Previsão de Geração de Usina Solar Fotovoltaica Utilizando Rede Neural Artificial e Algoritmo PSO

Considerando o caráter intermitente e a crescente inserção da geração solar fotovoltaica (FV) na matriz elétrica mundial nos últimos anos, é imperioso o desenvolvimento de modelos de previsão de geração cada vez mais precisos, de modo a permitir um melhor planejamento da operação da planta FV e do sistema elétrico como um todo. As redes neurais artificiais têm se tornado muito populares por apresentarem resultados promissores, devido a assertividade na previsão da geração FV e desempenho robusto do modelo. A principal contribuição deste trabalho está na implementação e comparação de modelos de previsão de geração FV de uma usina de 164 MWp, utilizando redes do tipo Focused Time Delay Neural Network (FTDNN). Backpropagation, Adam, otimização por enxame de partículas (do inglês, PSO), PSO Caótico (do inglês, CPSO) e PSO com fator de envelhecimento e enfraquecimento (do inglês, PSOAWF) foram testados no treinamento da rede, enquanto o último algoritmo também foi usado na otimização dos parâmetros da arquitetura da rede FTDNN. Para fins de comparação de desempenho, foram usados os modelos de referência regressão por perceptron multicamadas, regressão linear, regressão por árvore de decisão e persistência. Com base em diferentes métricas estatísticas de desempenho, o modelo FTDNN com ajuste manual de parâmetros e técnica de treinamento PSO-AWF obteve o melhor resultado, com raiz do erro quadrático médio 18,354 MW, erro médio absoluto 13,784 MW, coeficiente de correlação de Pearson 80,042%, raiz do erro quadrático médio normalizado 14,155% e erro médio absoluto normalizado 10,631%.