Cluster MPI com Raspberry Pi para Treinamento Distribuído de Modelos LightGBM e Mapeamento de Sombreamento em Usinas Fotovoltaicas

• Vagner Souza IFCE
• Wendell Rodrigues IFCE
• Rejane Sá IFCE

DOI: https://doi.org/10.5753/eradco.2024.4373

Resumo

Este artigo propõe um sistema distribuído utilizando um cluster de Raspberry Pi, cada um com sensores de irradiância conectados a inversores em uma usina fotovoltaica. O sistema processa dados localmente com MPI para treinar modelos LightGBM, visando predição de energia e detecção de anomalias em tempo real. Além disso, um mapa virtual de sombreamento é gerado com base nos dados de irradiância. A abordagem minimiza o processamento em nuvem, reduzindo latência e custos, enquanto assegura respostas rápidas às mudanças ambientais. O sistema é integrado a um pipeline CI/CD para operações contínuas de MLOps. Resultados preliminares demonstram a escalabilidade e o potencial da solução para melhorar a confiabilidade das usinas fotovoltaicas.

Referências

de Souza, V. H., Rodrigues, W., and Lima, M. (2023). Smartgrid improvements on photovoltaic systems by analyzing energy and weather measures. In Proceedings of the Advance 2023.

Ignacio, A. and Martins, V. (2002). Mpi: uma ferramenta para implementação paralela. Pesquisa Operacional, 22.

Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., and Liu, T.-Y. (2017). Lightgbm: A highly efficient gradient boosting decision tree. In Neural Information Processing Systems.

Oda, T., Yamada, M., Obukata, R., Barolli, L., Woungang, I., and Takizawa, M. (2016). Experimental results of a raspberry pi based wireless mesh network testbed considering tcp and los scenario. In 2016 10th International Conference on Complex, Intelligent, and Software Intensive Systems (CISIS), pages 175–179.

Yu, F., Zhang, P., Xiao, W., and Choudhury, P. (2011). Communication systems for grid integration of renewable energy resources. Network, IEEE, 25:22 – 29.