|
Abstract:
|
A influência das condições climáticas na incidência de irradiação solar representa um desafio à produção de energia fotovoltaica. Nuvens movendo-se ao redor do sol podem provocar saltos na irradiância em questão de segundos, resultando não apenas em perda de eficiência na produção de energia, como também em danos aos equipamentos. Para prever o impacto das nuvens em sistemas fotovoltaicos, métodos de previsão solar intra-hora (nowcasting) têm sido propostos. O presente trabalho utiliza técnicas de deep learning e de fluxo óptico para previsão intra-hora dos efeitos das nuvens. Esta previsão consiste na identificação de nuvens em imagens do céu, seguida pelo rastreio de sua movimentação. A identificação é feita via segmentação semântica, usando o modelo de rede neural PP-LiteSeg, treinado com um dataset de imagens de nuvens no horizonte. Detalhes sobre a criação deste dataset também são descrito no presente trabalho. Por sua vez, no rastreamento do movimento das nuvens, é empregado o método de fluxo óptico desenvolvido por Gunnar-Farneback. A predição é feita através de programa desenvolvido em Python, que processa uma sequência de fotos do horizonte e produz um vídeo indicando o tipo de cada nuvem, e também a direção e a velocidade de seu movimento. O programa classifica as nuvens com uma acurácia de 0,8698 e aponta, de maneira precisa, a direção de movimento através de setas inseridas nas imagens resultantes. Os resultados alcançados no presente trabalho indicam um grande potencial da técnica desenvolvida na área de energias renováveis. |
