FenixEdu™

Dissertação

{en_GB=Wind forecast at medium voltage distribution networks } {} EVALUATED

Detalhes: {pt=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%., en=Due to the intermittent and variable nature of wind, Wind Power Generation Forecast (WPGF) has become an essential task for power system operators, who are looking for a reliable wind penetration into the electric grid. Since there is a need to forecast wind power generation accurately, the main contribution of this thesis is the development, implementation and comparison of WPGF methods to be used by Distribution System Operators (DSOs). The methodology applied comprised five stages namely, pre-processing, feature selection, forecasting models, post-processing and validation. For training and testing the models, historical wind power generation data (measured at secondary substations) of 20 wind farms connected to the Medium Voltage (MV) distribution network was provided by the Portuguese DSO, while meteorological data was obtained from IPMA and ISTMeteo. After comparing the accuracy of eight different models in terms of their Relative Root Mean Square Error (RRMSE), Extreme Gradient Boosting (XGBOOST) appeared as the best-suited forecasting method for wind power generation. Thus, XGBOOST was chosen for further tests and improvements (tuning) in order to reduce the error as much as possible. At the end, the best average RRMSE achieved by the proposed XGBOOST model for 1 year training (JAN-DEC of 2020) and 6 months forecast (JAN-JUN of 2021) corresponds to 13.48%, outperforming the predictions of the Portuguese DSO by more than 20%, which for the same period of analysis present a RRMSE of 16.88%.}
Keywords: {pt=Previsão de Curto Prazo, Previsão de Geração de Energia Eólica, Rede de Distribuição de Média Tensão, Extreme Gradient Boosting (XGBOOST), en=Extreme Gradient Boosting (XGBOOST), Medium Voltage Distribution Network, Short-Term Forecasting, Wind Power Generation Forecast}

Discussão: novembro 25, 2022, 12:30