Upload
others
View
2
Download
0
Embed Size (px)
Citation preview
FACULDADE DE ENGENHARIA DA UNIVERSIDADE DO PORTO
Previsão de produção solar fotovoltaicaatravés do modelo elétrico
Diana Vieira Alves Águia
Mestrado Integrado em Engenharia Eletrotécnica e de Computadores
Orientador: Professor Doutor Jean Sumaili
Orientador: Professor Doutor José Nuno Moura Marques Fidalgo
24 de Julho de 2016
c© Diana Vieira Alves Águia, 2016
Resumo
Nos últimos anos, à medida que vão sendo implementadas políticas energéticas cada vez maisecológicas, focadas na sustentabilidade e na preservação do planeta, bem como dos seus recursosnaturais, tem-se assistido a um aumento significativo na implementação de tecnologias sustentadasa partir de fontes renováveis.
No entanto, a elevada variabilidade destas fontes renováveis põem em causa a sua disponibi-lidade, representando um risco a considerar pelos produtores de energia, a ter em conta aquandoda sua integração na rede elétrica. A energia solar fotovoltaica apresenta-se assim como um dosrecursos de maior instabilidade, já que depende da irradiância incidente nos painéis fotovoltaicos,condicionada pelas condições meteorológicas existentes no local da sua instalação.
Perante o crescente aproveitamento do recurso solar e tendo em conta a sua elevada volatili-dade, é necessário o desenvolvimento de novas estratégias de previsão de produção solar que irãocondicionar o funcionamento dos sistemas produtores e a correta integração destes na rede.
Esta dissertação propõe a implementação de um modelo elétrico de previsão de produçãosolar que tem como entrada previsões meteorológicas obtidas através de previsões numéricas me-teorológicas, NWP1. Contrastando com os modelos estatísticos, este modelo fornece uma melhorinterpretação do sistema físico, em que não são conhecidos de antemão os parâmetros internosdas células fotovoltaicas. O modo de operação do modelo incide na otimização dos parâmetrosdesconhecidos das células fotovoltaicas de modo a que se obtenha a minimização do somatório doerro médio absoluto de previsão, MAE2, para todos os dados testados, para um mesmo horizontetemporal.
Serão implementadas diferentes abordagens para este modelo, de modo a verificar qual a queobtém o melhor resultado. Os resultados obtidos para o conjunto de dados reais irão posteri-ormente ser comparados e analisados, de modo a permitir identificar o modelo que conduz aomelhor desempenho.
Palavras-chave: Produção fotovoltaica, Variabilidade, Previsão, NWP, Modelo elétrico
1Do inglês: Numerical Weather Predictions2Do inglês: Mean Absolute Error
i
ii
Abstract
In the past few years, as increasingly ecological energy policies are being implemented, focu-sed on sustainability and preservation of the planet and its natural resources, we have witnessed asignificant increase in the implementation of technologies supported by renewable sources.
However, the high variability of these renewable sources cast doubt on their availability, repre-senting a risk to consider by energy producers, to take into account when they are integrated intothe power grid. Photovoltaic solar energy is presented as one of the features of greater instability,as it depends on the incident irradiance in photovoltaic panels, conditioned by existing weatherconditions at the place where they are installed.
Given the increasing use of solar resources and taking into account its high volatility, thedevelopment of new solar production forecasting strategy is required, which will condition theoperation of the producing systems and the correct integration into the power grid.
This paper proposes the implementation of an electric model for solar production forecastingwhose inputs will be weather forecasts obtained by numerical weather forecasts, NWP. In contrastto the statistical models, this model provides a better interpretation of the physical system, whereinternal parameters of photovoltaic cells are not known beforehand. The model mode focuses onthe optimization of unknown parameters of photovoltaic cells in order to obtain minimizing theaverage error of the absolute sum of prediction, MAE, to all data tested for the same time horizon.
There will be implemented different approaches for this model, all complying with its initialgoal in order to see which one gets the best results. The results for the set of actual data fordifferent functions will then be compared and analyzed, in order to identify the best model.
Keywords: Produção fotovoltaica, Variabilidade, Previsão, NWP, Modelo elétrico
iii
iv
Agradecimentos
Com esta dissertação termina o meu percurso académico, que sem a ajuda de algumas pessoasnão teria sido possível. Serve este espaço para homenagear as que contribuíram para o meu sucessona realização deste documento:
Em primeiro lugar, quero agradecer aos meus orientadores, Prof. Dr. José Nuno Fidalgo e Prof.Dr. Jean Sumaili, por todo o acompanhamento que me deram durante estes últimos meses, peladisponibilidade demonstrada, por todos os conselhos e críticas sempre com o objetivo de melhoraro meu trabalho, e, não menos importante, pela boa disposição com que sempre me receberam.
À Palhinhas, por me ter dado sempre os melhores conselhos e motivação, e pela prontidãoque sempre teve em me ajudar em qualquer problema; à Bá Salgado, pela ajuda inicial que medeu no Matlab, que foi essencial no começo do meu trabalho; ao Nuninho, por me ter ensinado atrabalhar em Latex e por ter estado sempre disponível para me ajudar em todos os problemas queiam aparecendo; à Céu, a amiga que me acompanhou em aventuras nesse mundo fora e agora mefez companhia em dias e noites longas de trabalho; à Nocas que me acompanhou durante todo esteperíodo, por ter sempre um bom conselho para me dar, e por me motivar a sair da cama de manhãcedo para me fazer companhia durante os dias de trabalho mais difíceis; à Michelle, por me teracompanhado em todas as palhaçadas durante a master tttttts; e a todos os meus amigos que nãoestão mencionados, mas que sempre me deram motivação e me proporcionaram bons momentosnas horas de descontração.
À minha família, especialmente ao meu Irmão e Avós, e à minha Mãe, que sempre se preocu-pou e sacrificou para garantir todas as condições necessárias à minha concretização académica.
Por último, quero agradecer ao meu Pai, que apesar de já não me poder ver a concluir o curso,sempre foi o meu melhor amigo, me apoiou e incentivou a arriscar e me deu força e coragem emtodos os momentos da minha vida. A ti, dedico esta dissertação.
A todos, muito obrigada!
v
vi
“Shoshin wasuru bekarazu.”We should not forget our beginner’s spirit.
Zeami
vii
viii
Conteúdo
1 Introdução 11.1 Enquadramento e Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21.3 Estrutura da Dissertação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2 Revisão Bibliográfica 52.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.1.1 Tecnologias de conversão de energia solar térmica . . . . . . . . . . . . 52.1.2 Tecnologias de conversão de energia solar fotovoltaica . . . . . . . . . . 7
2.2 Características das Células Solares Fotovoltaicas . . . . . . . . . . . . . . . . . 82.2.1 Potência nominal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82.2.2 Temperatura nominal de funcionamento da célula, NOCT . . . . . . . . 82.2.3 Temperatura da célula fotovoltaica . . . . . . . . . . . . . . . . . . . . . 82.2.4 Coeficiente de temperatura e coeficiente de radiação solar . . . . . . . . 112.2.5 Perdas no inversor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3 Fatores que Influenciam a Produção de Energia Solar Fotovoltaica . . . . . . . . 122.3.1 Intensidade e distribuição da radiação solar . . . . . . . . . . . . . . . . 122.3.2 Irradiância global horizontal, Irradiância direta normal e Irradiância difusa 132.3.3 Albedo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162.3.4 Ângulo Azimute, altitude solar e ângulo Zénite . . . . . . . . . . . . . . 172.3.5 Inclinação e orientação dos painéis solares . . . . . . . . . . . . . . . . 182.3.6 Sombreamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.4 Previsão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192.4.1 Importância da previsão . . . . . . . . . . . . . . . . . . . . . . . . . . 192.4.2 Previsão curto prazo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.5 Modelos de Previsão Fotovoltaica . . . . . . . . . . . . . . . . . . . . . . . . . 212.5.1 Modelos Físicos e Modelos Estatísticos . . . . . . . . . . . . . . . . . . 21
3 Metodologia 233.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233.2 Implementação do modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243.3 Testes de Previsão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.3.1 Otimização Anual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263.3.2 Otimização Mês a Mês . . . . . . . . . . . . . . . . . . . . . . . . . . . 273.3.3 Otimização por Ângulo Azimute e Altitude Solar . . . . . . . . . . . . . 273.3.4 Otimização por Irradiância Global e Temperatura Ambiente . . . . . . . 27
ix
x CONTEÚDO
4 Resultados 294.1 Aquisição e tratamento de dados . . . . . . . . . . . . . . . . . . . . . . . . . . 294.2 Otimização Anual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 294.3 Otimização Mês a Mês . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 354.4 Otimização por Ângulo Azimute e Altitude Solar . . . . . . . . . . . . . . . . . 364.5 Otimização por Irradiância Global e Temperatura Ambiente . . . . . . . . . . . . 374.6 Síntese de resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
5 Conclusões e Trabalho Futuro 455.1 Satisfação dos Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 455.2 Trabalho Futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Referências 47
Lista de Figuras
2.1 Coletor solar com reservatório . . . . . . . . . . . . . . . . . . . . . . . . . . . 62.2 Concentrador solar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62.3 Constituição de uma célula solar fotovoltaica . . . . . . . . . . . . . . . . . . . 72.4 Painel fotovoltaico constituído por várias células solares . . . . . . . . . . . . . 72.5 Alteração da curva IV com incidência de radiação solar . . . . . . . . . . . . . . 92.6 Variação dos niveis de corrente e tensão para diferentes valores de temperatura . 92.7 Média anual da irradiação global horizontal, por zona geográfica (kWh/m2) . . . 132.8 Ilustração da DNI e da DI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142.9 Ilustração do albedo em superfície clara e escura . . . . . . . . . . . . . . . . . 172.10 Definição dos ângulos usando as coordenadas para um elemento de radiação solar
para um plano inclinado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172.11 Painel Fotovoltaico instalado num telhado de uma habitação . . . . . . . . . . . 18
3.1 Definição dos ângulos usados como coordenadas para as componentes da GHI,num plano inclinado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.1 Gráfico comparativo NMAE de Treino e NMAE de Teste . . . . . . . . . . . . . 314.2 Gráfico comparativo NMAE de Treino e NMAE de Teste . . . . . . . . . . . . . 324.3 Valores dos dez parâmetros das células para os dez testes realizados . . . . . . . 344.4 Gráfico comparativo NMAE de Treino e NMAE de Teste . . . . . . . . . . . . . 344.5 Gráfico comparativo NMAE de Treino e NMAE de Teste . . . . . . . . . . . . . 384.6 Gráfico de distribuição de pontos no plano das variáveis cosseno do ângulo azi-
mute e cosseno do ângulo da altitude solar . . . . . . . . . . . . . . . . . . . . . 394.7 Gráfico com intervalos de distribuição de pontos no plano das variáveis cosseno
do ângulo azimute e cosseno do ângulo da altitude solar com . . . . . . . . . . . 404.8 Gráfico comparativo NMAE de Treino e NMAE de Teste . . . . . . . . . . . . . 414.9 Gráfico de distribuição de pontos no plano das variáveis Irradiância Global e Tem-
peratura Ambiente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 424.10 Gráfico com intervalos de distribuição de pontos no plano das variáveis Irradiância
Global e Temperatura Ambiente . . . . . . . . . . . . . . . . . . . . . . . . . . 424.11 Gráfico comparativo NMAE de Treino e NMAE de Teste . . . . . . . . . . . . . 434.12 Gráfico comparativo dos NMAE de Teste para todas as abordagens do modelo . . 43
xi
xii LISTA DE FIGURAS
Lista de Tabelas
2.1 Coeficientes de temperatura tipicos em módulos de silício cristalino . . . . . . . 10
3.1 Parâmetros ótimos das células FV . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.1 Limites mínimos e máximos dos parâmetros ótimos das células PV . . . . . . . . 304.2 Valores dos parâmetros das células após otimização . . . . . . . . . . . . . . . . 304.3 MAE de Treino e MAE de Teste obtidos após otimização . . . . . . . . . . . . . 304.4 NMAE de Treino e NMAE de Teste para cada instante do horizonte de previsão . 314.5 Valores dos parâmetros das células pós otimização . . . . . . . . . . . . . . . . 324.6 MAE de Treino e MAE de Teste obtidos após otimização . . . . . . . . . . . . . 324.7 NMAE de Treino e NMAE de Teste para cada instante do horizonte de previsão . 334.8 MAE de Treino e MAE de Teste obtidos após otimização para os dez testes . . . 344.9 NMAE de Treino e NMAE de Teste para cada instante do horizonte de previsão . 354.10 Valores dos parâmetros das células após otimização . . . . . . . . . . . . . . . . 364.11 MAE de Treino e MAE de Teste obtidos após otimização . . . . . . . . . . . . . 374.12 NMAE de Treino e NMAE de Teste para cada instante do horizonte de previsão . 394.13 Valores dos parâmetros das células após otimização . . . . . . . . . . . . . . . . 404.14 MAE de Treino e MAE de Teste obtidos após otimização . . . . . . . . . . . . . 404.15 NMAE de Treino e NMAE de Teste para cada instante do horizonte de previsão . 414.16 Valores dos parâmetros das células obtidos após otimização . . . . . . . . . . . . 424.17 MAE de Treino e MAE de Teste . . . . . . . . . . . . . . . . . . . . . . . . . . 434.18 NMAE de Treino e NMAE de Teste para cada instante do horizonte de previsão . 444.19 Síntese do MAE para as quatro abordagens do modelo . . . . . . . . . . . . . . 44
xiii
xiv LISTA DE TABELAS
Abreviaturas e Símbolos
AC Alternate CurrentAST Apparent Solar TimeDC Direct CurrentDI Diffuse IrradianceDNI Direct Normal IrradianceFV FotovoltaicoGEE Gases efeito de estufaGHI Global Horizon IrradianceMAE Mean Absolut ErrorNMAE Normalized Mean Absolut ErrorNOCT Nominal Operating Cell TemperatureNWP Numerical Weather PredictionsSTC Standard Test Conditionsa Coeficiente de perda no inversorb Coeficiente de perda no inversorB Irradiância horizontal diretaBn Irradiância normal diretac Coeficiente de perda no inversord Fração difusa da irradiânciaEo Irradiância extraterrestreGb Irradiância normal diretaGd Irradiância DifusaGb,β Componente direta da irradiância da superfície inclinadaGd ,β Irradiância difusa que incide na superfície inclinadaGg,β Irradiância global num plano inclinadoGr ,β Componente refletida pelo solo que irá atingir a superfície inclinadaGg Claridade do céu como uma porção da GHIGre
NOCTf Irradiância global nas condições NOCT
GreSTCf Irradiância global nas condições STC
h Ângulo horário no tempo solar localISC Corrente de curto-circuitokt Índice de claridade horárioKd Índice de claridade diário
xv
xvi ABREVIATURAS E SÍMBOLOS
P Potência de saídaPDC Potência entregue à rede pelos painéis FVPinst Potência nominal do painelPre f Potência de saída para a Tre f
Ta Temperatura ambienteTNOCT
a Temperatura ambiente nas condições NOCTTc Temperatura da célulaTre f Temperatura de referência (25oC)Tre
STCf Temperatura da célula nas condições STC
VOC Tensão de circuito abertoα Ângulo da altitude solarαT Coeficiente de correção de temperatura da correnteαz Altitude solarβ Ângulo que a superfície inclinada faz com o solo (radianos)βT Coeficiente de correção de temperatura da tensãoγ Coeficiente de temperatura das célulasµ Coeficiente representativo do impacto do efeito da irradiância na eficiência da
célulaφa Ângulo azimute da superfícieθa Ângulo azimute solarθi Ângulo de incidênciaθz Ângulo zénite solar
Capítulo 1
Introdução
A presente dissertação foi realizada no âmbito do Mestrado Integrado em Engenharia Ele-
trotécnica e de Computadores (MIEEC), da Faculdade de Engenharia da Universidade do Porto
(FEUP).
Neste capítulo será apresentada a temática da dissertação, de forma a enquadrar a sua im-
portância no panorama energético atual, assim como a motivação e os objetivos associados à sua
elaboração. No final do capítulo apresenta-se uma descrição breve da estrutura adotada para a
dissertação e os dados utilizados.
Os dados utilizados ao longo de todo o processo foram fornecidos pelo INESC TEC e os
programas utilizados para efeito de tratamento e análise de dados e respetivas previsões foram o
Microsoft Excel e o programa MATLAB MathWorks.
1.1 Enquadramento e Motivação
Embora se reconheça o papel dos combustíveis fósseis como recursos essenciais para as ne-
cessidades presentes da economia e da segurança energética, estes implicam também elevados
impactos ambientais a nível local e global, sobretudo no que respeita às emissões de gases com
efeito de estufa [1].
A agenda política atual, regida pela política climática e energética integrada, foi adotada pelo
conselho europeu em março de 2007 e visa atingir até 2020 uma redução de, pelo menos, 20%
das emissões de gases com efeito de estufa em comparação com os níveis de 1990, promovendo a
utilização de energias renováveis [2].
Aqui surge a importância da energia fotovoltaica para o cumprimento destes objetivos, uma
vez que é evidente o seu crescimento no mundo, pelos aspetos anteriormente mencionados. No
entanto, é preciso considerar que existe incerteza e variabilidade na produção de energia solar, pelo
facto de depender fortemente das condições meteorológicas: a intensidade da radiação solar varia
consoante a estação do ano e a localização geográfica, estando também relacionada com o tempo,
ângulo solar, data e hora, nuvens e temperatura. A variabilidade, por sua vez, afeta diretamente os
custos de capital e os custos operacionais, visto que dificulta o controlo da produção fotovoltaica.
1
2 Introdução
Para que seja mais viável a introdução de equipamentos fotovoltaicos no mercado de eletri-
cidade, é necessário que as técnicas de previsão utilizadas sejam o mais precisas possível. Boas
previsões da produção solar fotovoltaica têm impacto direto na operação económica dos sistemas
elétricos de energia e no resultado económico das centrais cuja energia é vendida nos mercados de
eletricidade, o que motiva o desenvolvimento de previsões a curto prazo em sistemas fotovoltaicos
com ligação à rede.
A motivação associada à elaboração desta dissertação assenta na necessidade atual de de-
senvolver ferramentas de previsão de produção de energia solar FV, a médio prazo, baseada em
previsões meteorológicas de irradiância global horizontal e temperatura, entre outros fatores.
A obtenção de resultados fiáveis através destas ferramentas permitirá uma implementação mais
robusta e eficaz das centrais fotovoltaicas no planeamento de pré despacho e despacho dos siste-
mas elétricos de energia, assim como possibilitará um tratamento mais eficaz de situações de
congestionamentos e de necessidades de manutenção dos respetivos parques.
1.2 Objetivos
Na presente dissertação é definido como objetivo principal o estudo e a implementação de
um modelo elétrico que irá prever a produção fotovoltaica para um dado sistema FV, tendo em
conta as NWP da região geográfica onde este está instalado. Por forma a elaborar esse estudo será
necessário:
• Caracterizar a situação atual da produção solar FV
• Identificar os tipos de metodologias existentes atualmente para prever a produção de potên-
cia fotovoltaica, assim como identificar o seu enquadramento aplicacional
• Tratamento e análise de dados relativos a previsões meteorológicas para os lugares geográ-
ficos em estudo
• Desenvolver ferramentas de previsão de irradiância direta e difusa a partir de previsões de
irradiância global horizontal
• Construir o modelo de previsão
• Aplicar o modelo desenvolvido aos sistemas FV cujos dados NWP foram disponibilizados
• Analisar os resultados de previsão de produção
1.3 Estrutura da Dissertação
Para além deste capítulo introdutório, a presente dissertação dispõe de mais quatro capítulos.
O capítulo 2 é inteiramente dedicado ao estado da arte, onde são abordados os fatores que influ-
enciam a produção solar fotovoltaica, bem como algumas características das células solares FV.
1.3 Estrutura da Dissertação 3
É também feita uma análise sobre a importância da previsão e uma descrição sobre modelos e
técnicas de previsão de potencia fotovoltaica. No capítulo 3 é feita a caracterização e descrição da
metodologia utilizada na resolução do problema proposto nesta dissertação, onde se apresentam
as ferramentas de implementação do modelo de previsão probabilística utilizada, nomeadamente
o Microsoft Excel e o Matlab MathWorks. O capítulo 4 contém uma análise dos resultados obti-
dos para cada conjunto de dados. No capítulo 5 é feita uma consolidação das conclusões obtidas
no decurso da dissertação. Procurar-se-á fazer uma análise crítica dos resultados obtidos, encon-
trando possíveis erros e pontos de melhoramento, bem como apresentar algumas perspetivas para
trabalhos futuros.
4 Introdução
Capítulo 2
Revisão Bibliográfica
Neste capitulo será feita uma revisão geral da literatura acerca das tecnologias de conversão
de energia solar, sendo depois explorada mais aprofundadamente a produção solar fotovoltaica
e a sua previsão, tema central desta dissertação. Serão explorados artigos e publicações acerca
deste tema, e fatores que foram essenciais na resolução do problema prático que será abordado no
capítulo 3.
2.1 Introdução
A previsão da radiação solar na superfície da Terra é um problema complexo e de grande
importância para a gestão das centrais solares.
A potência produzida por uma central solar, por exemplo fotovoltaica, está fortemente relaci-
onada, de forma praticamente linear, com a irradiância global incidente no local onde o sistema
fotovoltaico está instalado. Deste modo, as dificuldades encontradas para a previsão da produção
das centrais fotovoltaicas são essencialmente as mesmas da previsão da irradiância global [3].
Uma vez que a energia proveniente do Sol pode ser convertida em energia útil através de
tecnologias que se inserem em duas categorias: térmica e fotovoltaica, irá ser feita uma breve
descrição de ambas, sendo mencionadas algumas tecnologias atuais de conversão de energia solar
em energia elétrica. Serão também apresentadas algumas metodologias desenvolvidas para a pre-
visão da radiação solar fotovoltaica, que permitam antever a produção de energia elétrica sistemas
fotovoltaicos, com diferentes horizontes temporais.
2.1.1 Tecnologias de conversão de energia solar térmica
As tecnologias solares térmicas convertem a energia solar em calor, podendo esta energia
ser utilizada para aquecimento de águas ou convertida em energia mecânica e posteriormente em
energia elétrica através do uso de turbinas a vapor.
O aproveitamento da energia térmica proveniente do Sol para o aquecimento de fluidos é
feito recorrendo a coletores ou a concentradores solares. Os coletores solares são essencialmente
utilizados em aplicações residenciais e comerciais para o aquecimento de água a temperaturas
5
6 Revisão Bibliográfica
relativamente baixas. São feitos de uma caixa retangular rasa coberta de vidro, onde a radiação
solar absorvida fica retida sobre a forma de calor, aquecendo a água contida nos canos de uma
serpentina. A água é transferida para o reservatório térmico devido às correntes de convecção
formadas pelo seu aquecimento, 2.1 [4].
Figura 2.1: Coletor solar com reservatório
Por sua vez, os concentradores solares destinam-se a aplicações que requerem temperaturas
mais elevadas, como a produção de vapor. É um dispositivo semelhante a um espelho côncavo.
A energia incidente concentra-se numa área menor, originando uma temperatura mais elevada do
que no caso de um espelho plano. Para que se consiga este efeito, o dispositivo contem uma
superfície refletora de forma parabólica, ou esférica, e o objeto a ser aquecido deve ser colocado
precisamente no foco do espelho [5].
Figura 2.2: Concentrador solar
2.1 Introdução 7
2.1.2 Tecnologias de conversão de energia solar fotovoltaica
As tecnologias fotovoltaicas convertem a radiação solar diretamente em eletricidade através
do efeito fotovoltaico, sendo que esta conversão é feita recorrendo a células fotovoltaicas.
Estas células são compostas por elementos semicondutores, como é o caso do silício, material
com características intermédias entre um condutor e um isolante.
Como o cristal de silício puro não possuí eletrões livres, torna-se um mau condutor elétrico,
pelo que é dopado com outros elementos. Mediante a dopagem do silício com fósforo obtém-
se um material com eletrões livres (camada tipo N). Ao dopar o silício com boro obtém-se um
material com características inversas, ou seja, com falta de eletrões ou com cargas positivas livres
(camada do tipo P). Cada célula fotovoltaica é constituída por uma camada fina de material do tipo
N e outra com uma maior espessura de material do tipo P, como se pode verificar na figura 2.3.
Figura 2.3: Constituição de uma célula solar fotovoltaica
Da união destas duas camadas os eletrões livres da camada do tipo N ocupam os espaços vazios
da camada do tipo P. Quando a luz incide na célula fotovoltaica, os fotões que a integram chocam
com os eletrões da estrutura do silício dando-lhes energia e transformando-os em condutores.
Devido ao campo elétrico gerado na união P-N, os eletrões são orientados e fluem da camada P
para a camada N. Ao ligar-se a camada N à camada do tipo P completar-se-á um circuito elétrico,
através de dois contactos metálicos que existem na célula em lados opostos, permitindo que os
eletrões fluam para a camada P, criando uma corrente elétrica. Este fluxo de eletrões manter-se-á
enquanto a luz incidir na célula. A intensidade da corrente elétrica variará consoante a luz solar
incidente, 2.4 [6].
Figura 2.4: Painel fotovoltaico constituído por várias células solares
8 Revisão Bibliográfica
2.2 Características das Células Solares Fotovoltaicas
2.2.1 Potência nominal
Potência nominal corresponde à potência do módulo solar nas condições de teste padrão,
STC1, que se traduz em 1000 W/m2 de radiância solar incidente na superfície do módulo, quando
a temperatura da célula é de 25oC (77oF). A potência de saída do módulo depende das condições
atmosféricas, como a irradiância e a temperatura, então cada módulo é testado nas STC, podendo
assim ser comparados e classificados nas mesmas condições.
Quando o nível de radiância incidente é menor, menor será a potência produzida pelo módulo
solar. Como as células FV escuras absorvem radiação, a sua temperatura aumenta e esta será
significativamente mais alta do que a temperatura ambiente. Por exemplo, para uma temperatura
ambiente de -5oC, a temperatura de uma célula FV poderá atingir os 25oC, e esta será a temperatura
que classificará a célula. Se a temperatura ambiente for de 25oC (e a irradiância tiver o valor
1000W/m2), a temperatura do módulo solar atingirá 55oC, e a potência de saída será reduzida em
15% [7].
2.2.2 Temperatura nominal de funcionamento da célula, NOCT
2
Apesar dos módulos fotovoltaicos serem tipicamente avaliados nas STC, quando em funciona-
mento em campo, operam a temperaturas mais elevadas. De modo a determinar a potência de saída
da célula, é importante determinar a temperatura de funcionamento esperada do módulo fotovol-
taico. A temperatura nominal de funcionamento da célula, NOCT, é definida como a temperatura
atingida pelas células em circuito aberto, quando sujeitas às seguintes condições [8]:
• Irradiância: 800W/m2
• Temperatura ambiente: 20oC
• Velocidade do vento: 1m/s
2.2.3 Temperatura da célula fotovoltaica
A temperatura da célula, é um dos principais fatores que influencia a produção de energia
por parte dos módulos fotovoltaicos. É um parâmetro importante no funcionamento de qualquer
sistema FV, pois as células têm tendência a aquecer devido à exposição direta à radiação solar.
Para além disso, internamente, parte da energia captada não é transformada em energia elétrica
sendo dissipada sob a forma de calor. Por este motivo, a temperatura de operação da célula é
sempre mais elevada do que a temperatura ambiente [9].
De seguida descreve-se a influência não só da temperatura, mas também da radiação, de modo
a fazer uma comparação acerca da variação da corrente e da tensão num painel fotovoltaico.
1Do inglês: Standard Test Conditions2Do inglês: Nominal Operating Cell Temperature
2.2 Características das Células Solares Fotovoltaicas 9
No caso da radiação solar, uma mudança na sua intensidade resulta numa variação na corrente
de saída para qualquer valor de tensão. A corrente varia com a radiação de forma diretamente
proporcional, enquanto que a tensão se mantêm praticamente constante como se pode observar na
figura 2.5 [10].
Figura 2.5: Alteração da curva IV com incidência de radiação solar
O valor da corrente diminui com a diminuição do valor da radiação, para uma mesma tem-
peratura. Relativamente à temperatura, a sua mudança resulta numa variação na tensão de saída
para qualquer valor de corrente. O valor da tensão diminui com o aumento da temperatura con-
siderando um valor fixo de irradiância. A tensão varia com a temperatura de forma diretamente
proporcional, como se verifica na figura 2.6, [10].
Figura 2.6: Variação dos niveis de corrente e tensão para diferentes valores de temperatura
O desempenho do painel em função dos valores de temperatura é calculado tendo em conta os
coeficientes de temperatura [11]. Caso não esteja disponível informação sobre estes coeficientes,
pode recorrer-se a valores típicos, que se encontram especificados na tabela 2.1.
10 Revisão Bibliográfica
Tabela 2.1: Coeficientes de temperatura tipicos em módulos de silício cristalino
Condição Coeficiente temperatura típicoTensão de circuito aberto (VOC) -0,36%/oCCorrente de curto circuito (ISC) +0,043%/oC
Estes valores de ISC e VOC fornecidos nas folhas de características dos painéis FV são válidos
apenas para a NOCT. Tendo isto em conta, é necessária a correção da temperatura da célula, que
segundo [11], se realiza de acordo com a expressão:
Tc = Ta +Gg
GreNOCTf
.(NOCT −T NOCTa ) (2.1)
Esta temperatura depende, sobretudo, da temperatura ambiente, Ta, mas também de outros fa-
tores como a irradiância global incidente no painel, Gg, da temperatura nominal de funcionamento
da célula, NOCT, da irradiância global nas condições NOCT, GreNOCTf , cujo valor é de 800W/m2,
e da temperatura ambiente nas condições NOCT, TNOCTa , cujo valor é de 20oC.
Depois de corrigida a temperatura da célula foi necessário recalcular o valor de ISC e de VOC,
de acordo com esta nova temperatura. Para corrigir o valor da tensão, recorreu-se à seguinte
expressão:
VOC =VOC(25oC)+βT .(Tc−25oC) (2.2)
em que βT corresponde ao coeficiente de correção de temperatura da tensão. Procede-se da
mesma forma para o valor de corrente:
ISC = ISC(25oC).(1+αT .(Tc−25oC)) (2.3)
ISC = ISC(25oC)+ ISC(25oC).(αT .(Tc−25oC)) (2.4)
em que αT corresponde ao coeficiente de correção de temperatura da corrente. Analisando
as expressões 2.3 e 2.4, conclui-se que para um aumento da temperatura resulta uma diminuição
do valor da tensão. Os valores da potência de saída em função da temperatura, segundo [12], são
dados pela expressão 2.5, assim como o rendimento do painel é dado por 2.6.
P = Pre f [1+(αT −βT ).∆T ] (2.5)
η(T ) = η(Tre f )[1+(αT −βT ).∆T ] (2.6)
em que Pre f é o valor da potência de saída para a temperatura de referência Tre f (25oC) e Ta a
temperatura ambiente para a qual se quer calcular o rendimento. Uma vez que que o valor da po-
tência produzida pelo painel depende de ISC e de VOC, a potência sofre, como consequência, uma
alteração no seu valor com a variação da temperatura. Assim, e de acordo com a expressão 2.5,
2.2 Características das Células Solares Fotovoltaicas 11
verifica-se que um aumento do valor da temperatura tem como consequência uma diminuição na
potência de saída do painel. Resumindo:
• Quanto mais elevada for a temperatura da célula, menor será o valor da tensão;
• A corrente ISC cresce ligeiramente com o aumento da temperatura;
• A potência produzida, como consequência do aumento de temperatura para o mesmo valor
de irradiância, sofrerá um decréscimo.
2.2.4 Coeficiente de temperatura e coeficiente de radiação solar
O valor destes coeficientes depende das propriedades da célula FV em estudo, sendo que o
coeficiente de temperatura, γ , representa uma taxa aproximada de quanto a potência produzida
reduz com o aumento da temperatura, enquanto que o coeficiente de radiação solar, µ , representa
a influência do efeito da irradiância na eficiência das células FV, como se pode verificar pela
equação 2.7, [13].
PDC = PinstGg,β
GreSTCf
[1− γ(Tc−TreSTCf )+µ log1 0(Gg,β )] (2.7)
Onde:
PDC representa a potência DC entregue pelos painéis PV
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
µ é o coeficiente representativo do impacto do efeito da irradiância na eficiência da célula.
O coeficiente γ é normalmente dado pelo fabricante, podendo no entanto, ser obtido a partir
de testes em que a saída elétrica do módulo é medida a duas temperaturas diferentes para um dado
fluxo de radiação solar. O valor real do coeficiente de temperatura, em particular, depende não só
no material FV, mas também da temperatura de referência, Tre f .
2.2.5 Perdas no inversor
No sistema elétrico português a tensão de referência na Baixa Tensão é de 230V, que corres-
ponde à tensão nominal das redes elétricas de distribuição do espaço Europeu. Para se poder dis-
por de uma tensão de 230V, em sistemas fotovoltaicos que produzem energia elétrica em corrente
contínua, DC3, é necessário inserir no sistema os designados inversores de corrente. A principal
função de um inversor de corrente consiste em estabelecer a ligação entre o gerador fotovoltaico e
3Do inglês: Direct Current
12 Revisão Bibliográfica
a rede elétrica de corrente alternada, AC4. Sendo assim, a sua principal tarefa consiste em conver-
ter o sinal elétrico DC do gerador fotovoltaico num sinal elétrico AC, e ajustá-lo para a frequência
e o nível de tensão da rede a que ficará ligado [14].
A eficiência da conversão caracteriza as perdas originadas pela conversão da corrente DC em
AC. Nos inversores, estas perdas compreendem as perdas originadas pelo transformador (nos casos
em que existe transformador), pelos comutadores eletrónicos e pelo controlador. O rendimento
desta operação é então dado pela expressão 2.8.
ηinv =Potência de saída AC
Potência de entrada DC(2.8)
onde Potência de saída AC representa a potência entregue à rede elétrica.
2.3 Fatores que Influenciam a Produção de Energia Solar Fotovol-taica
A produção fotovoltaica depende de variáveis meteorológicas, como a temperatura ambiente,
a irradiância e a velocidade do vento. Devido à natureza dos equipamentos utilizados, cada uma
destas variáveis influenciará, de um modo particular, a produção. As características elétricas dos
painéis são fornecidas para valores de referência de temperatura dos painéis e irradiância, pelo
que, dependendo da condição de funcionamento do painel, os valores de tensão e corrente vão
variar. É interessante o estudo desta dependência para que se consiga determinar quanto é que o
painel irá produzir, a cada instante, com os valores previstos de irradiância e temperatura.
Para além das variáveis meteorológicas, sabe-se também que o ângulo de incidência da radi-
ação, o sombreamento, a existência de nuvens e o desempenho técnico dos equipamentos farão
interferência nos valores de produção. O objetivo desta secção baseia-se, portanto, em descrever
a influência destes fatores na produção.
2.3.1 Intensidade e distribuição da radiação solar
Devido à grande distância existente entre o Sol e a Terra, apenas uma mínima parte da irradi-
ância solar emitida, 62,5 MW/m2, atinge a superfície da Terra. Após percorrer 150 milhões de km
em 8 minutos a irradiância solar que atinge a superfície terrestre é de 1kW/m2 [15].
A quantidade de energia solar que atinge a superfície da Terra corresponde, aproximadamente,
a dez mil vezes a procura global de energia. Assim, teria de se utilizar apenas 0,01% desta energia
para satisfazer a procura energética total da humanidade [16].
Apenas uma parte da quantidade total da radiação solar que atinge a superfície terrestre é apro-
veitada, uma vez que a atmosfera reduz a radiação solar devido a fenómenos de reflexão, absorção
(ozono, vapor de água, oxigénio, dióxido de carbono) e dispersão (partículas de pó, poluição). Ao
adicionar a quantidade total da radiação solar que incide na superfície terrestre durante o período
4Do inglês: Alternating Current
2.3 Fatores que Influenciam a Produção de Energia Solar Fotovoltaica 13
de um ano, obtém-se a irradiação global anual, que corresponde à energia que incide na superfície
terrestre por unidade de área durante um período de tempo, medida em kWh/m2. Este parâmetro
varia de um modo significativo com as regiões, podendo algumas ser observadas na figura 2.7,
[17].
Figura 2.7: Média anual da irradiação global horizontal, por zona geográfica (kWh/m2)
A média da irradiação solar, em algumas regiões situadas perto do Equador, excede 1900
kWh/m2, enquanto que no sul da Europa, mais precisamente Portugal este valor poderá situar-se
entre os 1300 kWh/m2 e os 1800 kWh/m2. São notáveis as diferenças existentes por toda a Europa,
quando se observa a relação entre a radiação solar e a distância ao Equador. A potência produzida
por um sistema solar fotovoltaico, está fortemente relacionada com a irradiância global num plano
horizontal, GHI5, incidente no local onde o sistema fotovoltaico está instalado. Deste modo, as
dificuldades encontradas para a previsão da produção das centrais fotovoltaicas são essencialmente
as mesmas da previsão da irradiância global.
2.3.2 Irradiância global horizontal, Irradiância direta normal e Irradiância difusa
A irradiância global horizontal, GHI, é dada pela pequena parcela da radiação emitida pelo
Sol que atinge a atmosfera. Pode ser decomposta em duas partes fundamentais: uma compo-
nente direta, irradiância direta normal, DNI6, que se refere à irradiância incidente numa superfície
perpendicular aos raios de sol , e que produzem sombras bem definidas quando atingem algum
obstáculo; e uma componente difusa, irradiância difusa, DI7, procedente de toda a atmosfera visí-
vel, incluindo a reflexão do próprio solo e excluindo o disco solar, originando raios dispersos e cuja
5Do inglês: Global Horizontal Irradiance6Do inglês: Direct Normal Irradiance7Do inglês: Diffuse Irradiance
14 Revisão Bibliográfica
frequência depende fundamentalmente da dinâmica de nuvens. Esta partição acontece, pois a GHI
está sujeita a fenómenos de reflexão, absorção e dispersão por parte dos gases atmosféricos [18].
Figura 2.8: Ilustração da DNI e da DI
Nos dias de céu limpo, a componente direta prevalece, enquanto que nos dias mais enublados
(especialmente no inverno) a radiação solar é constituída quase exclusivamente pela componente
difusa. As condições atmosféricas existentes, como por exemplo a humidade, e nebulosidade, es-
tação do ano e hora do dia são, portanto, decisivas quando se trata de avaliar as duas componentes
da GHI. A irradiação varia com a meteorologia de acordo com [15]:
• Dias claros – radiação direta 60% e difusa 30% do máximo
• Dias com nuvens – direta 0% e difusa 60% do máximo
2.3.2.1 Modelo de Boland-Ridley-Lauret, BRL
Existem modelos de previsão meteorológica que se baseiam em modelos matemáticos relativos
à atmosfera e aos oceanos.
A previsão de variáveis meteorológicas serve como ponto de partida para a construção dos
modelos de previsão de produção FV. Pretende-se que o erro das variáveis previstas seja o menor
possível, pois só assim se obterá uma previsão mais próxima do valor real. Esta previsão pode
ser feita através da utilização de métodos numéricos como é o caso do modelo numérico de pre-
visão meteorológica, NWP8, constituído por uma grande variedade de software com diferentes
horizontes temporais e espaciais [19].
São normalmente classificados de acordo com a escala espacial e temporal com que são feitas
as previsões, havendo uma relação entre a extensão geográfica e a validade temporal das previsões.
8Do inglês: Numerical Weather Prediction
2.3 Fatores que Influenciam a Produção de Energia Solar Fotovoltaica 15
A qualidade da análise e da observação influencia diretamente a qualidade das previsões, pelo que
quanto mais precisos forem os dados recolhidos, mais preciso será o modelo de previsão que
utiliza como variáveis de entrada as recolhidas e processadas pelo modelo.
Para qualquer lugar geográfico onde se deseje fazer a previsão da produção são necessárias
medições relativas à DNI e à DI. Contudo, estes modelos NWP apenas fornecem medições relati-
vas à GHI, sendo necessário dividir esta variável nas duas componentes que a compõem, de modo
a calcular a irradiância na superfície do painel fotovoltaico. Surge então o modelo de Boland-
Ridley-Lauret, BRL, que propõe uma decomposição da GHI nas suas duas componentes DNI e
DI, com base nos seguintes fatores, [20]:
• Índice claridade horário, kt
• Índice de claridade diário, Kd
• Ângulo da altitude solar, α
• Tempo aparente solar, AST
O índice de claridade horário fornece informação acerca da claridade do céu como uma porção
da GHI, Gg, e da irradiância extraterrestre, Eo, e pode ser calculado através da seguinte equação:
kt =Gg
Eo(2.9)
A irradiância extraterrestre, Eo, pode ser calculada combinando a longitude e a latitude do
local em que será feito o estudo, para o período de interesse, t. Considerando que a claridade do
céu terá padrões e características comuns em diversos dias, o índice de claridade diário, Kd, para
determinado dia, d, será calculado por:
Kd =
24∑
t=1Gg,t
24∑
t=1Eo,t
(2.10)
Onde a variável Gg,t representa a irradiância global para uma determinada hora t, e Eo,t a
irradiância extraterrestre para essa mesma hora t. O ângulo da altitude solar, α , compreendido
entre o horizonte e o centro do disco solar, fornece informação sobre o valor da área da superfície
horizontal em estudo que será iluminada pelo sol. O valor aproximado deste ângulo será dado por:
αt = 90o− cos−1(cosh.cosδ .cosϕ + sinδ .sinϕ) (2.11)
Onde:
h é o ângulo horário no tempo solar local
δ é a declinação corrente do sol
ϕ é a latitude local a uma dada hora t
16 Revisão Bibliográfica
O tempo solar aparente (AST) é assimétrico no que diz respeito ao meio-dia solar, explicando
assim as diferenças entre a manhã e a tarde, sendo que na atmosfera é mas turvo de tarde do
que durante a manhã [20]. A persistência, ψ , do nível de irradiação global explica o conceito de
dependência em série. Para um dado valor de kt , a ψ pode capturar esta dependência para cada
hora, sendo formulado da seguinte forma:
ψ =
kt−1+kt+1
2 , sunrise < t < sunset
kt+1, t = sunrise
kt−1, t = sunset
Após o cálculo destas variáveis e aplicando o modelo BRL, é então possível obter as duas
componentes da GHI separadamente, a DNI, Gb, e a DI, Gd .
Inicialmente, é calculada a fração difusa para cada hora t [20]:
d =1
1+ e−5,38+6,63kt+0,006AST−0,007α+1,75Kd+1,31ψ(2.12)
De seguida, é feito o cálculo de Gb, também para cada hora t:
Gb =Gg−d.Gg
sinα(2.13)
E, finalmente, calcula-se Gd para cada hora t:
Gd = d.Gg (2.14)
Este modelo usa os dados da GHI previstos pelo modelo NWP, que será abordado mais adiante
neste capítulo.
2.3.3 Albedo
Albedo corresponde à porção da radiação incidente na superfície terrestre que vai ser refletida
e que é consequência das características do solo.
Esta é uma grandeza complexa que é determinada por muitas características ambientais de-
pendentes e independentes do solo.
O conhecimento do valor do albedo permite obter uma indicação sobre o nível de reflexão da
radiação e a razão entre a radiação direta e a radiação difusa.
Normalmente, quanto maior o valor do albedo, maior será o nível de reflexão solar e maior
será a componente de radiação difusa. O valor do albedo varia entre 0 e 1 da seguinte forma, [21]:
• O valor de 0 refere-se a um corpo negro, pois absorve 100% da radiação incidente
• Valores de albedo que variam entre 0,1 e 0,2, referem-se a superfícies de solo com cor escura
• Valores entre 0,4 e 0,5, representam superfícies lisas e com cor clara.
2.3 Fatores que Influenciam a Produção de Energia Solar Fotovoltaica 17
Figura 2.9: Ilustração do albedo em superfície clara e escura
2.3.4 Ângulo Azimute, altitude solar e ângulo Zénite
É necessário encontrar uma solução para a orientação dos painéis de modo a maximizar a
radiação incidente na sua superfície, que por sua vez irá dar origem a uma maior produção foto-
voltaica.
Esta solução passa por fazer uma localização da posição do sol, que pode ser feita em qualquer
local, representada por várias variáveis, como ilustrado na figura 2.10, [20].
Figura 2.10: Definição dos ângulos usando as coordenadas para um elemento de radiação solarpara um plano inclinado
18 Revisão Bibliográfica
O ângulo azimute solar, θa, corresponde ao ângulo medido sobre o horizonte, no sentido horá-
rio, com origem no norte geográfico (N), e a extremidade no círculo vertical do astro, neste caso,
a Terra. Os valores do azimute podem variar entre 0o e 360o. Fixando a localização de um ponto
no hemisfério norte, o sul tem azimute 0o, o norte 180o, este 90o e oeste 270o.
A altura ou elevação solar, αz, corresponde ao ângulo medido entre o plano horizontal e a
radiação direta no plano. O seu valor pode variar entre -180o e 180o, mas se o painel for bem
orientado o valor será menor que 90o.
O ângulo zénite solar, θz, representa o complemento da altura solar e varia entre 0o e 180o.
Corresponde ao ângulo medido entre o zénite (designação atribuída ao ponto imaginário atraves-
sado por um eixo vertical, também imaginário, traçado a partir do painel fotovoltaico, e que se
prolonga até a esfera celeste) e a radiação direta no plano.
2.3.5 Inclinação e orientação dos painéis solares
A orientação definida para a instalação solar tem por consequência diferentes níveis de radi-
ação e consequente produção fotovoltaica. Para instalações fixas, situadas no hemisfério norte, a
orientação que maximiza a quantidade de radiação aproveitável coincide com o Sul geográfico;
para instalações no hemisfério sul, a orientação que maximiza a quantidade de radiação aprovei-
tável coincide com o Norte geográfico [22].
Os telhados com uma orientação que varie ainda mais da posição ótima, podem também ser
explorados, mas nesta situação a menor irradiação deverá ser equacionada. A utilização das facha-
das para a integração de tecnologias solares, ângulo de inclinação de 90o, implica uma produção
de energia menor, devido à redução significativa da irradiação. Neste caso, a boa visibilidade da
instalação solar e aspetos de design, entre outros fatores, têm um papel vital para a decisão final
sobre a construção da fachada com este material.
Figura 2.11: Painel Fotovoltaico instalado num telhado de uma habitação
2.4 Previsão 19
A orientação ótima em Portugal para os sistemas solares é o Sul geográfico e a inclinação
deverá ser de aproximadamente 38o, sendo que na capital Lisboa poderá ser de 35o, uma vez que
se encontra mais a Sul do país. O sistema pode instalar-se respeitando a inclinação do telhado
onde será inserido (isto minimiza o possível impacto visual do sistema na arquitetura do local),
assegurando um ângulo mínimo de 8graus. Quando possível, o ângulo com a horizontal será o
de Latitude 5o. Os ângulos com a horizontal superiores a 35o favorecem o Inverno e os ângulos
inferiores a 35o favorecem o Verão, pelo que, em instalações de uso estival, a inclinação deverá
ser de 30o e, para instalações de uso anual, a inclinação deverá ser de 45o [23].
Havendo possibilidade de escolher a orientação, o lado do Oeste é preferível devido à possibi-
lidade de ocorrência de neblinas matinais que podem surgir em zonas litorais.
2.3.6 Sombreamento
O sombreamento possui uma importância considerável na projeção de um sistema fotovoltaico
pois produz consequências negativas no que diz respeito à sua eficiência e segurança.
Na maioria das situações, as sombras são de natureza temporária, na medida em que resultam
de fenómenos naturais que são bastante imprevisíveis. O sombreamento temporário resulta, por
exemplo, da presença de árvores, nuvens, edifícios nas proximidades do sistema fotovoltaico ou
até pelo edifício ou terreno onde se encontra inserido (existência de antenas, chaminés, para-
raios, saliências do telhado e da fachada, características de construção do prédio, entre outras).
Apesar destes agentes funcionarem como fontes de ocorrência de sombras, o seu impacto no
que diz respeito à eficiência e às operações regulares de manutenção, é diferente. A ocorrência
de nuvens assume um carácter transitório, por outro lado, o sombreamento causado por poeiras
ou folhas sobre os módulos fotovoltaicos, é de carácter permanente. A remoção deste tipo de
sujidade efetua-se quase naturalmente se os módulos fotovoltaicos sejam posicionados com um
certo ângulo de inclinação.
2.4 Previsão
2.4.1 Importância da previsão
Os tipos de energia não renovável maioritariamente utilizados na era industrial são limitados.
Com a exploração intensiva das reservas de petróleo e gás, prevê-se que estas esgotem nas pró-
ximas décadas do corrente século. Tendo em conta que se descubram novas reservas, apenas se
prolongará a dependência da energia fóssil por mais algumas décadas.
Além disso, têm-se verificado um aumento de ações de intervenção ambientais cujo objetivo
será diminuir drasticamente os gases de efeito de estufa, GEE, no planeta Terra, uma vez que estes
levam a uma constante degradação do clima. As tendências correntes no fornecimento de energia
verificam-se insustentáveis, tanto a nível ambiental, como económico.
Sendo assim, novas tecnologias de geração de energia surgem como uma solução que desem-
penha um papel crucial na revolução energética corrente.
20 Revisão Bibliográfica
A geração fotovoltaica é uma das tecnologias mais promissoras e a que mais tem crescido. Esta
intensa utilização de produção fotovoltaica obriga ao desenvolvimento de técnicas de previsão da
potencia solar FV que irá ser gerada, de forma a maximizar o sucesso da inserção destes sistemas
na rede elétrica.
Estas técnicas de previsão não só são vantajosas no aspeto mencionado anteriormente, como
também contribuem para garantir a segurança de abastecimento e dos equipamentos, permitem
uma melhor gestão do congestionamento e trânsito de potências, bem como do despacho econó-
mico, e torna possível o planeamento do processo de armazenamento de energia.
Os resultados obtidos através destas técnicas de previsão devem apresentar um elevado grau
de fiabilidade pois só assim se poderá minimizar os problemas de injeção de potência solar FV na
rede elétrica.
2.4.2 Previsão curto prazo
Uma característica importante que define os sistemas de previsão é o seu horizonte temporal,
que corresponde ao período para o qual o sistema fornece valores de previsão. Estes intervalos
de tempo dependem da fonte renovável em questão e devem auxiliar no despacho do sistema
eletroprodutor ou apoiar nas decisões de expansão da rede elétrica.
Na presente secção apenas se aprofunda o caso em que a previsão é feita para curto prazo, uma
vez que este trabalho é realizado nesse âmbito.
Os sistemas e ferramentas de previsão são utilizados no auxílio da gestão de sistemas elétricos,
com particular relevância para a previsão de carga. Tendo em conta a importância dos resultados
obtidos, a precisão é fundamental para ajudar a um planeamento eficaz e eficiente. Assim, para
se garantir níveis de precisão e fiabilidade mais elevados, os sistemas de previsão estão constante-
mente a evoluir e podem ser caracterizados pelo horizonte temporal das previsões que são feitas.
A previsão no caso especifico de produção FV pode constituir-se como uma ferramenta útil em
diversas situações, tais como para participação em mercados de eletricidade, gestão do sistema,
auxílio no planeamento de operação, bem como para auxílio na gestão de operação e manutenção
nas próprias instalações solares fotovoltaicas.
Apesar de não haver um consenso no que diz respeito à divisão em trechos temporais, admite-
se que os horizontes temporais da previsão, segundo [24], variam entre:
• Muito curto prazo – até algumas horas.
• Curto prazo – até alguns dias. É útil para a operação da rede a curto prazo e possibilita a
obtenção do diagrama diário, em passos de uma hora, para os dias seguintes ao instante da
previsão.
2.5 Modelos de Previsão Fotovoltaica 21
2.5 Modelos de Previsão Fotovoltaica
Para facilitar a integração na rede de potência que vai ser fornecida intermitentemente, e tam-
bém as dificuldades de operação do sistema de potência, é necessária uma previsão fiável da po-
tencia de saída para sistemas que forneçam energia e sejam dependentes das condições meteoro-
lógicas, como é o caso das estações FV.
2.5.1 Modelos Físicos e Modelos Estatísticos
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.
22 Revisão Bibliográfica
Capítulo 3
Metodologia
3.1 Introdução
Com base na descrição dos modelos físicos e estatísticos que foi feita na secção 2.5.1, 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 equações 3.1 até 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.
23
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, numplano 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
cosθzcosθi (3.2)
Onde:
Bn representa a DNI
B representa a DHI
β representa o ângulo que a superfície inclinada faz com o solo, parâmetro a ser otimizado
θz representa o ângulo zénite
3.2 Implementação do modelo 25
θi será o ângulo de incidência e poderá ser calculado da seguinte forma:
θi = cos−1[cosθzcosβ + sinβ sinθzcos(θa−φa)] (3.3)
Onde:
θa representa o ângulo azimute solar
φa representa 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, GreNOCTf , cujo valor é de 800W/m2, e da
temperatura ambiente nas condições NOCT, TNOCTa , cujo valor é de 20oC.
Tc = Ta +Gg
GreNOCTf
.(NOCT −T NOCTa ) (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 = PinstGg,β
GreSTCf
[1− γ(Tc−TreSTCf )+µ log1 0(Gg,β )] (3.7)
Onde:
PDC representa 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
µ é o coeficiente representativo do impacto do efeito da radiância na eficiência da célula
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:
Plosinvs = a+b.PDC + c.PD
2C (3.8)
Finalmente, a potência AC a ser entregue à rede é dada por:
PAC = PDC−Plosinvs (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 =∑
Ni=1 |Power−PAC|
N(3.10)
3.3 Testes de Previsão
3.3.1 Otimização Anual
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 tabela 3.1.
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.
3.3.3 Otimização por Ângulo Azimute e Altitude Solar
Este é um modelo em que os dados de treino são repartidos em k conjuntos, de acordo com
o cosseno do azimute e o cosseno da altitude solar, uma vez que estas variáveis têm influência na
produção solar fotovoltaica.
É necessário verificar qual o valor de k, para isso verifica-se quando é que os valores do
cosseno do azimute coincidem com os valores do cosseno da altitude solar.
O próximo passo foi a construção de um ciclo que irá correr k vezes, onde estão especificados
o valor mínimo e máximo de cada uma das variáveis, nomeadamente valor mínimo e máximo do
cosseno do ângulo azimute e valor mínimo e máximo do cosseno da altitude solar.
Ainda dentro deste ciclo, duas variáveis, uma para os dados de treino, outra para os dados
de teste, irá percorrer as colunas das NWP correspondentes ao ângulo azimute e à altitude solar,
e guardar as posições em que cada um dos intervalos acima enunciados ocorre. Para cada sub-
conjunto de dados é feita a sua otimização (apenas para o caso de treino). Os resultados obtidos
são aplicados aos dados de teste, obtendo-se, assim, o MAE para cada instante do horizonte de
previsão.
Por ultimo é calculado o NMAE para os dados de treino e o NMAE para os dados de teste,
para cada instante do horizonte de previsão, que serão comparados graficamente.
3.3.4 Otimização por Irradiância Global e Temperatura Ambiente
A implementação deste modelo é em tudo igual à descrita na secção 3.3.3., sendo que a única
diferença está na divisão dos conjuntos de dados.
Neste caso, os dados são separados consoante o valor da Irradiância Global Horizontal e da
temperatura ambiente.
28 Metodologia
Capítulo 4
Resultados
Neste capítulo serão apresentados os principais resultados obtidos dos diferentes testes descri-
tos no capítulo 3.
Serão apresentados os resultados obtidos aquando do teste dos dados de um sistema fotovol-
taico situado na cidade de Catânia, Itália.
4.1 Aquisição e tratamento de dados
Os dados relativos às NWP foram obtidos de um sistema de produção fotovoltaica de Catânia,
uma cidade Sul Italiana, cuja potência instalada é de 5kW. Dos dados obtidos as variáveis utiliza-
das foram a Altitude Solar, a GHI, a DNI, a DHI, a Temperatura ambiente, o Ângulo Azimute e a
potência produzida observada.
Testou-se o modelo para os dados de treino que compreendem as 24 horas de todos os dias
entre 1 de Janeiro de 2010 até 1 de Janeiro de 2011 inclusive, e para os dados de teste que com-
preendem as 24 horas do dia 1 de cada mês e a partir do dia 15 até ao fim de cada mês, entre 15 de
Janeiro de 2011 até 1 de Janeiro de 2012. Este segundo conjunto de dados não inclui a totalidade
do ano 2011, uma vez que foram fornecidos para a realização de um concurso, sendo que a sua
parte complementar é confidencial.
Uma vez que a localização geográfica do sistema fotovoltaico tem influência nos parâmetros
das células FV, os valores dos limites estipulados para estes parâmetros para a região em estudo
serão os que constam na tabela 4.1.
É importante referir que cada instante do horizonte de previsão em questão coincide com a
hora do dia.
4.2 Otimização Anual
O SOLVER foi executado no ficheiro de dados de treino várias vezes, até se verificar que o
MAE, valor a minimizar para todo o conjunto de dados, convergia para valores muito semelhantes.
29
30 Resultados
Tabela 4.1: Limites mínimos e máximos dos parâmetros ótimos das células PV
0 ≤ a ≤ 0,50 ≤ b ≤ 0,10 ≤ c ≤ 0,1
4,5 ≤ Pinst ≤ 5,50,001 ≤ γ ≤ 0,006
0 ≤ µ ≤ 0,230 ≤ NOCT ≤ 650 ≤ albedo ≤ 0,920 ≤ β ≤ 60
170 ≤ φa ≤ 190
Foram executados dezasseis testes até se selecionar o melhor resultado para este valor obtendo-se
os valores da tabela 4.2 para os parâmetros das células.
Tabela 4.2: Valores dos parâmetros das células após otimização
Parâmetros das células Valores Finaisa 0b 0,1c 0
Pinst 4,5γ 0,006µ 0,1114
NOCT 42,099albedo 0,4343
β 47,207φa 189,05
Após aplicar estes valores aos dados de treino e aos dados de teste, é calculado o MAE para
todo o conjunto dos dois dados, valores presentes na tabela 4.3.
Tabela 4.3: MAE de Treino e MAE de Teste obtidos após otimização
MAE Treino MAE Teste0,3356 0,2785
De seguida procede-se à normalização do MAE, para cada instante do horizonte de previsão,
dos dois conjuntos de dados. A normalização foi feita pela potência nominal e os valores obtidos
encontram-se na tabela 4.4 e representados no gráfico da figura 4.1.
Foram feitos dois testes para este modelo no Matlab, um em que o programa corre apenas uma
vez e são registados os valores obtidos, e outro em que o programa corre um número de vezes
arbitrado pelo utilizador.
Quando se correu o programa apenas uma vez, os valores dos parâmetros das células FV
otimizados foram os que constam na tabela 4.5.
4.2 Otimização Anual 31
Tabela 4.4: NMAE de Treino e NMAE de Teste para cada instante do horizonte de previsão
Horizonte de Previsão NMAE Treino NMAE Teste1 0% 0%2 0% 0%3 0% 0%4 0% 0%5 1% 1%6 3% 3%7 9% 7%8 15% 12%9 18% 14%10 20% 15%11 21% 16%12 19% 17%13 17% 14%14 15% 12%15 11% 9%16 7% 8%17 4% 5%18 1% 1%19 0% 0%20 0% 0%21 0% 0%22 0% 0%23 0% 0%24 0% 0%
Figura 4.1: Gráfico comparativo NMAE de Treino e NMAE de Teste
32 Resultados
Tabela 4.5: Valores dos parâmetros das células pós otimização
Parâmetros das células Valor finala 0,2407b 0,000025c 0,0313
Pinst 5,4999γ 0,006µ 0,0544
NOCT 30,0036albedo 0,4807
β 43,838φa 186,73
Após a otimização, quando aplicados os dez valores dos parâmetros das células ao modelo,
tanto nos dados de treino, como nos dados de teste, obtiveram-se os seguintes valores do MAE
para a totalidade dos dados, tabela 4.6.
Tabela 4.6: MAE de Treino e MAE de Teste obtidos após otimização
MAE Treino MAE Teste0,3331 0,2768
Figura 4.2: Gráfico comparativo NMAE de Treino e NMAE de Teste
De seguida é feita a normalização do MAE para os dois casos, para cada instante do horizonte
de previsão, que se encontram na tabela 4.7.
O gráfico da figura 4.2 representa a variação do MAE, após ter sido normalizado pela potência
nominal, 5kW, para os dados de treino e para os dados de teste, durante o horizonte de previsão de
24 horas.
4.2 Otimização Anual 33
Tabela 4.7: NMAE de Treino e NMAE de Teste para cada instante do horizonte de previsão
Horizonte de Previsão NMAE Teste NMAE Treino1 0% 0%2 0% 0%3 0% 0%4 0% 0%5 1% 1%6 3% 4%7 8% 10%8 12% 15%9 14% 18%10 15% 20%11 15% 20%12 17% 19%13 14% 17%14 13% 15%15 10% 11%16 7% 7%17 4% 4%18 0% 0%19 0% 0%20 0% 0%21 0% 0%22 0% 0%23 0% 0%24 0% 0%
Neste próximo caso o valor arbitrado para a repetição do ciclo da função foi de dez testes.
Esta repetição de testes teve o objetivo de verificar se os resultados da otimização dos parâmetros
das células dependem ou não dos valores iniciais aleatórios que lhes são atribuídos. Verificou-
se que ao fim de dez otimizações dos mesmos dados, os resultados do MAE para cada instante
do horizonte de previsão foram iguais. A figura 4.3 mostra como variaram os valores de cada
parâmetro das células FV para cada teste executado. Apesar destes valores diferirem de teste para
teste, quando aplicados aos dados de treino e aos dados de teste, produziram exatamente o mesmo
MAE para a totalidade dos dados, tabela 4.8.
Após a normalização do MAE para cada instante do horizonte de previsão, obtiveram-se os
seguintes valores que constam na tabela 4.9 e estão ilustrados no gráfico da figura 4.4.
Nos dois testes executados em Matlab, verifica-se que os valores resultantes da otimização e,
por consequência, o NMAE para os conjuntos de dados, são independentes do numero de vezes
que é executado o modelo, ou seja, quer o programa corra uma vez ou inúmeras vezes o resultado
será sempre igual.
Comparando o resultado entre os testes executados em Matlab e os testes executados em Excel,
verifica-se que o Matlab obtém resultados um pouco melhores. No Excel, por exemplo, para o
34 Resultados
Figura 4.3: Valores dos dez parâmetros das células para os dez testes realizados
Tabela 4.8: MAE de Treino e MAE de Teste obtidos após otimização para os dez testes
MAE Teste MAE Treino0,2768 0,33310,2768 0,33310,2768 0,33310,2768 0,33310,2768 0,33310,2768 0,33310,2768 0,33310,2768 0,33310,2768 0,33310,2768 0,3331
Figura 4.4: Gráfico comparativo NMAE de Treino e NMAE de Teste
4.3 Otimização Mês a Mês 35
Tabela 4.9: NMAE de Treino e NMAE de Teste para cada instante do horizonte de previsão
Horizonte de Previsão NMAE Teste NMAE Treino1 0% 0%2 0% 0%3 0% 0%4 0% 0%5 1% 1%6 3% 4%7 8% 10%8 12% 15%9 14% 18%10 15% 20%11 15% 20%12 17% 19%13 14% 17%14 13% 15%15 10% 11%16 7% 7%17 4% 4%18 0% 0%19 0% 0%20 0% 0%21 0% 0%22 0% 0%23 0% 0%24 0% 0%
instante 12 do horizonte de previsão (que coincide com as 12 horas), verifica-se nos dados de teste
um erro de 19%, enquanto que no Matlab o erro foi de 17%.
4.3 Otimização Mês a Mês
Os valores resultantes da otimização dos 10 parâmetros das células encontram-se na tabela 4.10.
Os valores das células quando aplicados tanto aos dados de treino, como aos dados de teste,
resultaram nos MAE para os dois conjuntos de dados, que constam na tabela 4.11.
A tabela 4.12 representa detalhadamente o valor do MAE normalizado para cada instante do
horizonte de previsão, para os dois grupos de dados.
Pela observação do gráfico da figura 4.5 e da tabela 4.12 já se pode verificar que as percenta-
gens do NMAE quer para os dados de treino, quer para os dados de teste são, no geral, inferiores
aos valores do NMAE encontrados no modelo anterior em que a otimização era feita para os dados
na sua globalidade.
Nos dados de teste, para o instante 12 do horizonte de previsão verifica-se um erro de 15%,
enquanto que no modelo anterior o valor era de 17%.
36 Resultados
Tabela 4.10: Valores dos parâmetros das células após otimização
Parâmetros das células Valor finala 0,0312b 0,000028c 0,00001
Pinst 5,4998γ 0,0059µ 0,1999
NOCT 30,0203albedo 0,4499
β 36,0084φa 178,27
4.4 Otimização por Ângulo Azimute e Altitude Solar
O gráfico da figura 4.6 ilustra a distribuição dos pontos no plano para as variáveis:
• cosseno do ângulo azimute
• cosseno do ângulo da altitude solar
De modo a considerar todos os pontos do gráfico, dividiu-se o conjunto de dados em 8 inter-
valos. Esses intervalos encontram-se ilustrados a verde no gráfico da figura 4.7 e os seus limites
são:
• Intervalo 1: azimutemin = -1; altmin = 0,2; azimutemax = -0,43; altmax = 0,4;
• Intervalo 2: azimutemin = -1; altmin = 0.4; azimutemax = -0.5; altmax = 0.6;
• Intervalo 3: azimutemin = -0.5; altmin = 0.4; azimutemax = -0.1; altmax = 0.6;
• Intervalo 4: azimutemin = -1; altmin = 0.6; azimutemax = -0.5; altmax = 0.8;
• Intervalo 5: azimutemin = -0.5; altmin = 0.6; azimutemax = 0; altmax = 0.8;
• Intervalo 6: azimutemin = -1; altmin = 0.8; azimutemax = -0.5; altmax = 1;
• Intervalo 7: azimutemin = -0.5; altmin = 0.8; azimutemax = 0; altmax = 1;
• Intervalo 8: azimutemin = 0; altmin = 0.78; azimutemax = 0.5; altmax = 1;
Quando se fez a otimização para cada subconjunto em função do cosseno do ângulo azimute
e do cosseno do ângulo da altitude solar obtiveram-se os valores presentes na tabela 4.13 para os
dez parâmetros das células.
Os valores da tabela 4.13 quando aplicados aos dados de treino e aos dados de teste resultaram
no MAE que consta na tabela 4.14.
4.5 Otimização por Irradiância Global e Temperatura Ambiente 37
Tabela 4.11: MAE de Treino e MAE de Teste obtidos após otimização
MAE Teste MAE treino0,2352 0,2939
Por ultimo seguem-se os valores após a normalização do MAE, para cada instante do horizonte
de previsão na tabela 4.15, que estão ilustrados no gráfico da figura 4.8.
Aqui os valores do NMAE para cada instante do horizonte de previsão são muito semelhantes
aos que resultaram do teste anterior.
4.5 Otimização por Irradiância Global e Temperatura Ambiente
O gráfico da figura 4.9 representa a distribuição de pontos no plano entre as seguintes variáveis:
• Irradiância global horizontal
• Temperatura ambiente
De modo a serem incluídos na otimização todos os pontos, dividiu-se o conjunto de dados em
10 subconjuntos:
• Intervalo 1: ghimin = 0; ghimax = 250; tempmin = 275; tempmax = 285;
• Intervalo 2: ghimin = 0; ghimax = 250; tempmin = 285; tempmax = 300;
• Intervalo 3: ghimin = 0; ghimax = 250; tempmin = 300; tempmax = 315;
• Intervalo 4: ghimin = 250; ghimax = 500; tempmin = 275; tempmax = 285;
• Intervalo 5: ghimin = 250; ghimax = 500; tempmin = 285; tempmax = 300;
• Intervalo 6: ghimin = 250; ghimax = 500; tempmin = 300; tempmax = 315;
• Intervalo 7: ghimin = 500; ghimax = 750; tempmin = 285; tempmax = 300;
• Intervalo 8: ghimin = 500; ghimax = 750; tempmin = 300; tempmax = 315;
• Intervalo 9: ghimin = 750; ghimax = 1000; tempmin = 285; tempmax = 300;
• Intervalo 10: ghimin = 750; ghimax = 1000; tempmin = 300; tempmax = 315;
Na figura 4.10 estão definidos a verde os intervalos acima mencionados.
Após a otimização dos parâmetros das células, foram obtidos os valores da tabela 4.16.
Os valores da tabela 4.16, após aplicados aos conjuntos de dados, resultaram nos respetivos
MAE presentes na tabela 4.17.
A tabela 4.18 representa detalhadamente o valor do MAE normalizado para cada instante do
horizonte de previsão, para os dois grupos de dados.
Na tabela 4.18 constam os valores detalhados que estão representados graficamente na fi-
gura 4.11.
38 Resultados
Figura 4.5: Gráfico comparativo NMAE de Treino e NMAE de Teste
4.6 Síntese de resultados
Na figura 4.12 consta o gráfico onde estão ilustrados os resultados para os dados de teste das
quatro abordagens do modelo.
Verifica-se que quando se fez a otimização anual, correndo o programa uma vez ou dez vezes,
não houve diferença no NMAE obtido, havendo uma sobreposição das curvas no gráfico.
Quando a otimização foi feita para o ângulo azimute e a altitude solar verificou-se uma dimi-
nuição do erro relativamente à otimização anual, mas também relativamente à irradiância global e
à temperatura ambiente.
O caso em que a otimização foi feita para cada mês foi o que revelou melhores resultados.
No instante 12 do horizonte de previsão observa-se que há um pico do erro para qualquer um
dos casos. No entanto, na análise mês a mês este pico assume um valor 1% mais baixo do que a
análise anual dos dados que possui o valor mais elevado, na ordem dos 17%.
Nos intervalos [1;5] e [19;24] do horizonte de previsão verifica-se que o NMAE é substancial-
mente menor ou nulo. Nestes instantes não existe produção fotovoltaica porque, como já foi dito
em 4.1, o horizonte de previsão coincide com a hora do dia, estando incluídas, portanto, as horas
sem sol e radiação nestes períodos.
Na tabela 4.19 estão sumariados os valores do MAE para os dados de treino e para os dados de
teste obtidos nas quatro abordagens do modelo. Quando se restringem os dados na otimização, o
MAE para todo o conjunto de dados diminui substancialmente, resultando numa melhor previsão
de produção solar.
4.6 Síntese de resultados 39
Tabela 4.12: NMAE de Treino e NMAE de Teste para cada instante do horizonte de previsão
Horizonte de Previsão NMAE Teste NMAE Treino1 0% 0%2 0% 0%3 0% 0%4 0% 0%5 1% 1%6 3% 3%7 7% 9%8 10% 14%9 12% 16%10 13% 17%11 13% 18%12 15% 17%13 13% 16%14 11% 14%15 8% 10%16 5% 6%17 2% 2%18 0% 0%19 0% 0%20 0% 0%21 0% 0%22 0% 0%23 0% 0%24 0% 0%
Figura 4.6: Gráfico de distribuição de pontos no plano das variáveis cosseno do ângulo azimute ecosseno do ângulo da altitude solar
40 Resultados
Figura 4.7: Gráfico com intervalos de distribuição de pontos no plano das variáveis cosseno doângulo azimute e cosseno do ângulo da altitude solar com
Tabela 4.13: Valores dos parâmetros das células após otimização
Parâmetros das células Valor finala 0,1007b 0,0922c 0,000004
Pinst 3,0261γ 0,0059µ 0,1999
NOCT 30,0045albedo 0,479
β 51,559φa 184,043
Tabela 4.14: MAE de Treino e MAE de Teste obtidos após otimização
MAE Teste MAE treino0,2425 0,3046
4.6 Síntese de resultados 41
Tabela 4.15: NMAE de Treino e NMAE de Teste para cada instante do horizonte de previsão
Horizonte de Previsão NMAE Teste NMAE Treino1 0% 0%2 0% 0%3 0% 0%4 0% 0%5 0% 1%6 2% 3%7 7% 10%8 11% 14%9 12% 16%10 13% 17%11 14% 19%12 15% 17%13 14% 17%14 11% 15%15 8% 10%16 4% 5%17 3% 2%18 0% 0%19 0% 0%20 0% 0%21 0% 0%22 0% 0%23 0% 0%24 0% 0%
Figura 4.8: Gráfico comparativo NMAE de Treino e NMAE de Teste
42 Resultados
Figura 4.9: Gráfico de distribuição de pontos no plano das variáveis Irradiância Global e Tempe-ratura Ambiente
Figura 4.10: Gráfico com intervalos de distribuição de pontos no plano das variáveis IrradiânciaGlobal e Temperatura Ambiente
Tabela 4.16: Valores dos parâmetros das células obtidos após otimização
Parâmetros das células Valor finala 0,1948b 0,0392c 0,047
Pinst 5,0392γ 0,0014µ 0,1659
NOCT 45,645albedo 0,45
β 39,101φa 180,018
4.6 Síntese de resultados 43
Tabela 4.17: MAE de Treino e MAE de Teste
MAE Teste MAE treino0,2657 0,3219
Figura 4.11: Gráfico comparativo NMAE de Treino e NMAE de Teste
Figura 4.12: Gráfico comparativo dos NMAE de Teste para todas as abordagens do modelo
44 Resultados
Tabela 4.18: NMAE de Treino e NMAE de Teste para cada instante do horizonte de previsão
Horizonte de Previsão NMAE Teste NMAE Treino1 0% 0%2 0% 0%3 0% 0%4 0% 0%5 1% 1%6 3% 3%7 8% 10%8 13% 16%9 14% 18%
10 14% 18%11 14% 20%12 16% 18%13 14% 17%14 13% 15%15 10% 11%16 6% 6%17 2% 2%18 0% 0%19 0% 0%20 0% 0%21 0% 0%22 0% 0%23 0% 0%24 0% 0%
Tabela 4.19: Síntese do MAE para as quatro abordagens do modelo
Abordagens MAE Treino MAE TesteOtimização Anual 0,3331 0,2768
Otimização Anual (10vezes) 0,3331 0,2768Otimização Mês a Mês 0,2939 0,2352
Otimização por Ângulo Azimute e Altitude Solar 0,3046 0,2425Otimização por Irradiância Global e Temperatura Ambiente 0,3219 0,2657
Capítulo 5
Conclusões e Trabalho Futuro
Nesta secção são discutidos e analisados os resultados obtidos, bem como é verificado se os
objetivos propostos na secção 1.2 foram cumpridos.
É feita uma reflexão e são tiradas conclusões relativamente ao trabalho que foi feito.
Finalmente serão apresentadas propostas de trabalho futuro para continuação e melhoria do
que foi feito nesta dissertação.
5.1 Satisfação dos Objetivos
Dos objetivos principais desta dissertação constava o tratamento e análise dos dados relativos
às NWP relativas aos lugares geográficos onde se situa o sistema fotovoltaico em estudo.
Uma vez reconhecidas e organizadas as variáveis de impacto neste estudo, foi feita a decom-
posição da GHI nas suas componentes, sendo este o ponto de partida para a eficiência do modelo
implementado.
Partindo do conhecimento teórico sobre os sistemas fotovoltaicos e como a potência de saída
pode ser influenciada por variáveis meteorológicas, conseguiu-se construir algumas abordagens
para o modelo elétrico, procurando sempre uma que oferecesse um melhor resultado.
Analisando os resultados, concluiu-se que quando a otimização foi feita para cada mês inde-
pendentemente, a previsão obteve um erro inferior aos outros casos juntando ao facto do horizonte
de previsão ser apenas para um dia, o que se torna também mais vantajoso.
Conclui-se que este modelo permite uma previsão de energia solar fotovoltaica eficaz, em que
os parâmetros das células fotovoltaicas tem um importante significado no seu valor final. Tendo
por base o conhecimento da localização do sistema fotovoltaico bem como de algumas das suas ca-
racterísticas, em conjunto com a otimização destes parâmetros, surge uma melhoria nos resultados
da produção. O facto deste modelo poder analisar os parâmetros de cada célula separadamente,
permite que todo o sistema se subdivida de modo a serem usados diferentes tipos de painéis foto-
voltaicos ou em casos de diferentes condições de instalação. Possui a vantagem, face aos modelos
estatísticos de "caixa-preta", de poder fornecer informação acerca dos parâmetros das células,
essenciais à potência de saída, não tendo por base apenas valores históricos de produção.
45
46 Conclusões e Trabalho Futuro
O sucesso deste modelo elétrico deve-se, sobretudo, à qualidade das previsões meteorológicas
fornecidas, pois quanto mais fiéis estas forem às condições climatéricas realmente observadas,
melhor será a previsão da produção.
Além das NWP utilizadas, outras poderiam no futuro ser incluídas e testadas num novo mo-
delo. Por exemplo, poderia ser usada como entrada a variável velocidade do vento, uma vez que
esta tem influência na temperatura da célula e, por consequência, no desempenho do painel em
estudo.
5.2 Trabalho Futuro
Uma vez que o modelo implementado tem como entrada as NWP, estas serão o ponto de par-
tida para futuras melhorias no modelo. Pode ser testada a influência de outras variáveis meteoro-
lógicas nas entradas do modelo, como é o caso da velocidade do vento que, como foi mencionado
anteriormente, tem implicações na estimativa da temperatura da célula e, por isso, no desempenho
da previsão. Sendo assim, poderá ser feita uma análise mais ampla do impacto da qualidade da
previsão meteorológica no erro do modelo de previsão da produção fotovoltaica.
A repetição das abordagens do modelo em causa para outras instalações fotovoltaicas com
diferentes características, seria muito vantajosa pois iria permitir a generalização das conclusões
obtidas.
Este modelo elétrico poderá ser também um ponto de arranque para a construção de outros
modelos de previsão de produção solar. Nestes novos modelos pode ser feita uma atualização
regular dos parâmetros das células FV, pois os seus valores não são idealmente fixos uma vez
que estão sujeitos às mudanças significativas das condições climatéricas que variam ao longo do
ano. Poderá também ser feita uma análise de sensibilidades, verificando o impacto da variação dos
parâmetros no desempenho dos modelos.
Referências
[1] Julie Richards. Fossil Fuels. Marshall Cavendish Benchmark, New York, 2010.
[2] Parlamento Europeu. Parlamento Europeu. URL: http://www.europarl.europa.eu/atyourservice/pt/displayFtu.html?ftuId=FTU_5.7.1.html.
[3] P. Basher. Short-term Solar Power Forecasting. Tese de doutoramento, Technical Universityof Denmark, 2008.
[4] Domiciano Correa Marques da Silva. Mundo Educação. URL: http://mundoeducacao.bol.uol.com.br/fisica/coletor-solar.htm.
[5] DANIEL COELHO. Escola da Energia. URL: http://escoladaenergia.com/energia-solar/.
[6] RC UNESP. Santa Rita. URL: http://www.santarita.com.br/o-que-e-um-painel-solar-fotovoltaico/.
[7] Anco S. Blazev. Photovoltaics for Commercial and Utilities Power Generation. The Fair-mont Press, Inc., Lilburn, 2012.
[8] F. Lasnier. Photovoltaic Engineering Handbook. 1990.
[9] Jair António Marques de Pina. Optimização de Células Fotovoltaicas. Tese de doutoramento,Faculdade de Ciências e Tecnologia da Universidade Nova de Lisboa, 2013.
[10] Miguel Ângelo Silveiro Valente. Caracterização Automática de um Painel Fotovoltaico.Tese de doutoramento, Faculdade de Ciências e Tecnologia da Universidade Nova de Lisboa,2011.
[11] Joaquim Carneiro. MÓDULOS FOTOVOLTAICOS CARACTERÍSTICAS E ASSOCIAÇÕES.Tese de doutoramento, Universidade do Minho, 2010.
[12] University of Navarra. SOLAR PHOTOVOLTAIC ENERGY. URL: http://www1.ceit.es/asignaturas/tecener1/Lesson5.pdf.
[13] Jean Sumaili, R.J. Bessa, J.M. Filipe, R. Tomé, e J.N. Sousa. A Hybrid Short-term SolarPower Forecasting Tool.
[14] Joaquim Carneiro. DIMENSIONAMENTO DE SISTEMAS FOTOVOLTAICOS. Tese de dou-toramento, Universidade do Minho, 2009.
[15] Cláudio Monteiro. Energia Solar Fotovoltaica - Irradiação Solar.
[16] Portal Energia. Energia Fotovoltaica - manual sobre tecnologias, projecto e instalação. 2004.
47
48 REFERÊNCIAS
[17] SOLARGIS. iMaps. URL: http://solargis.info/imaps/.
[18] Frank Vignola, Joseph Michalsky, e Thomas Stoffel. Solar and Infrared Radiation Measu-rements. 2012.
[19] Sophie Pelland, George Galanis, e George Kallos. Solar and photovoltaic forecasting th-rough post-processing of the Global Environmental Multiscale numerical weather predictionmodel, 2011.
[20] Jean Sumaili, R.J. Bessa, D.F. Rahman, R. Tomé, e J.N. Sousa. Electrical Model ParameterCharacterization for Short-term Solar Power Forecasting.
[21] Rattan Lal. Encyclopedia of Soil Science, Volume 1.
[22] Dave Llorens. Which direction should solar panels face?URL: https://solarpowerrocks.com/solar-basics/which-direction-should-solar-panels-face/.
[23] Prime. Guia para Instaladores de Colectores Solares. URL: http://www.aguaquentesolar.com/publicacoes/27/14_guiaprinstaladores.pdf.
[24] Cláudio Monteiro. Previsão de consumos. URL: https://paginas.fe.up.pt/~cdm/DE2/DE2_A3a.pdf.
[25] Yuehui HUANG, Jing LU, Chun LIU, Xiaoyan XU, Weisheng WANG, e Xiaoxin ZHOU.Comparative Study of Power Forecasting Methods for PV Stations, 2010.