Navegando por Autor "Souza, Gustavo Campoi de"

Agora exibindo 1 - 1 de 1
  • Imagem de Miniatura
    Item
    Aprendizado profundo aplicado à predição da irradiância solar por meio do método híbrido de predição
    (2025-03-13) Souza, Gustavo Campoi de
    A predição da irradiância solar é essencial para otimizar sistemas fotovoltaicos e mitigar a intermitência da geração solar na rede elétrica. Este estudo avalia e compara a acurácia do Método Híbrido de Predição (MHP) utilizando Redes Neurais Artificiais (RNA) MultiLayer Perceptron (MLP) e duas arquiteturas de Aprendizado Profundo (Deep Learning): Redes Neurais Recorrentes (RNN) e Long Short-Term Memory (LSTM). O objetivo é verificar se modelos que capturam dependências temporais (RNN e LSTM) proporcionam maior acurácia preditiva em comparação à RNA convencional do MHP. Os experimentos foram realizados com dados de irradiância solar e imagens all-sky (180°) coletados entre 2014 e 2016, considerando três horizontes de predição (1, 5 e 15 minutos). Foram aplicadas validação cruzada de 3-folds e otimização Bayesiana para ajuste de hiperparâmetros. A acurácia foi avaliada pelas métricas RMSE, MAE e R². Os resultados indicam que a RNA obteve o menor RMSE médio geral (70,42), enquanto RNN apresentou o maior erro médio (75,5). Apesar da pequena vantagem da RNA, o teste estatístico de Friedman revelou que as diferenças de desempenho entre os modelos avaliados não são estatisticamente significativas (p > 0,05). As principais contribuições do estudo incluem: (i) demonstrar que modelos mais simples (RNA) podem alcançar acurácia semelhante a arquiteturas mais robustas (RNN e LSTM), evitando custos computacionais elevados; (ii) reforçar a importância do pré-processamento de imagens all-sky do MHP, que pode reduzir a necessidade de redes recorrentes; e (iii) fornecer um protocolo experimental estruturado para avaliação de modelos de predição de irradiância solar. Estudos futuros podem explorar modelos híbridos, diferentes horizontes temporais e abordagens baseadas em Transformers para aprimorar a eficácia do MHP. Resumen La predicción de la irradiancia solar es esencial para optimizar los sistemas fotovoltaicos y mitigar la intermitencia de la generación solar en la red eléctrica. Este estudio evalúa y compara la precisión del Método Híbrido de Predicción (MHP) utilizando Redes Neuronales Artificiales (RNA) MultiLayer Perceptron (MLP) y dos arquitecturas de Aprendizaje Profundo (Deep Learning): Redes Neuronales Recurrentes (RNN) y Long Short-Term Memory (LSTM). El objetivo es verificar si los modelos que capturan dependencias temporales (RNN y LSTM) proporcionan una mayor precisión predictiva en comparación con la RNA convencional del MHP. Los experimentos se realizaron con datos de irradiancia solar e imágenes all-sky (180°) recopilados entre 2014 y 2016, considerando tres horizontes de predicción (1, 5 y 15 minutos). Se aplicaron validación cruzada de 3 particiones (3-folds) y optimización Bayesiana para el ajuste de hiperparámetros. La precisión se evaluó mediante las métricas RMSE, MAE y R². Los resultados indican que la RNA obtuvo el RMSE promedio más bajo (70,42), mientras que RNN presentó el mayor error promedio (75,5). A pesar de la ligera ventaja de la RNA, la prueba estadística de Friedman reveló que las diferencias de rendimiento entre los modelos no son estadísticamente significativas (p > 0,05). Las principales contribuciones del estudio incluyen: (i) demostrar que modelos más simples (RNA) pueden lograr una precisión similar a arquitecturas más complejas (RNN y LSTM), evitando altos costos computacionales; (ii) reforzar la importancia del preprocesamiento de imágenes all-sky en el MHP, lo que puede reducir la necesidad de redes recurrentes; y (iii) proporcionar un protocolo experimental estructurado para la evaluación de modelos de predicción de irradiancia solar. Estudios futuros pueden explorar modelos híbridos, diferentes horizontes temporales y enfoques basados en Transformers para mejorar la eficacia del MHP.