Métodos de aprendizado de máquina aplicado para previsão de séries temporais de energia solar

Abstract

Resumo : Este trabalho de conclusão de curso tem como objetivo analisar a previsão de séries temporais de energia solar utilizando modelos de aprendizado de máquina em comparação com métodos estatísticos tradicionais, visando a melhoria da eficiência na operação de sistemas energéticos. O estudo foca na aplicação de modelos de aprendizado de máquina, tais como Random Forest (RF), Gradient Boosting (GB) e Long Short-Term Memory (LSTM), além do método estatístico Seasonal Autoregressive Integrated Moving Average (SARIMA).A análise inclui previsões para diferentes janelas temporais, sendo as amostragens de 15 minutos e 1 hora utilizadas para previsões dentro do intervalo de um dia, enquanto a amostragem de 1 dia foi aplicada para prever o próximo dia. As análises foram realizadas com e sem a inclusão de variáveis exógenas. Os modelos foram avaliados com base em métricas como coeficiente de determinação R2 e Root Mean Squared Error (RMSE), permitindo a comparação do desempenho entre os diferentes modelos e configurações de previsão. Os resultados demonstraram que os modelos de aprendizado de máquina, especialmente o RF e o GB, apresentaram melhor eficiência computacional e precisão em cenários específicos, enquanto o modelo SARIMA, apesar de resultados promissores, apresentou maior custo computacional. Previsões para um e múltiplos dias à frente foram realizadas, evidenciando desafios relacionados à baixa correlação de curto prazo e à variabilidade dos dados. Os resultados indicaram que modelos baseados em aprendizado de máquina são capazes de capturar padrões complexos de geração de energia solar, mas ainda enfrentam limitações devido à variabilidade externa meteorológica

Abstract : This undergraduate thesis aims to analyze the forecasting of solar energy time series using machine learning models in comparison with traditional statistical methods, aimingto improve the operational efficiency of energy systems. The study focuses on the application of machine learning models such as Random Forest (RF), Gradient Boosting (GB), and Long Short-Term Memory (LSTM), as well as the statistical method Seasonal Autoregressive Integrated Moving Average (SARIMA). The analysis includes forecasts for different time windows, with 15-minute and 1-hour samplings used for forecasts within the interval of one day, while the 1-day sampling was applied to predict the next day. The analyses were conducted with and without the inclusion of exogenous variables. The models were evaluated based on metrics such as the coefficient of determination (R2) and Root Mean Squared Error (RMSE), enabling the comparison of performance between different models and forecasting configurations. The results demonstrated that machine learning models, especially RF and GB, offer better computational efficiency and accuracy in specific scenarios, whereas the SARIMA model, despite promising results, exhibited a higher computational cost. Forecasts for one and multiple days ahead were carried out, revealing challenges related to low short-term correlation and data variability. The findings indicate that machine learning-based models can capture complex patterns of solar energy generation but still face limitations due to external meteorological variability