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

ii

© Bruno António de Oliveira Santos, 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…

ix

“Prediction is very difficult,

especially if it's about the future.”

Niels Bohr

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 4.4 - Relação entre os valores medidos e os valores previstos da radiação global para um horizonte de 20 minutos .................................................................. 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.


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:


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


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:


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.


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:


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:


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:


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.

34 Estado da Arte

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


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


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


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


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.


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.


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”:


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


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:


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


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:


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


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.


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:


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


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:


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


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


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:


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



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:


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


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


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%


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



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


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.

http://www.centrodeinformacao.ren.pt/PT/InformacaoExploracao/Paginas/EstatisticaDiariaDiagrama.aspx

http://www.centrodeinformacao.ren.pt/PT/InformacaoExploracao/Paginas/EstatisticaDiariaDiagrama.aspx

http://www.arm.gov/

http://solardat.uoregon.edu/index.html

http://www.aneel.gov.br/aplicacoes/Atlas/energia_solar/energia_solar.htm

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.

Previsão de Produção de Centrais Solares a Muito Curto Prazo · neuronais para emular a...

Documents

Transcript of Previsão de Produção de Centrais Solares a Muito Curto Prazo · neuronais para emular a...