Previsão de geração fotovoltaica usando o modelo de memória de longo prazo de aprendizado profundo
DOI:
https://doi.org/10.5935/jetia.v8i33.802Resumo
A energia solar fotovoltaica é uma fonte de energia renovável, limpa e segura que atualmente é utilizada em todo o mundo. No entanto, apresenta um comportamento dinâmico e intermitente, causado pela variação das condições climáticas. Devido a isso, tem sido necessário desenvolver diferentes métodos para a previsão da energia gerada em sistemas fotovoltaicos. O presente trabalho está focado em analisar a previsão da potência gerada em uma usina fotovoltaica conectada à rede, por meio do modelo de aprendizado profundo Long Short-Term Memory (LSTM). Para realizar o estudo, é utilizado um banco de dados obtido da usina fotovoltaica da Universidade Central "Marta Abreu" de Las Villas (UCLV) com potência nominal instalada de 1,1 MW. Inicialmente, analisa-se a correlação entre as diferentes variáveis em relação à potência fotovoltaica gerada, em seguida implementa-se o modelo LSTM para fazer a previsão. Os resultados obtidos mostram que as previsões feitas para diferentes horizontes temporais e para dias com diferentes comportamentos são adequadas, o que demonstra a eficácia deste método de previsão.
Downloads
Referências
R. Ahmed., et al., “A review and evaluation of the state-of-the-art in PV solar power forecasting: Techniques and optimization”, Renew Sustain Energy Rev, vol. 124, pp. 109792, March 2020, doi: 10.1016/j.rser.2020.109792.
S. Zhang, J. Wang, H. Liu, J. Tong & Z. Sun, “Prediction of energy photovoltaic power generation based on artificial intelligence algorithm”, Neural Computing and Applications, vol. 33, no 3, pp. 821-835, 2021, doi:10.1007/s00521-020-05249-z.
A. Nespoli, et al., “Day-ahead photovoltaic forecasting: a comparison of the most effective techniques”, Energies, vol. 12, no. 9, pp. 1621, 2019, doi:10.3390/en12091621.
T. Fan, T. Sun, H. Liu, X. Xie, & Z. Na, “Spatial-Temporal Genetic-Based Attention Networks for Short-Term Photovoltaic Power Forecasting”, in IEEE Access, vol. 9, pp. 138762-138774, 2021, doi: 10.1109/ACCESS.2021.3108453.
M. N Akhter., S. Mekhilef, H. Mokhlis, & N. M Shah., “Review on forecasting of photovoltaic power generation based on machine learning and Metaheuristic techniques”, IET Renew. Power Gener., vol. 13, no. 7, pp. 1009–1023, May 2019, doi:10.1049/iet-rpg.2018.5649.
M. S. Mahdi, M. Longo, & F. Foiadelli, “A-Day-Ahead Photovoltaic Power Prediction Based on Long Short Term Memory Algorithm”, 2020 International Conference on Smart Energy Systems and Technologies (SEST). IEEE, pp. 1-6, 2020, doi: 10.1109/SEST48500.2020.9203481.
B. Sivaneasan, C. Y. Yu & K. P Goh., “Solar forecasting using ANN with fuzzy logic pre- processing”, Energy Procedia, vol. 143, pp. 727–32, 2017, doi: 10.1016/j.egypro.2017.12.75.
M. Q. Raza, N. Mithulananthan, J. Li., K. Y. Lee, & H. B. Gooi, “An ensemble framework for day-ahead forecast of PV output power in smart grids”, IEEE Transactions on Industrial Informatics, vol. 15, no. 8, pp. 4624–4634, Aug. 2019.
B. Wolff, J. Kühnert, E. Lorenz, O. Kramer, D. Heinemann, “Comparing support vector regression for PV power forecasting to a physical modeling approach using measurement, numerical weather prediction, and cloud motion data”, Sol Energy, vol. 135, pp. 197–208, 2016, doi: 10.1016/j.solener.2016.05.05.
Z. Chen, Y. Chen, L. Wu, S. Cheng, P. Lin, L.You, “Accurate modeling of photovoltaic modules using a 1-d deep residual network based on iv characteristics”, Energy Conversion and Management, vol. 186, pp. 168-187, 2019, doi: 10.1016/j.enconman.2019.02.032.
F. Harrou, F. Kadri, & Y. Sun, “Forecasting of Photovoltaic Solar Power Production Using LSTM Approach”, In Advanced Statistical Modeling, Forecasting, and Fault Detection in Renewable Energy Systems, London, UK: IntechOpen, 2020.
J. Zhang, R. Verschae, S. Nobuhara, J-F. Lalonde, “Deep photovoltaic nowcasting”, Sol Energy, vol. 176, pp. 267–276, 2018, doi.org/10.1016/j.solener.2018.10.024.
L. Wen, K. Zhou, S. Yang, X. Lu, “Optimal load dispatch of community microgrid with deep learning based solar power and load forecasting”, Energy, vol. 171, pp. 1053–1065, 2019, doi: 10.1016/j.energy.2019.01.075.
R. Zhang, M. Feng, W. Zhang, S. Lu, F. Wang, “Forecast of solar energy production - a deep learning approach”, In: 2018 IEEE international conference on big knowledge. ICBK), pp. 73–82, 2018.
M. S. Hossain and H. Mahmood, “Short-Term Photovoltaic Power Forecasting Using an LSTM Neural Network and Synthetic Weather Forecast”, in IEEE Access, vol. 8, pp. 172524-172533, 2020, doi: 10.1109/ACCESS.2020.3024901.
Z. Pang, F. Niu, Z. O’NEILL, “Solar radiation prediction using recurrent neural network and artificial neural network: A case study with comparisons”, Renewable Energy, vol. 156, pp. 279-289, 2020, doi: 10.1016/j.renene.2020.04.04.
A. Sherstinsky, “Fundamentals of recurrent neural network (RNN) and long short-term memory (LSTM) network”, Phys. D: Nonlinear Phenomena, vol. 404, Art. no. 132306, 2020, doi: 10.1016/j.physd.2019.132306.
Y. Ding, Y. Zhu, J. Feng, P. Zhang & Z. Cheng, “Interpretable spatio-temporal attention LSTM model for flood forecasting”, Neurocomputing, vol. 403, pp. 348–359, 2020, doi: 10.1016/j.neucom.2020.04.110.
