Apresentação do candidato

Apresentação do candidato
Rodrigo Amaro e Silva tem 23 anos e é natural do Barreiro, distrito de Setúbal, Portugal.
Tendo feito toda a sua escolaridade de base na sua cidade, onde concluiu o 12º ano na área
de Ciências e Tecnologias com média de 18/20 valores, durante este período o candidato
foi sempre motivado a adquirir mais e diversas competências. Frequentou durante 8 anos
um curso de inglês do instituto International House (IH), adquiringo os certificados First
Certificate in English (FCE) e Certificate in Advanced English (CAE), homolugados pela pelo
Cambridge English Language Assessment. Além disso, esta formação foi complementada
com educação musical, natação e informática.
Entre 2009 e 2014 frequentou o Mestrado Integrado em Engenharia da Energia e do
Ambiente da Faculdade de Ciências da Universidade de Lisboa (FCUL). Durante este
período, incentivado pelo ambiente e pessoas que o rodeavam, o candidato participou em
diversas actividades extra-curriculares: recebeu formação para guia de museu do Museu
da Electricidade EDP em 2011; pertenceu a um grupo - "Energia nas Escolas" - de
divulgação da temática das energias renováveis em escolas básicas e secundárias;
pertenceu à comissão organizadora do "Rali Solar 2011", um concurso para alunos do
ensino básico e secundário ao nível nacional de corridas de carros em miniatura movidos a
energia solar; participou no concurso Global Management Challenge 2012, focado na área
de gestão empresarial através de um simulador; foi monitor de aulas práticas de duas
disciplinas da sua licenciatura (focadas nos softwares Matlab e AutoCAD, respectivamente);
recebeu uma bolsa de investigação no qual desenvolveu uma ferramenta de análise de
dados de fotoluminescência para silício, um método que permite avaliar com resolução
espacial a qualidade do material utilizado para produzir células solares.
Tendo concluído o curso com com média de 18/20 valores (ao longo dos 5 anos de curso),
no seu último ano lectivo (2013/14) o candidato estudou na Universidad Politécnica de
Madrid através do programa de intercâmbio Erasmus. Neste novo ambiente o candidato
não só pôde desenvolver as suas capacidades de comunicação na língua espanhola como
também entrou em contacto com novos colegas e novos professores, experimentando um
outro tipo de ensino. Além disso, o candidato desenvolvou a sua tese de mestrado em
células solares de silício também em Madrid, mais em específico, no Centro de tecnologia
del silicio solar (CENTESIL). Neste contexto o candidato integrou-se num ambiente de
investigação e desenvolvimento, tendo também apresentado a sua tese a um júri da
universidade espanhola, do qual recebeu um excelente feedback. Ainda na óptica de uma
formação continuada e diversificada, o candidato participou num curso de 6 meses de
mandarim obtendo o certificado internacional HSK 1.
Em Setembro de 2014 o candidato participou na International Summer School on
Photovoltaics and New Concepts of Quantum Solar Energy Conversion organizado pela
European Society for Quantum Solar Energy Conversion em colaboração com instituto
Helmholtz-Zentrum Berlin e a Darmstadt Technical University.
1
Entre Outubro de 2014 até Janeiro de 2015, enquanto se preparava para apresentar a sua
tese em Lisboa, o candidato assumiu o cargo de progamador e gestor de produto pela
empresa Magicoach. Uma empresa que, embora ainda numa fase exploratória (préstartup), procura explorar o potencial da aquisição e análise de dados desportivos num
contexto de futebol profissional, permitindo ao candidato adquirir competências na áreas
de gestão de bases de dados e de visualização de dados.
Actualmente, e desde Janeiro de 2015, o candidato encontra-se a realizar a sua tese de
doutoramento através do programa doutoral EarthSystems do Instituto Dom Luiz
(Faculdade de Ciências da Universidade de Lisboa), uma entidade de referência na área
das ciências geofísicas em Portugal. Com o tema "Previsão de produção de energia solar
fotovoltaica através de Redes Neuronais Artificiais", este trabalho será realizado em
colaboração com o National Center for Atmospheric Research (NCAR), uma entidade
também de referência na área das ciências geofísicas nos Estados Unidos da América.
No contexto da sua tese, o candidato encontra-se a colaborar ainda com a Galp que, em
conjunto com a Universidade de Lisboa, tem em operação um parque fotovoltaico nos
telhados de três faculdades (Faculdade de Letras, Faculdade de Ciências, Faculdade de
Psicologia) e ainda numa cantina universitária – a maior central de produção
descentralizada de energia em meio urbano e a maior central fotovoltaica de uma
universidade. Além disso, o autor encontra-se integrado no projecto Sustainable City
(SusCity) do programa MIT-Portugal, em colaboração com inúmeros parceiros incluíndo a
EDP e a Câmara Municipal de Lisboa. Este projecto está a analisar, numa perspectiva big
data, a geração e consumo de energia, materiais e mobilidade na vida de uma cidade
contemporânea, considerando como caso de estudo a zona oriental da cidade de Lisboa.
2
Applicant presentation
Rodrigo Amaro e Silva is 23 years old and was born in Barreiro, Setúbal district, Portugal.
Having done his basic schooling in his hometown, where he concluded his 12th year in the
field of Sciences and Technologies with an overall grade of 18/20, the applicant was
always motivated to acquire more and diverse competences during this period. For 8
years he attended an English language course from the International House (IH) institute,
getting a First Certificate in English (FCE) and a Certificate in Advanced English (CAE),
homologated by the Cambridge English Language Assessment. Furthermore, this
education was complement with musical education, swimming and informatics.
Between 2009 and 2014 the applicant attended an Integrated Master in Energy and
Environmental Engineering at the Faculty of Sciences, University of Lisbon (FCUL). During
this period, encouraged by the surrounding environment and people, he participated in
several extra-curricular activities: attended a formation for museum guides from the
Museum of Electricity EDP in 2011; participated in a group - Energia nas Escolas - that
promoted the renewable energies topic in basic and secondary schools; belonged to the
organization committee of the "Solar Rally 2011", a miniature solar cars race at the
national level for younger students; participated in the Global Management Challenge
2012 competition, focused in business management through a simulator; was a teaching
assistant for the practical classes of two courses from his bachelor (focused in the Matlab
and AutoCAD software, respectively); got a research scholarship in which he developed a
photoluminescence measurements for silicon, a method that evaluates the quality of the
material used for solar cells with spatial resolution.
Having concluded his course with an overall classification of 18/20 values (over his 5
years), in his last school year the applicant studied at the Universidad Politécnica de Madrid
through the Erasmus exchange program. In this new environment, he not only developed
his communication skills in Spanish but also came in contact with new colleagues and new
professors, experiencing a new kind of education. Furthermore, the applicant developed
his Master thesis in silicon solar cells also in Madrid, more specifically, at the Center for
Silicon Technology (CENTESIL). In this context, he was integrated in a research and
development environment, having also presented his thesis to a jury from the Spanish
university, from which he received an excellent feedback. Still on the perspective of a
continuous and diversified education, the applicant attended a 6 month Mandarin
language course, having obtained an HSK 1 international certificate.
In September 2014 the applicant participated in the International Summer School on
Photovoltaics and New Concepts of Quantum Solar Energy Conversion organized by the
European Society for Quantum Solar Energy Conversion in collaboration with HelmholtzZentrum Berlin and Darmstadt Technical University.
1
From October 2014 up to January 2015, while he was preparing the presentation of his
thesis, the applicant took a job as a programmer and product manager for the Magicoach
company. A company that, while still in an exploratory stage (pre-startup), seeks to
explore the potential of sport data acquisition and analysis in a professional soccer context,
allowing for the applicant to acquire competences in the fields of database management
and data visualization.
Currently, and since January 2015, the applicant is doing his doctoral thesis in Geophysics
and Geoinformation through the doctoral program EarthSystems from the Dom Luiz
Institute (Faculty of Sciences, University of Lisbon), a reference entity in the field of
geosciences in Portugal. With the title "Solar energy Forecast with Artificial Neural
Networks", this thesis will be done in collaboration with the National Center for
Atmospheric Research, an also reference entity in the field of geosciences in the United
States of America.
Within the context of his thesis, the applicant is collaborating with Galp, one of the main
Portuguese energy companies, which, in collaboration with the University of Lisbon, has in
operation a photovoltaic plant in the roofs of three faculties (Faculty of Letters, Faculty of
Sciences, Faculty of Psychology) and in one university canteen - the biggest distributed
production plant in an urban context and the biggest plant in a university. Furthermore,
the author is integrated in the Sustainable City project (SusCity) from MIT-Portugal
program, in collaboration with innumerous partners including EDP, a reference energy
company in Portugal, and Lisbon City Council. This project is analyzing, in a big data
perspective, the generation and consumption of energy, materials and mobility in the life
of a contemporary city, considering as a case study the oriental region of Lisbon.
2
CIDADE SOLAR
Inteligência artificial para usar sistemas fotovoltaicos
geograficamente distribuídos na cidade para prever a
sua produção futura
RODRIGO SILVA
Instituto Dom Luiz, Faculdade de Ciências da Universidade de Lisboa
Índice
Motivação do projecto Cidade Solar.......................................................................................... 3
Contextualização do projecto Cidade Solar ............................................................................... 5
Big Data e a valorização da Informação ................................................................................. 5
O rápido crescimento da energia solar fotovoltaica ............................................................... 6
Variabilidade da energia solar fotovoltaica ............................................................................ 8
Facilitadores de uma elevada penetração fotovoltaica ........................................................ 11
Produção fotovoltaica espacialmente distribuída ............................................................ 11
Modelos de Previsão (Forecasting) .................................................................................. 12
Apresentação do projecto Cidade Solar ................................................................................... 15
Conceito ............................................................................................................................. 15
Plano de trabalhos .............................................................................................................. 16
Resultados preliminares ...................................................................................................... 17
Referências ............................................................................................................................. 19
2
Motivação do projecto Cidade Solar
Resultado do êxodo rural que decorreu nas últimas décadas, as cidades tornaram-se em
centros populacionais incrivelmente densos. Locais de movimentação constante, as
cidades são hoje encaradas como núcleos de progresso. Esta densidade populacional torna
as cidades em centros de informação igualmente densos (se não mais ainda) e por isso são
os candidatos naturais à implementação de ferramentas baseadas em conceitos como big
data e smart data, em que esta quantidade assinalável de informação, se eficientemente
armazenada e gerida, pode se tornar decisiva na tomada de decisões e geração de riqueza,
sendo portanto incrivelmente valorizada.
Um desafio que cidades e o mundo em geral têm que enfrentar é a transição do paradigma
recente em que os combustíveis fósseis, com os seus impactos ambientais negativos e a
sua cada vez menor disponibilidade, dominavam o sistema produtor de energia. Um dos
principais mecanismos utilizados tem sido um forte investimento no desenvolvimento e
implementação de fontes de energia renovável.
Existindo diversas fontes de energia renovável, a energia solar fotovoltaica tem-se
destacado pela significativa e contínua evolução que tem apresentado em termos de custos
e desempenho nas últimas décadas. Além disso, os sistemas fotovoltaicos já oferecem
custos de produção inferiores à venda de electricidade no mercado a retalho em vários
países.
Nestas condições, um cenário de elevada penetração de electricidade solar no mix
energético torna-se possível. Contudo, para que a incorporação desta energia seja
efectivamente útil e não crie problemas graves na rede eléctrica, torna-se fulcral conseguir
mitigar os impactos da sua variabilidade e intermitência.
Sendo resultado da conversão de radiação solar em electricidade, a energia fotovoltaica
depende dos ciclos diários e intra-anuais da luz solar como também da meteorologia
(nuvens e turbidez atmosférica). No entanto, as nuvens introduzem uma variabilidade
considerável na produção de energia (seja por quedas abruptas como as subidas
consequentes) que é difícil de prever.
Uma primeira medida para mitigar esta variabilidade consiste em fomentar a distribuição
da potência instalada em pequenas instalações distribuídas espacialmente, tal como hoje
se observa na Alemanha e Itália. Isto permitiria que, no agregado, os efeitos locais da
meteorologia tivessem um impacto menor. Os telhados e as fachadas dos edifícios das
cidades, onde se concentra o consumo de electricidade, apresentam-se portanto como
locais de eleição para sistemas fotovoltaicos.
Outra medida assenta no desenvolvimento de modelos de previsão robustos e precisos
que permitam a que os operadores de rede, responsáveis pelo balanço energético da rede
nacional, possam gerir o sistema produtor de uma forma mais atempada e informada.
Estes modelos costumam basear-se em dados meteorológicos e em séries temporais
passadas de produção de electricidade solar e são maioritariamente utilizados pelas
grandes centrais, que têm de apresentar ao mercado uma previsão da energia que vão
produzir no dia seguinte.
3
O projecto Cidade Solar consiste no desenvolvimento de um destes modelos de previsão.
No entanto, e ao contrário dos modelos em uso, o seu principal alvo é a previsão da
produção conjunta de uma multitude de sistemas fotovoltaicos geograficamente
distribuídos na cidade. Assentando na visão em que as cidades devem ser encaradas como
entidades ricas em informação, a exploração de dados de produção em tempo real dos
vários sistemas fotovoltaicos instalados implica também uma alteração de mentalidades,
em que os sistemas deixam de ser encarados como meros equipamentos mas começam a
ser percepcionados como fontes de informação espacialmente distribuídas. Criando uma
plataforma eficaz de armazenamento e gestão de dados, interligando essa informação com
as suas componentes espacial e temporal e a integrando num modelo de previsão,
resultaria em previsões mais precisas.
Este conceito permite criar sinergias entre a instalação de sistemas fotovoltaicos
distribuídos, principalmente ao nível residencial, e a capacidade de melhor prever, e por
isso melhor gerir, a sua produção. Como consequência final, estariam reunidas as
condições técnicas para que os operadores de rede conseguissem gerir a rede de uma
forma eficiente mesmo num contexto de elevada penetração fotovoltaica.
4
Contextualização do projecto Cidade Solar
Big Data e a valorização da Informação
Nas últimas décadas tem-se verificado uma total revolução ao nível da capacidade de
armazenamento e processamento/tratamento de dados.
Os equipamentos de armazenamento têm aumentado a sua memória e robustez de forma
drástica. Além disso, este aumento de informação foi acompanhado pelo desenvolvimento
de ferramentas de gestão de bases dados que permitem o seu acesso e gestão de forma
eficiente.
Esta evolução foi largamente impulsionada pela explosão demográfica que multiplicou os
dados de registo (números de segurança social, p.e.) e levou a uma aceleração da
aquisação de conhecimento. Levou inclusivamente a que fosse criado o termo "explosão de
informação" (mencionado pela primeira vez num jornal americano em 1964).
Actualmente, esta área já se encontra de tal forma desenvolvida que já existe uma área
designada de big data que lida essencialmente com o armazenamento, gestão e
organização de conjuntos de dados (datasets) com dimensões realmente assinaláveis.
No entanto, longe vai o tempo em que a informação servia apenas para obter estatísticas e
indicadores simples. Com o desenvolvimento de computadores cada vez mais potentes e
de métodos computacionais para processamentos de dados, nos dias de hoje datasets
servem de base para modelos, previsões e análises estatísticas complexas e relevantes,
atribuindo um valor incalculável à área de aquisição e processamento de dados.
Em 2012 a Cisco, uma empresa de renome na área das tecnologias da informação, faz uma
declaração interessante (aqui livremente traduzida):
"Nós vemos nos dados o (...) poder transformador, de criação de riqueza (...). Se dados em
"estado bruto" conseguem ser extraídos, refinados e direccionados para onde podem ter
impacto na tomada de decisões em tempo real, o seu valor irá disparar. E se os dados
conseguem ser apropriadamente partilhados através de um ecossistema inteiro e ser
acessível nos locais onde a análise é mais útil, então irá se tornar em algo realmente
decisivo, alterando a forma como vivemos, trabalhos, aprendemos, e brincamos."
O conceito do projecto Cidade Solar assenta precisamente nesta nova visão da cidade
como uma fonte e utilizador maciço de dados. Os sistemas fotovoltaicos nos telhados e
fachadas dos edifícios são utilizados como sensores distribuídos pela cidade podendo ser
utilizados e tempo real para prever a sua produção futura em várias escalas de tempo, o
que é essencial para a sua gestão.
5
O rápido crescimento da energia solar fotovoltaica
Uma rede eléctrica ideal é aquela que oferece a uma sociedade um funcionamento robusto
e flexível, capaz de se adaptar à sempre variável procura por parte dos seus consumidores.
Simultaneamente, essa mesma rede deve ser capaz de despachar toda a energia que lhe é
introduzida por parte das várias fontes produtoras que lhe estão conectadas.
A forte aposta nas fontes de energia renovável tem visado capacitar os sistemas eléctricos
com uma produção limpa e mais eficiente. Contudo, cada tipo de energia possui
características muito próprias, como por exemplo o período do dia em que energia é
produzida ou ter a capacidade ou não de poder armazenar essa mesma energia. Por isto
mesmo, um mix energético 1 ideal deveria ser diversificado, até porque as fontes
renováveis entre si são algo complementares e têm a capacidade de criar interacções
sinergéticas. Assim, numa visão integrada, a rede seria capaz de se adaptar às flutuações
que cada fonte individual e que até o próprio consumo possuem.
Em particular, a energia solar fotovoltaica tem apresentado ao longo das últimas décadas
uma evolução ao nível de custos e de desempenho sem igual (Figura 1).
Figura 1 - Preços passados (a laranja) de módulos fotovoltaicos e projecções até 2035 (a roxo) [1]
Segundo um relatório da International Agency for Energy (IEA), a energia fotovoltaica
entre 2003-2013 registou um crescimento médio de 49%/ano em termos de potência
instalada acumulada (Figura 2). Actualmente já apresenta custos de produção inferiores
ao preço a retalho da electricidade (alcançando o que se designa de paridade de rede ou
grid parity) e rapidamente se tem aproximado dos custos de fontes convencionais em
alguns países [1]. No entanto, este crescimento tem superado as expectativas que tinham
sido colocadas neste tipo de energia no relatório de 2010 divulgado pela IEA [2]. A agência
viu-se inclusivé obrigada a rever em alta a penetração deste tipo de energia no mix
energético previsto para 2050, onde se assumia um cenário de elevada penetração
renovável, substituindo a previsão de 11% divulgada em 2010 para 16% no relatório de
2014 [1].
1
Conjunto de fontes de produção energética que constituem um sistema produtor
6
Figura 2 - Crescimento da capacidade fotovoltaica instalada a nível mundial entre 2003-2013 [1]
Este mesmo crescimento acelerado tem levado a que o financiamento da energia
fotovoltaica sofresse alterações. Isto porque até há bem pouco tempo os sistemas
fotovoltaicos eram bastante dispendiosos, excedendo largamente os custos associados às
fontes convencionais. Nessa época, ou estes sistemas eram designados para contextos
isolados da rede (ou off-grid), em que os custos de uma extensão da rede eléctrica
superava os custos do sistema, ou então eram bastante dependentes de tarifas bonificadas.
Neste contexto, a instalação destes equipamentos concentrar-se-ia preferencialmente em
centrais de grande escala, onde os custos de operação conseguem ser reduzidos, uma
tendência apenas contrariada pelas bonificações preferenciais para pequenas instalações,
de forma a garantir a sua rentabilidade.
No entanto, com os níveis de maturação actuais desta tecnologia e com a paridade de rede
a ser atingida, não só estas tarifas têm sido dramaticamente cortadas como a modalidade
de auto-consumo2 se tem tornado aliciante. Neste novo cenário a electricidade solar passa
a ser financeiramente interessante para todas as escalas de instalações, incentivando o
surgimento de um maior número de pequenas instalações ao nível residencial. Isto
resultaria numa produção de energia espacialmente mais distribuída, o que implicaria não
só uma criação de riqueza mais equitativa, distribuída por grandes investidores e
pequenos consumidores (ou prosumers, ou seja produtores e consumidores de energia
simultaneamente), como também traria benefícios ao nível da gestão da rede, algo
abordado mais à frente.
Neste contexto, parecem estar reunidas as condições para um desenvolvimento da energia
fotovoltaica que se traduza numa penetração elevada da electricidade solar na rede
eléctrica. Contudo, é necessário ter em conta os desafios que este novo paradigma da
produção de electricidade levanta, e que serão abordados na secção seguinte.
2
Modalidade em que o consumidor consome a energia que produz enquanto os períodos de excedente e
de déficit são geridospela rede através de compra ou venda de energia, respectivamente.
7
Variabilidade da energia solar fotovoltaica
O mix energético, tal como o nome indica, consiste num conjunto de várias fontes
energéticas, cada uma com as suas características intrínsecas. Por isso mesmo, o mix em si
apresentará características de cada uma das fonte, tanto mais expressivos quanto seja o
seu peso no agregado.
Dito isto, e tendo em conta que o projecto Cidade Solar visiona um cenário de elevada
penetração de electricidade solar na rede eléctrica, torna-se necessário revisitar as
propriedades do recurso solar. Isto porque a gestão da rede eléctrica é feita por
operadores de rede, técnicos que com base na informação que lhes é fornecida decidem
como lidar com os diversos consumos e produções existentes, ambos variáveis ao longo do
tempo. E essa informação passa primeiramente por conhecer em detalhe as propriedades
das várias fontes de energia.
A energia fotovoltaica consiste na conversão de radiação solar em electricidade através do
que se designa de Efeito Fotovoltaico, fenómeno estudado desde os meados do séc. XIX,
depois do trabalho seminal de Becquerel e Einstein. Consequentemente, a produção deste
tipo de energia depende significativamente da radiação solar que incide num módulo
fotovoltaico, de forma quase linear, apresentando por isso comportamentos bastante
semelhantes. Claramente, em casos como o perfil mensal ao longo de um ano ou mesmo o
perfil horário de radiação num dia de céu relativamente limpo, podem-se observar
padrões suaves e que aparentam ser simples de prever (exemplos nas Figura 3 e Error!
Reference source not found.).
Normalized Radiation [1]
1,0
0,8
0,6
0,4
0,2
0,0
1
2
3
4
5
6
7
8
9 10 11 12
Time [month]
Figura 3 - Perfil mensal de radiação solar normalizada para Lisboa no ano de 2004 [3]
8
Normalized Radiation [1]
1
0,8
0,6
0,4
0,2
0
7
10
13
16
19
Time [hour]
Figura 4 - Perfil horário de radiação solar normalizada para Lisboa no dia 23 de Março de 2004 [3]
No entanto, isto apenas se verifica em certos casos como se poderia concluir, sendo até
intuitivo, quando a expressão "céu relativamente limpo" é utilizada para descrever o perfil
observado na Error! Reference source not found.. O tipo de perfil de radiação observado, e
por isso o da energia fotovoltaica, é extremamente dependente da metereologia o que
pode resultar em padrões bastante mais complexos e irregulares para dias mais nublados
e/ou com resoluções temporais que não "diluam" este impacto. Isto é visível quando, por
exemplo, no perfil mensal ao longo de um ano a resolução temporal passa a diária ou se
avalia um dia mais nublado com a mesma resolução horária, como se pode verificar nas
Figura 5 e Figura 7. No segundo caso, esta variabilidade torna-se ainda mais evidente
quando se altera a resolução temporal para 1 minuto como se pode ver na Figura 7.
Normalized Radiation [1]
1
0,8
0,6
0,4
0,2
0
1
51
101 151 201 251 301 351
Time [day]
Figura 5 - Perfil diário de radiação solar normalizada para Lisboa no ano de 2004 [3]
9
Normalized Radiation [1]
1
0,8
0,6
0,4
0,2
0
7
10
13
16
19
Time [hour]
Normalized Radiation [1]
Figura 6 - Perfil horário de radiação solar normalizada para Lisboa no dia 15 de Fevereiro de 2004 [3]
1
0,8
0,6
0,4
0,2
0
7
10
13
16
19
Time [hour]
Figura 7 - Perfil de radiação solar normalizada com resolução de 1 minuto
para Lisboa no dia 15 de Fevereiro de 2004 [3]
Em resoluções temporais ainda mais reduzidas, nas quais ocorre a gestão da rede, poderse-iam identificar ainda mais variações. Considerando que existem certamente dias, e até
locais, mais problemáticos no que toca à nebulosidade (pode resultar em quedas de
produção de até 70-80% em menos de um minuto, seguidas de subidas igualmente
abruptas) esta variabilidade deve ser encarada como um dos principais desafios no que
toca a uma potencial elevada penetração fotovoltaica na rede.
Esta preocupação já chegou inclusivé à discussão pública, como se pode verificar por
exemplo na notícia "Solar Power Growing Pains: How Will Hawaii And Germany Cope With
The Boom In Alternative Energy?" (em português, "Dores de crescimento da energia solar:
Como vão o Havai e a Alemanha lidar com o boom das energias alternativas") do
International Business Times em 2013 [4].
É preciso, então, a implementação de práticas de instalação e o desenvolvimento de ferramentas
que permitam aos operadores de rede melhor lidar com este problema. Estas questões serão
abordadas na secção seguinte.
10
Facilitadores de uma elevada penetração fotovoltaica
Dois pontos foram referidos na secção anterior. Primeiro, que a rede eléctrica é gerida de
forma contínua e quase instantânea por técnicos designados de operadores de rede. Essa
gestão é baseada na informação que é fornecida aos operadores, permitindo-lhes delinear
estratégias de como lidar com os diversos consumos e produções existentes – as leis da
física obrigam que em cada instante a electricidade produzida tem que ser exactamente
igual à energia consumida. Segundo, que a energia fotovoltaica apresenta uma
variabilidade temporal que, se não for confrontada, num contexto de elevada penetração
pode ser susceptível de obrigar a constantes compensações de potência, impedindo uma
gestão eficiente da rede.
Torna-se por isso importante definir boas práticas e desenhar ferramentas que permitam
aos operadores de rede lidar com esta variabilidade. Seja por via de a tentar mitigar seja
tentando prevê-la.
Produção fotovoltaica espacialmente distribuída
Uma primeira medida para mitigar este efeito é a de priveligiar a instalação de sistemas
fotovoltaicos de pequena dimensão espacialmente distribuídos. De facto, como os efeitos
meteorológicos (presença de nuvens) são fortemente locais, esta dispersão permite que,
em média, estes efeitos sejam, significativamente reduzidos (Figura 8). Este tipo de
cenário torna-se possível através de incentivos financeiros (tarifas bonificadas) ou
simplesmente ocorre de forma natural quando a electricidade solar se torna mais barata
do que pelas fontes convencionais (algo que já ocorre em várias geografias).
Figura 8 - Potência fotovoltaica normalizada ao longo de três dias de Junho de 1995 para para 1
sistema individual (linha mais clara) e para um agregado de 100 sistemas (linha mais escura) [5]
11
Modelos de Previsão (Forecasting)
A cada instante a rede é gerida por operadores de rede que decidem que fontes de energia
podem ou não injectar energia na rede de forma a garantir que os consumos são satisfeitos
mantendo a estabilidade desejada.
Estas decisões assentam numa análise conjunta e multi-disciplinar de um variado leque de
informações que é disponibilizado aos operadores de rede. Um exemplo típico desta
informação diz respeito a que que centrais estão aptas a injectar energia na rede (ou seja,
identificar que centrais estão em manutenção). No entanto, a grande "arma" com que se
pode munir um operador de rede são previsões. Previsões do consumo e previsões das
várias fontes produtoras. Esta informação antecipada, naturalmente com as incertezas
inerentes, permite ao operador planear as suas acções e até estar prevenido para
diferentes cenários possíveis.
Do ponto de vista da energia fotovoltaica o forecasting é considerado como uma
ferramenta fulcral para uma implementação assertiva da tecnologia. É inclusivé apontada
como um dos objectivos principais para 2015-2020 por um relatório da IEA [1].
Através de uma análise de literatura científica é possível concluir que esta área vem no
seguimento de modelos de previsão de radiação solar com propósitos variados como
agricultura ou climatização. Existem diversas abordagens que os modelos de previsão
podem seguir:

Modelos físicos: tenta-se representar o estado físico e o comportamento dinâmico
da atmosfera de forma exacta e por meio de equações. Contudo, estes modelos
além de exigirem um elevado poder de computação e uma elevada quantidade de
dados meteorológicos são incapazes de descrever o comportamento complexo da
radiação para resoluções temporais elevadas, em particular devido à dificuldade
de modelação do comportamento das nuvens.

Modelos numéricos: abordagem simplificada em que é possível obter soluções
aproximadas. Tem como limitação o tipo de dados que exige, nem sempre
disponíveis, e a dificuldade de definir certos parâmetros dos modelos

Modelos empíricos: tenta-se estabelecer relações simplificadas (linear, logaritmíca,
quadrática, entre outras) entre a radiação e um ou mais parâmetros
meteorológicos. Extremamente local (apenas válidos para o caso de estudo), esta
abordagem é bastante sensível ao ruído de medição e apenas aconselhável para
resoluções temporais mais largas.

Modelos estocásticos: onde diversas variantes tal como os modelos regressivos
existem. Estes modelos são capazes de fazer previsões baseando-se em dados
passados disponíveis e apesar da sua simplicidade de uso, estes modelos não são
capazes de descrever de forma precisa o comportamento irregular introduzido
pelas nuvens.
12

Modelos baseados em imagens de satélite ou imagens do céu: através da detecção
do movimento das nuvens é possível prever as variações abruptas na radiação
incidente. No entanto, estes modelos exigem software de reconhecimento e
interpretação de imagens além de o erro de previsão aumentar drasticamente
quando a elevação do sol é baixa, para baixos valores de radiação e tem um
horizonte de previsão bastante reduzido (na ordem dos segundos).

Modelos baseados em inteligência artificial: existem diversos variantes tal como
árvores de decisão, redes neuronais artificiais, máquinas de suporte de vectores,
entre outros. Estes métodos constroem um modelo com base nos dados que lhes
são fornecidos, sendo capazes de detectar padrões complexos entre variáveis. Com
uma abordagem bastante simplificada, já que não são definidos quaisquer
pressupostos, estes métodos têm-se revelado bastante promissores na previsão de
radiação a curto/médio prazo (entre minutos e até alguns dias), e por isso de
energia fotovoltaica. Estes modelos, que fornecem apenas soluções aproximadas,
apesar de indicados para a sua representação de fenómenos, não são
direccionados para a descrição/estudo do mesmo.
Em Cidade Solar é proposto um modelo de previsão de produção fotovoltaica baseado em
redes neuronais artificiais (descrito em maior detalhe na secção seguinte). Este método
em particular, inspirado na biologia e com uma forte base estatística e de processamento
de sinais, é considerado como apto para reconhecimento de padrões, nomeadamente em
séries de dados temporais. Actualmente é considerado um hot topic em termos de
previsão de radiação solar e de produção fotovoltaica, devido a resultados bastante
promissores que têm sido reportados. Tendo já ultrapassado os métodos clássicos para
um horizonte de previsão na ordem dos minutos até alguns dias, este potencial tem-se
reflectido no crescimento assinalável no número de publicações e citaçãos nos últimos 20
anos (Figura 9).
13
Figura 9 - Evolução do número de publicações e citações nos últimos 20 anos que incluíam os temos
"neural network solar forecast" ou "neural network solar prediction" até 26 de Março de 2015 [6]
São várias as vantagens oferecidas pelo uso deste método: simplicidade de implementação;
não requer que sejam definidos pressupostos; apresenta uma precisão de previsão
promissora; flexibilidade em relação ao horizonte de previsão e à resolução temporal
(desde mensal, diário e até sub-horário); flexibilidade em relação aos dados a utilizar (os
dados meteorológicos a usar, por exemplo, que por vezes são difíceis de adquirir),
variando apenas a precisão do modelo; requer pouco pré-processamento de dados e
permite ainda fazer previsões com resolução espacial.
Outra característica interessante que este método possui é a de, num formato em que são
fornecidos dados em tempo real à rede neuronal, o modelo ser capaz de se adaptar a
mudanças que ocorram ao longo do tempo. Dois exemplos concretos são o impacto da
temperatura na eficiência de um módulo e a degradação que o equipamento sofre com o
decorrer dos anos, uma propriedade intrinseca, que normalmente é apenas estimada.
14
Apresentação do projecto Cidade Solar
Conceito
O projecto Cidade Solar sonha com uma paisagem urbana moldada pela disseminação em
larga escala de sistemas fotovoltaicos nos telhados e fachadas de muitos dos seus edifícios.
Cada painel solar funciona como um sensor natural de temperatura e radiação solar que
podem ser utilizados para construir um modelo de previsão do potencial solar futuro,
em várias escalas de tempo – desde os minutos a vários dias. Por outro lado, o
desenvolvimento de métodos de previsão de geração solar é essencial para a disseminação
em larga escala do sistemas fotovoltaicos – uma grande penetração de energia solar no mix
energético, se descuidada, pode introduzir instabilidades e custos elevados.
Portanto, constata-se uma relação sinergética entre o modelo de previsão e a instalação de
mais sistemas fotovoltaicos. Isto porque um aumento no número de fontes de informação
passíveis de serem integradas no modelo permite que este se torne mais preciso e robusto,
o que por sua vez incentiva uma maior implementação da electricidade solar.
15
Plano de trabalhos
1. Obtenção de dados para teste e validação do modelo
A primeira fase do projecto implica a recolha de dados de produção fotovoltaica
geograficamente distribuídos. Neste contexto é importante referir que o projecto Cidade
Solar está integrado na tese de doutoramento do autor na Universidade de Lisboa. A
universidade, em colaboração com a Galp, tem em operação um parque fotovoltaico nos
telhados de três faculdades (Faculdade de Letras, Faculdade de Ciências, Faculdade de
Psicologia) e ainda numa cantina universitária – a maior central de produção
descentralizada de energia em meio urbano e a maior central fotovoltaica de uma
universidade. Além disso, o autor está integrado no projecto Sustainable City (SusCity) do
programa MIT-Portugal, em colaboração com inúmeros parceiros incluindo a Câmara
Municipal de Lisboa e a EDP. O SusCity está a analisar, numa perspectiva big data, a
geração e consumo de energia, materiais e mobilidade na vida de uma cidade
contemporânea, considerando como caso de estudo a zona oriental da cidade de Lisboa.
2. Gestão de dados e o seu pré-processamento
É necessário criar uma estrutura que permita uma gestão organizada, robusta e rápida dos
dados obtidos utilizando um software de gestão de base de dados.
Tendo obtido os dados é necessário detectar registos anómalos ou em falta. Isto assume
especial relevância considerando que o método de previsão utilizado é fortemente
dependente da qualidade dos dados utilizados.
3. Desenvolvimento do modelo
Primeiramente identificar-se-ão as métricas para comparar a produção de sistemas
fotovoltaicos tendo em conta possíveis desfasamentos temporais e a sua distribuição
espacial. Estas métricas permitem seleccionar as variáveis relevantes que devem ser
integradas no modelo de previsão. É também importante fazer uma avaliação da dinâmica
da meteorologia de forma a poder inferir potenciais indicadores que reforcem a
capacidade do modelo.
Posteriormente, criar-se-á um protótipo do modelo de forma a poder fazer uma primeira
avaliação e ter uma noção mais concreta do seu potencial. Avaliar-se-á o impacto que a
incorporação de informação meteorológica implica em termos de melhoria de previsão de
forma a se poder justificar a necessidade ou não da integração de uma maior quantidade
de dados (e todo o trabalho de recolha, gestão e pré-processamente que lhes está
associado).
4. Aplicação em tempo real
Por fim proceder-se-á à interligação da plataforma de gestão de dados com a de aquisição
de dados, para testar uma aplicação em tempo real e, assim, avaliaar não só o modelo de
previsão como de toda a plataforma de aquisição e gestão de dados construída como
ferramentas válidas para gestão da rede.
16
Resultados preliminares
O conceito do projecto Cidade Solar teve origem numa tese de mestrado da Universidade
de Lisboa [7], em colaboração com a Universidade de Utrecht. Neste trabalho foram
recolhidos e analizados dados de 5 sistemas fotovoltaicos espacialmente distribuídos e de
1 estação meteorológica, obtidos através da universidade holandesa (Figura 10).
Figura 10 - Distribuição espacial dos sistemas fotovoltaicos e de uma estação
meteorológica (Utrecht) utilizados para testar o modelo de previsão [7]
De forma a validar a ideia do projecto proposto, procedeu-se à previsão de produção do
sistema central (na figura "Central PV System"), distanciado dos restantes entre 3 e 7.5 km,
com um horizonte de previsão de 15 minutos e com base em 4 abordagens distintas:
Caso 1: previsão com base em valores passados de dados meteorológicos
Caso 2: previsão com base em valores passados de geração do sistema a prever
Caso 3: Caso 1 + Caso 2
Caso 4: Caso 2 incorporando dados produção de sistemas vizinhos
A partir da Figura 11 é possível concluir que, para o caso em estudo, o modelo proposto
pelo projecto Cidade Solar é o que resulta numa maior melhoria em termos de erro
absoluto médio (mean absolute error, MAE) e em termos de menor erro quadrático médio
(root mean squared error, RMSE, onde é dado ênfase a desvios mais significativos).
17
Relative improvement [%]
Error improvement when compared to
Model 1
55
50
Model 2
45
Model 3
40
Model 4
35
30
MAE
RMSE
Figura 11 - Melhoria relativa do erro médio absoluto (MAE) e do
erro médio quadrático (RMSE) para os vários casos em estudo [7]
18
Referências
[1]
“Technology Roadmap: Solar Photovoltaic Energy,” Paris, France, 2014.
[2]
“Technology Roadmap: Solar Photovoltaic Energy,” Paris, France, 2010.
[3]
“Solar Radiation Data (SoDa).” [Online]. Available: http://www.sodais.com/eng/index.html. [Accessed: 20-Mar-2015].
[4]
R. Palmer, “Solar Power Growing Pains: How Will Hawaii And Germany Cope With
The Boom In Alternative Energy?,” International Business Times, 2013. [Online].
Available: http://www.ibtimes.com/solar-power-growing-pains-how-will-hawaiigermany-cope-boom-alternative-energy-1518702. [Accessed: 18-Mar-2015].
[5]
E. Wiemken, H. G. Beyer, W. Heydenreich, and K. Kiefer, “Power characteristics of PV
ensembles: experiences from the combined power production of 100 grid connected PV
systems distributed over the area of Germany,” Sol. Energy, vol. 70, no. 6, pp. 513–518,
2001.
[6]
“Web of ScienceTM.” [Online]. Available: http://webofknowledge.com/. [Accessed: 27Mar-2015].
[7]
A. Vaz, “Photovoltaic Forecasting with Artificial Neural Networks,” Universidade de
Lisboa, 2014.
19
SOLAR CITY
Artificial intelligence for using geographically
distributed photovoltaic systems in order to predict
their future production
RODRIGO SILVA
Dom Luiz Institute, Faculty of Sciences University of Lisbon
Contents
Solar City project motivation ..................................................................................................... 3
Solar City project contextualization ........................................................................................... 5
Big Data and valuing information .......................................................................................... 5
The rapid growth of photovoltaic solar energy ...................................................................... 6
Photovoltaic solar energy variability ...................................................................................... 8
Facilitators for a high photovoltaic penetration ................................................................... 11
Spatially distributed photovoltaic production .................................................................. 11
Prediction models (Forecasting) ...................................................................................... 12
Solar City project presentation ................................................................................................ 15
Concept .............................................................................................................................. 15
Work plan ........................................................................................................................... 16
Preliminary results .............................................................................................................. 17
References .............................................................................................................................. 19
2
Solar City project motivation
Due to the rural exodus that took place during the last decades, cities have become
incredibly dense population centers. Places of constant movement, cities are viewed today
as nuclei of profess. This population density make cities as centers of information equally
dense (if not more) which makes them natural candidates for the implementation of tools
based in big data and smart data concepts, where this remarkable quantity of information,
if efficiently stored and managed, can become decisive in decision making and wealth
generation, being therefore incredibly valued.
A challenge that cities and the world in general have to face is the transition from recent a
paradigm where fossil fuels, with their negative environmental impacts and their
diminishing availability, dominated the energy production system. One of the main used
mechanisms has been a strong investment in the development and deployment of
renewable energy sources.
Existing several renewable energy sources, solar photovoltaic energy has been standing
out by the considerable and continuous evolution that has been showing in terms of costs
and performance over the last decades. Furthermore, photovoltaic systems already offer
production costs lower than the electricity retail price in several countries.
In these conditions, a scenario where an high penetration of solar electricity in the energy
mix becomes feasible. However, for that energy to be in fact useful and not create serious
issues for the electrical grid, to be able to mitigate the impacts of its variability and
intermittence becomes vital.
As a result of converting solar radiation into electricity, photovoltaic energy depends on
the daily and intra-annual cycles of sunlight as well as the weather (clouds and
atmospheric turbidity). However, clouds introduce a considerable variability in energy
production (be it sudden power drops or the following surges) which is difficult to predict.
A first step in mitigating this variability consists in promoting the distribution of the
installed solar power between small and spatially distributed installations, just like in
Germany or Italy. This would allow that, in the aggregate, the local effects of weather
would have a lower impact. City buildings roofs and facades, where the electricity
consumption is focused, present themselves as election sites for photovoltaic systems.
Another step is based on developing robust and precise forecasting models that allow a
more timely and informed management from the grid operators, responsible for the
national grid energy balance. These models usually are based in weather data and in solar
power production past time series and are majorly used by big companies, who have to
present a next-day energy production forecast to the market.
The Solar City project consists in developing one of these forecasting models. However,
and unlike the current models, its main target is forecasting the aggregate production of a
multitude of photovoltaic systems geographically distributed across the city. Based on the
vision that the cities must be viewed as information-rich entities, the exploitation of realtime production data of the several installed systems also implies a change of mentalities,
where the systems stop being exclusively viewed as mere equipments but start being
perceived as spatially distributed information sources. Creating an efficient data storage
3
and management platform, connecting that information with its spatial and time
components and integrating it in a forecasting model, would lead to more precise forecasts.
This concept allows the creation of synergies between distributed photovoltaic systems
installation, mainly on the residential level, and the ability of better forecast, and
therefore better manage, its production. As a final consequence, the technical conditions
for the grid operators being able to efficiently manage the electrical grid, even in a context
of high photovoltaic penetration, would be met.
4
Solar City project contextualization
Big Data and valuing information
For the last decades there has been a total revolution in terms of data storing and
processing.
Storing equipments have drastically increased their memory capacity and their robustness.
Furthermore, this increase in information has been followed by the development of
database management tools that allow an efficient access and management.
This evolution was largely driven by the demographic explosion which multiplied the
registry data (for example, social security numbers) and accelerated the acquisition of
knowledge. It even led to creating the term "information explosion" (first mentioned in an
American newspaper in 1964).
Nowadays, this area is already so developed that there is an area designated big data
which deals essentially with the storage, management and organization of datasets with
remarkable dimensions.
However, gone are the days where information was used only to obtain statistics and
simple indicators. With the development of increasingly more powerful computers and
computational methods for data processing, datasets are now the base for models,
forecasts and complex and relevant statistical analysis, attributing an immeasurable value
to the fields of data acquisition and processing.
In 2012 Cisco, a renowned company in the fields of information technologies, makes an
interesting statement:
«If "crude" data can be extracted, refined, and piped to where it can impact decisions in
real time, its value will soar. And if data can be properly shared across an entire ecosystem
and made accessible in the places where analytics are most useful, then it will become a
true game changer, altering the way we live, work, learn, and play.»
The concept of the Solar City project is based precisely in this vision of the city as a
massive data source and user. The photovoltaic systems in building roofs and facadesO are
used as sensors distributed across the city and can be used in real time to forecast their
future production in several time scales, which is essential for its management.
5
The rapid growth of photovoltaic solar energy
An ideal electrical grid is one which offers the society a robust and flexible operation, able
to adapt to the always variable demand from its consumers. Simultaneously, that same
grid must be able to dispatch all the energy that is introduced from all the connected
sources.
The strong investment in renewable energy sources has been done in order to capacitate
the electrical systems with a clean and more efficient energy generation. However, each
type of energy has its own very characteristic properties, for example the time period
where the energy is produced or having the ability or not to store that same energy. For
this reason, an ideal energy mix3 should be diverse, even so because some sources are
complementary between themselves and have the ability to create synergetic interactions.
Therefore, in an integrated perspective, the grid would be able to adapt to the fluctuations
that each source even the demand possess.
In particular, photovoltaic solar energy has shown for the last decades an unparallel
evolution in terms of costs and performance (Figure 1).
Figure 1 - Past prices (in orange) for photovoltaic modules and projections until 2035 (in purple) [1]
According to a report from the International Agency for Energy (IEA), the photovoltaic
energy had an average growth of 49%/year in terms of accumulated installed power
between 2003-2013 (Figure 2). Nowadays it already offers lower production costs when
compared with the electricity retail price (reaching already grid parity) and is rapidly
getting closer to the costs of conventional sources in some countries [1]. However, this
growth has surpassed the expectations that had been placed in solar electricity in the
2010 report from IEA [2]. The agency had even to revise upwards the penetration of this
energy in the energy mix expected for 2050, where a high renewable penetration was
assumed, replacing a 11% predicted share reported in 2010 to 16% in 2014 [1].
3
Set of energy production sources which constitute a production system
6
Figure 2 - Worldwide PV capacity growth between 2003-2013 [1]
This same accelerating growth has caused changes in the photovoltaic energy financing.
Even so that these systems were quite expensive, exceeding by large the costs associated
to conventional sources. At that time, or these systems were designed to an off-grid
context, where the costs of a grid extension exceeded the costs of a system, or where
heavily dependent of feed-in tariffs. In this context, the installation of these equipments
would focus mainly in large scale centrals, where the operations costs can be reduced, a
trend only overturned by favorable tariffs for small installations, in order to assure their
profitability.
However, with this technology current maturation levels and with the grid parity almost
achieved, not only these tariffs have been drastically cut back but also the self
consumption4 modality has become compelling. In this new scenario solar electricity
starts being financially interesting for all installation scales, encouraging the deployment
of more residential small scale systems. This would lead to a more spatially distributed
energy production, which would imply not only a more equitable wealth creation,
distribute by big investors and small consumers (or prosumers, being simultaneously
energy producers and consumers), and would also bring benefits at the grid management
level, something explained later on.
In this context, the conditions for a photovoltaic energy development that results in a high
solar electricity penetration seem to be met. However, it is necessary to consider the
challenges that this new electricity production paradigm brings, which will be addressed
in the next section.
4
Modality where the consumer consumes the energy that he produces while the periods of excess or
déficit are managed by the grid through energy buying or selling, respectively.
7
Photovoltaic solar energy variability
The energy mix, as the name implies, consists in a mix of different energy sources, each
one with its intrinsic properties. And for this reason, the mix in itself will present
properties of each source, the more expressive the more the source's contribution in the
aggregate.
Having said that, and considering that the Solar City project envisions a scenario of high
solar electricity penetration in the electrical grid, it becomes necessary to quickly review
the properties of the solar resource. This because the management of the electrical grid is
done by grid operators, technicians who, based in the information that its provided to
them, decide how to deal with the various existing consumptions and productions, both
variable in time. And that information starts on first knowing in detail the properties of
the several energy sources.
Photovoltaics consists in converting solar radiation into electricity through what is called
the Photovoltaic Effect, a phenomenon studied since mid XIX century, after the seminal
work of Becquerel and Einstein. As a consequence, the production of solar energy depends
significantly on the incident solar radiation that reaches a photovoltaic module, almost in a
linear way, presenting therefore behaviors quite similar. Clearly, in cases such as the
radiation monthly profile over a year or even the hourly profile over a relatively clear sky
day, smooth patterns which seem simple to predict can be observed (examples in Figure 3
and Figure 4).
Normalized Radiation [1]
1,0
0,8
0,6
0,4
0,2
0,0
1
2
3
4
5
6
7
8
9 10 11 12
Time [month]
Figure 3 - Normalized radiation monthly profile for Lisbon, 2004 [3]
8
Normalized Radiation [1]
1
0,8
0,6
0,4
0,2
0
7
10
13
16
19
Time [hour]
Figure 4 - Normalized radiation hourly profile for Lisbon, 23rd of March 2004 [3]
Nonetheless, this is only verifies for certain cases as could be concluded, even being
intuitive, when the expression "relatively clear sky" is used to describe the profile
observed in Figure 4. This kind of observed radiation profile, and therefore also for solar
energy, is extremely dependent on the weather which can result in possible more complex
and irregular patterns in more cloudy days and/or with time resolutions that not "dilute"
such impact. This is visible when, for example, in the monthly profile over a year the
resolution becomes a daily profile or when a daily profile, still with a hourly resolution, is
observed for a cloudy day, as can be observed in Figure 5 and Figure 6. For the second case,
this variability becomes even clearer when the time resolution is changed to 1 minute, as
can be seen in Figure 7.
Normalized Radiation [1]
1
0,8
0,6
0,4
0,2
0
1
51
101 151 201 251 301 351
Time [day]
Figure 5 - Normalized radiation daily profile for Lisbon, 2004 [3]
9
Normalized Radiation [1]
1
0,8
0,6
0,4
0,2
0
7
10
13
16
19
Time [hour]
Normalized Radiation [1]
Figure 6 - Normalized radiation hourly profile for Lisbon, 15th February 2004 [3]
1
0,8
0,6
0,4
0,2
0
7
10
13
16
19
Time [hour]
Figure 7 - Normalized radiation profile with 1 minute resolution for Lisbon, 15th February 2004 [3]
In even shorter time resolutions, in which the grid management occurs, more variations
would be seen. Considering that there are certain days, and even places, even more
problematic in terms of nebulosity (it can result in up to 70-80% drops in less than a
minute, followed by surges equally abrupt) this variability must be considered as one of
the main challenges in terms of a potential high photovoltaic penetration in the grid.
This concern has even reached public discussion, as can be seen, for example in the article
"Solar Power Growing Pains: How Will Hawaii And Germany Cope With The Boom In
Alternative Energy?"from the International Business Times in 2013 [4].
Hence, the deployment of installation practices and the development of tools that allow for the
grid operators to better deal with this problem are needed. This issues will be addressed in the
next section.
10
Facilitators for a high photovoltaic penetration
Two issues were mentioned in the last section. First, the electric grid is managed in a
continuous and almost instantaneous way by technicians designated as grid operators.
This management is done based in information that is provided to the operators, allowing
them to delineate strategies on how to deal with the various existing consumptions and
productions - the laws of physics makes that in each instant the produced electricity must
be exactly the same as the one consumed. Secondly, that photovoltaics present a time
variability that, if not confronted, in a context of high penetration can be susceptible of
demanding constant power compensations, preventing an efficient management of the
grid.
It is, therefore, important to define good practices and to develop tools that allow for the
grid operators to deal with this variability. Be it by trying to mitigate it or by trying to
predict it.
Spatially distributed photovoltaic production
A first step towards mitigating this variability is favoring the installation of spatially
distributed small scale photovoltaic systems. In fact, as the weather effects (cloud
presence) are strongly local, this dispersion allows that, in average, these effects become
significantly reduced (Figure 8). This type of scenario becomes feasible through financial
incentives (feed-in tariffs) or simply occurs in a natural way when solar electricity
becomes cheaper than from conventional sources (something that already occurs in
several geographies).
Figure 8 - Normalized photovoltaic power over 3 days of June 1995 for 1 individual
system (lighter line) and for an aggregate of 100 systems (darker line) [5]
11
Prediction models (Forecasting)
At each instant the grid is managed by grid operators who decide which energy sources
can or cannot inject energy into the grid in order to guarantee that the demand is met,
while maintaining the desired stability.
These decisions are based in a joint and multidisciplinary analysis of a wide set of
information which is made available for the grid operators. A common example for this
information would be which centrals are fit for injecting energy in the grid (which means,
identifying which solar plants are in maintenance). However, the ultimate "weapon" with
which you can equip a grid operator is forecasts. Demand forecasts and production
forecasts. This anticipated information, naturally with its uncertainties, allows for the grid
operators to plan their course of action and even be prevented for different possible
scenarios.
From the perspective of photovoltaics, forecasting is considered as a key tool for an
assertive deployment of this technology. It is even pointed out as one of the main
objectives for 2015-2020 by a report from the IEA [1].
After a scientific literature analysis it is possible to conclude that this field of study follows
on solar radiation forecasting with various purposes such as agriculture or air
conditioning. There are several approaches which the forecasting models can follow:

Physical models: an approach that tries to exactly represent the physical state and
the dynamic behavior of the atmosphere by means of equations. Nonetheless,
these models besides demanding a powerful computational capacity and a large
amount of weather data these models are unable to describe the cmplex behavior
of radiation for high time resolutions, in particular due to the difficulty of
modellating cloud behavior.

Numerical models: a simplified approach where approximated solutions are
obtained. It has as a limitation the weather data that it demands, which is not
always available, and the difficulty in defining some of its parameters.

Empirical models: an approach that tries to find simplified relationships (linear,
logarithmic, quadratic, among others) between radiation and one or more weather
variables. Extremely local (only valid for the case in study), this approach is
extremely sensible to measurement noise and is only advisable for large time
resolutions.

Stochastic models: where several variants exist, such as regressive models exist.
These models are capable of doing predictions based on available past data and
despite its simplicity, these models are not capable of describing accurately the
irregular behavior introduced by clouds.

Models based in satellite images or sky images: by detecting the movement of
clouds it is possible to detect abrupt changes in incident radiation. However, these
models demand image recognition and interpretation software and the forecast
error increases drastically for a low sun elevation and has a very short forecasting
horizon (in the order of seconds).
12

Artificial Intelligence based models: there are several variants such as decision
trees, artificial neural networks (ANN), support vector machines (SVM), among
others. These methods build data-driven models and are able to detect complex
patterns between variables. With a quite simple approach, as no assumptions are
previously made, these methods have revealed themselves as being quite
promising in incident radiation forecasting in the short/medium-term horizon
(from a few minutes up to a few days), therefore for solar energy as well. These
models, which only provide approximate solutions, even though are suitable for
phenomenon representation, they are not indicated for phenomenon
describing/studying.
In Solar City a forecasting model is proposed based on artificial neural networks. This
model in particular, inspired in biology and with a strong basis in statistics and signal
processing, is considered as quite adept at pattern recognition, namely in time series.
Currently it is considered as a hot topic in terms of solar radiation and photovoltaic
production forecasting, due to the quite promising results that have been reported so far.
Having already surpassed the classic methods for a forecast horizon of a few minutes up to
a few days, this potential has reflected in a remarkable growth in terms of number of
scientific publications and quotes for the last 20 years (Figure 9).
Figure 9 - Evolution of scientific publication and quoting for the last 20 years
which included the expressions "neural network solar forecast"
or "neural network solar prediction" up to 26 March 2015 [6]
13
Several advantages are offered by the use of this method: deployment simplicity; doesn't
require initial assumptions; presents a promising forecasting precision; the flexibility of
the forecast horizon (from monthly, daily and even sub-hourly); flexibility in terms of the
used data (the weather data to use, for example, which sometimes is difficult to acquire),
only affecting the model' precision; the requirement of little data pre-processing and it
even allows to do forecasts with spatial resolution.
Another interesting property that this method possesses is that, in a format where data is
introduced in real time to the neural network, the model can adapt to changes that occur
with time. Two concrete examples would be the impact of temperature in a module
efficiency and the degradation that the equipment suffers over the years, an intrinsic
property, that usually is only estimated.
14
Solar City project presentation
Concept
The Solar City project dreams with an urban landscape shaped by large-scale deployment
of photovoltaic systems in roofs and facades of many of its buildings. Each solar panel
works as a natural temperature and solar radiation sensor that can be used to build a
solar electricity future production forecasting model, for several timescales - from minutes
to several days. On the other hand, the development of solar generation forecasting
methods is essential for a large-scale deployment of photovoltaic systems - a large
penetration of solar electricity in the energy mix, if not taken care of, can introduce
instabilities and high costs.
Therefore, a synergetic relationship between the forecasting model and the installation of
more photovoltaic systems is evidenced. And this is because a larger number of
information sources which can be integrated in the model allows it to become more
precise and robust, which in turn encourages a higher deployment of solar electricity.
15
Work plan
1. Obtaining data for model testing and validation
The first stage of the project implies acquiring geographically distributed photovoltaic
production data. In this context it is important to mention the that the Solar City project is
integrated in the doctoral thesis of the author at the University of Lisbon. The university,
in collaboration with the Galp company, has in operation a photovoltaic plant in the roofs
of three faculties (Faculty of Letters, Faculty of Sciences, Faculty of Psychology) and in a
university canteen - the biggest distributed power plant in an urban context and the
biggest solar plant in a university. Furthermore, the author is integrated in the project
Sustainable City (SusCity) of the MIT-Portugal program , in collaboration with several
partners such as the Lisbon City Council and EDP, the biggest Portuguese energy company.
SusCity is analyzing, in a big data perspective, the generation and consumption of energy,
materials and mobility in a contemporary city context, considering as a case study the
oriental region of Lisbon.
2. Data Management and its preprocessing
It is necessary to create a structure that allows an organized, fast and robust management
of the acquired data by using a database management software.
Having obtained the data it is necessary to detect anomalous or missing records. This
assumes special relevance considering that the used forecasting method is strongly
dependent on the quality of the used data.
3. Model development
First, it is needed to identify metrics that allow the comparison of the production of
photovoltaic systems considering possible time lags and their spatial distribution. These
metrics allow the selection of the relevant variables to be integrated in the forecasting
model. It is also important to evaluate the weather dynamics in order to infer potential
indicators that enhance the model's performance.
Later on, a prototype of the model will be created in order to make a first evaluation and
have a more concrete notion of its potential. The impact of incorporating weather data will
be evaluated in terms of forecasting improvement in order to justify the need or not for
the integration of a larger amount of data (and all the acquisition, management and
preprocessing work it implies)
4. Real time application
At last, the data management platform will be connected to the data acquisition one in
order to test a real time application and, that way, evaluate not only the forecasting model
but also the whole set of platforms as valid tools for grid management.
16
Preliminary results
The concept of the Solar City project originated from a Master's thesis from the University
of Lisbon [7], in collaboration with the Utrecht University. In this work data from 5
spatially distributed photovoltaic systems and 1 weather station where acquired and
analyzed, provided by the Dutch university (Figure 10).
Figure 10 - Spatial distribution of photovoltaic systems and weather station (Utrecht)
used to test the forecasting model [7]
In order to validate the proposed project, forecasting the production of the central system
(in the figure "Central PV System"), which is between 3 and 7.5 km apart from the
remaining systems, in a 15 minutes forecast horizon following 4 different approaches:
Case 1: forecasting based on past weather data
Case 2: forecasting based on past generation data from the to-be predicted system
Case 3: Case 1 + Case 2
Case 4: Case 2 integrating past data from neighbouring systems
From Figure 11 it is possible to conclude that, for this case study, the model proposed by
the So é possível concluir que, para o caso em estudo, o modelo proposto by the Solar City
project is the one that results in a bigger improvement in terms of mean absolute error
(MAE) and root mean squared error (RMSE, where a bigger emphasis is given to bigger
errors).
17
Relative improvement [%]
Error improvement when compared to
Model 1
55
50
Model 2
45
Model 3
40
Model 4
35
30
MAE
RMSE
Figure 11 - Relative improvement of the absolute mean error (MAE) and
root mean squared error (RMSE) for the various studied cases [7]
18
References
[1]
“Technology Roadmap: Solar Photovoltaic Energy,” Paris, France, 2014.
[2]
“Technology Roadmap: Solar Photovoltaic Energy,” Paris, France, 2010.
[3]
“Solar Radiation Data (SoDa).” [Online]. Available: http://www.sodais.com/eng/index.html. [Accessed: 20-Mar-2015].
[4]
R. Palmer, “Solar Power Growing Pains: How Will Hawaii And Germany Cope With
The Boom In Alternative Energy?,” International Business Times, 2013. [Online].
Available: http://www.ibtimes.com/solar-power-growing-pains-how-will-hawaiigermany-cope-boom-alternative-energy-1518702. [Accessed: 18-Mar-2015].
[5]
E. Wiemken, H. G. Beyer, W. Heydenreich, and K. Kiefer, “Power characteristics of PV
ensembles: experiences from the combined power production of 100 grid connected PV
systems distributed over the area of Germany,” Sol. Energy, vol. 70, no. 6, pp. 513–518,
2001.
[6]
“Web of ScienceTM.” [Online]. Available: http://webofknowledge.com/. [Accessed: 27Mar-2015].
[7]
A. Vaz, “Photovoltaic Forecasting with Artificial Neural Networks,” Universidade de
Lisboa, 2014.
19