Etapas do Planejamento

Planejamento da operação a longo, médio e curto prazos

A divisão macro do planejamento da operação hidrotérmica é motivada pelas particularidades requeridas em cada nível de planejamento. No longo prazo, há uma grande incerteza em relação às energias e vazões afluentes às usinas hidrelétricas, visto que, apesar da sazonalidade marcante das afluências ao longo de um ano, o nível médio em cada mês ao longo dos anos pode oscilar de forma significativa. Já no curto prazo, é de suma importância a representação do sistema em maior detalhes, visto que a configuração do sistema e os dados individuais aos componentes de geração e transmissão são conhecidos com maior precisão.

Exemplos de divisão do problema em vários níveis podem ser encontrados para diversos sistemas reais com participação expressiva de usinas hidrelétricas, como o Brasil 1, Noruega 2, Canadá 3, Chile 4 e Suécia 5. Em 6 faz-se uma descrição dos modelos computacionais de otimização utilizados nos sistemas brasileiro e norueguês, que são os de predominância hidrelétrica com maior nível de complexidade.

Para o planejamento/programação da operação e formação do preço de energia no Brasil, utilizam-se oficialmente os modelos desenvolvidos pelo CEPEL, em particular o Modelo NEWAVE 7, 8, Modelo DECOMP 9 e Modelo DESSEM 10, assim como o modelo SUISHI 11, 12 para a realização de simulações hidrotérmicas mais detalhadas para o longo prazo, conforme ilustrado na Figura 1.4.

A figura a seguir ilustra essas etapas de planejamento no sistema brasileiro, que é mais bem detalhada na seção referente aos Modelos de Otimização Energética do CEPEL desenvolvidos pelo CEPEL. Nos processos de Programa Mensal da Operação (PMO), o ONS e CCEE realizam uma secao-encadeamento_modelos.

../_images/etapas-planejamento-operacao-brasil.png

Incorporação de aspectos da programação diária no planejamento a médio/longo prazos

Devido à elevada dificuldade computacional de se considerar, em um problema de otimização estocástico de longo prazo e de grande porte, uma discretização temporal muito detalhada, alguns trabalhos vêm sendo propostos com o objetivo de considerar os aspectos da operação horária no planejamento de médio/longo prazos por meio de modelos “multi-horizonte” 13, ou pela construção de “funções de custo imediato”, que consigam expressar o impacto da alta variabilidade e/ou incerteza horária das novas fontes renováveis nos custos de operação térmica 14, 15, 16.

Em particular, no trabalho 15 avaliou-se a utilização, no modelo DECOMP, de uma função de custo de geração térmica semanal/mensal calculada com base em diversos cenários de produção eólica horária, levando em consideração alguns aspectos horários da operação, como a rampa de variação na geração de unidades térmicas . Já em 17 apresenta-se uma ferramenta de integração direta entre os modelos NEWAVE e DESSEM, que permite a realização de estudos de planejamento da expansão e operação a médio/longo prazos porém avaliando os impactos da configuração do parque gerador e da política operativa na operação a curtíssimo prazo do sistema, com o modelo DESSEM, que pode se acoplar à FCF do NEWAVE.

As figuras a seguir ilustram as metodologias propostas nesses dois trabalhos.

../_images/acoplamento-decomp-horario-fci.png
../_images/integracao-newave-dessem-geral.jpg

A importância de se caminhar em busca de uma representação cada vez mais detalhada do sistema nos modelos de longo prazo foi discutida em 18, 19, analisando-se especificamente a representação da transmissão, em sistemas reduzidos e com uma representação bastante simplificada das características de geração das usinas hidrelétricas

Representação da incerteza e modelagem explícita das novas fontes renováveis nos modelos de mais longo prazo

Devido ao aumento na penetração dessas novas fontes renováveis na matriz elétrica brasileira, especialmente na região Nordeste onde, devido à recente escassez hídrica, tem sido a principal fonte própria de energia na região. De qualquer forma, o CEPEL tem desenvolvido diversos esforços para gerar cenários e previsões para gerações dessas fontes, além de melhor representá-las nos modelos energéticos.

Neste sentido, foi desenvolvida uma metodologia para considerar, nos cenários gerados pelo modelo NEWAVE, seja na metodologia PAR(p) ou PAR(p)-A, a incerteza na produção eólica 20, 21. A distribuição de probabilidades dos ventos é construída a partir de dados históricos, utilizando a distribuição de Weibull para modelagem dos ruídos 22 e considerando as correlações espaciais entre os regimes de ventos 23 e destes com as afluências. Os cenários mensais de geração eólica, que podem ter um fator de modularização por patamar, são construídos considerando a relação mensal entre a velocidade do vento e a produção eólica 24. Finalmente, também foi considerada a possibilidade de corte de geração eólica, caso haja excesso de geração no sistema.

Também já está disponível, desde 2021, versão do modelo DECOMP considerando a incerteza de geração eólica, também com a possibilidade de corte de carga.

Tratamento da incerteza e modelagem das novas fontes renováveis no curtíssimo prazo

O Cepel desenvolveu um modelo de previsões probabilísticas da produção de usinas eólicas até 168 horas à frente, denominado VENTOS (vide 24 e referências), que aplica modelos de regressão quantílica especificados como modelos aditivos generalizados. A variável de resposta é a produção horária do gerador eólico, e as variáveis explicativas são funções suaves (splines) dos respectivos valores horários de intensidade e direção do vento. As previsões são obtidas com modelos ajustados às previsões de velocidade de vento oriundas de modelos meteorológicos (Numerical Weather Prediction).

Mais recentemente, foi desenvolvida também uma metodologia para geração de cenários de geração eólica a partir das previsões disponibilizadas diariamente no Sintegre 23, 25.

Em relação à geração solar fotovoltaica, o Cepel contribuiu para o desenvolvimento de uma metodologia para a previsão um dia à frente, com resolução horária 26, 27. A metodologia proposta possui um módulo de tratamento de dados e um modelo de previsão, que se baseia em Máquina de Vetores de Suporte (Support Vector Machine – SVM), onde se faz uma regressão não linear em função de variáveis selecionadas, como previsões meteorológicas da irradiação solar, temperatura e cobertura de nuvens.

Atualmente, o modelo DESSEM considera de forma explícita a modelagem das usinas eólicas, também com a possibilidade de corte de carga (usinas constrained-off), visto que esse artifício oferece um potencial grande de redução de custo e garantia de um despacho físico em função das restrições da rede elétrica, como estudado em 28. Esta funcionalidade é utilizada oficialmente no despacho pelo ONS e formação do preço horário pela CCEE. O modelo também pode considerar as fontes solares e unidades de armazenamento de energia, tendo sido recentemente utilizado para apoiar um estudo econômico sobre a viabilidade de usinas termo-solares 29, 30. Atualmente, o maior desafio em relação é esse aspecto é a consideração da incerteza na geração eólica de forma explícita no modelo.

Mecanismos para mitigação da incerteza das novas fontes renováveis

Além dos desafios mencionados acima, outras transformações vêm ocorrendo no setor elétrico, como o aumento da geração distribuída, o interesse por usinas reversíveis para mitigar a variabilidade das fontes intermitentes, e o incentivo a programas de resposta da demanda (para citar algumas). Ressalta-se que a modelagem de usinas reversíveis pode ser realizada nas versões oficiais dos modelos DECOMP e DESSEM, através da funcionalidade de usinas de bombeamento 28, e a resposta da demanda pode ser emulada na versão atual do DESSEM através de usinas térmicas fictícias, como realizado em 31, 32.

:footcite:`` :footcite:`` :footcite:``

Referências

1

M. E. Maceira, L. A. Terry, F. S. Costa, J. M. Damazio, and A. C. G. Melo. Chain of optimization models for setting the energy dispatch and spot price in the brazilian system. In Proceedings of the 14th Power System Computation Conference - PSCC, volume, 1–7. 2002.

2

O.B. Fosso, A. Gjelsvik, A. Haugstad, B. Mo, and I. Wangensteen. Generation scheduling in a deregulated system. the norwegian case. IEEE Transactions on Power Systems, 14(1):75–81, 1999. doi:10.1109/59.744487.

3

R.A. Ponrajah, J. Witherspoon, and F.D. Galiana. Systems to optimise conversion efficiencies at ontario hydro’s hydroelectric plants. IEEE Transactions on Power Systems, 13(3):1044–1050, 1998. doi:10.1109/59.709097.

4

E. Gil, J. Bustos, and H. Rudnick. Short-term hydrothermal generation scheduling model using a genetic algorithm. IEEE Transactions on Power Systems, 18(4):1256–1264, 2003. doi:10.1109/TPWRS.2003.819877.

5

H. Brannlund, J. A. Bubenko, D. Sjelvgren, and N. Andersson. Optimal short term operation planning of a large hydrothermal power system based on a nonlinear network flow concept. IEEE Transactions on Power Systems, 1(4):75–81, 1986. doi:10.1109/TPWRS.1986.4335019.

6

A. Helseth and A. C. G. Melo. Scheduling toolchains in hydro-dominated systems : evolution, current status and future challenges for norway and brazil. Technical Report 2020:00757, SINTEF Energy Research, Maio 2020.

7

M. E. P. Maceira, D. D. J. Penna, A. L. Diniz, R. J Pinto, A. C. G. Melo, C. V Vasconcellos, and C. B. Cruz. Twenty years of application of stochastic dual dynamic programming in official and agent studies in brazil - main features and improvements on the newave model. In 20th PSCC - Power Systems Computation Conference. Dublin, Ireland, June 2018.

8

M. E. P. Maceira, V. S. Duarte, D. D. J. Penna, A. C. Moraes, and A. C. G Melo. Ten years of application of stochastic dual dynamic programming in official and agent studies in brazil–description of the newave program. In 16th PSCC - Power Systems Computation Conference. Glasgow,Scotland, Jujy 2008.

9

A. L. Diniz, F. S. Costa, M. E. P. Maceira, T. N. Santos, L. C. Brandão, R. N. Cabral. Short/mid-term hydrothermal dispatch and spot pricing for large-scale systems - the case of brazil. In 20th PSCC - Power Systems Computation Conference. Dublin, Ireland, June 2018.

10

T.N. Santos, A.L. Diniz, C.H. Saboia, R.N. Cabral, and L.F. Cerqueira. Hourly pricing and day-ahead dispatch setting in brazil: the dessem model. Electric Power Systems Research, 189:106709, 2020. URL: https://www.sciencedirect.com/science/article/pii/S0378779620305125, doi:https://doi.org/10.1016/j.epsr.2020.106709.

11

M.E.P. Maceira, F.R.S. Batista, L.F.E. Cerqueira, R.R. Olasagasti, A.C.G. Melo, and L.G.B. Marzano. A probabilistic approach to define the amount of energy to be traded in hydro dominated interconnected systems. In 2018 Power Systems Computation Conference (PSCC), volume, 1–7. 2018. doi:10.23919/PSCC.2018.8442612.

12

CEPEL - Centro de Pesquisas em Energia Elétrica. Modelo SUSIHI - Manual de referência. Technical Report, CEPEL - Centro de Pesquisas de Energia Elétrica, 2021. URL: http://www.cepel.br/produtos/otimizacao-energetica/documentacao-tecnica/.

13

H. Abgottspon. Hydro power planning: Multi-horizon modeling and its applications. PhD thesis, ETH Zurich, 2015.

14

C. N. Metello. Representação analítica da função de custo imediato no SDDP. Master’s thesis, Dissertação de Mestrado - Departamento de Engenharia Elétrica, PUC, Rio de Janeiro, 2016.

15(1,2)

A. A. L. Silva, B. H. Dias, A. L. Diniz, and L. C. Brandão. Modelagem alternativa da função de custo imediato para consideração do despacho horário no problema de planejamento da operação resolvidos por PDD. In XXV SNPTEE - Seminário Nacional de Produção e Transmissão de Energia Elétrica. Belo Horizonte, Brasil, 2019.

16

A. Fernandes, E. J. Oliveira, A. L. Marcato, E. Oliveira, and I. C. Silva Jr. Representation of wind energy scenarios in the mid-term hydrothermal systems operation scheduling. Journal of Control, Automation and Electrical Systems, 30:413–423, 2019.

17

M. E. P. Maceira, R. R. Barboza, T. C. Justino, A. L. Diniz, C. B. Cruz, and A. C. G. Melo. Acoplamento entre os modelos de planejamento e programação da operação de sistemas hidrotérmicos interligados (newave e dessem) com a presença de fontes intermitentes. In XXVI SNPTEE - Seminário Nacional de Produção e Transmissão de Energia Elétrica, volume, 1–1. 2022.

18

A. Brigatto, A. Street, and D. M. Valladão. Assessing the cost of time-inconsistent operation policies in hydrothermal power systems. IEEE Transactions on Power Systems, 32(6):4541–4550, November 2017. doi:10.1109/TPWRS.2017.2672204.

19

A. W. Rosemberg, A. Street, J. D. Garcia, D. M. Valladão, T. Silva, and O. Downson. Assessing the cost of network simplifications in long-term hydrothermal dispatch planning models. IEEE Transactions on Sustainable Energy, 13(1):196–206, January 2022. doi:10.1109/TSTE.2021.3106810.

20

M. E. P. Maceira, A. C. G. Melo, J. F. M. Pessanha, C. B. Cruz, V. A. Almeida, and T. C. Justino. Uma abordagem para a representação das incertezas da fonte de geração eólica no planejamento da operação de longo e médio prazos - modelo NEWAVE - relatório final. Technical Report, CEPEL - Centro de Pesquisas de Energia Elétrica, 2021. URL: http://www.cepel.br/produtos/otimizacao-energetica/documentacao-tecnica/.

21

A. C. G. Melo, M. E. P. Maceira, J. F. M. Pessanha, C. B. Cruz, V. A. Almeida, and T. C. Justino. Uma metodologia para a representação das incertezas da geração eólica no planejamento da operação de longo e médio prazos. In XXVI SNPTEE - Seminário Nacional de Produção e Transmissão de Energia Elétrica. Rio de Janeiro, Brazil, 2022.

22

A. C. G. Melo, M. E. P. Maceira, and J. F. Pessanha. Ajuste de distribuições weibull tri-paramétricas com elevadas assimetrias na geração de velocidades mensais de ventos correlacionadas com vazões na programação dinâmica dual estocástica. adernos do IME – Série Estatística, 49:35–65, 2020. doi:10.12957/cadest.2020.61793.

23(1,2)

J. F. M. Pessanha, A. C. G. Melo, R. J. G. S. B Bessa, and V. A. Almeida. Uma metodologia para geração de cenários de produção eólica compatíveis com as correlações espaciais entre os regimes de ventos. In XXV SNPTEE - Seminário Nacional de Produção e Transmissão de Energia Elétrica. Belo Horizonte, Brazil, 2019.

24(1,2)

V. A. Almeida, J. F. M. Pessanha, A. C. G. Melo, and M. E. P. Maceira. Modelagem da relação mensal entre velocidade de vento e produção eólica no modelo newave. In LIII SBPO - Simpósio Brasileiro de Pesquisa Operacional. João Pessoa, Brazil, 2021.

25

J. F. M. Pessanha, A. C. G. Melo, M. E. P. Maceira, and V. A. Almeida. Generation of short-term wind power scenarios from an ensemble of hourly wind speed forecasts. In 17th International Conference on Probabilistic Methods Applied to Power Systems (PMAPS). Manchester, England, 2022.

26

R. P. Caldas, A. C. G. Melo, J. F. M. Pessanha, and D. Falcão. Um modelo de previsão de curto prazo de energia solar fotovoltaica, usando máquina de vetores de suporte (svm). In XXV SNPTEE - Seminário Nacional de Produção e Transmissão de Energia Elétrica. Belo Horizonte, Brazil, 2019.

27

J. F. M. Pessanha, A. C. G. Melo, R. P. Caldas, and D. Falcão. A methodology for joint data cleaning of solar photovoltaic generation and solar irradiance. In 16th International Conference on Probabilistic Methods Applied to Power Systems (PMAPS). Liege, Belgium, 2020.

28(1,2)

Cotia B. P., C. L. T Borges, and A. L. Diniz. Optimization of wind power generation to minimize operation costs in the daily scheduling of hydrothermal systems. International Journal of Electrical Power & Energy Systems, 113:539–548, 2019. URL: https://www.sciencedirect.com/science/article/pii/S0142061519301024, doi:https://doi.org/10.1016/j.ijepes.2019.05.071.

29

C. P. Trama, A. L. Diniz, A. P. C. Guimarães, A. O. Pereira Jr, and L. S. R. Vieira. Análise de viabilidade econômica da inserção de plantas heliotérmicas com armazenamento em um sistema hidrotérmico. In XXVII SNPTEE - Seminário Nacional de Produção e Transmissão de Energia Elétrica. Brasilia, Brazil, 2023.

30

C. P. Trama, A. O. Pereira Junior, A. P. Guimarães, A. L. Diniz, and L. S. Vieira. Cost–benefit analysis of solar thermal plants with storage in a hydrothermal system. Energies, 14(18):5662, 2021. doi:https://doi.org/10.3390/en14185662.

31

R. Santos, A. L. Diniz, and B. Borba. Assessment of the modeling of demand response as a dispatchable resource in day-ahead hydrothermal unit commitment problems: the brazilian case. Energies, pages 3928, 2022. doi:https://doi.org/10.3390/en15113928.

32

G. M. Longhi, C. L. T. Borges, and A. L. Diniz. Esposta da demanda com deslocamento da carga na programação diária da operação, aplicada ao sistema elétrico brasileiro. In XXVII SNPTEE - Seminário Nacional de Produção e Transmissão de Energia Elétrica. Brasilia, Brazil, 2023.