Previsão de Energia em Sistemas Fotovoltaicos Residenciais Utilizando Gêmeos Digitais e Aprendizado Profundo

##plugins.themes.bootstrap3.article.main##

Luciano Roberto Leal
Byron Leite Dantas Bezerra

Resumo

Previsão de Energia em Sistemas Fotovoltaicos Residenciais Utilizando Gêmeos Digitais e Aprendizado Profundo
 
Luciano Roberto da Silva Leal, Universidade de Pernambuco (luciano.rsleal@upe.br)
Byron Leite Dantas Bezerra, Universidade de Pernambuco (byron.leite@upe.br)
 
Introdução ­– A crescente adoção de sistemas fotovoltaicos (PV) em áreas residenciais tem intensificado a demanda por previsões cada vez mais precisas da geração de energia solar. A tecnologia de Gêmeo Digital, que cria uma réplica virtual de um sistema físico, oferece uma abordagem promissora para melhorar a precisão das previsões ao simular o desempenho sob diferentes condições operacionais (GRIEVES;VICKERS, 2017). O desenvolvimento de um gêmeo digital de um sistema fotovoltaico residencial integrado com técnicas de aprendizado profundo melhora significamente a previsão de geração fotovoltaica, fornecendo insights valiosos para a gestão de energia em ambientes residenciais
Objetivos – Os principais objetivos deste estudo foram: • criar um gêmeo digital de um sistema fotovoltaico residencial com características especificadas. • incorporar algoritmos de aprendizado profundo para aprimorar a precisão das previsões do sistema fotovoltaico. • avaliar a melhoria na precisão das previsões por meio de comparação com dados reais de geração. • Discutir os potenciais benefícios dessa abordagem para a gestão de energia solar residencial.
Revisão da literatura – Gêmeos digitais emergiram como uma tecnologia transformadora em várias indústrias, incluindo energia renovável. Eles permitem monitoramento em tempo real, simulação e otimização de sistemas físicos (Fuller et al., 2020). No contexto de sistemas fotovoltaicos, gêmeos digitais podem modelar o impacto de condições ambientais, degradação do sistema e anomalias operacionais na produção de energia (Yang et al., 2022). Algoritmos de aprendizado profundo, particularmente redes neurais recorrentes (RNNs) e redes de memória de curto e longo prazo (LSTM), têm mostrado promessas significativas na previsão de dados de séries temporais como geração de energia fotovoltaica (Aziz et al., 2021). Esses modelos podem capturar relações não lineares complexas e dependências temporais, melhorando a precisão da previsão. A sinergia entre gêmeos digitais e aprendizado profundo aprimora as capacidades preditivas dos sistemas fotovoltaicos. Gêmeos digitais oferecem um ambiente de simulação abrangente, enquanto modelos de aprendizado profundo processam dados históricos e atuais para aprimorar previsões (Zhang et al., 2020).
Metodologia – Este estudo utilizou dados de um sistema fotovoltaico residencial instalado em um telhado orientado para o noroeste com inclinação de 45 graus em Amstelveen, Países Baixos (52.3° N, 4.9° E) (PVP, 2024). O sistema é composto por 8 módulos Trina Full Black de 385 Wp cada, totalizando uma capacidade instalada de 3,08 kWp, e a energia gerada é gerenciada por um inversor central SolarEdge 3000H. Com estas especificações foi desenvolvido o gêmeo digital desta planta modelando as características físicas do sistema fotovoltaico, incluindo a orientação dos painéis, inclinação e propriedades elétricas dos componentes. A modelagem foi feita utilizando o PVLIB (Anderson et al, 2023).  A instalação de Amstelveen forneceu dados históricos de geração fotovoltaica durante 356 dias, com leituras a cada 15 minutos. Além dos dados de geração, foram incorporados ao gêmeo digital dados climáticos adicionais—como irradiância solar, temperatura ambiente e condições meteorológicas—coletados do Visual Crossing Weather (CORPORATION, 2024). Duas abordagens foram utilizadas para implementar o modelo de aprendizado profundo. A primeira utilizou uma rede LSTM isolada, alimentada apenas com dados históricos de geração PV, irradiância, temperatura e condições meteorológicas. A segunda integrou dados adicionais gerados pelo gêmeo digital, como efeitos de sombreamento, temperatura dos módulos e perdas sistêmicas. Em ambas as abordagens, a LSTM foi configurada com duas camadas ocultas de 100 neurônios e uma camada de saída para prever a geração PV. O modelo foi treinado com 70% dos dados, utilizando 15% para validação e 15% para teste, permitindo a comparação entre as duas estratégias.
Resultados – O modelo de Gêmeos Digitais e LSTM alcançou um MAPE de 6,1% na previsão de geração de energia. A integração do gêmeo digital com o modelo LSTM resultou em uma redução significativa nos erros de previsão (redução de 25% no MAPE) em comparação com o modelo LSTM isolado.
Discussão – Os resultados confirmam que a integração de um gêmeo digital com um modelo de aprendizado profundo aprimora de forma significativa a precisão das previsões de geração de energia solar fotovoltaica. O gêmeo digital replica com alta fidelidade o sistema físico, fornecendo informações adicionais cruciais, enquanto o modelo LSTM captura com eficácia padrões temporais e relações não lineares presentes nos dados.
Conclusão – Este estudo demonstrou que a combinação de um gêmeo digital com um modelo LSTM resulta em uma melhoria significativa na precisão das previsões de geração de energia em sistemas fotovoltaicos residenciais. O gêmeo digital forneceu características derivadas que aprimoraram os dados de entrada do LSTM, permitindo ao modelo captar influências específicas do sistema ausentes nos dados históricos de geração e nas variáveis climáticas. Esses resultados indicam que o uso de gêmeos digitais aliado a técnicas avançadas de aprendizado profundo pode ser uma abordagem promissora para otimizar a previsão de energia em sistemas de energia renovável.
 Palavras-chave:  Séries Temporais, Gêmeos Digitais, Deep Learning, Energia Renováveis.
 Referências
 ANDERSON, K.; HANSEN, C.; HOLMGREN, W.; JENSEN, A.; MIKOFSKI, M.; DRIESSE, A. pvlib python: 2023 project update. Journal of Open Source Software, v.8, n.92, art. 5994, 2023. DOI: https://doi.org/10.21105/joss.05994
 AZIZ, M.; UDDIN, Z.; MURSHED, M. Deep learning approaches for solar photovoltaic power forecasting: a review. Energies, v.14, n.8, art. 2194, 2021.
 CORPORATION, Visual Crossing . Visual crossing weather. Historical weather data . Disponível em: https://www.visualcrossing.com/. Acesso em: 22 set. 2024.
 FULLER, A.; FAN, Z.; DAY, C.; BARLOW, C. Digital twin: enabling technologies, challenges and open research. IEEE Access, v.8, p.108952-108971, 2020.
 GRIEVES, M.; VICKERS, J. Digital twin: mitigating unpredictable, undesirable emergent behavior in complex systems. In: KAHLEN, F.-J.; FLUMERFELT, S.; ALVES, A. (Eds.). Transdisciplinary perspectives on complex systems: new findings and approaches. Cham: Springer, 2017. p.85-113.
 PVP, Portal. Residential PV power plant. Open Database Systeem Amstelveen . Disponível em: https://pvportal-3.ewi.tudelft.nl/PVP3.1/Open_Databases/Systeem_Amstelveen.zip. Acesso em: 22 set. 2024.
 YANG, F.; ZHANG, Y.; LI, X.; WANG, Q. A digital twin approach for smart energy management of photovoltaic systems. Renewable Energy, v.182, p.1245-1257, 2022.
 ZHANG, Z.; SUN, Y.; LI, H. Application of digital twin technology in photovoltaic power generation prediction. Journal of Renewable and Sustainable Energy, v.12, n.6, art. 063301, 2020.

Downloads

Não há dados estatísticos.

##plugins.themes.bootstrap3.article.details##

Seção
Engenharia da Computação e Sistemas