Maciel, Joylan NunesAndo Junior, Oswaldo HideoWentz, Victor Hugo2021-10-212021-10-212021https://dspace.unila.edu.br/handle/123456789/6319Trabalho de Conclusão de Curso apresentado ao Instituto Latino-Americano de Ciências da Vida e da Natureza da Universidade Federal da Integração Latino-Americana, como requisito parcial à obtenção do título de Bacharel em Engenharia Física.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.poropenAccessPredição de Energia Solar FotovoltaicaInteligência ArtificialAprendizado de MáquinaIrradiância SolarbachelorThesis