APLICAÇÃO DE MACHINE LEARNING PARA A PREVISÃO DE TEMPERATURA DE MÓDULOS SOLARES FOTOVOLTAICOS

Resumo

O presente trabalho visa utilizar métodos de inteligência artificial e machine learning para estimar os valores de temperatura de módulos solares fotovoltaicos (FV) a partir de variáveis exógenas como irradiância, temperatura ambiente e velocidade do vento. Os dados utilizados neste trabalho são resultados de um projeto de P&D ANEEL entre o Grupo Fotovoltaica-UFSC e a empresa Statkraft, que consiste em um conjunto de sistemas fotovoltaicos instalados em Brotas de Macaúbas – BA. Foram utilizados os métodos k-Nearest Neighbors (kNN) e redes neurais artificais do tipo perceptron multicamadas (ANN-MLP) para calcular os valores de temperatura de módulos de m-Si e CdTe a partir das variáveis de entrada: (i) Irradiância global horizontal (GHI), (ii) Irradiância no plano dos módulos (GTI), (iii) temperatura ambiente e (iv) velocidade do vento. Dentre os métodos propostos, o kNN obteve melhor desempenho (RMSE de 2,18 °C), principalmente devido à menor dispersão de suas previsões, apesar do método ANN (RMSE de 2,69 °C) ter se mostrado mais preciso para valores intermediários de temperatura (entre 40 °C e 50 °C). Mostrou-se que todos os métodos tendem a ter uma incerteza maior para valores altos de temperatura, principalmente o método de Ross e que as diferentes tecnologias fotovoltaicas não apresentam influência no desempenho dos métodos utilizados.