Sistema de previsão de geração eólica baseado em ferramentas de inteligência artificial

Com o aumento da participação de fontes de geração intermitente nas matrizes eletro-energéticas de países como o Brasil, torna-se essencial para os estudos de planejamento e programação da operação do sistema o conhecimento prévio da geração futura dessas fontes. A distribuição de probabilidades da geração de energia eólica em bases mensal e anual é bem conhecida, o que facilita o planejamento energético com a inclusão desta fonte. Por outro lado, em horizontes que variam de poucas horas a alguns dias à frente, a constante intermitência da fonte eólica exige previsões de geração confiáveis para a determinação do ponto ótimo de operação do sistema elétrico. Nesta tese foi desenvolvido um método no qual se aplica um algoritmo evolucionário para a definição dos hiperparâmetros e topologia de redes neurais recorrentes do tipo Echo State Networks que realizam previsões de vento e geração eólica, em base horária, no horizonte de 24 horas. Assim como no método que deu origem ao proposto na presente tese, o algoritmo evolucionário permite a busca simultânea pelos melhores hiperparâmetros e topologia da rede, sem a necessidade de redução dos autovalores da matriz de pesos do reservoir (camada interna da Echo State Network), e em tempo consideravelmente inferior àquele necessário caso fosse realizada uma busca exaustiva pelos melhores parâmetros da rede, o que exige grande esforço computacional e elevado tempo de processamento. Dentre as principais contribuições da tese destaca-se a possibilidade de utilização de estados aumentados no reservoir, os quais podem ser os sinais de aproximação e detalhe da análise de multiresolução via Wavelets, ou então do tipo quadráticos. Os estados aumentados possibilitam a redução da quantidade de neurônios no reservoir sem perda de desempenho e com redução do esforço computacional e, consequentemente, do tempo de processamento. O método foi aplicado para a realização da previsão horária da velocidade do vento em quinze localidades distintas e também para a previsão da geração de cinco plantas comerciais, todas localizadas na Região Nordeste. Os resultados demonstraram que os erros das previsões obtidas com o método proposto são equivalentes aos erros obtidos com os melhores modelos do estado da arte na previsão de velocidade de vento e geração eólica.With the increasing participation of intermittent generation sources into the electro-energetic matrices of countries such as Brazil, the prior knowledge of the future generation of these sources becomes essential for the studies of planning and programming of the system’s operation. The well stablished probabilities distribution of wind power generation on a monthly and annual basis facilitates energy planning by including this source. On the other hand, in horizons ranging from a few hours to a few days ahead, the constant intermittence of the wind source requires reliable generation forecasts for the determination of the optimal electrical system’s operating point. The method developed in this doctoral thesis applies an evolutionary algorithm to define the hyperparameters and topology of recurrent neural networks named Echo State Networks that provides hourly wind speed and power forecasts, within a 24 hours horizon. As in the original method on which the present thesis was based, the evolutionary algorithm allows the simultaneous search for the best hyperparameters and topology of the network, without reducing the autovalues of the reservoir’s weights matrix (Echo State Network internal layer), in considerably less time than required if an exhaustive search for the best network’s parameters was done, which requires a great computational effort and a long processing time. Among the main contributions of this doctoral thesis is the possibility of using augmented states in the reservoir, which can be approximation and detail signals of the multiresolution analysis via Wavelets, or else in quadratic form. The augmented states allow the reduction in number of neurons in the reservoir without performance loss and with less computational effort, consequently, less processing time. The method was applied to the hourly wind speed forecasts in fourteen different locations and also to the wind power forecasts of five commercial plants, all located in the Northeast Region. The results demonstrated that the proposed method performs in an equivalent way to the best state-of-the-art wind speed and power forecasters