Título: Previsão de Geração de Energia Fotovoltaica Utilizando Transformação de Séries Temporais em Imagens e Redes Neurais Convolucionais
Autores: Diego Ramiro Melo Monteiro, Adriana Rosa Garcez Castro
Resumo: Este artigo apresenta uma nova abordagem baseada em Rede Neural Convolucional Bidimensional (Convolutional Neural Network CNN) e Gráfico de Recorrência (Recurrence Plot RP) para previsão em curto prazo da geração de energia elétrica de uma microusina fotovoltaica conectada à rede elétrica, localizada no Centro de Excelência em Eficiência Energética da AmazôniaCEAMAZON, da Universidade Federal do Pará (UFPA). O gráfico de recorrência foi utilizado para transformação das séries temporais em imagens para serem utilizadas como entrada para a CNN. A previsão de geração de energia elétrica com maior precisão possibilita ao usuário conhecer com maior grau de acerto quais os possíveis custos para implantação da rede e os prazos para retorno financeiro, além de avaliar com maior assertividade a disponibilidade de carga que poderá ser conectada ao sistema. Os resultados da previsão com a utilização da CNN 2D e RP foram comparados com resultados utilizando outros tipos de rede neurais já consolidadas na área, tendo obtido valores RMSE satisfatórios, da ordem de 1,85% menor que o erro obtido com a Perceptron Multicamadas e 3,03% menor que o RMSE da CNN 1D, mostrando assim a sua aplicabilidade para o problema.
Palavras-chave: geração de energia fotovoltaica, redes neurais convolucionais, gráfico de recorrência, séries temporais, previsão, inteligência computacional.
Páginas: 8
Código DOI: 10.21528/CBIC2023-014
Artigo em pdf: CBIC_2023_paper014.pdf
Arquivo BibTeX: CBIC_2023_014.bib