Case 1: Hyppig oppfølging av korttidsledige ved NAV Bjerke

Neste subcapítulo trata-se todo o desenvolvimento do modelo de previsão para a veloci- dade do vento, bem como uma análise exploratória da série temporal.

4.1.3.1. Análise exploratória da série temporal

A figura 4.15 representa a série de médias da velocidade do vento construída a partir dos dados recolhidos.

Figura 4.15 - Série temporal da velocidade do vento (10 meses)

Como é possível observar pela figura, todas as amostras entre a hora 1644 até à hora 2008 apresentam valor nulo, significa isto que existiu algum problema no anemómetro da estação me- teorológica e a inclusão destes valores no modelo seria prejudicial para o mesmo, como tal, para o modelo de previsão da velocidade do vento, não é possível considerar o mesmo período de treino que foi considerado para a irradiância e para a temperatura, sendo utilizado então os dados

49

recolhidos desde junho e setembro de 2013, obtendo uma nova série de médias da velocidade do vento, que pode ser observada na figura 4.16.

Figura 4.16 - Série temporal da velocidade do vento (4 meses)

Na tabela 4.5 são apresentadas algumas estatísticas descritivas dos registos da temperatura medida no local em estudo.

Tabela 4.5 - Estatísticas da série temporal da velocidade do vento

Número de amostras 11715 Média (m/s) 2,7016 Mediana (m/s) 2,6045 Desvio-padrão (m/s) 1,7490 Mínima (m/s) 0 Máxima (m/s) 9,4887

50

Figura 4.17- Histograma dos dados recolhidos da velocidade do vento

Na figura 4.17, o histograma da distribuição de frequências da temperatura no DEE revela que na maior parte do tempo a velocidade não ultrapassa os 3 m/s, este fator revela que na maior parte do tempo o aerogerador não irá produzir qualquer energia uma vez que, como foi referido anteriormente, este só começa a produzir para velocidades iguais ou superiores a 3 m/s. Adicio- nalmente, o Q-QPlot na figura 4.18 sugere que os registos da temperatura não seguem uma dis- tribuição normal, resultado este confirmado por meio do MatLAB através do teste de Kolmogorov-

Smirnov, uma vez que este rejeita a hipótese de que os dados apresentem uma distribuição normal.

51

4.1.3.2. Identificação do modelo

Figura 4.19 - FAC da série temporal da velocidade do vento (sem diferenciação)

Como é possível observar na figura 4.19, a função de autocorrelação apresenta um decai- mento lento para zero, o que sugere que a série não apresenta estacionaridade. Uma vez que um modelo estatístico apenas pode ser aplicado quando na presença de uma série estacionária, os dados recolhidos são diferenciados.

Analisando a figura 4.20, é possível observar que a série diferenciada, através da sua FAC, já aparenta possuir estacionaridade, uma vez que esta possui um padrão de decaimento rápido. A sua estacionaridade foi confirmada através do teste de Dickey-Fuller, que rejeitou a hipótese da série possuir uma raiz unitária, desta forma, como a estacionaridade é alcançada após uma diferenciação, o parâmetro d, do modelo a desenvolver, terá o valor 1.

52

Figura 4.20 - FAC da série temporal da velocidade do vento (após diferenciação)

A função de autocorrelação do processo apresenta uma queda rápida para zero após pou- cas lags, o que indica que provavelmente o modelo que melhor se aplica aos dados da velocidade do vento será um modelo misto.

4.1.3.3. Desenvolvimento do modelo

Tal como foi referido anteriormente, não é possível definir os parâmetros p e q de um misto através da observação das suas funções de autocorrelação e autocorrelação parcial. Como tal, é tomado como base de testes um modelo ARIMA (1,1,1), com sazonalidade de 24 horas, e realizando uma análise aos seus resíduos (figura 4.21).

53

Figura 4.21 - 4-Plot dos resíduos da velocidade do vento

Como é possível observar na figura 4.21, o modelo proposto apresenta uma elevada ade- quabilidade nas primeiras 100 lags, com os valores dos resíduos muito próximos de zero. O mo- delo não apresenta também nenhuma correlação significativa entre amostras e possui uma distri- buição normal, o que garante que o modelo proposto possui um elevado desempenho e está pronto para a fase de previsão.

54

Figura 4.22 - Previsão da velocidade do vento até 24 horas à frente através do modelo ARIMA (1,1,1)

Na figura 4.22 está representada a previsão da velocidade do vento num horizonte tem- poral de 24 horas. Ao contrário do que foi observado nas séries temporais da irradiância e da temperatura, a velocidade do vento apresenta um comportamento muito mais irregular, tornando- se difícil realizar previsões com horizontes temporais superiores a 24 horas. Como é possível observar, o modelo proposto apresenta um elevado desempenho nas primeiras 10 horas de previ- são quando comparado com os dados reais, após este período, o comportamento da previsão toma valores que não demonstram qualquer relação com os valores reais, uma vez que decaem para zero. Apesar deste fator, tendo em conta a elevada imprevisibilidade do vento, considera-se que os resultados obtidos são satisfatórios, ainda assim, foram testados outros modelos através do ajuste dos parâmetros p e q, e comparados com os resultados obtidos com o modelo ARIMA (1,1,1). Os resultados obtidos estão presentes na tabela 4.6.

Tabela 4.6 - Resultados de previsão para diferentes horizontes temporais

Modelo Teste Até 6h Até 12h Até 24h

ARIMA (1,1,1) com sazonali- dade

RMSE (m/s) 0,0824 0,2316 8,4116

MAPE (%) 7,6 9,8 43,5

ARIMA (2,1,1) com sazonali- dade

RMSE (m/s) 0,1297 0,3261 9,0795

55

Afgag

Como se pode observar na tabela 4.6, após sucessivos ajustes nos termos autorregressivos e de média móvel, conclui-se que os modelos mistos que apresentam melhor adequabilidade para a realização da previsão da velocidade do vento é um modelo ARIMA (3,1,1) e o modelo ARIMA (4,1,1), ambos com sazonalidade de 24 horas. O aumento do parâmetro de média móvel não re- sultou em qualquer melhoria na previsão da velocidade do vento. Conclui-se também que só faz sentido considerar a previsão até 12 horas, uma vez que os valores após esse instante não revelam qualquer proximidade com os valores reais.

Por forma a calcular a previsão da potência gerada através do gerador eólico, a previsão da velocidade do vento será realizada então através do uso do modelo ARIMA (4,1,1) com sazo- nalidade de 24 horas. Na figura 4.23 está representada a previsão obtida utilizando este modelo. ARIMA (3,1,1) com sazonali-

dade

RMSE (m/s) 0,0889 0,1570 7,0833

MAPE (%) 7,6 9,4 39,9

ARIMA (4,1,1) com sazonali- dade

RMSE (m/s) 0,0671 0,1589 7,4625

MAPE (%) 6,4 8,7 40,61

ARIMA (1,1,2) com sazonali- dade

RMSE (m/s) 0,1324 0,3305 9,1024

MAPE (%) 9,4 12,51 46,41

ARIMA (2,1,2) com sazonali- dade

RMSE (m/s) 0,0662 0,1771 7,8220 MAPE (%) 6,6422 8,8 41,56 ARIMA (3,1,2) com sazonali-

dade

RMSE (m/s) 0,0683 0,1916 8,02

MAPE (%) 6,96 9,0 42,1527

ARIMA (3,1,3) com sazonali- dade

RMSE (m/s) 0,0759 0,1575 7,34

MAPE (%) 6,97 9,0 40,4437

ARIMA (3,1,4) com sazonali- dade

RMSE (m/s) 0,1112 0,1650 6,86 MAPE (%) 8,7419 10,17 39,6954

56

Figura 4.23 - Previsão da velocidade do vento até 12 horas à frente através do modelo ARIMA (4,1,1)

Previsão de Potência

Após a obtenção dos dados relativos à previsão da velocidade do vento, da temperatura e da irradiância é necessário converter esses registos em potência produzida. Para isso são utilizadas duas metodologias diferentes, uma para a produção a partir do gerador eólico e outra para a pro- dução a partir dos painéis fotovoltaicos.

Para o gerador eólico, é realizada uma estimativa baseada na curva de potência do aerogera- dor. Cada turbina tem uma curva característica associada que descreve o processo ideal de con- versão da energia cinética da velocidade do vento para potência elétrica produzida. Esta curva é fornecida pelo fabricante.

Já para os painéis fotovoltaicos, os dados referentes às previsões da temperatura e da irradiâ- ncia são convertidos para potência elétrica através da aplicação de várias equações que descrevem o comportamento geral de um painel fotovoltaico, estas equações tomam em conta as caracterís- ticas gerais da instalação fotovoltaica que são fornecidas pelo fabricante.

In document Rapport 4/2018 (sider 64-67)