Comparação do uso de descritores para a previsão da produção fotovoltaica a partir de séries históricas e LSTM

• Ano de defesa: 2024
• Autor(a) principal: Gonçalves, Nairon Augusto Monari [UNESP]
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Inteligência artificial; Painéis solares; Fontes de energias renováveis; Artificial intelligence; Solar panels; Renewable energy sources; Inteligencia artificial; Paneles solares; Fuentes de energía renovable; Künstliche Intelligenz; Solarmodule; Erneuerbare Energiequellen; Intelligence artificielle; Panneaux solaires; Sources d'énergie renouvelable; Intelligenza artificiale; Pannelli solari; Fonti di energia rinnovabile; 人工知能; ソーラーパネル; 再生可能エネルギー源; 人工智能; 太阳能板; 可再生能源来源; Energia solar; Solar energy; Aprendizado do computador; Machine learning
• Link de acesso: https://hdl.handle.net/11449/258735

Este trabalho apresenta um estudo baseado em redes neurais recorrentes do tipo LSTM (Long Short-Term Memory) para prever a produção de energia de um conjunto de painéis fotovoltaicos, com um horizonte temporal de seis horas e quarenta minutos (quatrocentos minutos). Esse estudo utiliza dados históricos de três anos, quatro meses e dezessete dias, que incluem medições meteorológicas e de produção de energia fotovoltaica. O objetivo é realizar uma análise comparativa entre um modelo treinado exclusivamente com dados de produção de energia e oito modelos que incorporam descritores meteorológicos no treinamento. Os resultados indicam que o modelo treinado apenas com a produção de energia fotovoltaica obtém desempenho equivalente ao de modelos que incluem descritores meteorológicos. Este estudo demonstra a eficácia da abordagem LSTM e sugere que, para o problema específico de previsão da produção de energia fotovoltaica, os descritores meteorológicos não proporcionam uma melhoria significativa no desempenho do modelo.