Previsão de geração fotovoltaica por perceptron multicamadas com base em geoposicionamento e dados meteorológicos

Abstract

A geração fotovoltaica representa uma porta de entrada para os pequenos consumidores como prossumidores no mercado de energia, pois sua modularidade permite ajustar o investimento de acordo com a escala. Os esforços regulatórios no sentido de aumentar a participação do consumidor no mercado de energia brasileiro tendem a incentivar o agrupamento de cargas e geradores em Microrredes e, principalmente, em Plantas Virtuais de Energia, operadas por agentes varejistas, para ganhos de escala e simplificação operacional. Com sua lógica de agregação de recursos remotos este ente deve alavancar ainda mais esta fonte de energia e criar novas oportunidades de negócios aos seus participantes, as quais demandam algoritmos de planejamento e operação especializados para a atuação competitiva. Esses algoritmos dependem de previsões de consumo e geração adaptados a esta nova realidade através da utilização de dados possíveis de se obter e modelos preparados para a incorporação de novas usinas. Este trabalho propõe uma abordagem para previsão intradiária e do dia seguinte com a aplicação de perceptron multicamadas a partir de dados físicos calculados do geoposicionamento solar, fontes de previsões meteorológicas disponíveis a qualquer interessado e dados de geração das usinas fotovoltaicas. Para orientar o desenvolvimento e os testes são utilizados os históricos de três usinas do Brasil, Estados Unidos e Austrália. Os experimentos realizados sugerem, considerados os prós e contras, que é possível selecionar uma estrutura de rede neural artificial comum às três usinas. Os resultados são verificados de acordo com a forma como a previsão é operacionalizada em uma microrrede ou planta virtual, ou seja, com o crescimento gradativo do histórico de dados de geração, algo raro na bibliografia. A agregação das previsões dessas usinas confirma o poder intrínseco de redução de variabilidade proporcionado pelas plantas virtuais. A comparação com um algoritmo de floresta aleatória, a segmentação dos erros por atributo de entrada e a análise dos maiores erros contribuem para a compreensão do potencial do perceptron multicamadas nesse tipo de aplicação e suas limitações, bem como para o aperfeiçoamento futuro do método.

Photovoltaic generation represents a gateway for small consumers as prosumers in the energy market, as its modularity allows fitting the investment to scale. Regulatory efforts to increase consumer participation in the Brazilian energy market tend to encourage the grouping of loads and generators in Microgrids and Virtual Power Plants operated by retail agents for gains in scale and operational simplification. With its logic of aggregating remote resources, this entity should further leverage this energy source and create for its participants new business opportunities, which demand specialized planning and operation algorithms for competitive performance. These algorithms depend on consumption and generation forecasts adapted to the small-scale reality through the appliance of available data and models prepared for the incorporation of new plants. This work proposes an intraday and day-ahead forecasting approach with the application of a multilayer perceptron based on solar geopositioning calculated data, weather forecast sources available to any interested party, and generation data from the photovoltaic plants. Historical data from three plants in Brazil, the United States, and Australia guides the developing process. Considering the pros and cons, experiments suggest that it is possible to select a single structure for the artificial neural network of the three plants. The verification of results takes the gradual growth of the historical generation data, somehow rare in the bibliography, although expected in Microgrids or Virtual Power Plants scenarios. The aggregation of forecasts from these plants confirms the intrinsic power of the variability reduction provided by Virtual Power Plants. The comparison with the random forest algorithm results added to the evaluation of errors by input attribute all contributes to understanding the multilayer perceptron potential in this type of application and its limitations, as well as the future improvement of the method.