Predição de radiação solar usando algoritmos de aprendizagem de máquina e parâmetros meteorológicos.

• Ano de defesa: 2022
• Autor(a) principal: Viscondi, Gabriel de Freitas
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado computacional; Energia solar fotovoltaica; Machine learning; Neural networks; Redes neurais; Solar photovoltaic energy
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3141/tde-22052023-111138/

A penetração de energias renováveis é fundamental para uma transição de matriz energética ambientalmente correta, economicamente próspera e socialmente justa. Dentro deste contexto, a energia solar fotovoltaica deve desempenhar um papel substancial nos próximos anos e, muito embora tenha avançado a passos largos dado sua modularidade e abundância de recurso natural, a variabilidade intrínseca a fonte solar é um dos fatores limitativos basais para a sua integração em sistemas elétricos. Prever a geração solar fotovoltaica, portanto, torna-se uma das condições chave para reduzir os impactos da variabilidade da fonte, facilitando sua integração na matriz elétrica mundial. Para tal, técnicas de aprendizado de máquina são amplamente conhecidas por sua capacidade de previsão e, nesta condição, foram estudadas por este trabalho de pesquisa para entender o estado da arte dos algoritmos empregados para previsibilidade de geração solar fotovoltaica e aplicar as melhores práticas encontradas na literatura em contexto brasileiro. Em um estágio inicial do trabalho, realizou-se uma revisão de escopo da literatura para identificar como o problema de variabilidade de geração de energia solar fotovoltaica estava sendo abordado conjuntamente com modelos de aprendizado de máquina. A partir de questões estruturadas de pesquisa, selecionouse por meio de critérios objetivos 38 artigos para revisão. Como resultado identificouse que Máquinas de Vetores de Suporte, Redes Neurais Artificiais e Máquinas de Aprendizado Extremo eram os algoritmos mais utilizados para o problema de previsibilidade proposto. Por fim, entendeu-se que a modelagem de dados de parâmetros meteorológicos para a região em estudo era a abordagem mais utilizada dado a próxima relação entre a disponibilidade do recurso natural de irradiação e a geração de eletricidade pela conversão fotovoltaica. Em sequência, os três algoritmos foram implementados, criando-se modelos de previsão fundamentados em dados de parâmetros meteorológicos medidos na cidade de São Paulo. No cenário proposto, constatou-se que a inclusão de todos os vi parâmetros meteorológicos disponibilizados para a região era a configuração de modelagem com melhores resultados. Nesta configuração, os três algoritmos implementados possuem acurácia de previsão próximas, com valores para correlação de Pearson entre irradiação prevista e observada entre 0,87 e 0,89. Entretanto, existe ligeira vantagem para os modelos implementados com o algoritmo SVM quando comparados os resultados nas métricas de erro propostas (RSME e MAE).