Publicação

Previsão de energia em parques solares: estudo de caso com machine learning e variáveis ambientais

Detalhes bibliográficos
Resumo:	A crescente necessidade de fontes de energia renovável e a urgência em mitigar as alterações climáticas destacam a energia solar como uma das principais alternativas para a geração de eletricidade sustentável. No entanto, a variabilidade dos fatores ambientais e meteorológicos, como irradiação solar, temperatura do ar, humidade atmosférica e níveis de precipitação, representa um desafio significativo para a previsão precisa da produção de energia ativa em parques solares. Este trabalho, realizado em colaboração com a CJR Renewables, explorou o desenvolvimento de modelos preditivos para um parque solar localizado em Alenquer, Portugal, composto por 44.000 painéis fotovoltaicos. A análise baseou-se em dados reais de operação, utilizando o programa R para processamento, ajustamento de modelos e análise de resultados. Os dados relativos às variáveis ambientais foram agregados em médias diárias para capturar padrões sazonais e reduzir a complexidade computacional. Modelos de Regressão Linear Múltipla (RLM), sem e com interações, foram ajustados para fornecer análises explicativas detalhadas. Algoritmos de Machine Learning (ML) – Random Forest (RF), Gradient Boosting Machine (GBM) e Extreme Gradient Boosting (XGBoost) – foram aplicados para explorar eventuais padrões não lineares e avaliar o desempenho preditivo. Os resultados confirmaram a Irradiação solar como a variável mais relevante para a previsão da Produção de Energia ativa, explicando a maior parte da variabilidade observada. Interações significativas entre Irradiação solar e Temperatura do ar evidenciaram o efeito negativo de altas temperaturas na eficiência dos painéis solares. Entre os modelos avaliados, o XGBoost apresentou o melhor desempenho, atingindo o menor erro quadrático médio (RMSE) de 2616,55 e destacando-se pela capacidade de generalização em diferentes cenários climáticos. O método de RF não superou os modelos lineares em termos de desempenho, reforçando a importância dos modelos de RLM para análises explicativas e interpretação de interações específicas. Este trabalho fornece contribuições relevantes ao desenvolver um framework preditivo robusto que combina métodos lineares e não lineares, evidenciando a importância de capturar a sazonalidade e as interações entre variáveis climáticas. Futuras investigações podem explorar a inclusão de dados em tempo real e variáveis adicionais, como vento e poluição, para melhorar a adaptabilidade dos modelos. Os resultados obtidos têm implicações práticas para a operação e otimização de parques solares, fornecendo subsídios para decisões informadas e estratégicas no setor de energia renovável.
Autores principais:	Centurião, Michelle Soares
Assunto:	Irradiação solar Machine learning Previsão de energia Produção de energia solar Variáveis climáticas Climatic variables Energy forecasting Solar energy production Solar irradiation
Ano:	2024
País:	Portugal
Tipo de documento:	dissertação de mestrado
Tipo de acesso:	acesso aberto
Instituição associada:	Universidade do Minho
Idioma:	português
Origem:	RepositóriUM - Universidade do Minho

Descrição
Resumo:	A crescente necessidade de fontes de energia renovável e a urgência em mitigar as alterações climáticas destacam a energia solar como uma das principais alternativas para a geração de eletricidade sustentável. No entanto, a variabilidade dos fatores ambientais e meteorológicos, como irradiação solar, temperatura do ar, humidade atmosférica e níveis de precipitação, representa um desafio significativo para a previsão precisa da produção de energia ativa em parques solares. Este trabalho, realizado em colaboração com a CJR Renewables, explorou o desenvolvimento de modelos preditivos para um parque solar localizado em Alenquer, Portugal, composto por 44.000 painéis fotovoltaicos. A análise baseou-se em dados reais de operação, utilizando o programa R para processamento, ajustamento de modelos e análise de resultados. Os dados relativos às variáveis ambientais foram agregados em médias diárias para capturar padrões sazonais e reduzir a complexidade computacional. Modelos de Regressão Linear Múltipla (RLM), sem e com interações, foram ajustados para fornecer análises explicativas detalhadas. Algoritmos de Machine Learning (ML) – Random Forest (RF), Gradient Boosting Machine (GBM) e Extreme Gradient Boosting (XGBoost) – foram aplicados para explorar eventuais padrões não lineares e avaliar o desempenho preditivo. Os resultados confirmaram a Irradiação solar como a variável mais relevante para a previsão da Produção de Energia ativa, explicando a maior parte da variabilidade observada. Interações significativas entre Irradiação solar e Temperatura do ar evidenciaram o efeito negativo de altas temperaturas na eficiência dos painéis solares. Entre os modelos avaliados, o XGBoost apresentou o melhor desempenho, atingindo o menor erro quadrático médio (RMSE) de 2616,55 e destacando-se pela capacidade de generalização em diferentes cenários climáticos. O método de RF não superou os modelos lineares em termos de desempenho, reforçando a importância dos modelos de RLM para análises explicativas e interpretação de interações específicas. Este trabalho fornece contribuições relevantes ao desenvolver um framework preditivo robusto que combina métodos lineares e não lineares, evidenciando a importância de capturar a sazonalidade e as interações entre variáveis climáticas. Futuras investigações podem explorar a inclusão de dados em tempo real e variáveis adicionais, como vento e poluição, para melhorar a adaptabilidade dos modelos. Os resultados obtidos têm implicações práticas para a operação e otimização de parques solares, fornecendo subsídios para decisões informadas e estratégicas no setor de energia renovável.