Photovoltaic generation forecast in adversarial settings

• Autor(a) principal: Santana, Everton Jose
• Data de Publicação: 2024
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UEL
• Texto Completo: https://repositorio.uel.br/handle/123456789/8380
• topic: Computação; Geração de energia fotovoltaica; Predição de séries temporais; Aprendizado do computador; Aprendizado profundo; Computer science; Photovoltaic power generation; Time series forecast; Machine learning; Deep learning

Resumo: A previsão de geração fotovoltaica, assim como outros cenários de séries temporais, é uma tarefa desafiadora Em particular para esse tipo de geração, a dependência de fatores meteorológicos aumenta a dificuldade de obter métodos preditivos com desempenho adequado A maioria das soluções atuais relacionadas à previsão de geração fotovoltaica é baseada em algoritmos de aprendizado de máquina, que normalmente oferecem desempenho superior aos métodos estatísticos tradicionais Contudo, modelos de aprendizado de máquina, mais especificamente de aprendizado profundo, têm se mostrado vulneráveis a ataques adversariais ao longo de sua execução, aumentando o erro do modelo Considerando que o aumento no erro preditivo em uma usina pode causar grandes danos, antecipar possíveis ataques e proteger-se deles é uma atitude essencial Nesse sentido, três principais eixos são investigados: i) obter modelos preditivos de geração fotovoltaica satisfatórios, ii) analisar as vulnerabilidades desses modelos em relação a ataques adversariais e iii) defendê-los desse tipo de ataque Primeiramente, quatro técnicas de séries temporais são exploradas para a predição de geração, denominadas Naive - referência para séries temporais -, modelo Autorregressivo Integrado de Médias Móveis - da área estatística -, e Redes de Memória de Curto e Longo Prazo e Rede Convolucional Temporal - ambas da família de aprendizado profundo Essas técnicas foram utilizadas na predição de geração com 15 minutos e 24 horas de antecedência, tendo como entrada apenas dados históricos de geração Neste ponto, foi analisada a influência do número de amostras de treino com atualizações mensais no desempenho dos modelos preditivos e qual deles forneceu menor erro Posteriormente, foi investigado como os dados de séries temporais univariadas puderam ser modificados por um ataque adversarial com o intuito de degradar o desempenho do modelo por meio de transferência entre técnicas Para isso, o algoritmo de ataque fast gradient sign method (FGSM), junto com um modelo substituto de regressão logística, foi usado para realizar ataques contra os modelos durante o período de teste Por último, foi proposto um mecanismo para detectar ataques adversariais durante a operação da usina e defendê-la deles A detecção foi baseada em atributos estatísticos e classificadores Local Outlier Factor e One-Class Support Vector Machine Este trabalho foi baseado em dados reais de uma usina solar e os resultados mostram que os modelos de aprendizado profundo podem auxiliar no planejamento dessa usina, ao passo que mecanismos de defesa contra ataques adversariais devem ser adotados na previsão de geração fotovoltaica