Análise de dados e aprendizado de máquina aplicados na previsão de geração de potência elétrica de uma planta fotovoltaica

Abstract

Atualmente nota-se uma crescente demanda do mercado por soluções que usem aprendizado de máquina (AM), além disso, nos últimos anos o uso da energia fotovoltaica vem se popularizando, principalmente, graças a incentivos dos governos em busca de fontes limpas de energia. Esses dois temas são tópicos ativos de pesquisa na comunidade científica e encontram diversas aplicações na indústria. Nesse contexto, utilizando análise exploratória de dados em conjunto com algoritmos de AM, o presente trabalho desenvolve uma estrutura de códigos (framework) destinada à estimação de séries temporais correspondentes à previsão de geração de potência elétrica em sistemas fotovoltaicos (plantas fotovoltaicas). Para a indústria, tal previsão tem sido um desafio comercial, visto a sua dependência quanto a variáveis climáticas, intensidade de irradiação, temperatura, dentre outros parâmetros de difícil previsibilidade, dessa forma, o uso de algoritmos de AM tem se tornado uma importante alternativa para a obtenção de previsões satisfatórias. Particularmente, este trabalho de pesquisa investiga a previsão de geração de potência elétrica realizada por algoritmos de AM baseados em modelos lineares e de redes neurais a partir de dados de plantas fotovoltaicas. Resultados dos desempenhos dos algoritmos de AM são apresentados e avaliados com vistas ao erro quadrático médio da estimação da geração de potência elétrica em corrente alternada (CA), confirmando a eficácia do framework desenvolvido neste trabalho.

Currently, there is a growing market demand for solutions that use machine learning (ML), in addition, in recent years the use of photovoltaic energy has become popular, mainly thanks to government incentives in search of clean sources of energy. These two themes are active research topics in the scientific community and find diverse applications in industry. In this context, using exploratory data analysis in conjunction with ML algorithms, the present work develops a code structure (framework) for the estimation of time series corresponding to the forecast of electric power generation in photovoltaic systems (photovoltaic plants). For the industry, such forecast has been a commercial challenge, given its dependence on climatic variables, irradiation intensity, temperature, among other parameters that are difficult to predict, thus, the use of ML algorithms has become an important alternative for obtaining satisfactory forecasts. Particularly, this research work investigates the forecast of electric power generation performed by ML algorithms based on linear models and neural networks from data from photovoltaic plants. Results of the performance of ML algorithms are presented and evaluated with a view to the mean square error of the estimation of electric power generation in alternating current (AC), confirming the effectiveness of the framework developed in this work.