Predição de geração de energia fotovoltaica utilizando imagens de satélite e aprendizado de máquina

Abstract

A busca crescente por energias renováveis cria um desafio de gestão de fornecimento energético. Fontes de energia fotovoltaica possuem intermitência de geração ocasionada por fatores meteorológicos e a imprevisibilidade destas variações deixa as redes suscetíveis a problemas de instabilidade, qualidade e equilibro. A produção de energia fotovoltaica possui uma forte relação com a irradiação solar, porém esta irradiação depende de diversos fatores meteorológicos que combinados determinam sua capacidade de geração. Neste aspecto, a previsão da geração de energia em painéis fotovoltaicos pode melhorar o gerenciamento das diversas fontes energética através do planejamento de geração. Esta previsão permite equilibrar diferentes fontes de energia, o que é vital para alcançar uma maior penetração da utilização de energia fotovoltaica. Para contornar o problema de previsibilidade da geração, este trabalho se propõe a investigar a combinação de dados de satélite com dados meteorológicos para prever o potencial de geração de energia em painéis fotovoltaicos em horizontes de 30, 60, 120 e 180 minutos. Para tal são utilizadas imagens do satélite GOES-16 em combinação com dados de uma estação meteorológica terrestre na ilha de Florianópolis. Os dados são utilizados para alimentar uma rede neural convolucional. As convoluções são utilizadas na construção de uma camada para extração de características das imagens de satélite com intuito de analisar a informação para relacionar com a irradiação solar. A saída da rede convolucional é utilizada como entrada de uma rede multilayer perceptron, que utiliza os dados para prever a irradiação na estação. Como resultado do estudo foi observado que os modelos com imagens de satélite fornecem previsões na ordem de 41,14% melhor no horizonte de 30min e 21,24% melhor no horizonte de 180min quando comparados com os modelos sem imagens de satélite.

Abstract: The increasing demand for renewable energy presents a challenge in energy supply management. Photovoltaic energy sources have intermittent generation due to weather factors, and the unpredictability of these variations leaves the power grids susceptible to instability, quality and balance issues. The production of photovoltaic energy is closely related to solar irradiation, which, depends on various meteorological factors that collectively determine its generation capacity. In this regard, forecasting energy generation in photovoltaic panels can enhance the management of diverse energy sources through generation planning. This forecast enables the balancing of different energy sources, which is crucial for achieving higher penetration of photovoltaic energy utilization. To address the predictability issue in generation, this study aims to investigate the combination of satellite data with meteorological data to predict the energy generation potential in photovoltaic panels within 30, 60, 120, and 180-minute horizons. For this purpose, satellite images from GOES-16 are used in combination with data from a ground-based weather station on Florianopolis Island. The data is fed into a convolutional neural network, where convolutions are employed to extract features from satellite images, aiming to analyze the information and establish a relationship with solar irradiation. The output of the convolutional network serves as input for a multilayer perceptron network, which utilizes the data to predict irradiation at the station. As a result of the study, it was observed that models incorporating satellite images provide predictions that are approximately 41.14% better for the 30-minute horizon and 21.24% better for the 180-minute horizon when compared to models without satellite images.