Modelos de aprendizado de máquina para previsão da irradiância global horizontal de curto prazo usando dados de telemetria local e imagens all-sky

Abstract

A energia solar vem aumentando sua participação na matriz energética de diversos países com elevadas taxas de crescimento. Essa fonte não é despachável e é afetada significativamente por fatores aleatórios relacionados às condições metereológicas, que podem afetar muito sua geração. Desta forma, é importante realizar previsões de geração no curto prazo e em diversos horizontes para manter e melhorar a estabilidade do sistema elétrico. É comum separar a previsão de geração em duas etapas: prever a Irradiância Global Horizontal (Global Horizontal Irradiance - GHI) e depois prever a geração em si com base na GHI e outras variáveis. Esta dissertação se propõe a analisar e comparar modelos de aprendizado de máquina para a previsão da GHI 15 minutos a frente, utilizando somente dados de sensores, somente dados de imagem all-sky ou uma combinação de ambos. Para os modelos com dados de sensores, investigou-se principalmente a arquitetura de redes neurais recorrentes Long Short-Term Memory (LSTM). Para os modelos com imagens, utilizou-se redes neurais convolucionais (Convolutional Neural Network - CNN), em particular as arquiteturas ResNet, EfficientNet e VGG. Já para os modelos híbridos, investigou-se arquiteturas que combinam LSTM e ResNet, tendo como entrada dados de sensores e imagens, respectivamente. Os resultados demonstram que para modelos com dados de sensores, o melhor modelo atingiu um forecast skill igual a 14,2%, a partir do erro médio absoluto (Mean Absolute Error - MAE), em relação ao modelo persistente inteligente, obtendo resultados comparáveis com os da literatura. Além disso, percebeu-se que a adição de imagens não melhorou os resultados, de forma que o melhor modelo encontrado foi o modelo somente com dados de sensores.

Abstract: Solar energy has been increasing its share in the energy matrix of several countries with high growth rates. This source is not dispatchable and is significantly affected by random factors related to weather conditions, which can greatly affect its generation. Therefore, it is important to forecast its generation in the short term and at different horizons to maintain and improve the stability of the electrical system. It is common to separate solar generation forecasting into two steps: forecast the Global Horizontal Irradiance (GHI) and then forecast the generation itself based on the GHI and other variables. This dissertation proposes to analyze and compare machine learning models to forecast GHI 15 minutes ahead, using sensors data only, all-sky image data only, or a combination of both. For the models with sensors data, it was mainly investigated the Long Short-Term Memory (LSTM) recurrent neural network architecture. For models with images, the convolutional neural networks (CNN) were used, in particular the ResNet, EfficientNet and VGG architectures. For hybrid models, architectures that combine LSTM and ResNet were investigated, with sensors and image data as input, respectively. The results show that for models with sensors data, the best model achieved an forecast skill equal to 14.2%, with respect to the mean absolute error (MAE), in relation to the smart persistent model, obtaining results comparable to those in the literature. In addition, it was observed that the addition of images did not improve the results, so the best model found was the model with sensor data only.