Avaliação de Modelos de Inteligência Artificial aplicados à Predição de Irradiância Solar

Abstract

O aumento do uso de energia limpa e renovável, como a energia solar fotovoltaica, é necessário para suprir a demanda de consumo que vem aumentando no Brasil. No entanto, a geração de energia solar fotovoltaica possui características intrínsecas relativas as variáveis climáticas que causam intermitências no processo de geração, as quais podem promover instabilidades e insegurança no sistema elétrico. Umas das soluções para este problema utiliza o estudo de métodos e soluções para a Predição da Geração de Energia Solar Fotovoltaica (PGESF). Neste contexto, o objetivo deste estudo é desenvolver e comparar a acurácia de modelos de Inteligência Artificial aplicados à PGESF de curto prazo por meio da irradiância solar. Foram analisados os modelos de Machine Learning com Artificial Neural Networks (ANN) e Deep Learning com Long-Term Short Memory Networks (LSTM). A execução experimental foi projetada para utilizar uma única base de dados de treinamento e testes, com ambiente experimental homogêneo e controlado que permitiu realizar as análises comparativas. Os principais resultados indicam que existe diferença significativa na acurácia de predição entre os modelos ANN e LSTM. As redes LSTM demonstraram, em geral, melhores índices de acurácia de predição em relação as ANN. Além disso, a acurácia de determinado modelo diminui conforme o aumento do horizonte de predição. Todos os resultados de acurácias são apresentados por meio das principais métricas estatísticas utilizadas na literatura da PGESF.