Multiprevisão de geração fotovoltaica baseada em clusterização hierárquica e temporal fusion transformer

Abstract

A alta variabilidade da geração solar fotovoltaica (FV) dificulta a previsão de curto prazo, levando o Operador Nacional do Sistema Elétrico (ONS) a manter reservas operativas elevadas e, consequentemente, custos sistêmicos maiores. Esta tese propõe uma abordagem de previsão multissérie que integra Clusterização Hierárquica com distância DTW e a arquitetura Temporal Fusion Transformer (TFT), utilizando exclusivamente dados públicos de geração (ONS) e meteorologia (NASA POWER). A metodologia inclui: imputação de dados faltantes guiada pela curva de radiação solar, clusterização de dez usinas FV para identificar grupos com padrões de geração similares e desenvolvimento de quatorze modelos TFT, contemplando configurações univariadas e multipreditivas. A avaliação, baseada em validação por janela deslizante, dez inicializações independentes e métricas MAE, RMSE e nMAE na escala original (MW), mostrou que os melhores modelos univariados atingem nMAE em torno de 10%, combinando variáveis meteorológicas, atributos derivados da série de geração e codificações sazonais. Nos modelos multipreditivos, a previsão simultânea de duas ou três usinas manteve nMAEs muito próximos aos univariados, indicando que a acurácia relativa por usina praticamente não se deteriora ao adotar uma modelagem conjunta, ao mesmo tempo em que se reduz o número de modelos a serem treinados e operados. Comparativos com redes MLP, LSTM e com o método de Persistência evidenciaram a superioridade consistente do TFT. Os resultados estabelecem uma base reprodutível e escalável para previsão FV em múltiplas usinas, com potencial aplicação na melhoria da eficiência e da gestão do sistema elétrico brasileiro.