Previsão de irradiação solar para sistemas fotovoltaicos utilizando machine learning: uma abordagem de aprendizagem supervisionada para previsão de irradiação solar no estado de São Paulo

• Processo: 20/09607-9
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de setembro de 2020
• Data de Término da vigência: 31 de agosto de 2021
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Renato Fernandes Cantão
• Beneficiário: Enzo Laragnoit Fernandes
• Instituição Sede: Centro de Ciências e Tecnologias para a Sustentabilidade (CCTS). Universidade Federal de São Carlos (UFSCAR). Sorocaba , SP, Brasil
• Assunto(s): Aprendizado computacional Energia renovável Inteligência artificial Energia solar Sistemas fotovoltaicos São Paulo Python Metodologia e técnicas de computação
• Palavra(s)-Chave do Pesquisador: Apredizagem supervisionada | Aprendizado de Máquina | energia renovável | Energia Solar | Irradiação Solar | Inteligência artificial

Resumo

Com a crescente demanda por energia, surgem diferentes formas de produção de energia elétrica. Dentre elas tem-se a energia solar fotovoltaica, uma fonte renovável, abundante e de baixo custo, cujas aplicações dependem diretamente da intensidade de irradiação solar. Neste projeto de iniciação científica propõe-se o uso técnico de Aprendizado de Máquina Supervisionado (Supervised Learning) para a implementação de modelos capazes de realizar a previsão de irradiação solar a partir de um conjunto de dados conhecidos a priori em localidades específicas dentro do Estado de São Paulo. Uma vez que o conjunto de dados é obtido serão utilizadas técnicas para realizar o pré-processamento e a Engenharia de Atributos a fim de otimizar os algoritmos de aprendizagem supervisionada na base de dados. A capacidade de previsão dos modelos será avaliada em dois instantes: durante a etapa de ajustes, e posteriormente, na etapa de validação. Os resultados serão analisados por meio do tabelamento onde informações como os hiperparâmetros dos modelos, as diferenças entre as previsões e as observações e as métricas de erro para regressão serão registradas. A implementação será realizada na linguagem de programação Python em conjunto com diversas bibliotecas dedicadas para aprendizagem supervisionada, manipulação e visualização do conjunto de dados.