Previsão de geração fotovoltaica utilizando redes neurais recorrentes
Resumo
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.