Previsão de geração de energia fotovoltaica usando modelos de inteligência artificial: uma revisão da literatura

Abstract

A integração em larga escala da geração de energia fotovoltaica (FV) nos sistemas elétricos modernos traz consigo desafios severos aos operadores de rede devido à intermitência intrínseca e à dependência das condições climáticas. Com o objetivo de identificar e classificar as técnicas mais precisas para a mitigação de incertezas na operação de redes elétricas, este trabalho realizou uma revisão sistemática da literatura focada em métodos de Aprendizado de Máquina (ML) e Aprendizado Profundo (DL) para horizontes de curto prazo e nowcasting. A metodologia seguiu o protocolo estruturado de Gohr (2013), utilizando o Portal de Periódicos CAPES para acessar bases de referência como Scopus e Web of Science. Foram aplicados critérios rigorosos de elegibilidade para publicações entre 2022 e 2026, resultando em uma amostra final de 15 artigos relevantes analisados na íntegra. Os resultados indicam uma clara transição dos modelos estatísticos isolados para arquiteturas híbridas e frameworks de Ensemble Learning, com destaque para o HybrEnNet e o acoplamento de modelos baseados em árvores (como XGBoost e CatBoost) via votação suavizada (soft-voting), que alcançaram coeficientes de determinação (R²) superiores a 99%. Adicionalmente, verificou-se que técnicas de decomposição de sinais (como WPD e VMD) e o uso de visão computacional em imagens de satélite e câmeras terrestres (All-Sky Images) constituem o estado da arte para prever variações abruptas de irradiância. Conclui-se que a mitigação de incertezas na rede elétrica depende da fusão de pipelines de pré-processamento robustos, modelos avançados de aprendizado e estratégias de interpretabilidade estatística.