Use este identificador para citar ou linkar para este item:
http://repositorio.ufc.br/handle/riufc/56406| Tipo: | TCC |
| Título: | Análise do desempenho de parques eólicos por meio de clusterização de aerogeradores. |
| Autor(es): | Cavalcante, Danielle Baltazar |
| Orientador: | Leão, Ruth Pastôra Saraiva |
| Palavras-chave: | Clusterização;Aerogeradores;K-means;Análise de desempenho;Parques eólicos |
| Data do documento: | 2020 |
| Citação: | CAVALCANTE, Danielle Baltazar. Análise do desempenho de parques eólicos por meio de clusterização de aerogeradores. 2020. 53 f. Monografia (Graduação em Engenharia Elétrica) – Centro de Tecnologia, Faculdade de Engenharia Elétrica, Universidade Federal do Ceará, Fortaleza, 2020. |
| Resumo: | De acordo com a Associação Brasileira de Energia Eólica (ABEEólica), a capacidade instalada de parques e´olicos no Brasil atingiu a marca de 16 GW no primeiro semestre de 2020, com 637 parques eólicos e 7.738 aerogeradores instalados, ocupando o posto de segunda fonte na matriz de energia el´etrica brasileira, atrás apenas das usinas hidrelétricas. O país chegou à sétima posição na classificação mundial do Global Wind Energy Council (GWEC). Neste contexto, surge a necessidade de analisar o uso dos recursos energéticos, de modo a predizer e melhorar o desempenho de parques eólicos, identificando com maior rapidez as turbinas com possíveis anomalias na operação. Para tanto, neste trabalho, será implementada uma técnica de data mining utilizada em clusterização de dados conhecida como K-means, visando o agrupamento de 65 turbinas eólicas, pertencentes a 5 parques eólicos, em diferentes conjuntos, compostos por m´aquinas que apresentam caracter´ısticas semelhantes. Na análise mensal do desempenho dos aerogeradores foi usado o algoritmo de clusterização K-means, desenvolvido em linguagem Python, que usa como entrada de dados as variáveis produção de energia, velocidade dos ventos e disponibilidade total dos aerogeradores. Os dados de entrada foram extraídos do Sistema de Supervisão e Aquisição de Dados (SCADA) e discretizados em intervalos de 60 minutos. A metodologia permite a avaliação de desempenho por meio de agrupamentos, ao invés de análise individual, facilitando o acompanhamento da operação em fazendas e´olicas com grande quantidade de turbinas, o que faz do m´etodo uma ferramenta mais abrangente e robusta. Para cada grupo de aerogeradores, comparou-se o valor de produção de energia do centroide ao valor esperado pela equação da curva de potˆencia do fabricante, dada a velocidade dos ventos e a disponibilidade de cada cluster. Os resultados obtidos apontaram que máquinas com especificações semelhantes, dispostas em um mesmo complexo eólico, podem apresentar diferentes desempenhos. Em agrupamentos onde a performance dos aerogeradores é inferior ao estimado pelo fabricante, faz-se necessário um estudo de causas-raízes do problema. A avaliação da performance de parques eólicos utilizando-se inteligência artificial tende a ser uma prática de mercado, e a implementação de técnicas de clusterização representa uma contribuição do trabalho em desenvolvimento. |
| Abstract: | According to the Brazilian Association of Wind Energy (Abeeólica), the installed capacity of wind farms in Brazil reached the mark of 16 GW in the first half of 2020, with 637 wind farms and 7,738 wind turbines installed, occupying the second source of the Brazilian electric energy matrix, behind only the hydroelectric plants. The country reached 7th place in the Global Wind Energy Council (GWEC) world rankings. In this context, there is a need to analyze the use of energy resources in order to predict and improve the performance of wind farms, identifying more quickly turbines with possible anomalies in the operation. To this end, in this work, a data Mining technique will be implemented used in data Clusterization known as K-Means, aiming at the grouping of 65 wind turbines in different sets, composed of machines that have similar specifications. The result of the study is the monthly analysis of the performance of wind turbines belonging to a wind farm composed of 5 wind farms. In the performance analysis was used an algorithm of Clusterization developed in Python language, which uses as input the variables energy production, wind speed and total availability of wind turbines. The input data were extracted from the Data Acquisition and Supervision System (SCADA) and discretized at 60-minute intervals. The methodology allows the evaluation of performance through clusters, rather than individual analysis, facilitating the monitoring of operation in wind farms with large amounts of wind turbines, which makes the method a more comprehensive and robust tool. For each group of wind turbines, the centroid energy production value was compared to the value expected by the manufacturer’s power curve equation, given the wind speed and the availability of each cluster. The results showed that machines with similar specifications, arranged in the same wind farm, can present different performances. In clusters where the wind turbine performance is lower than estimated by the manufacturer, a root cause study of the problem is required. |
| URI: | http://www.repositorio.ufc.br/handle/riufc/56406 |
| Aparece nas coleções: | ENGENHARIA ELÉTRICA - Monografias |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| 2020_tcc_dbcavalcante.pdf | 1,2 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.