ESTUDO COMPARATIVO ENTRE OS MÉTODOS LASSO E MACHINE LEARNING PARA PREVISÃO DA IRRADIAÇÃO SOLAR DE CURTO PRAZO

Resumo

A previsão da irradiação solar para curto prazo, especialmente a previsão para 5 minutos à frente, é adequada para a utilização no despacho de energia e sua precisão define a confiabilidade do sistema. Machine Learning - ML (Aprendizado de máquinas) é um método consagrado atualmente para previsões de diferentes naturezas e sua performance foi comparada ao método LASSO (least absolute shrinkage and selection operator), dentro do modelo de Regressão, para previsão da irradiação solar de curto prazo. O LASSO tem a capacidade de identificar preditores mais apropriados pois possui a propriedade de shrinkage, (encolhimento em português), que tem a capacidade de deletar completamente uma variável se esta não for tão relevante para o contexto de previsão. A simulação foi realizada no software R e, para tal, foram utilizados dados públicos do laboratório NREL, medidos em Oahu, no Havaí, com medidas de irradiação solar de nove estações solarimétricas, com taxa de amostragem com intervalos de 1 em 1 segundo. Foram utilizados quatro métricas notáveis (RMSE, nRMSE, MBE e MAE) para comparação dos métodos. Ambos os métodos se mostraram eficazes para a previsão de curto prazo. O LASSO alcançou RMSE de 27.95 W/m², nRMSE de 0.06 W/m², MAE de 10.53 W/m² e MBE de -3,90. O ANN atingiu RMSE de 28.42 W/m², nRMSE de 0.07 W/m², MAE de 10.56 W/m² e MBE de -3,89. Porém devido às interpretações que o método LASSO propicia, o método tem potencial para equiparar ao Machine Learning, para o horizonte de previsão em estudo, neste caso, previsão de curto prazo.