Aplicação de Modelos Preditivos para a Geração de Energia Solar Fotovoltaica

Abstract

A previsibilidade de produção de energia elétrica é um dos grandes desafios do sistema elétrico brasileiro dada a atual expansão da geração proveniente de fontes como a fotovoltaica e eólica. O presente trabalho objetiva aplicar modelos preditivos baseados em Machine Learning para a previsão de potência de saída de placas fotovoltaicas. Para isto, foram utilizados dados de doze usinas solares instaladas no hemisfério norte, os quais foram classificados e submetidos a modelos de aprendizado de máquina baseados em Ridge, Árvore de Decisão e XGBoost. A partir dos resultados obtidos se realizou uma análise comparativa entre dados reais e os previstos pelos modelos utilizando as métricas MAE, MSE e R². O modelo de aprendizagem XGBoost apresentou maior assertividade na previsão e a média dos seus valores de erro a partir das métricas utilizadas foram 3,71 para MAE, 22,75 para MSE e 0,39 para R². Os resultados apontam para o fato de que a utilização de sistemas de previsões computacionais se constitui como uma boa forma de prever produção de energia solar fotovoltaica a curto prazo.

The predictability of electricity production is one of the great challenges of the Brazilian electrical system given the current expansion of generation from sources such as photovoltaic and wind. The present work aims to apply predictive models based on Machine Learning to predict the output power of photovoltaic panels. For this, data from twelve solar plants installed in the northern hemisphere were used, which were classified and submitted to machine learning models based on Ridge, Decision Tree and XGBoost. From the results obtained, a comparative analysis was carried out between real data and those predicted by the models using the MAE, MSE and R² metrics. The XGBoost learning model showed more assertiveness in the prediction and the average of its error values from the metrics used were 3.71 for MAE, 22.75 for MSE and 0.39 for R². The results point to the fact that the use of computational forecasting systems is a good way to predict the production of photovoltaic solar energy in the short term.