Aplicação de Rede Neural Artificial e Algoritmos de PSO para Previsão de Geração de Energia Elétrica em uma Usina Solar Fotovoltaica no Ceará

• Autor(a) principal: Silva, Andre Wagner de Barros
• Data de Publicação: 2022
• Outros Autores: Bezerra, Erick Costa, Leão, Ruth Pastôra Saraiva, Cavalcante, Danielle Baltazar, Sampaio, Raimundo Furtado
• Tipo de documento: Artigo de conferência
• Idioma: por
• Título da fonte: Manancial - Repositório Digital da UFSM
• dARK ID: ark:/26339/0013000015jv8
• Texto Completo: http://repositorio.ufsm.br/handle/1/28881
• topic: Previsão; Rede neural; Geração Fotovoltaica; Modelo; PSO; CNPQ::ENGENHARIAS

Tendo em vista a enorme inserção de geração fotovoltaica (FV) na matriz energética brasileira nos últimos anos e levando-se em conta o caráter intermitente deste tipo de geração, faz-se necessária a existencia de modelos de previsão de geração cada vez mais precisos, de modo a possibilitar um melhor planejamento da operação da planta FV bem como do sistema elétrico como um todo. Desta maneira, neste trabalho é realizada a previsão de geração de energia elétrica de uma usina solar fotovoltaica de 160 MW localizada no Ceará, a partir de um modelo de rede neural MLP com unidades de atraso , denominada rede FTDNN (Focused Time Delay Neural Network), aplicando-se diferentes técnicas de treinamento: backpropagation (BP), Particle Swarm Optimization (PSO) e duas variações do algoritmo PSO, quais sejam PSO-AWF e PSO caótico (CPSO). Foi utilizada uma série temporal com dados meteorológicos e de geração de energia com integração horária, contemplando o período de dois anos (junho de 2019 a junho de 2021). Para fins de comparação de desempenho, diferentes modelos além dos já citados foram aplicados aos dados, sendo eles MLP Regressor (MLPR), Decision Tree Regressor (DTR), Linear Regressor (LR) e Persistência. A performance dos modelos implementados foi avaliada utilizando-se métricas de erro e o modelo FTDNN com técnica de treinamento BP obteve o melhor resultado.