Comparação da Acurácia de Modelos de Redes Neurais Artificiais na Predição da Irradiância Solar e Geração de Energia Fotovoltaica
Resumo
Uma das maneiras de suprir o crescente consumo de energia elétrica com o uso de fontes de energia limpa e renovável, tal como a solar fotovoltaica. No entanto, este tipo de geração possui intermitências que aumentam a instabilidade e a insegurança da rede energética. Umas das soluções para este problema consiste no estudo de métodos para a Predição da Geração de Energia Solar Fotovoltaica (PGESF). Neste contexto, o presente estudo comparou a acurácia de predição de modelos de Redes Neurais Artificiais (RNA), publicado em [14], a partir de duas bases de dados (datasets) distintas e três diferentes horizontes de predição de curto prazo. Os resultados sugerem que o uso de diferentes variáveis meteorológicas e o tamanho do dataset influenciam significativamente (p-valor<0,001) na acurácia dos modelos. Além disso, a acurácia de predição dos modelos diminuiu conforme o horizonte de predição aumentou.
Palavras-chave:
predição de energia solar fotovoltaica, irradiância solar, Redes Neurais Artificiais
Referências
ANEEL, "Sistema de Informações de Geração da ANEEL - SIGA," Agência Nacional de Energia Elétrica., 2020. https://bit.ly/2IGf4Q0 (accessed Apr. 26, 2020).
MME, "Plano Decenal de Expansão de Energia 2026 (versão para consulta pública)." Brasília, p. 264, 2017.
M. G. Villalva, Energia Solar Fotovoltaica: Conceitos e aplicações, 2ed ed. São Paulo: Érica, 2015.
K. Lappalainen and S. Valkealahti, "Photovoltaic mismatch losses caused by moving clouds," Sol. Energy, vol. 158, no. October, pp. 455-461, 2017, doi: 10.1016/j.solener.2017.10.001.
J. Marcos, O. Storkël, L. Marroyo, M. Garcia, and E. Lorenzo, "Storage requirements for PV power ramp-rate control," Sol. Energy, vol. 99, pp. 28-35, Jan. 2014, doi: 10.1016/j.solener.2013.10.037.
S. Shivashankar, S. Mekhilef, H. Mokhlis, and M. Karimi, "Mitigating methods of power fluctuation of photovoltaic (PV) sources - A review," Renew. Sustain. Energy Rev., vol. 59, pp. 1170-1184, 2016, doi: 10.1016/j.rser.2016.01.059.
J. Antonanzas, N. Osorio, R. Escobar, R. Urraca, F. J. Martinez-de-Pison, and F. Antonanzas-Torres, "Review of photovoltaic power forecasting," Sol. Energy, vol. 136, pp. 78-111, 2016, doi: 10.1016/j.solener.2016.06.069.
P. Li, K. Zhou, and S. Yang, "Photovoltaic Power Forecasting: Models and Methods," in 2nd IEEE Conference on Energy Internet and Energy System Integration, EI2 2018 - Proceedings, Oct. 2018, pp. 1-6, doi: 10.1109/EI2.2018.8582674.
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.
J. N. Maciel, J. Javier Gimenez Ledesma, and O. Hideo Ando Junior, "Forecasting Solar Power Output Generation: A Systematic Review with the Proknow-C," IEEE Lat. Am. Trans., vol. 19, no. 4, pp. 612-624, Apr. 2021, doi: 10.1109/TLA.2021.9448544.
P. A. C. Rocha, J. L. Fernandes, A. B. Modolo, R. J. P. Lima, M. E. V. da Silva, and C. A. D. Bezerra, "Estimation of daily, weekly and monthly global solar radiation using ANNs and a long data set: a case study of Fortaleza, in Brazilian Northeast region," Int. J. Energy Environ. Eng., vol. 10, no. 3, pp. 319-334, 2019, doi: 10.1007/s40095-019-0313-0.
A. Mellit and A. M. Pavan, "A 24-h forecast of solar irradiance using artificial neural network: Application for performance prediction of a grid-connected PV plant at Trieste, Italy," Sol. Energy, vol. 84, no. 5, pp. 807-821, 2010, doi: 10.1016/j.solener.2010.02.006.
V. H. Wentz, J. N. Maciel, M. N. Kapp, J. J. G. Ledesma, O. H. Ando Junior, and O. H. A. Junior, "Comparação de Modelos de Redes Neurais Artificiais para a Predição da Irradiância Solar na Geração de Energia Fotovoltaica," in Anais do I Congresso Brasileiro Interdisciplinar em Ciência e Tecnologia, 2020, p. 8, [Online]. Disponível em: [link].
J. N. Maciel, V. H. Wentz, J. J. G. Ledesma, and O. H. Ando Junior, "Analysis of Artificial Neural Networks for Forecasting Photovoltaic Energy Generation with Solar Irradiance," Brazilian Arch. Biol. Technol., vol. 64, no. spe, 2021, doi: 10.1590/1678-4324-75years-2021210131.
F. UFSC, "Fotovoltaica - Grupo de Pesquisa Estratégica em Energia Solar Fotovoltaica," 2021. https://fotovoltaica.ufsc.br/sistemas/fotov (accessed Sep. 20, 2021).
H. T. C. Pedro, D. P. Larson, and C. F. M. Coimbra, "A comprehensive dataset for the accelerated development and benchmarking of solar forecasting methods," J. Renew. Sustain. Energy, vol. 11, no. 3, p. 036102, May 2019, doi: 10.1063/1.5094494.
S. Russell and P. Norvig, Artificial Intelligence: A Modern Approach, 3rd editio. India: Pearson Education India, 2015.
S. O. Rezende, Sistemas Inteligentes, 1st ed., vol. 2013. São Paulo: Manole, 2003.
C. A. Gueymard, "A review of validation methodologies and statistical performance indicators for modeled solar radiation data: Towards a better bankability of solar projects," Renew. Sustain. Energy Rev., vol. 39, pp. 1024-1034, 2014, doi: 10.1016/j.rser.2014.07.117.
E. Mining, Python Machine Learning: Understand Python Libraries (Keras, NumPy, Scikit-Lear, TensorFlow) for Implementing Machine Learning Models in Order to Build Intelligent Systems. Amazon Digital Services LLC - KDP Print US, 2019.
E. Bisong, "Google Colaboratory," in Building Machine Learning and Deep Learning Models on Google Cloud Platform, Berkeley, CA: Apress, 2019, pp. 59-64.
Jamovi, "The jamovi project (2021)," Computer Software, 2021.
P. R. B. Guimarães, Métodos quantitativos estatísticos, 1.ed. rev. Curitiba, PR: IESDE Brasil S.A., 2012.
P. A. Morettin and W. de O. Bussab, Estatística básica, 9a edição. São Paulo: Saraivauni, 2017.
J. Hsu, Multiple Comparisons: Theory and Methods, 1st ed. Ohio - USA: Taylor & Francis, 1996.
MME, "Plano Decenal de Expansão de Energia 2026 (versão para consulta pública)." Brasília, p. 264, 2017.
M. G. Villalva, Energia Solar Fotovoltaica: Conceitos e aplicações, 2ed ed. São Paulo: Érica, 2015.
K. Lappalainen and S. Valkealahti, "Photovoltaic mismatch losses caused by moving clouds," Sol. Energy, vol. 158, no. October, pp. 455-461, 2017, doi: 10.1016/j.solener.2017.10.001.
J. Marcos, O. Storkël, L. Marroyo, M. Garcia, and E. Lorenzo, "Storage requirements for PV power ramp-rate control," Sol. Energy, vol. 99, pp. 28-35, Jan. 2014, doi: 10.1016/j.solener.2013.10.037.
S. Shivashankar, S. Mekhilef, H. Mokhlis, and M. Karimi, "Mitigating methods of power fluctuation of photovoltaic (PV) sources - A review," Renew. Sustain. Energy Rev., vol. 59, pp. 1170-1184, 2016, doi: 10.1016/j.rser.2016.01.059.
J. Antonanzas, N. Osorio, R. Escobar, R. Urraca, F. J. Martinez-de-Pison, and F. Antonanzas-Torres, "Review of photovoltaic power forecasting," Sol. Energy, vol. 136, pp. 78-111, 2016, doi: 10.1016/j.solener.2016.06.069.
P. Li, K. Zhou, and S. Yang, "Photovoltaic Power Forecasting: Models and Methods," in 2nd IEEE Conference on Energy Internet and Energy System Integration, EI2 2018 - Proceedings, Oct. 2018, pp. 1-6, doi: 10.1109/EI2.2018.8582674.
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.
J. N. Maciel, J. Javier Gimenez Ledesma, and O. Hideo Ando Junior, "Forecasting Solar Power Output Generation: A Systematic Review with the Proknow-C," IEEE Lat. Am. Trans., vol. 19, no. 4, pp. 612-624, Apr. 2021, doi: 10.1109/TLA.2021.9448544.
P. A. C. Rocha, J. L. Fernandes, A. B. Modolo, R. J. P. Lima, M. E. V. da Silva, and C. A. D. Bezerra, "Estimation of daily, weekly and monthly global solar radiation using ANNs and a long data set: a case study of Fortaleza, in Brazilian Northeast region," Int. J. Energy Environ. Eng., vol. 10, no. 3, pp. 319-334, 2019, doi: 10.1007/s40095-019-0313-0.
A. Mellit and A. M. Pavan, "A 24-h forecast of solar irradiance using artificial neural network: Application for performance prediction of a grid-connected PV plant at Trieste, Italy," Sol. Energy, vol. 84, no. 5, pp. 807-821, 2010, doi: 10.1016/j.solener.2010.02.006.
V. H. Wentz, J. N. Maciel, M. N. Kapp, J. J. G. Ledesma, O. H. Ando Junior, and O. H. A. Junior, "Comparação de Modelos de Redes Neurais Artificiais para a Predição da Irradiância Solar na Geração de Energia Fotovoltaica," in Anais do I Congresso Brasileiro Interdisciplinar em Ciência e Tecnologia, 2020, p. 8, [Online]. Disponível em: [link].
J. N. Maciel, V. H. Wentz, J. J. G. Ledesma, and O. H. Ando Junior, "Analysis of Artificial Neural Networks for Forecasting Photovoltaic Energy Generation with Solar Irradiance," Brazilian Arch. Biol. Technol., vol. 64, no. spe, 2021, doi: 10.1590/1678-4324-75years-2021210131.
F. UFSC, "Fotovoltaica - Grupo de Pesquisa Estratégica em Energia Solar Fotovoltaica," 2021. https://fotovoltaica.ufsc.br/sistemas/fotov (accessed Sep. 20, 2021).
H. T. C. Pedro, D. P. Larson, and C. F. M. Coimbra, "A comprehensive dataset for the accelerated development and benchmarking of solar forecasting methods," J. Renew. Sustain. Energy, vol. 11, no. 3, p. 036102, May 2019, doi: 10.1063/1.5094494.
S. Russell and P. Norvig, Artificial Intelligence: A Modern Approach, 3rd editio. India: Pearson Education India, 2015.
S. O. Rezende, Sistemas Inteligentes, 1st ed., vol. 2013. São Paulo: Manole, 2003.
C. A. Gueymard, "A review of validation methodologies and statistical performance indicators for modeled solar radiation data: Towards a better bankability of solar projects," Renew. Sustain. Energy Rev., vol. 39, pp. 1024-1034, 2014, doi: 10.1016/j.rser.2014.07.117.
E. Mining, Python Machine Learning: Understand Python Libraries (Keras, NumPy, Scikit-Lear, TensorFlow) for Implementing Machine Learning Models in Order to Build Intelligent Systems. Amazon Digital Services LLC - KDP Print US, 2019.
E. Bisong, "Google Colaboratory," in Building Machine Learning and Deep Learning Models on Google Cloud Platform, Berkeley, CA: Apress, 2019, pp. 59-64.
Jamovi, "The jamovi project (2021)," Computer Software, 2021.
P. R. B. Guimarães, Métodos quantitativos estatísticos, 1.ed. rev. Curitiba, PR: IESDE Brasil S.A., 2012.
P. A. Morettin and W. de O. Bussab, Estatística básica, 9a edição. São Paulo: Saraivauni, 2017.
J. Hsu, Multiple Comparisons: Theory and Methods, 1st ed. Ohio - USA: Taylor & Francis, 1996.
Publicado
13/10/2021
Como Citar
URZAGASTI, Carlos Alejandro; MACIEL, Joylan Nunes; WENTZ, Victor Hugo; LEDESMA, Jorge Javier Gimenez; ANDO JUNIOR, Oswaldo Hideo.
Comparação da Acurácia de Modelos de Redes Neurais Artificiais na Predição da Irradiância Solar e Geração de Energia Fotovoltaica. In: CONGRESSO LATINO-AMERICANO DE SOFTWARE LIVRE E TECNOLOGIAS ABERTAS (LATINOWARE), 18. , 2021, Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2021
.
p. 53-58.
DOI: https://doi.org/10.5753/latinoware.2021.19905.
