Predição de geração fotovoltaica baseada em condições ambientais : um estudo de caso

Abstract

Resumo: A geração fotovoltaica cresce rapidamente a cada ano. A capacidade instalada das usinas fotovoltaicas (UFVs) no Brasil tem potencial para superar usinas hidrelétricas no horizonte de 30 anos. Os dados provenientes de monitoramento de sistemas fotovoltaicos são importantes para gerenciamento e investigações, mas muitas vezes apresentam amostras faltantes por várias causas, geralmente relacionadas ao sistema de comunicação e armazenamento. Para suprir essa falta, avaliamos um preenchimento de dados fotovoltaicos com algoritmos treinados de forma supervisionada, usando durante a etapa de aprendizado a potência gerada por usinas próximas e de usinas distantes, temperatura dos módulos solares, radiação solar e a velocidade do vento. Métodos baseados em regressão linear e redes neurais foram analisados neste estudo de caso do sistema fotovoltaico instalado no campus da Universidade Federal do Paraná. Foi analisada uma base de dados de 122 dias, abrangendo 5 inversores e uma estação meteorológica. Após a normalização dos dados, foram realizados 8 experimentos para determinar o melhor modelo de predição da geração solar, baseado em regressão linear ou rede neural. Utiliza-se a potência de inversores próximos ou distantes para o treino, além de variáveis meteorológicas; a radiação solar, temperatura do módulo e velocidade do vento foram analisados. Foi implementado a correlação de Pearson para avaliar a semelhança entre as variáveis. Após os experimentos, o modelo que obteve o melhor desempenho foi o da rede neural com 60 neurônios na camada oculta, auxiliado pela radiação solar e temperatura do módulo. A velocidade do vento foi validada como irrelevante durante os experimentos. Utilizando o melhor modelo foi possível prever o inversor 1, com o treino de um sistema próximo mais as variáveis meteorológicas e obteve-se um RMSE(Root Mean Squared Error) de 2.54%. Em contrapartida, ao prever o mesmo inversor com sistemas distantes (400 metros), obteve-se um RMSE de 8.28%

Abstract: The photovoltaic generation sector grows rapidly each year. The installed capacity of photovoltaic power plants (UFVs) in Brazil has the potential to surpass that of hydroelectric plants within the next 30 years. Data from photovoltaic system monitoring is crucial for management and research purposes, though it often contains missing samples due to various causes, typically related to communication and storage systems. To address these gaps, we evaluated the imputation of photovoltaic data using supervised learning algorithms, incorporating power generated by nearby and distant plants, module temperature, solar radiation, and wind speed as input data in the learning phase. In this case study of the photovoltaic system installed at the Federal University of Paraná campus, methods based on linear regression and neural networks were analyzed. A 122-day dataset was analyzed, encompassing five inverters and one meteorological station. Following data normalization, eight experiments were conducted to determine the best predictive model for solar generation, based on linear regression or neural networks. The training utilized power data from nearby and distant inverters, along with meteorological variables such as solar radiation, module temperature, and wind speed. Pearson’s correlation was applied to assess the similarity between variables. After the experiments, the model that achieved the best performance was the neural network model with 60 neurons in the hidden layer, supported by solar radiation and module temperature, with wind speed confirmed as irrelevant during testing. Using the best-performing model, it was possible to predict the output of inverter 1, using training data from a nearby system combined with meteorological variables, achieving a Root Mean Squared Error (RMSE) of 2.54%. Conversely, when predicting the same inverter with data from distant systems (400 meters away), an RMSE of 8.28% was obtained