Previsão de geração fotovoltaica utilizando redes neurais recorrentes

• Autor(a) principal: Amorim, Diogo Alves
• Data de Publicação: 2023
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional do IFPE
• Texto Completo: https://repositorio.ifpe.edu.br/xmlui/handle/123456789/1009
• topic: ENGENHARIAS::ENGENHARIA ELETRICA; Fontes de energia renováveis; Energia solar fotovoltaica; Usina fotovoltaica; Previsão de geração solar; Rede neural recorrente; Long Short-Term Memory (LSTM)

Diante do crescimento do uso da energia solar fotovoltaica (FV) no Brasil nos últimos anos, é importante poder mensurar quanto as usinas gerarão nas próximas horas ou dias, para que seja feito um planejamento do setor elétrico de forma confiável, garantindo a qualidade e o fornecimento contínuo de energia elétrica. Sendo assim, esse trabalho consistiu em determinar os melhores hiperparâmetros para a construção de um modelo de previsão de energia solar FV utilizando a rede neural recorrente Long Short-Term Memory (LSTM). Após a construção do modelo, foram realizados testes com os dados históricos de geração da usina solar de Pirapora – MG, com o objetivo de fazer a previsão dos valores de geração de forma diária e horária. Utilizando as métricas de erro, Raiz do Erro Médio Quadrático (RMSE), Erro Médio Absoluto (MAE) e Erro Médio Absoluto Percentual (MAPE), foram encontrados valores de 467,95 kWh, 329,25 kWh e 23,23% para o teste de forma diária e 41,21 kWh, 27,50 kWh e 36,07% no teste de forma horária, em que, para ambos os casos o período de teste foi de 6 meses. Além disso, também foram obtidos os valores do RMSE, MAE e MAPE para as primeiras 120 horas do teste, que foram 19,47 kWh, 13,83 kWh e 16,05% para o período em questão, respectivamente. Os resultados encontrados para as duas formas de previsão foram considerados eficientes, visando que foi utilizada apenas uma entrada na rede neural.