Aplicação do modelo encoder decoder LSTM para previsão de geração fotovoltaica

• Main Author: Arruda, Fernando Vasconde de [UNIFESP]
• Publication Date: 2024
• Format: Master thesis
• Language: por
• Source: Repositório Institucional da UNIFESP
• Download full: https://hdl.handle.net/11600/72742
• topic: Geração fotovoltaica; Previsão de curto-prazo; Aprendizado de máquina; Encoder-Decoder; LSTM; Sensoriamento remoto; Photovoltaic power generation; Short-term forecasting; Machine learning; Encoder-Decoder; LSTM; Remote sensing

Um dos pilares para o desenvolvimento tecnológico da sociedade moderna é a energia elétrica, cujo consumo vem crescendo com os avanços tecnológicos. Grande parte da geração de eletricidade provém de combustíveis fósseis; contudo, as fontes renováveis têm ganho destaque devido aos pactos globais que visam à redução da emissão de gases de efeito estufa com o objetivo de controlar o aumento da temperatura do planeta. O recurso solar é uma alternativa importante para essa transição energética, mas ainda existem desafios tecnológicos que precisam ser superados para ampliar sua utilização. A intermitência da geração fotovoltaica, associada às condições meteorológicas, é um dos principais desafios. Este trabalho aplicou uma metodologia de previsão de geração fotovoltaica para um horizonte de 1 a 3 horas baseada em redes neurais utilizando uma arquitetura conhecida como Encoder-Decoder Long Short-Term Memory (EDLSTM). Esse modelo é altamente eficiente para problemas conhecidos como seq2seq, onde uma sequência de dados é usada como entrada e outra sequência é gerada como saída. O funcionamento do modelo envolve dois componentes: o encoder, que comprime a sequência de entrada em um vetor de comprimento fixo, e o decoder, que descomprime esse vetor para obter a sequência de previsão. Para o treinamento, foram utilizados dados meteorológicos e a série histórica da potência do gerador fotovoltaico localizado na Universidade de São Paulo. A série histórica abrange o período de 2018 a 2022, sendo que os dados de 2018 a 2021 foram usados para treinamento e validação, enquanto os dados de 2022 foram reservados para testes. Foram considerados quatro grupos de atributos de entrada, sendo dois com variáveis atmosféricas e dois com a série histórica de potência. O algoritmo de Grid Search foi implementado para identificar os melhores hiperparâmetros para a topologia das redes. A avaliação do modelo foi realizada utilizando a Raiz do Erro Quadrático Médio (RMSE), o Erro Médio de Viés (MBE) e o Erro Absoluto Médio (MAE), normalizados tanto pela potência nominal do gerador quanto pela média da geração observada (pRMSE, pMBE e pMAE). Além disso, foi utilizado o Skill Score (SS), que compara o desempenho do modelo estudado com um modelo de persistência baseado no índice de claridade de céu claro. Os modelos que utilizaram os atributos de potência como entrada para o treinamento do modelo obtiveram melhor desempenho, com destaque para os modelos EDLSTM P, que apresentou índices de Skill Score variando entre 14,42% e 47,95%, e o EDLSTM PAZ, com índices variando entre 15,16% e 48,67%. Esses dois modelos apresentaram valores positivos de Skill Score em condições de céu claro, nublado e parcialmente nublado, para os três horizontes de previsão.