m2)
Minutos x 10
Difusa Estimada Difusa Medida
Avaliação e comparação do desempenho dos diferentes modelos 65
Figura 4.7 - Evolução temporal dos valores medidos e valores estimados da componente directa
A estimativa da componente directa é efectuada pelo modelo com um erro médio de
7,17%. Uma boa previsão desta componente é importante para a previsão da produção de
centrais de CPV. Somando a componente directa com a componente difusa, obtém-se a
radiação global, com um erro de 5,02% (Figura 4.8):
Figura 4.8 - Evolução temporal dos valores medidos e valores estimados da radiação global
A previsão das condições atmosféricas é um processo de extrema importância para a
previsão da radiação solar incidente na Terra. Como seria de esperar, os resultados do modelo
melhora assumindo uma previsão perfeita das condições atmosféricas. No entanto, é
importante referir, que mesmo assim, o modelo acarreta erros. Desde a estimativa da
radiação para condições de céu limpo, à classificação e contagem de pixéis das imagens,
todos estes processos são susceptíveis de introduzir erros no sistema, aumentando assim o
0
200
400
600
800
1000
Irra
diâ
nci
a (W
/m2)
Minutos x 10
Directa Estimada DirectaMedida
0
200
400
600
800
1000
Irra
diâ
nci
a (W
/m2)
Minutos x 10
Global Estimada Global Medida
66 Teste do Modelo
erro da previsão. Contudo a ferramenta desenvolvida permite efectuar previsões da radiação,
com erros aceitáveis. Os testes realizados mostram uma melhoria na performance de previsão
em relação à previsão realizada pela persistência.
4.3.1.f - Síntese dos resultados da fase 1
Para sintetizar os resultados obtidos pela primeira fase do modelo, é apresentado o
gráfico da Figura 4.9, relativo às diferentes performances obtidas pelos diferentes modelos de
previsão, para diferentes horizontes de temporais:
Figura 4.9 – Performance dos diferentes modelos de previsão para diferentes horizontes de previsão
Embora para dias afectados pela presença de nuvens os erros de previsão sejam maiores,
o modelo apresentado reduz o erro da previsão face à persistência, especialmente com o
aumento do horizonte de previsão.
4.3.2 - Teste da Fase 2
Nesta fase da metodologia proposta, foram criados 3 modelos, para estimar a produção de
uma central fotovoltaica tendo em conta os factores climatéricos que a influenciam. Uma vez
que se possuíam dados referentes a 1 ano de operação da central, dividiu-se o conjunto de
dados em dois conjuntos:
Conjunto de treino, para construção do modelo e treino da rede neuronal. Este
conjunto será constituído por dados meteorológicos e de produção referentes a 353
dias do ano de 2009;
Conjunto de teste, para o diagnóstico do modelo proposto. Este conjunto é
constituído por dados de meteorológicos e de produção referentes a 12 dias do ano de
2009. Foi escolhido, aleatoriamente, 1 dia de cada mês do ano.
0,00%
4,00%
8,00%
12,00%
16,00%
20,00%
MODELO PROPOSTO PERSISTENCIA CÉU LIMPO
10 min 5,99% 8,11% 14,78%
20 min 6,35% 10,75% 14,78%
30 min 7,22% 15,14% 14,78%
Avaliação e comparação do desempenho dos diferentes modelos 67
Analisando o erro da estimativa efectuada pelos diferentes modelos (Figura 4.10), de uma
forma geral, todos têm um bom desempenho, na estimativa da produção para os diferentes
dias do conjunto de teste:
Figura 4.10 - Desempenho dos modelos A, B e C para os diferentes dias do conjunto de teste
No entanto, o modelo C, cujas entradas são a irradiância solar, temperatura ambiente e a
hora do dia, têm um menor desvio percentual médio do valor estimado em relação ao valor
real medido. Este mostrou ser o modelo com melhor performance para ser utilizado na
metodologia de previsão. Em 8 dos 12 dias do conjunto de teste, o erro dos resultados é
inferior aos restantes modelos. Nos restantes 4 dias, o erro é aproximadamente o mesmo
apesar de ser um pouco superior quando comparado com os modelos A e B. A introdução da
variável, velocidade do vento, no modelo B, ao contrário do que seria de esperar, não trouxe
nenhuma vantagem, tendo mesmo degradado o desempenho do modelo em relação ao modelo
A e C. Esta situação, deve-se essencialmente ao facto do impacto velocidade do vento sobre a
temperatura da célula poder ser explicada pela outra variável utilizada como entrada da rede
neuronal, a temperatura ambiente, uma vez que esta é influenciada pela existência ou não
de vento.
Embora, o erro da estimativa da produção para o dia de teste do mês de Março tenha um
valor relativamente alto quando comparado com os outros dias, isto não significa que o
modelo tenha falhado. Prestemos atenção ao gráfico da Figura 4.11:
0%
10%
20%
30%
JAN FEV MAR ABR MAI JUN JUL AGO SET OUT NOV DEZMAPE MÉDIO
MAPE RN A 8,28% 9,04% 28,77% 6,43% 15,56% 8,45% 5,67% 6,50% 8,20% 17,45% 17,70% 10,04% 11,84%
MAPE RN B 7,50% 13,01% 28,58% 6,30% 18,53% 8,79% 6,24% 6,53% 7,99% 14,11% 17,06% 10,90% 12,13%
MAPE RN C 10,69% 7,93% 18,75% 3,94% 15,89% 3,63% 4,69% 3,78% 5,34% 11,78% 18,91% 13,33% 9,89%
MAPE RN A MAPE RN B MAPE RN C
68 Teste do Modelo
Figura 4.11 - Produção medida e produção estimada pelo modelo C, para o dia 22 de Março de 2009
O modelo proposto tem um excelente desempenho na estimativa da produção para este
dia. No entanto, o seu alto valor de erro médio, deve-se ao facto de este dia ser
caracterizado pela grande presença de nuvens, o que faz com que o valor médio diário da
produção seja relativamente baixo.
Tendo em conta a expressão 4.1 para o cálculo do erro utilizada nesta dissertação, o
baixo valor médio da produção neste dia, faz com que o valor do MAPE seja maior, mesmo
que o numerador seja baixo, como é o caso do dia 22 de Março de 2009. O mesmo acontece,
por exemplo, nos dias 6 de Maio e 27 de Novembro, como se pode confirmar nos gráficos da
Figura 4.12 e Figura 4.13:
Figura 4.12 - Produção medida e produção estimada pelo modelo C, para o dia 6 de Maio de 2009
0
2000
4000
6000
8000
10000
12000
14000
16000
02:00 04:00 06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00 22:00
Pro
du
ção
(W
)
Hora do dia
Produção medida Produção Estimada RN C
0
2000
4000
6000
8000
10000
12000
14000
16000
02:00 04:00 06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00 22:00
Pro
du
ção
(W
)
Hora do dia
Produção medida Produção Estimada RN C
Avaliação e comparação do desempenho dos diferentes modelos 69
Figura 4.13 - Produção medida e produção estimada pelo modelo C, para o dia 27 de Novembro de 2009
Para dias de céu claro, ou dias em que se verificou condição de céu limpo para a maior
parte do dia, o modelo também teve um bom desempenho, como seria de esperar. Ao
contrário do que foi visto anteriormente, nesta situação, o valor médio da produção ao longo
do dia é substancialmente maior, que nos dias afectados pela nebulosidade. Isto faz com que
o erro MAPE tenha um valor menor, não significando que a estimativa para dias nublados seja
pior que para dias de céu claro. Um exemplo de estimativa da produção para dias de céu
praticamente limpo, ocorreu no dia 18 de Agosto de 2009:
Figura 4.14 - Produção medida e produção estimada pelo modelo C, para o dia 18 de Agosto de 2009
Na Figura 4.15, podemos analisar a relação entre os valores medidos e os valores
estimados para todo o conjunto de teste do modelo, ou seja, para 12 dias:
0
1000
2000
3000
4000
5000
6000
7000
02:00 04:00 06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00 22:00
Pro
du
ção
(W
)
Hora do dia
Produção medida Produção estimada RN C
0
2000
4000
6000
8000
10000
12000
14000
02:00 04:00 06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00 22:00
Pro
du
ção
(W
)
Hora do dia
Produção medida Produção Estimada RN C
70 Teste do Modelo
Figura 4.15 - Relação entre os valores medidos e os valores estimados pela Rede neuronal C
O gráfico mostra de forma mais pormenorizada, os desvios entre os valores medidos e os
valores estimados pela RN C para o conjunto de teste. A linha de tendência a vermelho
representa a regressão para uma estimativa ideal do modelo, ou seja, uma hipotética
situação em que o valor dos pontos estimados corresponde exactamente ao valor dos pontos
medidos. Embora, como seria de esperar, isto não aconteça, este gráfico evidência o bom
desempenho do modelo proposto na estimativa da produção de uma central fotovoltaica.
Com isto, mostrou-se que é possível modelizar a produção de uma central fotovoltaica, a
cada 5 minutos para um ano inteiro, recorrendo a inteligência artificial, evitando assim,
modelos paramétricos, estudados no capítulo 2,mais ou menos complexos.
Como principal vantagem, o modelo aqui proposto não necessita do conhecimento das
características eléctricas dos componentes da central, ao contrário de alguns modelos
paramétricos que dependem da qualidade dos parâmetros fornecidos pelos fabricantes. Outra
vantagem da utilização de redes neuronais, prende-se com o facto de não ser necessário
converter a radiação solar no plano do painel, ou converter a temperatura ambiente na
temperatura da célula, evitando também o número de cálculos necessários a serem
efectuados. No entanto, o modelo testado necessita de um conjunto elevado de dados
históricos para treino da rede neuronal artificial.
0
4
8
12
16
0 4 8 12 16
Po
tên
cia
esti
mad
a (k
W)
Potência medida (kW)
Capítulo 5
Conclusões e Futuros Desenvolvimentos
5.1 - Conclusões
Actualmente, a produção de energia a partir de centrais solares, nomeadamente PV,
representa uma pequena percentagem da produção total, tendo portanto, a sua
variabilidade, um impacto muito pequeno sobre a qualidade da energia eléctrica no SEE. No
entanto, nos últimos anos tem-se assistido a um aumento significativo da penetração de
sistemas PV na rede eléctrica devido a políticas energéticas que pretendem atingir metas
relativas à redução de emissões de gases para a atmosfera. Com esta situação, a natureza
intermitente da geração PV pode começar a ser notória, trazendo impactos negativos para a
rede. De todos os sistemas de conversão de energia solar em electricidade estudados, os
sistemas PV e CPV, são os mais influenciados pela rápida flutuação do recurso solar.
No âmbito desta dissertação foi construída e apresentada uma metodologia de previsão da
produção de uma central fotovoltaica a muito curto prazo. O modelo proposto consiste em
cruzar o modelo de simulação da radiação solar terrestre para dias de céu claro, com
informações das condições atmosféricas previstas a partir de imagens do céu captadas a
partir do solo. Os trabalhos realizados nos últimos anos, dentro desta temática, têm-se
centrado principalmente na previsão da radiação solar, dando-se menos importância ao
desenvolvimento de modelos de conversão do recurso solar em produção de energia. No
trabalho desenvolvido nesta dissertação, para além da previsão do recurso solar, a radiação
solar prevista é utilizada como entrada de uma rede neuronal, juntamente com outros
factores climatéricos, de forma a prever a produção da central solar.
No que diz respeito ao desempenho da primeira fase do modelo de previsão proposto, os
resultados demonstram que para dias de céu limpo o modelo responde se forma satisfatória.
No entanto, para dias nublados, existem maiores dificuldades em prever a variabilidade da
radiação solar. Ainda assim, os resultados da previsão apresentam um erro médio percentual
menor comparativamente com a persistência, mostrando que a introdução de informação das
condições atmosféricas no modelo, nomeadamente a presença de nuvens, é uma mais-valia
para qualidade da previsão. A fusão do modelo de céu limpo com a informação das condições
atmosféricas captadas das imagens foi efectuada recorrendo a redes neuronais.
O sistema de aquisição imagens do céu a partir do solo, neste caso o TSI, revelou ser um
excelente equipamento para captar as condições atmosféricas com boa resolução a nível
72 Conclusões e Futuros Desenvolvimentos
local. Contudo, a maior dificuldade da aplicação deste modelo, tal como nos modelos
identificados no capítulo 2, está na previsão das condições atmosféricas.
Na segunda fase da metodologia proposta, foi modelizada a produção de uma central PV
obtendo-se bons resultados. Como tivemos a oportunidade de analisar, a relação entre a
produção da central em estudo e a radiação solar não é meramente linear. A utilização de
RNA, nesta fase da metodologia, permitiu evitar a utilização de modelos paramétricos, que
são dependentes da qualidade dos parâmetros fornecidos pelos fabricantes. A utilização de
inteligência artificial para o cálculo da produção da central só foi possível devido à existência
de dados históricos de geração em diferentes condições meteorológicas de operação do
gerador.
Por fim, demonstrou-se como esta metodologia poderá ser implementada na prática
permitindo uma utilização eficiente dos sistemas de armazenamento, sem desperdício da
energia solar e reduzindo o impacto da intermitência da produção PV.
5.2 - Dificuldades e Futuros Desenvolvimentos
A indisponibilidade de dados de produção de centrais solares fotovoltaicas de
concentração, não permitiu a construção de modelos de estimativa da produção deste tipo de
centrais. Um trabalho interessante e que complementará o estudo aqui realizado, será
compreender quais as variáveis que afectam a produção de CPV, realizando um estudo
semelhante ao que foi efectuado nesta dissertação. Em suma, as redes neuronais são
ferramentas poderosas, podendo-se revelar importantes na construção de modelos para o
cálculo da produção de centrais de CPV.
Referências
[1] N. Hamsic, et al., "Increasing Renewable Energy Penetration in Isolated Grids Using a
Flywheel Energy Storage System," in Power Engineering, Energy and Electrical Drives,
2007. POWERENG 2007. International Conference on, 2007, pp. 195-200.
[2] A. Marmont, et al., "An integrated non-fossil fuel electrical power system," in
AFRICON '92 Proceedings., 3rd AFRICON Conference, 1992, pp. 295-298.
[3] Y. T. Tan, "Impact on the Power System with a large penetration of photovoltaic
generation," Department of Electrical Engineering and Electronics, The University of
Manchester Institue of Science and Technology, 2004.
[4] EPIA, "Global market outlook for photovoltaics until 2014," 2010.
[5] EurObsev'ER, "Photovoltaic barometer," 2010.
[6] REN. Último acesso: 01/06/2010). Estatísticas diárias disponível em:
http://www.centrodeinformacao.ren.pt/PT/InformacaoExploracao/Paginas/Estatisti
caDiariaDiagrama.aspx.
[7] C. N. Rodrigues, "Centrais solares fotovoltaicas ligadas à rede eléctrica," Lisboa, 2008.
[8] F. Associates, "Texas Renewable Energy Resource Assessment," 2008.
[9] E. Pihl, "Concentrating Solar Power," Chalmers University2009.
[10] A. Santos, "Produção e planeamento de energia - Armazenamento de energia," ed.
Coimbra.
[11] ARM. Atmospheric Radiation Measurement disponível em: http://www.arm.gov.
[12] SRMLUO. University of Oregon Solar Radiation Monitoring Laboratory disponível em:
http://solardat.uoregon.edu/index.html.
[13] D. Heinemann, et al., "Forecasting of Solar Radiation," in Proceedings of the
International Workshop on Solar Resource from the Local Level to Global Scale in
Generation, Institute for Environment and Sustainability, Joint Research Center,
Ispra, Italy, 2004.
[14] P. Bacher, "Short-term Solar Power Forecasting," Master’s Thesis, Technical University
of Denmark, 2008.
[15] ANEEL. Último acesso: 06/05/2010). Energia Solar disponível em
http://www.aneel.gov.br/aplicacoes/Atlas/energia_solar/energia_solar.htm.
[16] L. Pedro and J. Silva, "Energia Solar Térmica," 2007.
[17] L. Stoddard, et al., "Economic, Energy, and Environmental Benefits of Concentrating
Solar Power in California," 2006.
[18] C. A. d. Nascimento, "Princípio de funcionamento da célula fotovoltaica," 2004.
[19] R. Castro, "Introdução à energia fotovoltaica," 2009.
[20] A. Joyce. (2010) O solar fotovoltaico de concentração. Renováveis Magazine.
[21] M. Collares Pereira, "Fotovoltaico de Alta Concentração, uma nova tecnologia solar
com excelente potencial em Portugal," 2010.
[22] M. Mehos, et al., "Planting the sun," Power and Energy Magazine, IEEE, vol. 7, pp. 55-
62, 2009.
[23] G. Reikard, "Predicting solar radiation at high resolutions: A comparison of time series
forecasts," Solar Energy, vol. 83, pp. 342-349, 2009.
74 Referências
[24] P. Bacher, et al., "Online short-term solar power forecasting," Solar Energy, vol. 83,
pp. 1772-1783, 2009.
[25] A. Sfetsos and A. H. Coonick, "Univariate and multivariate forecasting of hourly solar
radiation with artificial intelligence techniques," Solar Energy, vol. 68, pp. 169-178,
2000.
[26] A. Moreno-Munoz, et al., "Short term forecasting of solar radiation," in Industrial
Electronics, 2008. ISIE 2008. IEEE International Symposium on, 2008, pp. 1537-1541.
[27] S. A. Kalogirou, "Applications of artificial neural-networks for energy systems,"
Applied Energy, vol. 67, pp. 17-35, 2000.
[28] W. K. Wing, "An Analysis of Global Solar Radiation Modelling in Different Climate
Zones in China," 2008.
[29] V. Miranda. (2007, Redes Neuronais - Treino por Retropropagação.
[30] D. Silva, "Redes Neurais Artificiais no Ambiente de Redes Industriais Foundation
Fieldbus Usando Blocos Funcionais Padrões," 2005.
[31] E. Ferraz, "Optimização de Estruturas e Modelos de Previsão de Produção Mini-
Hídrica," 2009.
[32] A. Ghanbarzadeh, et al., "Solar radiation forecasting based on meteorological data
using artificial neural networks," in Industrial Informatics, 2009. INDIN 2009. 7th IEEE
International Conference on, 2009, pp. 227-231.
[33] E. M. Crispim, et al., "Solar radiation prediction using RBF Neural Networks and
cloudiness indices," in Neural Networks, 2006. IJCNN '06. International Joint
Conference on, 2006, pp. 2611-2618.
[34] P. M. Ferreira, A. E. Ruano, "Predicting Solar Radiation With RBF Neural Networks,"
presented at the 6th Portuguese Conference on Automatic Control, Faro, Portugal,
2004.
[35] H. Lopes, "Previsão de produção fotovoltaica a muito curto prazo usando análise e
modelação de dinâmica de sombras," Faculdade de Engenharia da Universidade do
Porto, Porto, 2010.
[36] J. Casa Nova & J. Boaventura Cunha & P. B. de Moura Oliveira, "Solar Irradiation
Forecast Model Using Time Series Analysis and Sky Images," presented at the 2005
EFITA/WCCA joint Congress on IT in Agriculture, Vila-Real, Portugal, 2005.
[37] W. T. Freeman, "Computer Vision for Interactive Computer Graphics," p. 50, 1998.
[38] D. Heinemann, Elke Lorenz, Marco Girodo, "Solar irradiance forecasting for the
management of solar energy systems," 2006.
[39] PVPS, "Performance Prediction of Grid-Connected Photovoltaic Systems Using Remote
Sensing," 2008.
[40] R. Foster, et al., SOLAR ENERGY:Renewable Energy sources and the Environment,
2009.
[41] A. Luque and S. Hegedus, Handbook of photovoltaic science and engineering, 2002.
[42] J. Cabeza, "Measurements and Analysis of a 20 kW Grid-Connected PV System,"
Department of Electrical and Computer Engineering, ARISTOTLE UNIVERSITY OF
THESSALONIKI, 2009.
[43] C. Monteiro, "Energia Eólica e Solar:Radiação Solar," 2009.
[44] J. Radosavljević and A. Đorđević, "Working and Living Environmental
Protection:Defining of the intensity of solar radiation on horizontal and oblique
surfaces on Earth," ed, 2001.
[45] CRESEBS, "Energia Solar:Princípios e aplicações."
[46] M. Fuentes, et al., "Application and validation of algebraic methods to predict the
behaviour of crystalline silicon PV modules in Mediterranean climates," Solar Energy,
vol. 81, pp. 1396-1408, 2007.
[47] E. Lorenz, et al., "Forecast of ensemble power production by grid-connected PV
systems," in Proceedings of the 29th European PV Conference, Milano, September 3-
7, 2007.
[48] H.-L. Tsai, et al., "Development of Generalized Photovoltaic Model Using
MATLAB/SIMULINK," in Proceedings of the World Congress on Engineering and
Computer Science 2008 WCECS 2008, October 22 - 24, San Francisco, USA, 2008.
[49] S. Rehman, "Empirical model development and comparison with existing correlations,"
Applied Energy, vol. 64, pp. 369-378, 1999.