Técnicas de aprendizado de máquina para a predição de eventos extremos de sobreirradiância em Natal-RN

• Ano de defesa: 2023
• Autor(a) principal: Fernandes, Arthur Diniz Flor Torquato
• Orientador(a): Dória Neto, Adrião Duarte
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Rio Grande do Norte
• Programa de Pós-Graduação: PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO
• País: Brasil
• Palavras-chave em Português: Aprendizado de máquina; Inteligência artificial; Energia solar; Sobreirradiância; Random forest
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
• Link de acesso: https://repositorio.ufrn.br/handle/123456789/55192

A Sobreirradiância, um fenômeno no qual a irradiância solar observada na superfície terrestre excede as expectativas para um cenário de céu limpo, tem suscitado interesse em estudos relacionados à energia solar e ao seu impacto em sistemas de geração fotovoltaica. Até o momento desta pesquisa, não foram identificados estudos dedicados à utilização de técnicas de Aprendizado de Máquina para prever esse fenômeno. Desta forma o presente trabalho de dissertação tem como foco a previsão da Sobreirradiância em intervalos de até cinco minutos, por meio da aplicação de técnicas de aprendizado de máquina. O âmago deste estudo reside na previsão da ocorrência da Sobreirradiância. Para atingir esse propósito, o desempenho de quatro algoritmos de aprendizado de máquina distintos foi minuciosamente avaliado: Random Forest, SVM (Máquinas de Vetores de Suporte), MLP (Rede Perceptron de Múltiplas Camadas) e LSTM (Redes Neurais Long Short-Term Memory). Para medir a performance dos algoritmos se utilizou os indicadores de Acurácia, Recall, Precisão e F1. Os resultados obtidos demonstram que os modelos foram capazes de prever o fenômeno de Sobreirradiância com acurácias que variam de 70% a 80% com o modelo de Random Forest apresentando os valores mais elevados de performance. Além disso foi feita uma análise de importância das variáveis a partir da Mean Decrease in Impurity, mostrando que a Irradiância Difusa é a variável mais significativa para a detecção da Sobreirradiância.