Universidade Federal de Santa Maria
Ci. e Nat., Santa Maria v.42, Special Edition: Micrometeorologia, e33, 2020
DOI:10.5902/2179460X53215
ISSN 2179-460X
Received: 17/08/20 Accepted: 17/08/20 Published: 28/08/20
Special Edition
Estimativa do campo de vento em alta resolução pelo Modelo Wind Ninja para estimativa em Energia Eólica
High resolution wind field study with Wind Ninja Model for estimating Wind Energy
César Magno Leite de Oliveira Júnior I
Nívea Maria Barreto Nunes Oleques II
Marcelo Romero de Moraes III
Jonas da Costa Carvalho IV
Fabrício Pereira Härter V
I Universidade Federal de Pelotas, Capão do Leão, Brasil. E-mail: cesarmagnosjr@hotmail.com.
II Universidade Federal de Pelotas, Capão do Leão, Brasil. E-mail: oleques@gmail.com.
III Universidade Federal do Pampa, Bagé, Brasil. E-mail: marcelopato@gmail.com.
IV Universidade Federal de Pelotas, Capão do Leão, Brasil. E-mail: jonascc@yahoo.com.br.
V Universidade Federal de Pelotas, Capão do Leão, Brasil. E-mail: fpharter@gmail.com.
RESUMO
Neste trabalho foi proposto prever campos de ventos em alta resolução com o objetivo de simular as variáveis de velocidade e direção do vento no complexo eólico de Cerro Chato localizado na cidade de Santana do Livramento/RS. Para isso, utilizou-se técnicas de previsão numérica do tempo, no qual se fez uso do modelo \textit{Weather Research and Forecasting} (WRF) e um modelo diagnóstico de conservação de massa e momentum, em microescala, conhecido como Windninja. Neste estudo comparou-se os dados simulados com os dados de observação coletados pelas torres do parque eólico em questão, por meio de procedimentos estatísticos. Os resultados apresentados pelo software de simulação Windninja foram eficientes, porém, pouco eficazes.
Palavras-chave: WRF; Wind Ninja; Métodos Numéricos; Previsão de Vento.
ABSTRACT
In this work it was proposed to predict high resolution wind fields in order to simulate the wind speed and direction variables in the Cerro Chato wind complex located in the city of Santana do Livramento / RS. For this, numerical weather forecasting techniques were used, using the \ textit {Weather Research and Forecasting} (WRF) model and a microscale mass and momentum conservation model, known as Windninja. In this study, the simulated data was compared with the observation data collected by the towers of the wind farm in question, using statistical procedures. The results presented by the Windninja simulation software were efficient, but not very effective.
Keywords: WRF; Wind Ninja; Numerical methods; Wind forecast.
1 Introdução
Desde a revolução industrial os índices de emissão de CO2 aumentaram substancialmente, conforme visto em (QUÉRÉ et al., 2016). De modo que fosse necessário a cooperação de diversos países para o controle de envio de poluentes para a atmosfera. Dessa forma, nas últimas décadas, a preocupação com a degradação do meio ambiente ponderada à necessidade de fornecer energia passou a ser um desafio. Com essa proposta, as energias renováveis tomaram espaço e, uma delas considerada bastante promissora é a energia eólica. Em consequência disso, é destacado o crescimento abrupto de complexos eólicos em todo o mundo (SAWYER et al, 2017).
O objetivo deste trabalho é simular campos de vento na resolução 9, 3 e 1 km através do WRF, que por sua vez é utilizado como entrada para o modelo Wind Ninja, aumentando a resolução para menos de 200 m. Essas estimativas servem de ferramentas para o operador dos geradores de energia eólica gerenciar o sistema, com preocupação especial nos casos de vento extremamente forte e extremamente fraco. Avalia-se os resultados comparando os dados simulados com os dados fornecidos pelo Complexo eólico de Cerro Chato, situado na cidade de Santana do Livramento - RS.
Destaca-se a importância deste estudo pelo seu enfoque ambiental, social e econômico. Ambiental e social, por se tratar de geração de energia renovável com a utilização dos ventos. E econômica por ser mais uma componente na matriz energética.
2 Metodologia
2.1 Modelo WRF
O modelo WRF é um sistema computacional de previsão de tempo designado tanto para o serviço operacional quanto para as necessidades de pesquisa. Foi desenvolvido por pesquisadores em conjunto com a instituição governamental de administração oceânica e atmosférica nacional dos Estados Unidos (NOAA), o centro de análises e previsões de tempestade (CAPS) da Universidade de Oklahoma, o centro americano não governamental nacional de pesquisas atmosféricas (NCAR), entre outras. No WRF são calculadas as componentes da velocidade do vento, a temperatura potencial, o geopotencial, o campo de pressão em superfície e várias quantidades físicas. Possibilita, também, gerar outras variáveis, incluindo energia cinética turbulenta e as razões de mistura de vapor d’água, chuva/neve e água/gelo das nuvens. A física do modelo inclui, ainda, cálculo de turbulência não-local para a camada limite atmosférica (CLA) e determinação de radiação de onda longa e onda curta em várias bandas espectrais (NCAR, 2019).
Esse modelo foi utilizado numa configuração com três grades, centradas na coordenada geográfica 30,921373º S e 55,751230º O, com plano vertical seccionado em 50 níveis sigma de altura. Para os domínios de simulação no plano horizontal foram construídas malhas computacionais no domínio 1 com 100 x 110 pontos, no domínio 2 com 88 x 100 pontos e no domínio 3 com 76 x 88 pontos, apresentando espaçamento de 9, 3 e 1 km, respectivamente.
A área do domínio é a região em que está localizado o complexo eólico de Cerro Chato na cidade de Santana do Livramento - RS, conforme apresentado na figura 1.
Figura 1 – Área de simulação
Fonte: Autor, 2019.
2.2 Parametrizações
As parametrizações físicas são necessárias para aproximar processos físicos que acontecem na atmosfera real, porém, computacionalmente. Segundo Oliveira (2010), esses processos são representações dos parâmetros físicos, que não podem ser resolvidos diretamente por modelos numéricos, tendo forte influência na Previsão Numérica do Tempo (PNT). As parametrizações físicas, que são utilizadas na simulação com o WRF, para esse caso, incluem: microfísica de nuvens, camada limite planetária, camada limite de superfície, cumulus, modelo de superfície e radiação de onda curta e longa.
As parametrizações do tipo microfísica, radiação de onda curta e longa são responsáveis pela descrição dos processos de formação das nuvens, difusão, refração e reflexão de radiação que incidem na atmosfera terrestre. Os processos de radiação de onda curta e longa ocorrem em escalas muito pequenas de tempo e sobre muita influência da composição da atmosfera. Conforme a radiação direta passa pela atmosfera, a intensidade da radiação diminui, devido a absorção e espaçamento das nuvens, aerossóis e gases. Também acontece pela absorção e reflexão das nuvens, aerossóis e gases. Essa radiação refletida e absorvida também alcança a superfície na forma de radiação solar difusa (METED, 2014). No que se refere a camada limite superficial, o modelo se baseia no esquema Revised MM5 denominado singularidade de Monin Obukhov que se refere à descrição escoamento médio e dos fluxos turbulentos em uma camada superficial. Esse esquema evita singularidades como uma camada superficial instável e uma velocidade de vento decrescente.
Na camada limite superficial, a troca de calor e umidade da superfície e atmosfera depende do tipo de superfície, terra, água, neve ou gelo. Ou seja, descreve a interação entre o solo e a atmosfera (meted, 2010). O esquema utilizado neste trabalho é o Unified Noah land-surface model (NOAH, 2014). Em relação a camada limite planetária, a parametrização utilizada é Yonsei University que é um esquema de primeira ordem a qual emprega alguns coeficientes de difusão turbulenta nos locais para calcular os fluxos turbulentos (HONG; NOH; DUHIA, 2006). O Cumulus é um tipo de nuvem e a sua parametrização é responsável por resolver numericamente o processo de convecção, o qual redistribui o calor. São responsáveis por produzir as precipitações (STENSURD, 2012). Foi utilizado neste trabalho o esquema Kain Fritsch (KAIN, 2014).
De forma resumida, a tabela tabela1 apresenta todos os esquemas utilizados na realização deste trabalho.
Tabela 1 – Parametrizações do Modelo WRF
|
Tipos |
Esquema utilizado |
|
Camada limite planetária |
Yonsei University |
|
Modelo de superfície |
Unified Noah |
|
Camada limite de superfície |
Monin-Obukhov |
|
Cumulus |
Kain-Fritsch |
|
Microfísica nuvens |
WSM 3-class scheme |
|
Radiação OL |
RRTM |
|
Radiação OC |
Dudhia |
2.3 Dados anemométricos
A Eletrosul é a empresa responsável pelo parque eólico o qual é instrumento desse estudo que forneceu os dados anemométricos das torres que estão instaladas nesse parque. No Rio Grande do Sul (RS) há várias torres anemométricas com diferentes alturas, especificamente nessa área, as estruturas são de 108 m de altura. No topo há um anemometro, 1,5 m abaixo do topo apresenta um medidor direção do vento, há 20 m abaixo do topo outro anemômetro. Há 41 m abaixo do topo está instalado mais um anemômetro, 1,5 m abaixo do último anemômetro está instalado outro medidor de direção de vento. Os dados são coletados a cada minuto e são registrados a média de cada dez minutos.
2.4 Modelo WindNinja
O modelo Wind Ninja é um modelo atmosférico diagnóstico que calcula os campos de vento em alta resolução para áreas complexas. Sua aplicação inicial foi direcionada a incêndios florestais, porém, também pode ser relacionado a outras aplicações que envolvam previsão de vento. Um dos destaques de seu desempenho é que o seu tempo de simulação é curto apresentando baixa exigência computacional, sendo executado perfeitamente em computadores de pequeno porte, bem como oferecendo um sistema de fácil compreensão técnica. O modelo não prevê vento, apenas simula/calcula a variação espacial do vento por um instante de tempo, ou seja, as equações não avançam no tempo (FORTHOFER; SHANNON; BUTLER, 2009). A figura 2 mostra a direção do campo de vento em resolução de 200 m.
Figura 2 – Representação do comportamento do vento, simulado pelo Windninja
Fonte: Autor, 2019.
2.5 Verificação dos Resultados
Para avaliar a precisão das previsões de velocidade e direção do vento estimados pelos modelos foram calculados parâmetros estatísticos que quantificam a precisão das estimativas. Para isso, foi utilizada a raiz do erro quadrático médio (RMSE)
O outro parâmetro utilizado foi o viés que mostra a direção do erro, ou seja, indica quanto se o modelo está superestimando ou subestimando a observação.
Tanto em (1) quanto em (2), representa os valores
prognosticados pelo modelo,
representa os registros
anemométricos e
representa o número de
observações e simulações (WILKS, 2011).
3 Resultados e Discussão
3.1 Análise sinótica
As análises foram baseadas nos boletins informativos disponibilizados no Centro de Previsão de Tempo e Estudos Climáticos do Instutito Nacional de Pesquisas Espaciais (CPTEC/INPE).
3.2 Dia 30 de Junho de 2018
Observa-se um sistema frontal entre o Uruguai e o Oceano adjacente. Nota-se, também, dois sistemas frontais acoplados desde o Oceano Pacífico, ao sul de 20ºS, passando pela Patagônia na Argentina até o Atlântico adjacente. Um jato de baixos níveis advectou ar quente da Bolívia ao leste da Argentina e o sul do Brasil. Contribuindo para a forte instabilidade no leste da Argentina e em suas adjacências.
Figura 3 – Carta sinótica do referido dia
Fonte: CPTEC/INPE, 2018.
3.3 Dia 11 de Setembro de 2018
A região permaneceu sob influência do escoamento anticiclônico em níveis médios que contribuiu para a manutenção do tempo seco e com pouca nebulosidade. A circulação associada a alta pressão migratória localizada no Atlântico favoreceu a ventos perpendiculares à costa das Regiões Sul e Sudeste. O dia foi de pouca nebulosidade e baixos índices de umidade relativa do ar, entretanto, no dia seguinte a desconfiguração do escoamento anticiclônico em níveis médios, iniciou a transição, para condições climáticas mais severas, das condições de tempo no centro-sul do Brasil.
Figura 4 – Carta sinótica do referido dia
Fonte: CPTEC/INPE, 2018.
3.4 Simulações
Foram realizadas simulações de direção e velocidade do vento na área da torre 3 (CC3) do complexo eólico de Cerro Chato, especificamente centralizadas no ponto de coordenada 30.789º S e 55.705º O. As datas da análise deste estudo apresentam comportamentos distintos em relação a velocidade do vento. Conforme os dados de observação, no dia 30 de junho obteve-se uma média diária da variável de velocidade de, aproximadamente, quatro metros por segundo, enquanto na data de 11 de setembro a média diária apresentada é pouco maior que onze metros por segundo. Dessa forma, caracteriza-se padrões diferentes de comportamento para análise do desempenho das grandezas simuladas.
A Figura 5 apresenta a comparação entre os dados coletados pela torre anemométrica, os dados de simulação do modelo WRF e os dados do modelo Windninja, para o dia 30 de junho. Pode-se verificar que os modelos acompanham o ciclo de vento observado e o aumento da resolução resultante do Windninja não reflete em diminuição significativa dos erros e nem altera o viés do modelo neste caso de vento fraco.
Figura 5 – Gráfico da evolução temporal da variável da velocidade do vento em 30/06/2018
Fonte: Autor, 2019.
Tabela 2 – RMSE e VIÉS para velocidade do vento em 30/06/2018
|
Tipo |
Velocidade do vento |
|
RMSE entre Windninja e Observação |
1,22 |
|
RMSE entre WRF e Observação |
1,3 |
|
VIÉS entre Windninja e Observação |
-0,125 |
|
VIÉS entre WRF e Observação |
-0,134 |
Na figura 5 e 6 apresentam-se os resultados obtidos para velocidade e direção do vento, respectivamente, no dia 11 de setembro de 2018. As características dos resultados apresentados para essa data são similares ao dia de ventos de menor intensidade, embora os erros da velocidade tenham aumentado levemente. O aumento de resolução gerado pelo Windninja, tanto o caso de vento fraco, como no caso de vento forte, resultou em baixa diminuição dos erros. Em trabalhos em andamento, assimila-se dados de diferentes fontes com o objetivo de melhorar a estimativa do campo de vento, antes de aumentar a resolução através do Windninja.
Figura 6 – Gráfico da evolução temporal da variável da velocidade do vento em 11/09/2018
Fonte: Autor, 2019.
Tabela 3 – RMSE e VIÉS para velocidade do vento em 11/09/2018
|
Tipo |
Velocidade do vento |
Direção do vento |
|
RMSE entre Windninja e Observação |
1,95 |
1,22 |
|
RMSE entre WRF e Observação |
1,98 |
1,3 |
|
VIÉS entre Windninja e Observação |
-1,65 |
-0,125 |
|
VIÉS entre WRF e Observação |
-1,69 |
-0,134 |
4 Conclusão
Neste trabalho o modelo WRF e o modelo Windninja foram utilizadas para simular a evolução da variável velocidade do vento e da variável direção do vento na região do complexo eólico de Cerro Chato, nas proximidades da cidade de Santana do Livramento-RS. Os resultados das simulações foram comparados com dados de uma torre de monitoramento pertencente a Eletrosul, administradora do parque eólico.
O aperfeiçoamento dos dados de saída do WRF, utilizando o software Wind Ninja, realmente acontece, porém, os resultados apresentados, embora eficientes, são pouco eficazes, gerando um contraponto importante no contexto de aprimoramento e sofisticação de informações. É indispensável considerar que a baixa eficácia do desempenho do modelo Wind Ninja pode ser explicada pelo fato do programa ser direcionado a refinar áreas complexas e acidentadas, diferentes da área de estudo.
Os resultados dos casos estudados indicam que há pequena melhorar na previsão do campo de vento, após o aumento da resolução pelo Windninja. Entretanto, pretende-se estudar o impacto da assimilação de dados e da utilização de grades aninhadas, antes de aplicar o grande aumento de resolução pelo Windninja.
Agradecimentos
Os autores agradecem à capes pelo apoio financeiro, à UFPel e Unipampa e ao Cimatec.
Referências
FORTHOFER, J.; SHANNON, K.; BUTLER, B. Simulating diurnally driven slope winds with windninja. USDA Forest Service, Rocky Mountain Research Station, Missoula, MT, 2009.
HONG, S.-Y.; NOH, Y.; DUDHIA, J. A new vertical diffusion package with an explicit treatment of entrainment processes. Monthly weather review, v. 134, n. 9, p. 2318–2341, 2006.
KAIN, J. S. The kain–fritsch convective parameterization: an update. Journal of applied meteorology, v. 43, n. 1, p. 170–181, 2004.
METED. Fundamentos de los modelos: Versión 2. Booklet, 2010.
METED. Fundamentos de pnt: Física del modelo. Booklet, 2014.
NATIONAL CENTER FOR ATMOSFERIC RESEARCH – Wrf-arw online tutorial. Estados Unidos – 2019.
NOAH - Implementation and verification of the unified noah land surface model in the wrf model. - 2014.
OLIVEIRA, A. M. de; SILVA, J. R. da; GOMES, R. G. Testes nas parametrizações de microfísica e de camada limite planetária na simulação de um sistema convectivo de mesoescala. Universidade Federal de Pelotas, 2010.
QUÉRÉ, C. L. et al. Global carbon budget 2016. 2016.
SAWYER, S.; FRIED, L.; SHUKLA, S.; QIAO, L. Global wind report 2017—annual market update. Global Wind Energy Council: Brussels, Belgium, 2017.
STENSURD. An overview of convection parametrization. Booklet, 2012.
WILKS, D. S. Statistical methods in the atmospheric sciences. Academic press, 2011.