Rede neural de aprendizagem profunda na previsão instantânea de geração de energia solar

Abstract

Energia solar é um dos recursos mais importantes na migração para o uso de energia limpa, no entanto, a quantidade de energia gerada varia muito de acordo com condições climáticas, atrapalhando a implantação desse tipo de energia em serviços de larga escala. Sistemas que operam plantas de geração de energia elétrica, tem a necessidade de prever a geração de energia para poder escoar a energia no fluxo correto, e, para evitar sobrecarga, até bloquear a produção de energia se necessário. Para atingir este objetivo, sistemas de geração de energia utilizam sistemas de previsão de curtíssimo prazo, até agora existem poucos estudos sobre sistemas de previsão de curtíssimo prazo que utilizam imagens do céu como input. Com o objetivo de ser capaz de prever a geração de energia solar instantânea apenas com acesso a uma câmera apontada para o céu, sem outros sensores. Esse trabalho apresenta um modelo de rede neural convolucional de alta profundidade para prever a geração instantânea de energia solar. O modelo utiliza apenas imagens do céu, sem utilização de variáveis exógenas. Ele é então comparado com técnicas já testadas anteriormente no mesmo conjunto de dados, como: Rede Neural Convolucional (CNN), modelo ensemble de um classificador de dias nublados / ensolarados seguido por uma CNN treinada especificamente para uma condição climática., Resnet50 e EfficientNetB0. Esse modelo propostom que é baseado na arquitetura VGG-16, modificando somente o topo do modelo para atuar no problema de previsão, consegue um resultado 20% melhor que o modelo ensemble nos dias ensolarados, mas não consegue um resultado tão convincente nos dias nublados, ficando 4% pior que o modelo ensemble.