Métodos de previsão de produção de energia renovável: solar fotovoltaica

Abstract

A energia solar fotovoltaica tem-se destacado como uma das soluções mais promissoras e sustentáveis no panorama energético mundial, desempenhando um papel crucial na redução das emissões de gases com efeito de estufa e na transição energética. No entanto, a intermitência inerente à produção de energia solar, devido à variabilidade das condições meteorológicas, constitui um desafio significativo para a sua integração eficiente na rede elétrica. Neste contexto, os métodos de previsão de energia solar fotovoltaica surgem como ferramentas essenciais, permitindo que os operadores da rede antecipem a produção de energia e, dessa forma, tomem decisões mais informadas para manter o equilíbrio entre a oferta e a procura, planear o armazenamento e reduzir os custos operacionais. Esta dissertação explora os diversos métodos utilizados na previsão da produção de energia solar fotovoltaica, assim como os principais desafios inerentes a este processo. Os métodos analisados diferem em termos de complexidade e abordagem, abrangendo desde métodos físicos, estatísticos e híbridos até aos métodos baseados em inteligência artificial, os quais têm demonstrado uma grande capacidade para lidar com a complexidade dos dados e a sua natureza não linear. Como parte da dissertação, foi realizado um estudo prático que envolveu o uso de um software de simulação, no qual diferentes configurações de Redes Neuronais Artificiais foram treinadas e validadas. O objetivo foi identificar a configuração mais eficiente para a previsão da potência de energia solar fotovoltaica. O modelo foi avaliado com base em diversas métricas de desempenho, como o MAE, RMSE e MAPE, tendo apresentado um desempenho razoável na fase de previsão. Este estudo oferece uma análise detalhada dos diversos métodos de previsão de energia solar fotovoltaica, enfatizando a relevância de selecionar corretamente o modelo e as suas configurações. Essa escolha é essencial para aumentar a precisão das previsões e, por conseguinte, facilitar uma melhor integração desta fonte de energia na rede elétrica.

Photovoltaic solar energy has established itself as one of the most promising and sustainable solutions in the global energy landscape, playing a crucial role in reducing green-house gas emissions and facilitating the energy transition. However, the inherent intermittency of solar energy production, due to the variability in weather conditions, presents a significant challenge for its efficient integration into the electrical grid. In this context, photovoltaic solar energy forecasting methods emerge as essential tools, allowing grid operators to anticipate energy production and thus make more informed decisions to maintain the balance between supply and demand, plan storage, and reduce operational costs. This dissertation explores the various methods used in forecasting photovoltaic solar energy production, as well as the main challenges associated with this process. The methods analyzed vary in terms of complexity and approach, encompassing physical, statistical, and hybrid methods, as well as artificial intelligence-based methods, which have demonstrated a greater ability to handle the complexity of the data and its nonlinear nature. As part of the dissertation, a practical study was conducted involving the use of simulation software, in which different configurations of Artificial Neural Networks were trained and validated. The objective was to identify the most efficient configuration for forecasting photovoltaic solar power output. The model was evaluated based on various performance metrics, such as MAE, RMSE, and MAPE, and demonstrated reasonable performance during the forecasting phase. This study provides a detailed analysis of the various methods for forecasting photovoltaic solar energy, emphasizing the importance of correctly selecting the model and its configurations. This choice is essential for improving forecast accuracy and, consequently, facilitating better integration of this energy source into the electrical grid.