Décisions prises par le Comité de pilotage et suivi

O método direto de prever a potência de saída de um sistema FV baseia-se na construção de um modelo físico para os painéis FV. Para construir o modelo é necessário conhecer a teoria que diz respeito à transformação de radiação em tensão e conhecer a configuração do sistema FV.

Além do conhecimento da curva IV do sistema FV, como mencionado na secção 2.2.3, são consideradas sempre as condições climáticas, ou seja, as variáveis meteorológicas previstas são sempre usadas como entradas do modelo. Outros métodos matemáticos podem ser usados, como é o caso do método autorregressivo, método persistente e redes neuronais [25].

Os modelos estatísticos tem a particularidade de não serem necessariamente dependentes das previsões meteorológicas, baseando-se em valores históricos de produção observados de modo a prever a produção futura.

A operação de um sistema de potência tem uma escala de tempo relativa. Assim, existem previsões de potência para um muito curto espaço temporal, previsões de potência para um curto espaço temporal e previsões de potência para um longo espaço temporal.

Os modelos físicos e estatísticos operam predominantemente nas mesmas escalas temporais. Ambos os modelos podem fazer uma previsão de muito curto prazo e curto prazo, mas apenas nos modelos estatísticos que não dependem das variáveis meteorológicas, faz sentido uma previsão a longo prazo. Isto deve-se ao facto dos modelos físicos dependerem das condições meteorológicas, condições essas que apenas se conhecem para um curto espaço de tempo, enquanto que os valores históricos de produção de potência FV podem corresponder a um ano de observações.

Existem, assim, dois grandes grupos de sistemas de previsão de potência solar, Modelos Físi- cos e Modelos Estatísticos. Os Modelos Físicos utilizam as curvas IV dos painéis fotovoltaicos e as previsões meteorológicas, enquanto que os Modelos Estatísticos se baseiam em valores históri- cos de produção FV observados.

Capítulo 3

Metodologia

3.1

Introdução

Com base na descrição dos modelos físicos e estatísticos que foi feita na secção2.5.1, criou-se um modelo híbrido, cuja entrada serão NWP. O seu principio é de otimizar os parâmetros que caracterizam as células FV, os módulos instalados, o conversor e a instalação, minimizando o erro da previsão. Este modelo, cuja implementação se encontra descrita no subcapítulo 3.2., é dado pelas equações3.1até à 3.10. Estas equações dependem dos parâmetros ideais das células FV, normalmente fornecidos pelo fabricante, descritos na tabela 3.1.

Tabela 3.1: Parâmetros ótimos das células FV a Coeficiente de perda no inversor (W) b Coeficiente de perda no inversor (adimensional) c Coeficiente de perda no inversor (1/W) Pinst Potência nominal do modulo FV (kW)

γ Coeficiente de temperatura da célula FV (adimensional)

µ Coeficiente representativo do impacto do efeito da radiância na eficiência da célula (ad.) NOCT Temperatura da célula no modo de operação normal (oC)

albedo refletividade da superfície (adimensional) β Ângulo de inclinação do painel (radianos) φa Ângulo azimute da superfície (radianos)

As NWP de entrada devem ser transformadas em saídas FV. Normalmente, as NWP fornecem informação acerca da irradiância global para um plano horizontal, sendo necessário separá-la nas suas três componentes: componente direta, componente difusa e componente refletida do solo. Esta separação em componentes permite estimar a irradiância global numa superfície inclinada que pode ser convertida em potência FV de saída.

24 Metodologia

3.2

Implementação do modelo

As NWP devem conter as variáveis necessárias ao cálculo dos parâmetros que vão ser mencio- nados de seguida. O primeiro passo do modelo consiste em estimar a irradiância global num plano inclinado, Gg,β, sendo necessário fazer o cálculo das três componentes da irradiância global, a

componente direta da irradiância da superfície inclinada, Gb,β, a componente difusa, Gd,β, e a

componente refletida pelo solo que irá atingir a superfície inclinada, Gr,β:

Gg,β= Gb,β+Gd,β+Gr,β (3.1)

Figura 3.1: Definição dos ângulos usados como coordenadas para as componentes da GHI, num plano inclinado

Pela figura 3.1, verifica-se que o cálculo da componente direta será geométrico, sendo que alguns dos valores são previamente obtidos através das NWP:

Gb,β= Bncosθi= B cosθz cosθi (3.2) Onde: Bnrepresenta a DNI B representa a DHI

β representa o ângulo que a superfície inclinada faz com o solo, parâmetro a ser otimizado θzrepresenta o ângulo zénite

3.2 Implementação do modelo 25

θiserá o ângulo de incidência e poderá ser calculado da seguinte forma:

θi= cos−1[cosθzcosβ + sinβ sinθzcos(θa− φa)] (3.3)

Onde:

θarepresenta o ângulo azimute solar

φarepresenta o ângulo azimute da superfície, parâmetro a ser otimizado.

A componente difusa poderá ser calculada através de um modelo desenvolvido na Sandia National Laboratories [20], que determina a irradiância difusa que incide na superfície inclinada, Gd,β, usando o ângulo que a superfície inclinada faz com o solo, β , a irradiância difusa horizontal,

B, a GHI e o ângulo zénite solar, θz:

Gd,β= B  1 + cosβ 2  + GHI.(0.012θz− 0.04).  1 − cosβ 2  (3.4)

Finalmente, a irradiância refletida do solo, Gr,β, será dada pela equação seguinte:

Gr,β= GHI.albedo.

 1 + cosβ 2



(3.5)

Após o cálculo das três componentes da irradiância global, é necessário calcular as outras variáveis que terão influência na produção FV de saída do modelo.

A eficiência dos painéis FV irá variar consoante a temperatura da célula, Tc. Esta tempe-

ratura depende, sobretudo, da temperatura ambiente, Ta, mas também de outros fatores como a

irradiância global incidente no painel, Gg,β, da temperatura da célula no modo de operação nor-

mal, NOCT, da irradiância global nas condições NOCT, GreNOCT_f , cujo valor é de 800W/m2, e da

temperatura ambiente nas condições NOCT, TNOCTa , cujo valor é de 20oC.

Tc= Ta+

Gg

GreNOCTf

.(NOCT − TaNOCT) (3.6)

A influência da temperatura da célula, Tc, na produção FV, tendo em conta as características

da instalação, as condições atmosféricas e os parâmetros da célula é dada por:

PDC= Pinst

Gg,β

GreSTC_f

[1 − γ(Tc− TreSTCf ) + µ log1 0(Gg,β)] (3.7)

Onde:

PDCrepresenta a potência DC entregue pelos painéis FV

Pinst representa a potência nominal do painel

GreSTCf representa a irradiância global nas condições STC (1000W/m2)

TreSTCf representa a temperatura da célula nas condições STC (25oC)

γ é o coeficiente de temperatura das células

26 Metodologia

As condições STC indicam o desempenho e o rendimento de um módulo fotovoltaico para uma temperatura especificada de 25oC e uma irradiância de 1000W/m2. A potência de saída AC será fornecida à rede através de um inversor cujas perdas estão representadas na equação 3.10 pelos parâmetros a, b e c, e poderão ser modeladas através de uma função quadrática da potência DC:

Pl osinvs = a + b.PDC+ c.PDC2 (3.8)

Finalmente, a potência AC a ser entregue à rede é dada por:

PAC= PDC− Pl osinvs (3.9)

No passo seguinte calcula-se o MAE, tendo em conta que serão conhecidos os valores da Pac real observada no local de estudo.

MAE=∑ N i=1|Power − PAC| N (3.10)

3.3

Testes de Previsão

Este primeiro modelo tem como objetivo a otimização dos dez parâmetros das células FV de modo anual para os dados de treino, cujos resultados serão depois aplicados aos dados de teste. São depois comparados os resultados de ambos os dados para o mesmo horizonte de previsão. Os valores obtidos dos dez parâmetros das células terão que minimizar o MAE, obedecendo a certos limites mínimos e máximos que dependem da zona geográfica onde se encontra o sistema fotovoltaico. Uma vez que os valores iniciais destes dez parâmetros antes da otimização podem influenciar o seu resultado final, foram realizados diversos testes considerando diferentes iniciali- zações aleatórias dentro dos limites pré-estabelecidos.

Este modelo foi executado tanto em Excel, como em Matlab. A otimização dos parâmetros em Excel é feita recorrendo ao SOLVER, ferramenta do Excel que encontra um valor mínimo ou máximo pretendido para uma dada “célula objetivo”, enquanto ajusta o valor de um outro grupo de células, denominadas “variáveis de decisão”, que estarão sujeitas a determinadas restrições. Neste caso a célula objetivo a minimizar foi a variável MAE, enquanto que as variáveis de decisão serão os 10 parâmetros das células FV a otimizar, enunciados na tabela3.1.

No Matlab foi usada a função “fmincon” para a otimização, função esta que encontra o mínimo de uma função de múltiplas variáveis não-lineares sujeitas a restrições. Após a obtenção dos resultados nos dois programas, procede-se à normalização do MAE para cada instante do horizonte de previsão. Uma vez que se trata de produção fotovoltaica a normalização será feita pela potência nominal do sistema FV.

Após a realização deste teste optou-se por executar outros testes de previsão apenas no Ma- tlab, tendo em conta o mesmo modelo elétrico, uma vez que o processo neste programa é mais

3.3 Testes de Previsão 27

flexível e rápido no processo de otimização, permitindo automatizar o processo de simulações e de agregação de resultados, possibilitando uma melhor comparação destes.

3.3.2 Otimização Mês a Mês

O objetivo deste teste é organizar e separar os dados de treino e os dados de teste em vários conjuntos, em que cada conjunto conterá os dados de apenas um só mês do ano. O ciclo da função vai correr doze vezes e é feita a otimização dos dados de treino para cada mês do ano individualmente. Ainda dentro deste ciclo, os resultados da otimização são aplicados aos dados de teste, obtendo-se assim o valor do erro para cada instante de todo o mês em causa.

Finalmente é calculado o MAE e o NMAE para cada instante do horizonte de previsão da totalidade dos dados de treino e dos dados de teste, para que possa ser feita uma comparação entre as duas situações.