NCAR desenvolve sistema avançado de previsão de energia solar

30 de maio de 2023 - por David Hosansky

O Centro Nacional de Pesquisa Atmosférica (NCAR) desenvolveu com sucesso um sistema avançado de previsão de energia solar para Nova York que oferece o potencial de ajudar o estado a atingir suas metas de energia renovável, economizando milhões de dólares para os contribuintes.

O sistema de código aberto, chamado NYSolarCast, baseia-se em previsões meteorológicas, observações das condições atmosféricas e técnicas de aprendizado de máquina para gerar previsões precisas de horas e dias à frente da irradiação solar e geração de energia resultante. Essas previsões, emitidas a cada 15 minutos para uma rede de três quilômetros que cobre todo o estado de Nova York, podem ser usadas para prever a geração de energia solar para grandes fazendas solares e painéis solares de telhado.

Além de apresentar resultados promissores para Nova York, a tecnologia pode ser aplicada em outras localidades dos Estados Unidos e do mundo.

"Este sistema é aplicável em todo o mundo", disse o cientista do NCAR Jared Lee, o principal desenvolvedor. "É altamente configurável e personalizável, portanto, pode fornecer previsões em qualquer intervalo de tempo desejado em qualquer região de previsão que uma concessionária precise."

As previsões para Nova York se mostraram altamente precisas. Durante um período de validação de um ano, as previsões do NYSolarCast chegaram consistentemente a cerca de 10% da quantidade real de energia gerada. De forma encorajadora, as previsões acima e abaixo das previsões foram quase equilibradas.

O desenvolvimento do NYSolarCast fez parte de um estudo maior e plurianual para ajudar a crescente indústria solar de Nova York a implantar a previsão do tempo para antecipar melhor a geração de energia e melhorar a confiabilidade de sua rede elétrica. Previsões mais precisas são importantes para que o estado atinja suas metas de 70% de geração elétrica a partir de fontes renováveis ​​até 2030 e um setor elétrico de emissão zero até 2040.

O estudo foi financiado pela New York Power Authority e pela New York State Energy Research and Development Authority. Foi cogerenciado pelo EPRI, um instituto de P&D de energia independente e sem fins lucrativos. Outros parceiros incluíram o Brookhaven National Lab e a State University of New York em Albany. Os conselheiros incluíram o Operador de Sistema Independente de Nova York (NYISO) e a Central Hudson, uma concessionária de distribuição de Nova York.

A previsão bem-sucedida da irradiância solar é crítica para a produção expandida de energia solar. Se uma concessionária de energia elétrica desligar uma instalação de carvão ou gás natural em antecipação à energia do Sol ou de outra fonte renovável, essas usinas podem não ser capazes de ligar rápido o suficiente caso a quantidade de luz do sol seja insuficiente. A única opção nesse cenário é comprar energia no mercado spot, o que pode ser muito caro.

A NCAR havia desenvolvido anteriormente um sistema de previsão de energia eólica que economiza milhões de dólares anualmente para os contribuintes da Xcel Energy.

Quando se tratou de desenvolver o NYSolarCast, Lee e seus colegas enfrentaram desafios substanciais. Nova York é um estado climatologicamente diverso, com o cinturão de neve ao longo dos Grandes Lagos e os altos picos dos Adirondacks gerando condições atmosféricas muito diferentes das da região costeira de Long Island. Além disso, seus modelos tiveram que capturar nuvens com precisão considerável porque nuvens diferentes têm impactos variados na irradiação solar. Um banco de nuvens stratus baixas, por exemplo, bloqueará a entrada do sol, enquanto nuvens cúmulos inchadas podem refletir a irradiação de seus lados, levando assim a uma irradiância solar temporariamente mais alta na superfície e mais produção de energia solar do que ocorreria durante um céu azul claro. céu.

Para desenvolver um sistema útil, Lee e seus colegas basearam-se em dois anos de observações meteorológicas do New York State Mesonet, uma rede estadual de 126 estações meteorológicas. Eles também analisaram dados de produção de energia de instalações solares selecionadas. Essas informações históricas permitiram que eles treinassem modelos de aprendizado de máquina para correlacionar as condições climáticas com a saída de energia.