Previsão de irradiação solar usando aprendizagem de máquinas com modelos de árvore e a influência do Índice Oceânico do El Niño (ONI)

• Ano de defesa: 2021
• Autor(a) principal: Loayza, David Mickely Jaramillo
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: XGBoost; Aprendizagem de máquina; Energia solar; Oceanic Niño Index; ENOS; La Niña; El Niño
• Link de acesso: http://www.repositorio.ufc.br/handle/riufc/64248

A energia solar representa a coluna vertebral das fontes de energia sustentáveis e pela sua influência sobre as demais, sua participação na mudança da matriz energética é indispensável ainda mais nesse período crítico climático que está vivendo o planeta. No contexto apresentado, a energia solar é uma fonte intermitente e pouco confiável, sendo necessários sistemas complementários como modelos de previsão de irradiação solar que ajudem no controle eficiente da demanda de eletricidade. Os modelos de aprendizagem de máquinas são métodos que podem ser de regressão ou de classificação e estão sendo usados para desenvolver modelos de previsão de irradiação solar global, especificamente em modelos preditivos que podem ser usados para otimizar os sistemas de controle das usinas solares. O objetivo deste trabalho é implementar e comparar o desempenho dos modelos de aprendizagem de máquinas XGBoost e Boosting na previsão de irradiação solar global, usando o Índice Oceânico El Niño (do inglês ONI) como preditor em cinco bancos de dados diferentes: Global com ONI; Global, La Niña, El Niño e Neutro sem ONI, para os horizontes temporais 2 min, 10 min, 30 min, 1h, 1 dia e 7 dias, sendo analisados sob a mesmas condições climáticas na cidade de Fortaleza, no estado do Ceará, 3° 43’ 2’’S, 38° 32’ 35’’O. Foram analisados o banco Global que contém todas as observações incluindo o ONI como preditor; e os bancos que não usaram o ONI como preditor: Global, La Niña, El Niño e Neutro, a fim de conhecer o efeito do ONI sobre a previsão de irradiação solar. O banco Global com ONI teve valores menores de RMSE em comparação com o banco Global sem ONI para os horizontes 2 min e 10 min. O modelo XGBoost no banco Global com ONI mostrou um valor do nRMSE 52.08% menor que nos outros bancos no horizonte de 2min. O modelo Boosting apresentou no banco Neutro sem ONI um valor do nRMSE 39.26% menor do que nos outros bancos para o horizonte de 1 h. No desempenho geral dos modelos, o Boosting teve melhores resultados, mas com a análise dos valores da FS percebeu-se que o modelo XGBoost mostrou um desempenho similar com valores de menos de 1% de diferença. Ao observar os valores da FS nos bancos que contêm observações com ocorrência do ONI (Global, La Niña e El Niño) percebe-se a tendência positiva afetando a sensibilidade da previsão de irradiação solar.