Estudo de Modelos de Previsão Aplicados à Produção Renovável

A variabilidade da produção associada a centrais renováveis assume-se como o principal obstáculo para a inserção das mesmas nos mercados elétricos. Isto deve-se à grande dependência deste tipo de centrais relativamente às condições atmosféricas que apresentam como principal característica a instabilidade. Deste modo, o recurso a modelos de previsão é de enorme importância, pois, permite perceber com o menor erro possível qual será a produção no futuro, fazendo com que os vários agentes de mercado possam tomar melhores decisões, contribuindo assim para uma gestão coordenada do mercado da eletricidade. Com o objetivo de desenvolver este tipo de métodos, esta dissertação, visa apresentar modelos de previsão de curto prazo eficientes na previsão de produção de centrais hídricas, fotovoltaicas e eólicas. Assim, ao longo deste trabalho, foram usados, essencialmente, dois tipos diferentes de métodos: redes neuronais artificiais e um modelo puramente matemático. As redes neuronais artificiais foram criadas usando a ferramenta nftool do Matlab, enquanto o modelo matemático foi desenvolvido no Microsoft Excel. Relativamente aos dados utilizados, pode-se dividir em três categorias: dados cíclicos, como o dia da semana, mês e ano, dados históricos de produção das centrais, que foram previamente retirados da plataforma Kisense fornecida pela empresa Energia Simples e dados atmosféricos, tendo estes dados sido fornecidos pelo Centro de Sistemas de Energia do INESC TEC. A base de dados criada é de enorme importância em trabalhos de previsão, uma vez que, é a partir desta que se realizam as previsões, tendo, por isso, um peso bastante grande na qualidade do trabalho desenvolvido. Por fim, foram realizadas as previsões para as 24h do dia D+1 e do dia D+7, sendo que, em termos gerais, os melhores modelos D+1 criados permitiram obter desempenhos entre 4 e 6%, 12% e entre 5 e 8%, para as centrais hídricas, eólica e fotovoltaicas, respetivamente. No que diz respeito aos modelos D+7, os melhores desempenhos foram entre 11 a 18%, 23% e entre 7 a 10%, para as centrais hídricas, eólica e fotovoltaicas, respetivamente. Estes valores foram determinados segundo o erro NMAPE (Normalized Mean Absolute Percentage Error). Comprovou-se também a conveniência de integrar dados atmosféricos previstos com a mesma antecedência temporal relativamente à qual se pretende prever, isto é, se o objetivo for prever para um horizonte temporal de 7 dias, deve-se, de forma a obter resultados adequados, dispor de variáveis atmosféricas previstas com 7 dias de antecedência relativamente ao dia a prever