Previsão intra-diária de geração fotovoltaica usando redes neurais recorrentes do tipo LSTM e dados históricos de energia

• Ano de defesa: 2021
• Autor(a) principal: Cunha, Bruno Aguilar da
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Engenharia elétrica; Inteligência artificial; Redes neurais (computação); Geração de energia fotovoltaica; Energias renováveis; Renewable energy; Photovoltaic generation forecast; Artificial neural networks
• Link de acesso: http://hdl.handle.net/11449/215639

Este trabalho apresenta uma metodologia que utiliza dados históricos de energia para obter a previsão de geração de sistemas fotovoltaicos no horizonte de 1h, utilizando o conceito de janela temporal (time steps) e uma rede recorrente do tipo LSTM (Long Short Term Memory). Os dados históricos meteorológicos e de geração de energia utilizados foram captados no período de 1 ano. Uma análise comparativa utilizando o modelo LSTM para previsão de geração com diferentes variáveis de entrada e diferentes quantidades de time steps (tamanho da janela temporal) também foi conduzida. O modelo proposto (LSTM 1) que obtém a previsão da geração solar fotovoltaica a partir de uma série temporal de dados de energia possui um resultado bem próximo do melhor resultado obtido (LSTM4) que considera quatro variáveis meteorológicas (temperatura, umidade, irradiação e índice de chuva) como entrada do modelo de previsão. Considerando as métricas de erro RMSE (erro médio quadrático) e NRMSE (erro médio quadrático normalizado), os valores obtidos foram 0.398 e 0.110 para o modelo com 4 variáveis e 0.419 e 0.116 para o modelo proposto, respectivamente. Trata-se de uma abordagem mais simples devido ao fato de não necessitar de uma estação meteorológica para captar dados meteorológicos e também por diminuir a complexidade computacional do modelo LSTM utilizando uma única variável.