Previsão de Energia Fotovoltaica usando Métodos de Aprendizado de Máquina

Resumo

As usinas fotovoltaicas requerem previsões precisas para alcançar uma inserção satisfatória nas redes elétricas. Em outras palavras, uma previsão precisa de energia fotovoltaica ajuda os operadores da rede a otimizar o despacho para equilibrar a geração e a demanda; e, dessa forma, aproveitar melhor esse recurso renovável. Assim, este projeto de pesquisa de Iniciação Científica propõe a aplicação de dois métodos de aprendizado de máquina: Long-Short Term Memory (LSTM) e Temporal Convolutional Networks (TCN), para a previsão de energia fotovoltaica do dia seguinte. Para ambos métodos de aprendizado de máquina, uma previsão de energia fotovoltaica do dia seguinte será obtida com intervalos de tempo de quinze (15) minutos. As metodologias propostas serão programadas em Python, usando as bibliotecas de código aberto TensorFlow para aprendizado de máquina aplicável a uma ampla variedade de tarefas, e Pandas para gerenciamento, manipulação e análise de dados. As metodologias serão validadas usando um conjunto de dados correspondente a uma usina fotovoltaica localizada na Universidade Estadual de Campinas (UNICAMP) no Brasil, com capacidade instalada de 336 kWp. Esta pesquisa faz parte do projeto Microgrids for Efficient, Reliable and Greener Energy (MERGE).