Aplicação de algoritmos de aprendizado de máquinas na estimativa da irradiação solar para geração fotovoltaica: Um estudo de caso

Abstract

Este trabalho de conclusão de curso tem como objetivo estudar a possibilidade de utilizar algoritmos de aprendizado de máquina para prever a irradiação global solar e, assim, utilizá-los em aplicações na área de energia elétrica fotovoltaica. Os dados meteorológicos utilizados no trabalho foram obtidos pela NASA e os dados de geração de energia solar fotovoltaica de uma usina de 2,5 MWp foram fornecidos por uma pessoa jurídica de direito privado, ambos os dados são da cidade de Campinas - São Paulo. Os dados foram tratados e analisados os seus comportamentos característicos e a sua integridade através do mapa de correlação de Pearson e gráficos boxplot. Assim, a variável “ALLSKY_SFC_SW_DWN” foi escolhida como alvo para os algoritmos preverem o seu comportamento e, a partir dessa escolha, as variáveis que apresentaram maior correlação foram a temperatura e a velocidade do vento. Neste trabalho, foi utilizado o método de Extreme Gradient Boost para entender a convergência do treinamento e a validação com um método que é simples e robusto. Partindo desse resultado, foram aplicados os métodos de Long Short-Term Memory (LSTM), Redes Neurais Convolucionais (RNC) e Multilayer Perceptron. Os resultados obtidos atingiram o objetivo proposto e o método com melhor desempenho foi o RNC e LSTM juntos.

The objective of this work is to investigate the feasibility of using machine learning algorithms to predict global solar irradiation, with potential applications in the field of photovoltaic electricity generation. The meteorological data used in this study were obtained from NASA, while the solar power generation data from a 2.5 MWp plant were provided by a private entity. Both datasets pertain to Campinas, São Paulo. The data underwent preprocessing and analysis to assess their characteristic behavior and integrity using Pearson correlation maps and box plots. Subsequently, the target variable "ALLSKY_SFC_SW_DWN" was selected for neural network prediction, with temperature and wind speed showing the highest correlations. The Extreme Gradient Boost method was employed to understand the convergence of training and validation, as it is a simple and robust approach. Based on these findings, Long Short-Term Memory (LSTM), Convolutional Neural Network (CNN), and Multilayer Perceptron methods were applied. The results achieved the proposed objective, with the CNN and LSTM combined method demonstrating the best performance.