FenixEdu™

Dissertação

Wind forecast at medium voltage distribution networks EVALUATED

Detalhes: Devido à natureza intermitente e variável do vento, a Previsão da Geração de Energia Eólica (PGEE) tornou-se uma tarefa essencial para os operadores dos sistemas de energia. Uma vez que existe a necessidade de prever com precisão a geração eólica, a principal contribuição desta tese é o desenvolvimento, implementação e comparação de metodologias de PGEE a serem utilizadas pelos Operadores da Rede de Distribuição (ORD). A metodologia desenvolvida compreende cinco etapas, nomeadamente pré-processamento, seleção das variáveis, modelos de previsão, pós-processamento e validação. Para o treino e teste dos modelos, foram fornecidos dados históricos de geração eólica (medidos nas subestações secundárias) de 20 parques eólicos ligados à rede de distribuição de média tensão, fornecidos pelo operador do sistema de distribuição de Portugal, enquanto os dados meteorológicos foram obtidos do IPMA e do ISTMeteo. Após a comparação da precisão de oito modelos em termos do erro quadrático médio relativo (RRMSE), o Extreme Gradient Boosting (XGBOOST) foi escolhido como sendo o método mais adequado para a PGEE, no dataset utilizado. Assim, XGBOOST foi escolhido para a realização de testes mais aprofundados e melhorias na sua parametrização com o objetivo de reduzir ao máximo o erro das previsões. O melhor desempenho alcançado pelo modelo XGBOOST proposto, considerando a análise dos valores RRMSE, para 1 ano de treino (JAN-DEZ de 2020) e 6 meses de previsão (JAN-JUN de 2021) foi de 13.48%, superando em mais de 20% as previsões do ORD, que para o mesmo período de análise apresentam um RRMSE de 16.88%.
Keywords: Previsão de Curto Prazo, Previsão de Geração de Energia Eólica, Rede de Distribuição de Média Tensão, Extreme Gradient Boosting (XGBOOST)

Discussão: novembro 25, 2022, 12:30