ūüé• An√°lise de metodologias para suportar a expans√£o das fontes intermitentes de Energia Renov√°vel na Matriz El√©trica

Por Nivalde de Castro e Luiz Homero Medeiros.

Artigo publicado em Agência CanalEnergia, em 02 de março de 2020 (Clique aqui acessar o PDF).

Um breve resumo do artigo, por Luiz Homero Medeiros.

I ‚Äď INTRODU√á√ÉO

A ampliação e integração da geração de energia a partir de fontes renováveis na matriz elétrica exibe dois aspectos marcantes: a intensa variabilidade e imprevisibilidade. Estas duas características são denominadas de intermitência da energia renovável. E no contexto do processo de transição energética, onde o principal drive é o da descarbonização, estas duas características implicam em risco para a segurança energética.

Tomando por base a geração de energia de planta solar, ela é diretamente influenciada por dois fatores.

Um de origem determin√≠stica e associado √† geometria solar, √†s leis f√≠sicas que governam a transla√ß√£o da Terra ao redor do Sol e √† influ√™ncia da dist√Ęncia desse astro √† Terra.

O segundo, de origem probabil√≠stica, envolve fundamentalmente o movimento das nuvens e condi√ß√Ķes atmosf√©ricas e clim√°ticas determinando um forte vi√©s estoc√°stico, sendo somente poss√≠vel o seu estudo atrav√©s de modelos emp√≠ricos, fruto da simples observa√ß√£o e experi√™ncia dos pesquisadores ou modelos f√≠sico-matem√°ticos, que requerem grande carga computacional para processamento de complicados algoritmos com quantidade consider√°vel de vari√°veis de entrada e executados em computadores para aplica√ß√Ķes meteorol√≥gicas (Medeiros, 2018).

Nos √ļltimos vinte anos, consider√°vel esfor√ßo de pesquisa foi empreendido com ajuda de diversas abordagens estat√≠sticas para compreender o comportamento da componente probabil√≠stica da gera√ß√£o solar, sendo o principal foco anal√≠tico, a aleatoriedade da passagem das nuvens sob um arranjo solar fotovoltaico e seus efeitos na produ√ß√£o de energia.

Nesta dire√ß√£o, estudos realizados buscam analisar a distribui√ß√£o espacial de plantas fotovoltaicas (FV) em larga-escala, conectadas ao sistema de transmiss√£o sob a forma de clusters (agregados) fotovoltaicos, como forma de suaviza√ß√£o espacial (spatialsmoothing) da intermit√™ncia inerente √† energia solar. Um exemplo desta aten√ß√£o √© o estudo de Medeiros (2018), realizado com foco na regi√£o nordeste do Brasil, considerada atrativa para a instala√ß√£o de plantas FV. Ele usa uma metodologia, com base em Regress√£o Linear M√ļltipla (MLR), proposta como ferramenta para indicar a distribui√ß√£o de plantas, sob forma de percentuais de pot√™ncia instalada, mais adequada, dentro de um dado conjunto de plantas analisado.

A maioria das modelagens estat√≠sticas se baseia no movimento das nuvens com valores predefinidos de velocidade e dire√ß√£o dos ventos para uma dada √°rea territorial determinada. Partem de previs√Ķes em meso-escala meteorol√≥gica, faixa de altitude que vai de alguns quil√īmetros at√© aproximadamente 1000 km. Neste espa√ßo f√≠sico prevalecem os fen√īmenos de convec√ß√£o. Trata-se de um termo meteorol√≥gico para o processo de circula√ß√£o do ar mais aquecido e rarefeito para as camadas superiores da atmosfera e do ar mais denso e frio, que forma os v√≥rtices, resultando fundamentalmente numa transfer√™ncia de energia, sob a forma de calor e umidade entre massas do fluido constituinte atmosf√©rico, conforme National Geographic (2020) e Ahrens (2009).

Merece ser destacado que a convec√ß√£o parece ser a causa principal da intermit√™ncia das atividades e√≥lica e da velocidade das nuvens, as quais assumem uma natureza profundamente aleat√≥ria e estoc√°stica com evidentes implica√ß√Ķes na gera√ß√£o solar (e e√≥lica), al√©m de exibir uma correla√ß√£o, entre um sem n√ļmero de vari√°veis, de dif√≠cil apreens√£o at√© algumas d√©cadas atr√°s por simples limita√ß√£o das tecnologias existentes at√© ent√£o.

Abordagens mais sofisticadas surgiram nos anos 1990 (Beyer, et al., 1994), compreendendo o emprego de imagens fotogr√°ficas das nuvens, posteriormente submetidas a um tratamento por geometria dos fractais. Trata-se de metodologia matem√°tica que identifica padr√Ķes geom√©tricos que se repetem indefinidamente, sempre com o mesmo n√≠vel de detalhes e independente da resolu√ß√£o empregada (Vrdoljak & Miletińá, 2019).Desta forma, buscam captar e representar formas irregulares e distribui√ß√£o espacial das nuvens em dada localidade.

Atualmente, a previsão do recurso solar em uma dada localidade compreende a aquisição de dados históricos captados por bases de satélite com resolução espacial de 4-12 km ou por bases de medição na superfície terrestre, desdobrados em longas séries temporais abrangendo vários anos, chegando a períodos decenais para levar em conta as sazonalidades interanuais.

Os pr√≥s e contras destas duas bases de dados hist√≥ricos centra-se no fato de que s√£o massas de dados j√° ocorridos, que sofrem um p√≥s-processamento estat√≠stico, por exemplo, de multi-regress√£o linear para extrair ‚Äúinsights‚ÄĚ ou ‚Äúforecasts‚ÄĚ, os quais ser√£o empregados na estimativa da produ√ß√£o de energia de um dado aglomerado de plantas solares (ou e√≥licas) conectadas aos sistemas de distribui√ß√£o ou ao Sistema Interligado Nacional (SIN).

A depender do uso a que sejam destinados os dados hist√≥ricos coletados, sejam na fase de verifica√ß√£o da viabilidade de implanta√ß√£o de uma planta em uma determinada localidade ou na fase de dimensionamento e projeto, os dados, quando criteriosamente expurgados das polariza√ß√Ķes resultantes de imperfei√ß√Ķes no processo de aquisi√ß√£o, apresentam grau de confiabilidade suficiente para seu emprego.

O problema assume outra dimensão, quando se trata de dar suporte à decisão de despacho de carga para os operadores de sistema, considerando cenários de forte inserção das renováveis de alta intermitência e a prioridade de despacho por mérito de menor custo. Este é um problema e desafio para os operadores já identificado para um futuro próximo no Brasil e no mundo.

Nestes termos de contexto e justificativa, o presente artigo examina três metodologias para mitigar o grau de incerta da intermitência das fontes renováveis para a operação do sistema elétrico e da segurança energética.

II ‚Äď A ABORDAGEM NOWCASTING

A abordagem nowcasting foi descrita em 2010 por um grupo de estudo da WMO (World Meteorological Organization) como a previs√£o em meso e microescala das condi√ß√Ķes do tempo, com ajuda de qualquer metodologia, que abranja o momento presente at√© seis horas √† frente, sendo aplicada a fen√īmenos de convec√ß√£o em pequena escala e com r√°pida transi√ß√£o, imposs√≠veis de predi√ß√£o com horas de anteced√™ncia (WMO, 2017).

Essencialmente, depende da observa√ß√£o humana, apoiada por alguma ferramenta computacional num√©rica, que tenha realizado um pr√©-processamento dos dados provenientes de radares meteorol√≥gicos, sat√©lites, esta√ß√Ķes terrestres, esta√ß√Ķes cer√°unicas (detec√ß√£o de raios) e radiossondas, de forma a possibilitar, ao olhar bem treinado do meteorologista, a extrapola√ß√£o dos dados com alguma confiabilidade para previs√Ķes locais e de curto prazo.

Desde 1953, alguma forma nowcasting de extrapola√ß√£o relativamente confi√°vel de dados observados em radares meteorol√≥gicos e demais instrumentos tem sido realizada para previs√£o de tempestades, chuvas intensas e demais fen√īmenos meteorol√≥gicos com alta resolu√ß√£o espacial e temporal, ficando a cargo dos servi√ßos de meteorologia a an√°lise e emiss√£o de alarmes e comunicados √†s entidades oficiais e de defesa civil nos pa√≠ses ao redor do mundo.

Em muitas regi√Ķes do mundo, em especial naquelas de apreci√°vel radia√ß√£o solar localizadas nas regi√Ķes tropicais, as esta√ß√Ķes meteorol√≥gicas terrestres exibem distribui√ß√£o inadequada e baixa qualidade dos dados coletados com defici√™ncias de comunica√ß√£o remota, agravadas por fatores como pouco conhecimento por parte das equipes dos servi√ßos de meteorologia para realizar a calibra√ß√£o e manuten√ß√£o dos instrumentos, al√©m da ocorr√™ncia de furtos e a consequente desativa√ß√£o de esta√ß√Ķes.

A construção de rede radares e sondas meteorológicas são outro problema em função dos seus custos, de forma que os principais recursos empregados na abordagem nowcasting são escassos na maior parte dos países em desenvolvimento.

No entanto, essa abordagem tem agora oportunidade de ser aperfei√ßoada com o aparecimento da rede Web e das tecnologias wireless com a consequente granularidade dos dispositivos de comunica√ß√£o como celulares, web-c√Ęmeras e demais instrumentos de medi√ß√£o e observa√ß√£o, que empreguem facilidades da comunica√ß√£o via Internet e exibem capacidade de processamento de dados suficiente para estabelecimento de uma rede de aquisi√ß√£o e monitora√ß√£o de dados de alta resolu√ß√£o espacial e temporal.

A problem√°tica de obten√ß√£o de informa√ß√Ķes nowcast confi√°veis fica assim contornada, atrav√©s de tecnologias dispon√≠veis nos dias atuais com baixo custo de implanta√ß√£o, ficando aos desenvolvedores a tarefa de aperfei√ßoamento dos meios de interpreta√ß√£o inteligente da massa de dados meteorol√≥gicos coletados de forma dispersa via Internet, sempre como suporte √† decis√£o final humana.

De acordo com a an√°lise anterior, a converg√™ncia das tecnologias de informa√ß√£o (estat√≠stica & data science, machine learning, rob√≥tica & IA) e da comunica√ß√£o digital, aliada √† eletr√īnica de pot√™ncia e ao aperfei√ßoamento da capacidade computacional e das ci√™ncias meteorol√≥gicas podem constituir no elemento catalisador de profundas mudan√ßas, para possibilitar e dinamizar a inser√ß√£o das fontes renov√°veis de alta intermit√™ncia, com o m√≠nimo impacto na confiabilidade e resili√™ncia do sistema de pot√™ncia.

Nestes sentido e dire√ß√£o, a maior confiabilidade de previs√Ķes de produ√ß√£o de energia √© imprescind√≠vel em dois sentidos. Por raz√Ķes econ√īmicas, formalizadas nos contratos para o mercado cativo e livre, que podem se fixar em volumes de gera√ß√£o de energia. E por raz√Ķes t√©cnicas, reduzindo as incertezas operacionais do SIN, permitindo maior participa√ß√£o das fontes renov√°veis intermitentes frente ao comportamento acentuadamente estoc√°stico.

A abordagem nowcasting se constitui, assim, em recurso ideal para originar previs√Ķes que venham a exibir grau satisfat√≥rio de probabilidade de acerto, exatamente nas escalas de resolu√ß√£o espacial e temporal mais adequadas ao despacho das energias renov√°veis no SIN. O grande desafio √© o desenvolvimento de m√©todos heur√≠sticos de investiga√ß√£o, baseados na aproxima√ß√£o progressiva das estimativas de gera√ß√£o solar e e√≥lica, como suporte √† decis√£o humana nos centros de controle e supervis√£o do sistema de pot√™ncia interligado.

III ‚Äď MACHINE LEARNING

Uma das caracter√≠sticas atuais mais marcantes √© a disponibilidade de grande volume de dados. No entanto, somente com emprego de ferramentas capazes de manipular big data para detec√ß√£o de padr√Ķes complexos de semelhan√ßa e repetitividade, ser√° poss√≠vel alcan√ßar alguma capacidade de ‚Äúprevis√£o do caos‚ÄĚ.

A abordagem Machine Learning (ML) se situa na intersec√ß√£o da ci√™ncia da computa√ß√£o, ci√™ncia estat√≠stica e ci√™ncia de dados, empregando as potencialidades desses campos ao reconhecimento e classifica√ß√£o de grande volume de informa√ß√£o, de forma a realizar infer√™ncias e correla√ß√Ķes, para extrair insights, empregados como suporte √† predi√ß√£o do comportamento futuro de determinadas grandezas vari√°veis de interesse em diversos campos do conhecimento humano.

Recorrendo a um exemplo pr√°tico de aplica√ß√£o, pode-se imaginar um cen√°rio de grande inser√ß√£o da gera√ß√£o solar na matriz el√©trica. Neste cen√°rio previs√≠vel, o grau de incerteza quanto √† produ√ß√£o de um dado agregado de plantas solares fotovoltaicas em larga-escala poderia ser minimizado pela abordagem ML, atrav√©s da integra√ß√£o das informa√ß√Ķes extra√≠das de bases de dados de sat√©lite com baixa resolu√ß√£o espacial e temporal, em escala sin√≥ptica, com dados observacionais de alta resolu√ß√£o espacial e temporal, colhidos em meso ou microescala.

As possibilidades de extra√ß√£o de insights de bases de dados de sat√©lite, radares e radiossondas, sensores e um sem-n√ļmero de instrumentos dedicados, correlacionadas com os dados de esta√ß√Ķes observacionais terrestres s√£o consider√°veis.

Um particular campo de interesse, pelo baixo custo envolvido, seria o emprego de rede de web-c√Ęmeras, cobrindo extens√£o territorial compat√≠vel com uma regi√£o geogr√°fica abrigando diversos arranjos fotovoltaicos, de maneira a colher imagens dos padr√Ķes de nebulosidade acima das plantas solares para posterior processamento por um algoritmo ML. Este recurso permitiria realizar previs√Ķes nowcasting de probabilidade de sombreamento com resolu√ß√£o temporal adequada para suporte √† decis√£o de despacho pelo operador do sistema pela ordem de m√©rito do menor custo em um curto per√≠odo de 0 a 6 horas de anteced√™ncia.

Importante ressaltar que, como um ramo da Inteligência Artificial denominado restrito, a abordagem ML não pretende imitar o comportamento inteligente humano nem o substituir, mas empregar seu poder de síntese de grandes dados para complementar a ausência de capacidade de análise, inerente à percepção humana nesses casos (Shalev-Shwartz & Ben-David, 2014).

IV- CONCLUSÃO

O processo de transição energético está dando prioridade à geração de energia elétrica por fontes renováveis- notadamente energia eólica e principalmente solar. São fontes que contribuem para a redução de emissão de gases de efeito estufa e são recursos genuinamente nacionais, garantindo assim, aos países seus compromissos com os acordos internacionais frente ao aquecimento global e maior segurança energética nacional.

No entanto, estas fontes t√™m duas caracter√≠sticas espec√≠ficas que comprometem a opera√ß√£o dos sistemas el√©tricos que s√£o a intermit√™ncia e intensa variabilidade. Este grande desafio est√° sendo enfrentado com estudos e metodologias que buscam dar mais certeza √†s previs√Ķes de gera√ß√£o destas fontes. Neste artigo foram analisadas as metodologias de nowcasting e de machine learning, procurando-se demonstrar que s√£o recursos e possibilidades importantes para reduzir as incertezas da opera√ß√£o e da contrata√ß√£o de energia el√©trica.

REFERÊNCIAS

Ahrens, C. D. (2009). Meteorology Today: An Introduction to Weather. Climate and the
Enviroment
, 9th. Edition. Belmont, CA/USA: Brooks/Cole, Cengage Learning.

Beyer, H. G., Hammer, A., Luther, J., Poplawska, J., Stolzenburg, K., & Wieting, P. (5 de May de 1994). Analysis and synthesis of cloud pattern for radiation field studies. Solar Energy, Volume 52, Issue 5, pp. 379-390.

Han, L., Sun, J., Zhang, W., Xiu, Y., Feng, H., & Lin, Y. (2017). A Machine Learning Nowcasting Method based on Real-time Reanalysis Data.

Mass, C. (2011). Nowcasting: The Next Revolution in Weather Prediction. Bulletin of the
American Meteorological Society
.

Medeiros, L. H. (2018). An√°lise Estat√≠stica com Emprego da Regress√£o Linear M√ļltiplia da Suaviza√ß√£o da Variabilidade da Energia Gerada por Agregados de Plantas Fotovoltaicas Conectadas ao SIN. Recife: UFPE.

National Geographic. (17 de February de 2020). Meteorology. Acesso em 17 de Fev. de 2020, dispon√≠vel em National Geographic ‚Äď Resource Library: https://www.nationalgeographic.org/encyclopedia/meteorology/

Pasero, E., & Moniaci, W. (14-16 de July de 2004). Artificial Neural Networks for Meteorological Nowcast. ClMSA 2004 ‚Äď IEEE lntemanonal Conference on Computational Intelligence for Measurement System and Applications, pp. 36-39.

Shalev-Shwartz, S., & Ben-David, S. (2014). Understanding Machine Learning: From Theory to Algorithms. New York,USA: Cambridge University Press.

The Royal Society. (2017). Machine learning: the power and promise of computers that learn by example. London, UK.

The Royal Society. (2017). Machine learning: The power and promise of computers that learn by example. London.

Vrdoljak, A., & Miletińá, K. (2019). Principles of Fractal Geometry and Applications in Archtecture and Civil Engineering. Mostar, Bosnia e Herzegovia: Faculty of Civil Engineering, University of Mostar.

World Meteorological Organization-WMO. (2017). Guidelines for Nowcasting Techniques.

Woyte, A., Thong, V. V., Belmans, R., & Nijs, J. (1 de March de 2006). Voltage Fluctuations on Distribution Level Introduced by Photovoltaic Systems. IEEE TRANSACTIONS ON ENERGY CONVERSION, VOL. 21, NO. 1, pp. 202-209.

%d blogueiros gostam disto: