Maciel, Joylan Nunes2023-01-262023-01-262022https://dspace.unila.edu.br/handle/123456789/7135Tese apresentada ao Programa de Pós-Graduação Interdisciplinar em Energia e Sustentabilidade da Universidade Federal da Integração Latino-Americana, como requisito parcial à obtenção do título de Doutor em Energia e Sustentabilidade.Existe a necessidade de suprir o aumento do consumo de energia elétrica que vem ocorrendo ao longo dos anos. No Brasil, uma das mais promissoras fontes de energia considerada renovável e utilizada como solução é a energia solar fotovoltaica. No entanto, a energia solar fotovoltaica possui peculiaridades intrínsecas, e não controláveis, que causam intermitências na sua geração. Isto se deve a fatores climáticos, tais como os ventos, as nuvens, a temperatura, a intensidade e a duração da irradiância solar, entre outras peculiaridades. Portanto, torna-se benéfico e relevante a existência de soluções para a predição da geração de energia solar fotovoltaica, possibilitando o aumento da segurança na geração e distribuição da energia elétrica com base na previsão das intermitências decorrentes do processo de geração. Neste contexto, o objetivo desta pesquisa é o desenvolvimento de um Método Híbrido de Predição (MHP) da irradiância solar aplicável a Predição da Geração de Energia Solar Fotovoltaica (PGESF) de curto prazo. A abordagem de execução híbrida do MHP emprega um conjunto de técnicas de Processamento de Imagens (PI), para extração de características do céu, e um modelo de predição baseado em Aprendizado de Máquina (Machine Learning). A análise experimental do MHP, realizada em diversos horizontes de predição de curto prazo (1, 5, 10, 15, 30 e 60 minutos), demonstrou que a abordagem proposta proporciona acurácia média de predição superior ao modelo de referência (Persistence) em 17,45% para todos os horizontes. Outro ponto de destaque, a acurácia de predição do MHP com o modelo de Aprendizado de Máquina baseado em rede neural artificial MultiLayer Perceptron (MLP) é similar ou supera, nos horizontes avaliados, as acurácias de diversos estudos da literatura científica que empregam imagens all-sky e utilizam PI, inclusive com métodos mais robustos de Aprendizado de Máquina Profundo (Deep Learning). Além disso, o uso do conjunto das métricas de PI do MHP proposto, possibilitou predições com maior acurácia (28% a 44%) em relação ao uso de informações meteorológicas nos modelos de aprendizado de máquina avaliados. Por ser um modelo de predição do tipo caixa-cinza, o MHP pode ser otimizado em relação ao uso de novas métricas de PI e a determinados horizontes de predição. Por fim, destaca-se que o MHP proposto contempla uma nova abordagem de execução híbrida, com extração explícita de um conjunto de características das imagens all-sky, que se mostrou viável com resultados satisfatórios, demonstrando um novo caminho em futuros estudos na PGESF.poropenAccessenergia solarenergia fotovoltaicapredição de geraçãocurto prazointeligência artificialaprendizado de máquinadoctoralThesis