METODOLOGIA BASEADA EM REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DA GERAÇÃO DE PLANTAS FOTOVOLTAICAS
DOI:
https://doi.org/10.59627/cbens.2022.1077Palavras-chave:
Geração fotovoltaica, Redes Neurais Artificiais, Previsão SolarResumo
Previsões precisas da geração fotovoltaica (GFV) foram investigadas como significativas redutoras dos impactos que fontes intermitentes de geração elétrica fornecem aos sistemas elétricos. A previsão da GFV envolve incertezas que estão relacionadas às características das séries temporais do recurso solar e sua alta volatilidade devido à dependência de muitos condições do tempo. O presente artigo apresenta um estudo comparativo entre diferentes aplicações de Redes Neurais Artificiais (RNA) para a previsão horária da geração em duas plantas fotovoltaicas situadas no Laboratório de Energias Alternativas (LEA) da Universidade Federal do Ceará (UFC). No presente artigo, foram usadas duas configurações: a) RNA do tipo Perceptron com Múltiplas Camadas (MLP); e b) Rede Neural de Kohonen (SOM), ambas, treinadas com dados históricos de potência (W). Métricas de análise de desempenho foram aplicadas para avaliação e comparação das metodologias (coeficiente de correlação – r, eficiência de Nash-Sutcliffe – NSE e viés relativo – VR). Os resultados gerados pelas RNA mostraram que as aplicações com MLP apresentaram o melhor desempenho geral; as SOM obtiveram desempenho levemente abaixo e também apresentaram bom potêncial para uso na previsão de geração fotovoltaica. Ambas as RNA aplicadas obtiveram correlação próxima de 90%, baixo viés e NSE em torno de 0,80 e de 0,90 em algumas aplicações.
Downloads
Referências
AGÊNCIA NACIONAL DE ENERGIA ELÉTRICA - ANEEL. Resolução Normativa ANEEL nº 482: Estabelece as condições gerais para o acesso de microgeração e minigeração distribuída aos sistemas de distribuição de energia elétrica, o sistema de compensação de energia elétrica, e dá outras providências. Brasília. 2012.
Antonanzas, J., Osorio, N., Escobar, R., Urraca, R., Martinez-de-Pison, F. J., and Antonanzas-Torres, F., 2016. Review of Photovoltaic Power Forecasting, Solar Energy, 136, pp. 78–111.
Barrera J.M., Reina A., Maté A., Trujillo J.C., 2020. Solar Energy Prediction Model Based on Artificial Neural Networks and Open Data. Sustainability. 2020; 12(17):6915. https://doi.org/10.3390/su12176915
Bastos, Ícaro G. P., De Melo, Gustavo C. G., De Araújo, Ícaro B. Q., Barboza, Erick de A., Vieira, Tiago F., Brito, Davi B., 2020. Previsão de geração fotovoltaica a partir de dados meteorológicos utilizando rede LSTM. VIII Congresso Brasileiro de Energia Solar, Fortaleza.
Beale, M.; Hagan, M.; Demuth H. (2012). Neural Network Toolbox 7.0.3: User’s Guide. The MathWorks Inc, Natick, USA, 404 p.
Braga, A. P., Carvalho, A. P. de L., Ludermir T. B., 2007. Redes Neurais Artificiais: Teoria e Aplicações. 2ª edição, Editora LTC, Rio de Janeiro.
Carneiro, T. C., de Carvalho, P. C. M., Alves dos Santos, H., Lima, M. A. F. B., Braga, A. P. D. S., 2021. Review on Photovoltaic Power and Solar Resource Forecasting: Current Status and Trends. Journal of Solar Energy Engineering, 144(1), 010801. https://doi.org/10.1115/1.4051652.
Carneiro, T. C., Santos, H. A. D., Braga, A. P. D. S., & Carvalho, P. C. M. D. (2014). Redes neurais artificiais para previsão de velocidade do vento: estudo de caso para Maracanaú–CE. Congresso Brasileiro de Automática.
Farias, C. A. S.; Santos C. A. G.; Lourenço, A. M. G.; Carneiro, T. C., 2013. Kohonen Neural Networks for Rainfall-runoff Modeling: Case Study of Piancó River Basin, Journal of Urban and Environmental Engineering, v.7, n.1, p.176-182.
Freitas Filho, M. F., Araujo, D. N., Carvalho, P. C. M., Sasaki J. M, 2020. Análise da composição físico-química da sujidade de plantas fotovoltaicas: estudo de caso para Fortaleza, Revista Tecnologia, https://doi.org/10.5020/23180730.0.10751.
Haykin, S., 2001. Redes Neurais – Princípios e Prática, 2ª edição., Bookman.
Hossain M., Mekhilef S., Danesh M., Olatomiwa L., Shamshirband S., 2017. Application of extreme learning machine for short term output power forecasting of three grid-connected PV systems. Journal of Cleaner Production; 167:395-405. http://dx.doi.org/10.1016/j.jclepro.2017.08.081.
INTERNATIONAL ENERGY AGENCY (IEA). Key World Statistics 2020. Disponível em: <https://www.iea.org/reports/key-world-energy-statistics-2020>. Acesso em: 15 de julho de 2021.
INTERNATIONAL RENEWABLE ENERGY AGENCY (IREA). Solar Energy Data. Disponível em: <https://www.irena.org/solar>. Acesso em: 15 de outubro de 2021.
Jung Y., Jung J., Kim B., Han S., 2020. Long short-term memory recurrent neural network for modeling temporal patterns in long-term power forecasting for solar PV facilities: Case study of South Korea. Journal of Cleaner Production; https://doi.org/10.1016/j.jclepro.2019.119476.
Kaur, A., Nonnenmacher, L., Pedro, H. T. C., and Coimbra, C. F. M., 2016. Benefits of Solar Forecasting for Energy Imbalance Markets, Renewable Energy, 86, pp. 819–830.
Lettenmaier D. P., wood, E. F. “Hydrologic Forecasting” in Handbook of Hydrology. Org. by Maidment, D. R., McGraw-Hill Inc., New York, USA, pp. 26.1–26.30, 1993.
Lima, M. A. F. B., Carvalho, P. C. M., Fernández-Ramírez, L. M., and Braga, A. P. S., 2020. Improving Solar Forecasting Using Deep Learning and Portfolio Theory Integration, Energy, 195, p. 117016.
MertYagli, G., Yang, D., and Srinivasan, D., 2019. Automatic Hourly Solar Forecasting Using Machine Learning Models. Renewable Sustainable Energy Rev., 105, pp. 487–498.
Pedro, H. T. C., and Coimbra, C. F. M., 2015. Nearest-Neighbor Methodology for Prediction of Intra-Hour Global Horizontal and Direct Normal Irradiances, Renewable Energy, 80, pp. 770–782.
Pinheiro, Elisângela, Adalberto, Lovato, Ruther, Ricardo. Aplicabilidade de redes neurais artificiais para análise de geração de energia de um sistema fotovoltaico conectado à rede elétrica. Revista Brasileira de Energias Renováveis, v.7, n.5, pp. 875-892, 2017.
Vaz A.G.R., Elsinga B., van Sark W.G.J.H.M., Brito M.C., 2016. An artificial neural network to assess the impact of neighboring photovoltaic systems in power forecasting in Utrecht, the Netherlands. Renewable Energy; 85:631-641. http://dx.doi.org/10.1016/j.renene.2015.06.061.
Wang, G. C., Ratnam, E., Haghi, H. V., and Kleissl, J., 2019. Corrective Receding Horizon EV Charge Scheduling Using Short-Term Solar Forecasting, Renewable Energy, 130, pp. 1146–1158.