Captura Automatizada de Informações Meteorológicas e Imagens de Satélite para a Predição de Geração de Energia Solar Fotovoltaica

• Carlos Alejandro Urzagasti UNILA
• Joylan Nunes Maciel UNILA
• Victor Hugo Wentz UNILA
• Jorge Javier Gimenez Ledesma UNILA
• Oswaldo Hideo Ando Junior UNILA

DOI: https://doi.org/10.5753/latinoware.2020.18625

Resumo

Uma das maneiras de suprir o crescente consumo de energia elétrica é por meio da energia solar fotovoltaica. No entanto, as condições climáticas promovem instabilidade neste tipo de geração de energia, limpa e renovável. Este estudo integra uma pesquisa sobre a predição de geração de energia solar fotovoltaica. O objetivo consiste em desenvolver uma ferramenta para captura automatizada de informações meteorológicas e imagens de satélite para uma determinada localização geográfica, utilizando serviços meteorológicos disponíveis na Internet. Os resultados preliminares são satisfatórios e demonstram a adequabilidade do método utilizado. A solução será disponibilizada (open-source) e contribuirá para o desenvolvimento de projetos que necessitem de captura automatizada das informações utilizadas.

Palavras-chave: predição de energia solar fotovoltaica, imagens de satélite, informações meteorológicas

Referências

R. B. Santos. Resenha Energética Brasileira Ano-Base 2019. 32. 2020.

R. C. Torres, “Energia solar fotovoltaica como fonte alternativa de geração de energia elétrica em edificações residenciais.,” Diss. apresentada à Esc. Eng. São Carlos, da Univ. São Paulo-SP, p. 164, 2012.

C. C. Martins, M. Sperandio, and D. Welfer, “Cloud Variance Impact on the Voltage and Power Flow of Distribution Networks with Photovoltaic Generators,” IEEE Lat. Am. Trans., vol. Vol. 100 N,2020.

M. G. Villalva, Energia Solar Fotovoltaica, 1 ed. São Paulo, 2012.

D. dos S. F. Soares, “Impactos da Dinâmica Atmosférica na Flutuação de Potência em Usinas Fotovoltaicas,” 2014.

INPE, “Princípios de Meteorologia e Meio Ambiente,” Instituto Nacional de Pesquisas Espaciais (INPE), 2020.https://www.cptec.inpe.br/glossario.shtml (accessedOct. 06, 2020).

D. Yang, J. Kleissl, C. A. Gueymard, H. T. C.Pedro, and C. F. M. Coimbra, “History and trends insolar irradiance and PV power forecasting: A preliminary assessment and review using text mining,” Sol. Energy, vol. 168, pp. 60–101, 2018,doi: 10.1016/j.solener.2017.11.023.

U. K. Das et al., “Forecasting of photovoltaic power generation and model optimization: A review,”Renew. Sustain. Energy Rev., vol. 81, no. August 2017, pp. 912–928, 2018, doi: 10.1016/j.rser.2017.08.017.

J. A. Torres, “Estimation and forecasting methods for design and operation of photovoltaic plants.”

R. Blaga, A. Sabadus, N. Stefu, C. Dughir, M. Paulescu, and V. Badescu, “A current perspective on the accuracy of incoming solar energy forecasting,” Prog. Energy Combust. Sci., vol. 70,pp. 119–144, 2019, doi:10.1016/j.pecs.2018.10.003.

E. Wolfram et al., “Atmosférico De La Patagonia Austral Cloud Optical Depth Intercomparison Measured With Different Instruments At Southern Patagonia,” vol. 25, no. September 2011, pp. 24–30,2012.

INPE, “CPTEC: Pindara - Classificação Diurna, ”Instituto Nacional de Pesquisas Espaciais (INPE), 2020. http://pindara.cptec.inpe.br/nuvens (accessedOct. 15, 2020).

INMET, “INMET: Monitoramento de Satélite GOES,” Instituto Nacional de Metereologia (INMET), 2020.

OpenWeather, “Open Weather API,” Open Weather Company, 2020. .

G. van Rossum, “Python 3.9.0 documentation,”Python Software Foundation, 2020. https://docs.python.org/3/.

QGIS, “Documentación del QGis 2.14: Complemento Georreferenciador,” 2020. [link]. (accessed Sep. 28, 2020).

R. Szeliski, Computer Vision: Algorithms and Applications. Springer, 2011.

J. N. Maciel, J. J. G. Ledesma, and O. H. Ando Junior, “Forecasting Solar Power Output Generation: A Systematic Review with the Proknow-C,” IEEE Lat. Am. Trans., vol. 100, no.No. 1e (2020): Early Access, 2020.