METODOLOGIA BASEADA EM REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DA GERAÇÃO DE PLANTAS FOTOVOLTAICAS

Previsões precisas da geração fotovoltaica (GFV) foram investigadas como significativas redutoras dos impactos que fontes intermitentes de geração elétrica fornecem aos sistemas elétricos. A previsão da GFV envolve incertezas que estão relacionadas às características das séries temporais do recurso solar e sua alta volatilidade devido à dependência de muitos condições do tempo. O presente artigo apresenta um estudo comparativo entre diferentes aplicações de Redes Neurais Artificiais (RNA) para a previsão horária da geração em duas plantas fotovoltaicas situadas no Laboratório de Energias Alternativas (LEA) da Universidade Federal do Ceará (UFC). No presente artigo, foram usadas duas configurações: a) RNA do tipo Perceptron com Múltiplas Camadas (MLP); e b) Rede Neural de Kohonen (SOM), ambas, treinadas com dados históricos de potência (W). Métricas de análise de desempenho foram aplicadas para avaliação e comparação das metodologias (coeficiente de correlação – r, eficiência de Nash-Sutcliffe – NSE e viés relativo – VR). Os resultados gerados pelas RNA mostraram que as aplicações com MLP apresentaram o melhor desempenho geral; as SOM obtiveram desempenho levemente abaixo e também apresentaram bom potêncial para uso na previsão de geração fotovoltaica. Ambas as RNA aplicadas obtiveram correlação próxima de 90%, baixo viés e NSE em torno de 0,80 e de 0,90 em algumas aplicações.