Banca de DEFESA: DIOGO ALVES AMORIM

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: DIOGO ALVES AMORIM
DATA : 25/02/2026
HORA: 14:00
LOCAL: DEE - LDSP
TÍTULO:

PREVISÃO DE GERAÇÃO FOTOVOLTAICA UTILIZANDO DEEP LEARNING.

PALAVRAS-CHAVES:

Previsão de geração fotovoltaica; Redes neurais artificiais; Perceptron de Múltiplas Camadas; Long Short-Term Memory; Curtailment.

PÁGINAS: 81
RESUMO:

O crescimento do uso da energia solar fotovoltaica (FV) no Brasil torna crucial a previsão da geração das usinas para as próximas horas, assegurando um planejamento confiável do setor elétrico e o fornecimento contínuo de energia. Este trabalho propõe a aplicação de modelos de redes neurais, especificamente o Perceptron de Múltiplas Camadas (MLP) e a rede Long Short-Term Memory (LSTM), para estimar a geração FV com horizonte de um dia à frente e resolução horária. Como variáveis de entrada, foram coletados os dados de geração (ONS) das usinas solares de Pirapora (MG), Bom Jesus da Lapa (BA) e Conjunto Nova Olinda (PI), denominadas de Usina 1 (PIR), Usina 2 (CSP) e Usina 3 (CNO), respectivamente, além de dados meteorológicos obtidos do NASA POWER. Inicialmente, avaliou-se a correlação entre geração FV e irradiância solar nos períodos pré-curtailment e com curtailment. Os resultados revelaram uma redução relativa dessa correlação de 16,05%, 30,43% e 18,18% para as três usinas, respectivamente. Foram realizados experimentos para determinar os hiperparâmetros dos modelos, utilizando-se os dados da usina da Usina 1 (PIR), compreendendo os anos de 2019 a 2022 (período anterior aos cortes de geração). Após a definição dos hiperparâmetros, empregou-se a validação cruzada para selecionar os modelos mais adequados, totalizando dez ensaios com dez inicializações cada. As simulações finais avaliaram o desempenho das redes neurais em ambos os períodos, demonstrando que o curtailment impacta consideravelmente a precisão e eleva os erros em todos os casos analisados nesta dissertação. O desempenho foi quantificado pelas métricas RMSE e MAE e por suas versões normalizadas pela potência instalada das usinas, NRMSE e NMAE. Entre os principais resultados destaca-se para a Usina 2 (CSP) um NRMSE de 16,80% com MLP no período pré-curtailment e de 21,68% com a LSTM no período com curtailment. Quanto ao NMAE, o melhor valor foi 12,28% com LSTM no período pré-curtailment da mesma usina. Para a Usina 1 (PIR), registrou-se um NMAE de 15,58% com LSTM no período com curtailment. Tais resultados indicam que não houve uma arquitetura neural superior, mas sim a necessidade de avaliar cada caso específico para definir a abordagem mais adequada.

MEMBROS DA BANCA:
Externo ao Programa - 1567855 - OTONI NOBREGA NETO - nullPresidente - 1543575 - PEDRO ANDRE CARVALHO ROSAS
Externa à Instituição - REGINA MARIA DE LIMA NETA - UFPE