De acordo com pt.wedoany.com-A equipe de pesquisa da Universidade Estadual da Carolina do Norte (NC State), por meio da integração de múltiplos modelos de previsão, aumentou o desempenho da previsão solar diária em até 13% em comparação com o modelo único mais estável, e descobriu que a adaptabilidade regional dos modelos de previsão afeta significativamente sua eficácia real.
A energia solar fotovoltaica tem se desenvolvido rapidamente por ser renovável e amplamente distribuída, mas sua geração é influenciada pela disponibilidade de luz solar, apresentando alta variabilidade, o que traz desafios ao equilíbrio entre oferta e demanda de eletricidade. As empresas de serviços públicos precisam de previsões diárias precisas para planejar a geração de energia com antecedência. Yen-Hsi Chou, autor correspondente do artigo e pesquisador de pós-doutorado na Universidade Estadual da Carolina do Norte, afirmou que a crescente adoção da energia solar torna mais difícil a previsão de oferta e demanda, pois a disponibilidade de luz solar nem sempre é estável. Anderson De Queiroz, coautor do artigo e professor associado do Departamento de Engenharia Civil, de Construção e Ambiental da universidade, destacou que, com o aumento da penetração solar, a incerteza nas previsões tornou-se um fator crucial para planejadores de energia e operadores de redes elétricas ao equilibrar oferta e demanda, e que a combinação de múltiplos modelos de aprendizado de máquina pode fornecer previsões mais robustas, contribuindo para aumentar a confiabilidade da integração da energia solar ao sistema elétrico.
A equipe de pesquisa examinou duas abordagens de modelagem: modelos estatísticos que identificam padrões históricos e métodos de redes neurais artificiais adequados para compreender relações não lineares temporais. A equipe selecionou sete modelos para teste e validou-os usando dados meteorológicos e de eletricidade de duas empresas de serviços públicos da Califórnia — o Imperial Irrigation District (IID) e o Los Angeles Department of Water and Power (LADWP) — entre 2019 e 2022.
Os resultados da análise mostraram que nenhum modelo único apresentou desempenho ideal em todos os cenários. A equipe escolheu o modelo BiLSTM, que apresentou a operação mais estável, como referência, e melhorou o desempenho integrando as previsões de múltiplos modelos individuais, com aumentos superiores a 10% em alguns casos. Os métodos de integração foram divididos em duas abordagens: o método de média ponderada combina previsões de modelos treinados separadamente para diferentes locais, atribuindo maior peso aos modelos com melhor desempenho; o método de múltiplas entradas permite que cada modelo utilize dados meteorológicos de vários locais.
Os dois métodos de integração apresentaram desempenhos diferentes em diferentes regiões: o método de média ponderada proporcionou ao IID um aumento de desempenho de previsão de até 11%, enquanto o método de múltiplas entradas proporcionou ao LADWP um aumento de até 13%.
De Queiroz afirmou que não existe uma estratégia de previsão universal que funcione igualmente bem em todas as regiões, e que compreender as características de cada região, utilizando informações de múltiplos modelos e locais, é fundamental para desenvolver ferramentas de previsão que garantam precisão e apoiem decisões de operação da rede elétrica. Chou acrescentou que os métodos de integração têm, de fato, potencial para otimizar ainda mais as previsões em comparação com modelos únicos, mas precisam ser testados e ajustados para as regiões específicas de uso.
A pesquisa foi publicada no Journal of Cleaner Production, parcialmente financiada pela National Science Foundation (NSF) dos Estados Unidos, sob o número de concessão 2412711. Outros colaboradores incluem Arundhuti Haldar, estudante de doutorado do Departamento de Engenharia Elétrica e de Computação, e Shubh Nisar, ex-aluno de pós-graduação do Departamento de Ciência da Computação.
