A correção a longo prazo é uma parte essencial do cálculo de uma estimativa realista de Produção Anual de Energia a longo prazo. O módulo MCP no windPRO (Medir-Correlacionar-Prever) oferece correção a longo prazo das medições locais, prevendo o vento futuro com amplas ferramentas de suporte, tabelas e gráficos. O módulo foi massivamente atualizado no windPRO 3.2 e 3.3, introduzindo muitas ferramentas úteis, como:

• Cálculo da incerteza com base nos dados selecionados (correlação, comprimento dos dados concorrentes, índice de ventos no período simultâneo e variabilidade);
• Filtragem automática de compensação de tempo de conjuntos de dados de longo prazo;
• Correção automática de veias de séries temporais locais ou de referência;
• Fatiamento de dados para teste de diferentes modelos de cálculo, a fim de obter-se a configuração com o melhor desempenho;
• Capacidade de reamostrar conjuntos de dados de referência para a resolução temporal do conjunto de dados local, por exemplo: transformar um conjunto de dados de longo prazo com resolução de uma hora em um conjunto de dados de 10 minutos, correspondendo às medidas locais. Isso aumenta a quantidade de dados para o treinamento do modelo, melhorando os resultados das previsões;
• Possibilidade de criar médias ponderadas à distância de várias referências de longo prazo usando um Scaler;
• Possibilidade de reduzir a escala de vários conjuntos de dados de mesoescala no mesmo ponto das medições locais antes de criar uma estatística de vento corrigida a longo prazo. Isso é útil quando os pontos de dados de referência estão localizados em áreas com diferentes rugosidades ou em diferentes partes de uma colina;
• Possibilidade de escalar as medições locais para serem representativas a longo prazo. Isso mantém a distribuição de direção e a natureza dinâmica dos dados locais, em comparação com a correção regular de longo prazo.

Quatro modelos diferentes estão disponíveis no módulo MCP:

– Escala de velocidade simples: é o modelo de referência padrão, calculando a proporção entre a velocidade média do vento local e de referência e multiplicando cada etapa do tempo de velocidade do vento de referência. É o modelo mais simples, útil para comparar o desempenho aprimorado de outros modelos.

– Análise de regressão dos dados: estabelece linhas de regressão para cada setor de direção. Inspecione o ajuste diretamente através de um gráfico animado e ajuste uma ampla gama de parâmetros para fornecer um melhor ajuste. A ferramenta de regressão lida com a regressão linear e também com polinômios de ordem superior para modelar a velocidade e a rotação do vento.

– Matriz: modela as mudanças na velocidade e na direção do vento por meio de uma distribuição conjunta montada na ‘matriz’ de observações das mudanças na velocidade e na direção do vento. Use os polinômios ajustados às estatísticas dos dados ou, quando apropriado, use as amostras medidas diretamente ao fazer o Matrix MCP. Comparado ao modelo de regressão, o Matrix lida com o giro do sufocador de vento, pois permite o transporte de dados de um setor de direção para outro.

– Rede neural: O método MCP da Rede Neural Artificial (ANN) estabelece funções de transferência de dados de referência para dados de medição usando redes ANN treinadas com dados de referência como entrada e dados de medição como saída. Depois que as redes são treinadas (com algoritmo de retropropagação), elas podem ser usadas para prever a velocidade e a direção do vento com base nos dados de referência.

É fácil comparar as consequências do conjunto de dados, modelos e configurações de modelo selecionados em diferentes níveis:

– Conceito da sessão: permite organizar os cálculos do MCP em sessões distintas, permitindo comparar resultados entre sessões com configurações completamente diferentes. Cada configuração pode usar diferentes dados de curto e longo prazo, diferentes modelos, filtros e configurações. As conseqüências dessas escolhas podem ser comparadas em termos da velocidade média do vento prevista, incerteza do AEP, índice de vento simultâneo e correlação da velocidade do vento. Isso também está documentado em um relatório.

– Visão geral da comparação de modelos: dentro de cada sessão, diferentes modelos de MCP (Matriz, Rede Neural etc.) podem ser comparados entre si para encontrar a melhor configuração para os dados selecionados. Isso inclui métricas como erro médio de polarização, erro médio de energia absoluta, erro médio de raiz quadrada de energia, correlação, Kolmogorov-Smirnov, entre outros.

– Compare medido com o previsto em cada modelo: veja, velocidades do vento diurnas e mensais, velocidade do vento e frequências de direção nos gráficos, por exemplo.

Com o grande número de conjuntos de dados de referência de longo prazo disponíveis hoje, escolher o correto é cada vez mais importante ao corrigir dados de medição a longo prazo.

O módulo MCP oferece ferramentas para comparar a referência de longo prazo selecionada com outras referências de longo prazo alternativas, ajudando a identificar o comportamento de tendência e, finalmente, selecionando o melhor conjunto de dados de referência de longo prazo. O impacto na Produção Anual de Energia causado pela escolha de um conjunto de dados de referências de longo prazo alternativo pode ser avaliado usando a ferramenta “Comparar com outras referências”, que também leva em consideração o período de medição de dados local.

Você pode facilmente baixar conjuntos de dados de referência alternativos de 20 anos diretamente no MCP através do serviço de dados windPRO Online. Como alternativa, os dados podem ser carregados a partir do seu próprio objeto METEO ou como um índice de energia eólica de uma sessão PERFORMANCE CHECK.

A saída da análise MCP é uma estatística de vento gerada com WAsP ou uma série temporal de dados de vento corrigidos a longo prazo. As séries temporais são carregadas automaticamente em um novo objeto Meteo, que pode ser usado diretamente em um cálculo do PARK ou para um cálculo do mapa de recursos eólicos.

O relatório consiste em duas partes:

– Visão geral da sessão: Os diferentes resultados da sessão são comparados com base no modelo selecionado em cada sessão. As incertezas baseadas nos dados selecionados para cada sessão fazem parte do relatório, onde cada parâmetro incluído no cálculo da incerteza é mostrado.

– Detalhes da sessão: Para cada sessão, os modelos testados são relatados para comparação.