Aprendizado de máquina para previsão de geração de energia fotovoltaica em dados de estações solarimétricas

Abstract

O aumento da demanda por energia elétrica em âmbito mundial é resultado do avanço tecnológico e econômico, levando ao desenvolvimento e adoção de novas fontes de energia, sendo de particular interesse a energia fotovoltaica. Com o desenvolvimento dos sistemas fotovoltaicos de geração surgem alguns desafios, como, a sua produção intermitente, ligada a forte dependência de fatores ambientais, climáticos, e meteoroló- gicos. A produção de energia inconstante destes sistemas pode resultar em problemas de confiabilidade, segurança, e planejamento para os produtores e concessionárias de distribuição de energia elétrica. Com o intuito de aumentar a confiabilidade do sistema como um todo, uma alternativa é a adoção de abordagens que realizam previsões acerca da energia produzida em sistemas fotovoltaicos. Este trabalho tem como objetivo estudar, aplicar e comparar estratégias de previsão de geração de energia baseadas em Aprendizado de Máquina para sistemas fotovoltaicos. Estas investigações são realizadas a partir de dados coletados por uma estação solarimétrica composta por sensores específicos. As estratégias investigadas podem ser divididas em duas grandes categorias: (i) estratégias baseadas em métodos individuais e (ii) estratégias baseadas em comitês de métodos. No primeiro caso, investigou-se o desempenho individual de diferentes métodos considerando variações em seus parâmetros e nos subconjuntos de atributos utilizados na descrição do problema. No segundo caso, investigou-se o uso de comitês de métodos com seu treinamento/aplicação baseado no tipo climático dos dias sob investigação, a fim de obter previsões mais direcionadas e precisas. A comparação de modelos individuais sugere melhores resultados com o uso de Redes Neurais Artificiais, especificamente com o uso da rede Multilayer Perceptron (MLP). A estratégia baseada em comitês apresentou melhores resultados quando comparada à estratégia de modelos individuais. Em particular, os melhores resultados foram observados quando os comitês foram empregados juntamente com conjuntos Fuzzy para a realização da categorização dos dias. O trabalho apresenta ainda uma proposta de estação solarimétrica de baixo custo que pode vir a ser utilizada para estudos futuros.

Abstract: The worldwide increase in electricity demand is a result of technological and economic advances, leading to the development and adoption of new energy sources. Among these, photovoltaic energy is of particular interest. Alongside the development of photovoltaic generation systems challenges emerge, noticeably related to their intermittent production which, in turn, is strongly dependent on environmental, climatic, and meteorological factors. The inconstant energy production of these systems can result in reliability, safety, and planning problems for power producers, distributors and consumers. In order to increase the reliability of the system as a whole, one alternative is to adopt approaches to forecast the expected amount of energy in photovoltaic systems. This work aims to study, employ and compare forecasting strategies based on Machine Learning for photovoltaic systems. These investigations are performed based on data collected by a solarimetric station composed of specific sensors. The strategies under investigation can be broadly divided into two categories: (i) individual method-based strategies and (ii) ensemble-based strategies. In the first case, the individual performance of different methods was investigated, considering variations in their parameters and in the subsets of attributes used in the problem description. In the second case, the use of ensembles was investigated. In this setting, methods were trained/applied based on the daily weather characteristics, in order to obtain targeted and accurate forecasts. The comparison of individual models suggests better results with the use of Artificial Neural Networks, specifically with the use of Multilayer Perceptron (MLP). Ensemble strategies showed better results when compared to the individual models. In particular, the best results were observed when ensembles were employed together with Fuzzy Sets to performing the categorization of days. The work also presents a proposal for a low-cost solarimetric station that can be used for future studies.